TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints60097
UR  - http://digilib.unila.ac.id/60097/
A1  - Yulica Diah Khoerunnisa, 1717031011
Y1  - 2021///
N2  - Model regresi terbaik adalah model yang dapat menjelaskan perilaku variabel tak
bebas dengan sebaik-baiknya, dengan memilih variabel-varibel bebas dari sekian
banyak variabel bebas yang ada. Salah satu pelanggaran asumsi dalam analisis
regresi berganda adalah terjadinya hubungan yang kuat antara dua variabel bebas
yang disebut multikolinearitas. Konsekuensi dari masalah multikolinearitas yaitu
penaksiran kuadrat kecil biasa masih tetap memenuhi syarat Best Linear Unbiased
Estimator (BLUE), tetapi penaksiran tersebut menjadi tidak efisien, oleh sebab itu
dibutuhkan sebuah perbaikan untuk mengatasi masalah multikolinearitas ini.
Tujuan dari penelitian ini adalah membandingkan metode backward eliminiation,
forward selection dan stepwise regression dalam pemilihan model regresi linear
berganda terbaik dalam kasus multikolinearitas dengan menggunakan nilai
koefisien determinasi, RAdjusted
2
dan MSE . Hasil dari penelitian ini menunjukkan
bahwa metode backward eliminiation, forward selection dan stepwise regression
dapat mengatasi multikolinearitas dan memperoleh model regresi linear yang
sama, sehingga tidak terdapat perbedaan model regresi terbaik pada kasus yang
diteliti dalam penelitian ini.

Kata kunci : Model regresi, Multikolinearitas, Backward Elimination, Forward

Selection, Stepwise Regression The best regression model is a model that can explain the behavior of the
dependent variable as well as possible, by selecting the independent variables from
the many existing independent variables. One of the violations of assumptions in
multiple regression analysis is the occurrence of a strong relationship between two
independent variables called multicollinearity. The consequence of the
multicollinearity problem is that the ordinary small squares estimate still meets the
Best Linear Unbiased Estimator (BLUE) requirements, but the estimation becomes
inefficient, therefore an improvement is needed to overcome this multicollinearity
problem. The purpose of this study is to compare the methods of backward
elimination, forward selection and stepwise regression in selecting the best
multiple linear regression model in the case of multicollinearity using the
coefficient of determination, RAdjusted
2
and MSE . The results of this study indicate
that the backward elimination, forward selection and stepwise regression methods
can overcome multicollinearity and obtain the same linear regression model, so
there is no difference in the best regression model in the cases studied in this study.

Keywords : Regression model, Multicollinearity, Backward Elimination,

Forward Selection, Stepwise Regression
PB  - FAKULTAS MATIMATIKA ILMU PENGETAHUAN ALAM
TI  - PERBANDINGAN METODE BACKWARD ELIMINATION, FORWARD
SELECTION DAN STEPWISE REGRESSION DALAM PEMILIHAN
MODEL REGRESI LINEAR BERGANDA TERBAIK
AV  - restricted
ER  -