Perpustakaan Digital ITB

Persamaan regresi seringkali diaplikasikan untuk berbagai macam pemodelan. Namun, permasalahan yang sering ditemui dalam persamaan regresi adalah terjadinya korelasi antarvariabel pembentuk persamaan tersebut yang disebut dengan multikolinearitas. Dalam statistika, model regresi dikatakan baik apabila memenuhi asumsi-asumsi klasik salah satunya tidak ada multikolinearitas. Kebanyakan peneliti mengatasi masalah multikolinearitas dengan cara menghilangkan satu atau lebih variabel yang diamati. Namun, cara ini dianggap kurang baik karena bisa saja variabel yang dihilangkan ternyata memiliki kontribusi yang besar terhadap model yang dibentuknya. Pada penelitian ini, masalah multikolinearitas diatasi dengan menggunakan teknik Principal Component Analysis (PCA). Teknik ini dipilih karena memiliki kelebihan salah satunya tidak perlu mengurangi jumlah variabel yang diamati. Dengan teknik PCA, variabel awal disederhanakan(direduksi) menjadi satu atau beberapa variabel baru yang disebut dengan faktor utama (principal component). Model nilai tanah awal yang masih mengandung multikolinearitas dinyatakan dalam persamaan HT = 9844386,383 + 686,834 LT – 28145,881 LD + 430099,058 LJ – 592,624 JAT – 1815,500 JKT – 5228,834 JLP – 1180,781 JAB – 714875,031 ZPK – 1705557,537 AK + 757307,047 DR. Setelah menggunakan teknik PCA, diperoleh model nilai tanah baru yang sudah bebas dari multikolinearitas yang dinyatakan dalam persamaan HT = 3243740,394 – 1143906,503 F1 + 718696,229 F2 + 359146,609 F3 + 287429,307 F4. Berdasarkan beberapa uji ketepatan model yang dilakukan, model baru yang terbentuk dapat dikatakan cukup baik karena memenuhi syarat-syarat model yang baik.