Edi Purwanto, 2014 PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia |
repository.upi.edu |
perpustakaan.upi.edu
menunjukkan jumlah baris dan bilangan kedua menunjukkan jumlah kolom Anton dan Rorres, 2004:26.
2.3.1 Operasi pada Matriks Operasi Penjumlahan dan Pengurangan pada Patriks
Definisi : Jika A dan B adalah matriks-matriks dengan ukuran yang sama, maka jumlah
sum A+B adalah matriks yang diperoleh dengan menjumlahkan entri-entri pada B dengan entri-entri yang bersesuaian pada A dan selisih difference A-B adalah
matriks yang diperoleh dengan mengurangkan entri-entri pada A dengan entri- entri yang bersesuaiaan pada B. Matriks dengan ukuran yang berbeda tidak dapat
dijumlahkan atau dikurangkan Anton dan Rorres, 2004:26.
Operasi Perkalian pada Matriks
Definisi : Jika A adalah matriks m x r dan B adalah matriks r x n maka hasilkali product
AB adalah matriks m x n yang entri-entrinya ditentukan sebagai berikut. Untuk mencari entri pada baris i dan kolom j dari AB, pisahkan baris i dari matriks A
dan kolom j dari matriks B. Kalikan entri-entri yang bersesuaiaan dari baris dan kolom tersebut dan kemudian jumlahkan hasil yang diperoleh.
2.3.2 Transpos suatu Matriks
Definisi : Jika A adalah matriks m x n, maka transpos dari A transpose of A, dinyatakan
dengan A
T
, didefinisikan sebagai matriks m x n yang didapatkan dengan mempertukarkan baris-baris dan kolom-kolom dari A; sehingga kolom pertama
Edi Purwanto, 2014 PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia |
repository.upi.edu |
perpustakaan.upi.edu
dari A
T
adalah baris pertama dari A, kolom kedua dari A
T
adalah baris kedua dari A, dan seterusnya Anton dan Rorres, 2004:26.
2.3.3 Determinan
Definisi : Misalkan A adalah suatu matriks bujur sangkar. Fungsi determinan determinant
function dinotasikan dengan det dan kita mendefinisikan detA sebagai jumlah dari semua hasil kali elementer bertanda dari A. Angka detA disebut determinan
dari A determinant of A Anton dan Rorres, 2004:26.
2.3.4 Nilai Eigen dan Vektor Eigen
Definisi :
Jika A adalah sebuah matriks n x n, maka sebuah vektor tak nol x pada R
n
disebut
vektor eigen eigenvector dari A jika Ax adalah sebuah kelipatan skalar dari x;
Jelasnya,
Untuk skalar sebarang
. Skalar disebut nilai eigen eigenvalue dari A, dan x
disebut sebagai vektor eigen dari A yang terkait dengan Anton dan Rorres,
2004:26.
Edi Purwanto, 2014 PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia
|
repository.upi.edu |
perpustakaan.upi.edu
BAB III REGRESI AKAR LATEN
3.1 Pendahuluan
Dalam penerapan analisis regresi yang sering digunakan adalah analisis regresi berganda, karena variabel tak bebasnya tidak hanya cukup dipengaruhi
oleh satu variabel bebas saja. Secara umum semakin banyak variabel bebas dalam ananlisis regresi berganda, maka akan semakin mendekati nilai taksiran variabel
tak bebasnya. Akan tetapi hal ini juga menyebabkan peluang terjadinya mutikolinearitas akan semakin besar. Jika hal ini terus dipaksakan, maka hasil
taksirannya akan memiliki nilai varians yang cukup besar. Hal ini dapat dilihat dari nilai varians yang akan bertambah seiring bertambahnya variabel bebas.
Penggunaan analisis regresi linear berganda tidak sah, jika terjadi multikolinearitas. Salah satu cara untuk menaksir parameter, dimana pada variabel
bebasnya terjadi multikolinearitas adalah dengan hanya melibatkan sebagian saja subset variabel-variabel bebas, dimana subset yang dipilih tidak mengandung
adanya multikolinearitas. Cara ini cukup efektif untuk dilakukan, akan tetapi jika seluruh variabel bebas berkorelasi tinggi, hal itu sulit dilakukan dan tidak akan
memperoleh solusi yang baik. Cara lain untuk menaksir parameter yang terdapat multikolinearitas adalah
dengan menggunakan regresi ridge, regresi komponen utama, dan regresi akar laten. Dalam skripsi ini untuk mengatasi masalah multikolinearitas adalah dengan
menggunakan regresi akar laten. “Taksiran parameter dengan menggunakan regresi akar laten akan menghasilkan nilai varians yang minimum. Hal ini lebih
dapat dipercaya jika dibandingkan dengan taksiran parameter yang bervarians tidak minimum
” Subhash dan willian, 1981. Hal ini sesuai dengan sifat-sifat penaksir yang baik, salah satunya adalah varians minimum.
