PEMILIHAN MODEL REGRESI LINIER BERGANDA TERBAIK PADA KASUS MULTIKOLINIERITAS BERDASARKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DAN METODE STEPWISE

Abstrak

Analisis regresi linier berganda digunakan untuk mengetahui hubungan antara dua atau lebih peubah penjelas dan peubah respon. Model regresi terbaik adalah model yang dapat menjelaskan perilaku peubah tak bebas dengan sebaik-baiknya dengan memilih peubah-peubah bebas dari sekian banyak peubah bebas yang tersedia dalam data dengan menggunakan kriteria pembanding adjusted dan.. Salah satu permasalahan asumsi pada model regresi linier berganda adalah seringnya terjadi korelasi antar variabel-variabel bebas pada model regresi linier berganda yang disebut sebagai multikolinieritas. Jika terdapat multikolinieritas maka kesimpulan yang dihasilkan tidak tepat. Pada penelitian ini metode yang digunakan untuk mencari model terbaik pada kasus multikolinieritas adalah metode Stepwise dan metode Principal Component Analysis (PCA). Tujuan utama dari penelitian ini yaitu mencari model terbaik dengan menggunakan metode Stepwise dan metode Principal Component Analysis (PCA). Hasil penelian yang diperoleh untuk mencari model terbaik pada kasus multikolinieritas data return saham perusahaan dalam Indeks LQ 45 di BEI periode Juli – Desember 2015 dengan menggunakan metode Principal Component Analysis (PCA) = 11,992 + 2,179 dengan nilai adjusted sebesar 0,050 dan nilai sebesar 63,049 sedangkan hasil yang diperoleh dengan metode Stepwise yaitu = 4,891 + 7,804 + 0,144 dengan nilai adjusted sebesar 0,191 dan nilai sebesar 53,678. Dari hasil tersebut dapat disimpulkan bahwa metode Stepwise lebih cocok untuk mencari model terbaik pada kasus multikolinieritas. Multiple linear regression analysis is used to determine the relationship between two or more explanatory variables and the response variable. Best regression model is a model that can explain the behavior of dependent variable as well as possible by choosing variables are free of many independent variables available in the data by using criteria comparators adjusted and.. One of the issues on the assumption of multiple linear regression model is frequent correlation between the independent variables in a multiple linear regression model known as multicollinearity. If there is multicollinearity then the conclusions are not appropriate. In this study, the method that been used to find the best model in the case of multicollinearity are stepwise method and the method of Principal Component Analysis (PCA) The main objective of this research is looking for the best model using Stepwise Method and Principal Component Analysis (PCA) method. The results obtained to search for the best model in the case of data multicollinearity stock returns in LQ 45 in BEI period from July to December 2015 by using Principal Component Analysis (PCA) Y = 11.992 + 2.179 with value adjusted by 0,050 and the value of amounted to 63.049, while the results obtained by the stepwise method is Y = 4.891 + 0.144 + 7,804 value adjusted by 0.191 and the value of amounted to 53.678. From these results it can be concluded that the Stepwise method is more suitable to find the best model on a case of multicollinearity.