Perbandingan Metode Kuadrat Terkecil, LASSO, Ridge, dan Elastic Net dalam Memprediksi Harga Mobil

Abstract

Harga mobil dipengaruhi oleh berbagai karakteristik teknis kendaraan yang saling berkorelasi, sehingga berpotensi menimbulkan multikolinearitas pada pemodelan regresi. Penelitian ini bertujuan membandingkan kinerja metode Ordinary Least Squares (OLS), Ridge Regression, LASSO, dan Elastic-Net dalam memprediksi harga mobil menggunakan Car Price Dataset dari Kaggle. Data dianalisis menggunakan perangkat lunak R melalui tahap pra-pemrosesan, standardisasi variabel, pengujian multikolinearitas menggunakan Variance Inflation Factor (VIF), serta deteksi outlier dengan boxplot dan grafik diagnostik. Pemodelan Ridge, LASSO, dan Elastic-Net dilakukan menggunakan teknik 10-fold cross-validation dengan pemilihan parameter optimal berdasarkan nilai Mean Squared Error (MSE). Hasil menunjukkan adanya multikolinearitas kuat pada variabel citympg, highwaympg, dan curbweight. Metode regularisasi mampu melakukan penyusutan koefisien dan seleksi variabel, khususnya LASSO dan Elastic-Net yang menghasilkan model lebih sederhana. Namun, evaluasi kinerja prediksi menunjukkan bahwa OLS memperoleh nilai MSE terkecil sebesar 12.489.548, sehingga menjadi model terbaik pada penelitian ini. Variabel curbweight dan enginesize berpengaruh positif signifikan terhadap harga mobil, sedangkan citympg berpengaruh negatif signifikan.