Eko Supriyadi , 4111412023 (2016) PERBANDINGAN METODE PARTIAL LEAST SQUARE (PLS) DAN PRINCIPAL COMPONENT REGRESSION (PCR) UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF - Published Version Download (2MB) | Preview

Abstract

Salah satu asumsi analisis regresi linear berganda yaitu tidak terjadi masalah multikolinearitas. Apabila terjadi masalah multikolinearitas, metode Partial Least Square (PLS) dan Principal Component Regression (PCR) merupakan dua metode yang dapat digunakan untuk mengatasi masalah multikolinearitas tersebut. Penelitian ini bertujuan untuk mengetahui: (1) Bagaimana model persamaan regresi dengan metode Partial Least Square (PLS) untuk mengatasi multikolinearitas; (2) Bagaimana model persamaan regresi dengan metode Principal Component Regression (PCR) untuk mengatasi multikolinearitas; (3) Metode manakah antara Partial Least Square (PLS) dan Principal Component Regression (PCR) untuk mengatasi multikolinearitas yang lebih efektif. Metode yang digunakan dalam penelitian ini adalah Partial Least Square (PLS) dan Principal Component Regression (PCR) dengan data Anggaran Pendapatan Daerah Provinsi Jawa Tengah 2013. Metode pengumpulan data yang digunakan adalah metode dokumentasi, pustaka dan wawancara. Langkah-langkah analisis yaitu : (1) Deskripsi Data, (2) Uji Asumsi Regresi Linear, (3) Uji Asumsi Klasik, (4) Mengatasi Masalah Multikolinearitas, (5) Pemilihan Metode terbaik dengan

Actions (login required)

View Item