Perbandingan Metode Principal Component Analysis (Pca) Dan Partial Least Square (Pls) Untuk Mengatasi Multikolinieritas Pada Beberapa Tingkatan Multikolinieritas Dalam Regresi Linier Berganda

Analisis Regresi Linier Berganda merupakan analisis yang digunakan untuk mengetahui hubungan antar variabel berupa suatu model. Ada beberapa asumsi yang harus dipenuhi dalam analisis regresi agar hasil yang diperoleh sesuai dengan kaidah dan dapat dipertanggungjawabkan kebenarannya. Menurut Gujarati (1995) terdapat beberapa asumsi yang harus dipenuhi, salah satu dari asumsi tersebut adalah tidak terdapat multikolinieritas. Multikolinaritas merupakan hubungan linear antara beberapa atau semua variabel prediktor atau terdapat korelasi antar variabel prediktor. O’ Brien (2007) mengklasifikasikan nilai VIF menjadi beberapa kriteria yaitu 5 ≤ VIF < 10 (multikolinieritas sedang), 10 ≤ VIF < 20 (multikolinieritas tinggi), 20 ≤ VIF < 40 (multikolinieritas sangat tinggi) dan VIF 40 (multikolinieritas sempurna). Oleh karena itu, dikembangkan berbagai macam metode alternatif untuk mengatasi masalah multikolinieritas, beberapa diantaranya yaitu metode Principal Component Analysis (PCA) dan Principal Component Analysis (PCA). Tujuan penelitian ini yaitu melihat serta menentukan metode mana yang terbaik diantara PCA dan PLS untuk mengatasi multikolinieritas pada beberapa tingkatan multikolinieritas dalam analisis regresi linier berganda. Untuk membandingkan kedua metode digunakan koefisien determinasi yang telah disesuaikan ( R 2 Adjusted ). Berdasarkan nilai koefisien determinasi yang disesuaikan (R2 adjusted ) dapat disimpulkan bahwa untuk keempat tingkat multikolinieritas yaitu 5 ≤ VIF < 10 (multikolinieritas sedang), 10 ≤ VIF < 20 (multikolinieritas tinggi), 20 ≤ VIF < 40 (multikolinieritas sangat tinggi) dan VIF 40 (multikolinieritas sempurna) regresi PLS mempunyai kemampuan prediksi lebih baik daripada model regresi PCA