PERBANDINGAN METODE PARTIAL LEAST SQUARE (PLS) DAN PRINCIPAL COMPONENT REGRESSION (PCR) UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA

Eko Supriyadi; scolastika mariani; sugiman sugiman

doi:10.15294/ujm.v6i2.11819

Abdi, H. 2010. Partial Least Square (PLS) Regression and Projrction On Latent Structure Regression. Encyclopedia of Social Sciences Research Methods.
Draper, H., & Smith, H. 1992. Applied Regression Analysis, 2nd. (Analisis Regresi Terapan Edisi Ke-2). Penerjemah : Bambang Sumantri. Jakarta:PT. Gramedia Pustaka Utama.
Farahani, A, Rahiminezhed H., Same A.L, & Immannezhed, K. 2010. A Comparison of Partial Least Square (PLS) and Ordinary Least Square (OLS) regressions in predicting of couples mental health based on their communicational patterns. Procedia.
Gujarati, D. 2004. Ekonometrika Dasar. Sumarno Zain Penerjemah. Jakarta: Erlangga. Terjemahan dari: Basic Econometrics.
Johnson, R.A., Wichern, D.W. 2010. Applied Multivariate Statistical Analysis. Sixth edition, Prentice Hall. New Jersey.
Nurhasanah, Subianto, M. & Fitriani, R. 2012. Perbandingan Metode Partial Least Square (PLS) dengan Regresi Komponen Utama untuk Mengatasi Multikolinearitas. Jurusan Matematika FMIPA UNSYIAH, Statistika,12 (1): 33 â€“ 42.
Saikia 2014. Estimation of Principal Components Regression Coefficients. International of Science and Research (IJSR).
Soemartini. 2008. Penyelesaian Multikolinearitas Melalui Ridge Regression. Tesis. Universitas Padjajaran.
Sukmono, A. 2014. Penggunaan Partial Least Square Regression (PLSR) untuk Mengatasi Multikolinearitas Dalam Estimasi Klorofil Daun Tanaman Padi dengan Citra Hiperspektral. Program Studi Teknik Geodesi, Fakultas Teknik, Universitas Diponegoro.
Tazliqoh, A,H. Rahmawati,H, & Safitri,D. 2015. Perbandingan Regresi Komponen Utama Regresi Ridge Pada Analisis Faktor-Faktor Pendapatan Asli Daerah (PAD) Provinsi Jawa Tengah. Jurnal Gaussian.
Widarjono, A. 2007. Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. Yogyakarta: Ekonisia FE UII.
Vinzi, V. Bastien, P. & Tenenhaus, M. 2004. Partial Least Square Generalized Linear Regression. Computational statistics & Data Analysis (2005).

Abstract viewed - 6629 times
PDF downloaded - 18907 times

Affiliations

Eko Supriyadi
Semarang state university

scolastika mariani
Affiliation not stated

sugiman sugiman
Affiliation not stated

Content Top

PERBANDINGAN METODE PARTIAL LEAST SQUARE (PLS) DAN PRINCIPAL COMPONENT REGRESSION (PCR) UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA

Eko Supriyadi ,
scolastika mariani ,
sugiman sugiman

Vol 6 No 2 (2017)

DOI 10.15294/ujm.v6i2.11819

Submitted: Aug 15, 2016

Published: Jan 9, 2018

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. 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. Hasil dari penelitian ini diperoleh model persamaan regresi dengan metode Partial Least Square (PLS) yaitu dan model persamaan regresi dengan metode Principal Component Regression (PCR) yaitu . Selanjutnya dipilih metode terbaik dengan menggunakan kriteria nilai tertinggi dan MSE terkecil. Pemilihan metode terbaik adalah dengan melihat nilai tertinggi dan MSE terkecil. Dapat disimpulkan bahwa metode yang lebih baik adalah Partial Least Square dengan nilai = 0,7752 dan nilai MSE yang dihasilkan Partial Least Square = 3,660671E16.

One of analysis assumptions of bifilar linier regression is there is no multikolinearity problem occurs. If there is a multikolinearity problem occurs, Partial Least Square (PLS) and Principal Component Regression (PCR) methods are can used to solve the multikolinearity problem. The method that was used in this research were Partial Least Square (PLS) and Principal Component Regression (PCR) by using the data of budgeting income of Central Java in 2013. The result of this research was gotten a model of regression equation by using Partial Least Square (PLS) method it was and a model of regression equation by using Principal Component Regression (PCR) it was . After that choose the best method selection criteria was by seeing at the highest score and the lowest MSE. The best method selection was by seeing at the highest score and the lowest MSE. Thus, it could be concluded that Partial Least Square with the score of = 0,7752 and the MSE score that was resulted by Partial Least Square = 3,660671E16.