Metode Untuk Mengatasi Masalah Multikolinearitas Pada Model Regresi Linier Berganda

Rakhman, Annas Nandhia (2021) Metode Untuk Mengatasi Masalah Multikolinearitas Pada Model Regresi Linier Berganda. Sarjana thesis, Universitas Brawijaya.

Abstract

Analisis regresi merupakan suatu teknik yang digunakan untuk mengetahui apakah terdapat hubungan antara variabel bebas dengan variabel terikatnya. Terdapat beberapa asumsi yang harus dipenuhi dalam analisis regresi, salah satunya asumsi non-multikoinearitas. Asumsi non-multikolinearitas adalah tidak terjadinya hubungan yang tinggi antar variabel bebas. Jika asumsi non-multikolinearitas ini tidak terpenuhi, maka dapat ditangani menggunakan regresi Ridge, LASSO, PLS, PCR, dan Akar Laten. Penelitian ini ingin mengetahui performa dari kelima metode tersebut berdasarkan data bangkitan dengan jumlah variabel, koefisien korelasi, dan banyak amatan yang berbeda-beda menggunakan bantuan sowftware R. Untuk membandingkan performa metode regresi Ridge, LASSO, PLS, PCR, dan Akar Laten dapat dilihat dari seberapa banyak metode tersebut dapat mengatasi masalah multikolinearitas dari semua kondisi data bangkitan. Hasil pada penelitian ini menunjukan bahwa regresi Akar Laten yang memiliki performa terbaik dalam mengatasi masalah multikolinearitas karena dapat mengatasi masalah multikolinearitas sebanyak 10 dari 27 kondisi data. Kemudia metode dengan performa terbaik kedua adalah regresi Ridge karena dapat mengatasi masalah multikolinearitas sebanyak 8 dari 27 kondisi data.

English Abstract

Regression analysis is a technique used to analyze there is a relationship between the independent variable and the dependent variable. There are several assumptions in regression analysis, one of the assumptions is non-multicoinearity. The assumption of nonmulticollinearity is that there is no high correlation between the independent variables. If this non-multicollinearity assumption is violated, then it can be helpful to use the Ridge regression, LASSO regression, PLS regression, PCR, and Latent Root regression. This study wanted to determine the performance of the five methods based on simulation data with a number of variables, correlation coefficients, and many different observations using the R software. To compare the performance of the Ridge, LASSO, PLS, PCR, and Latent Root regression methods, it can be seen from how much these methods can overcome the problem of multicollinearity from all data simulation. The results of this study indicate that Latent Root regression has the best performance in overcoming multicollinearity problems because it can solve multicollinearity problems as many as 10 of 27 data conditions. Then the method with the second best performance is Ridge regression because it can solve the multicollinearity problem as many as 8 of 27 data conditions.

Other obstract

-

Item Type:	Thesis (Sarjana)
Identification Number:	052109
Uncontrolled Keywords:	Akar Laten, LASSO, PCR, PLS, Ridge, Latent Root regression, LASSO, PCR, PLS, Ridge
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User:	Unnamed user with username dedyiskandar
Date Deposited:	19 Oct 2021 09:15
Last Modified:	17 Oct 2024 02:26
URI:	http://repository.ub.ac.id/id/eprint/184102

Text Annas Nandhia Rakhman..pdf Download (2MB)

Actions (login required)

View Item