Latent root regression dalam mengatasi multikolinearitas

Salah satu metode yang dapat digunakan untuk mengatasi masalah multikolinearitas pada model regresi adalah latent root regression. Latent root regression  merupakan perluasan dari principal component regression. Tujuan penelitian ini adalah untuk melakukan  analisis latent root regression dalam mengatasi multikolinearitas yang diterapkan pada faktor-faktor yang mempengaruhi IHSG di Bursa Efek Indonesia. Variabel-variabel yang digunakan pada penelitian ini adalah IHSG, jumlah uang beredar, kurs rupiah terhadap dolar AS, harga emas dunia dan Indeks Dow Jones. Hasil penelitian yang diperoleh adalah faktor jumlah uang beredar, kurs rupiah terhadap dolar AS, harga emas dunia dan Indeks Dow Jones berpengaruh terhadap IHSG, namun terjadi multikolinearitas diantara faktor-faktor tersebut sehingga diselesaikan dengan latent root regression. Kemudian analisis latent root regression tersebut dibandingkan dengan analisis principal component regression pada faktor-faktor yang mempengaruhi IHSG di Bursa Efek Indonesia yang hasilnya adalah latent root regression lebih baik daripada principal component regression karena  lebih tinggi dan asumsi regresi lebih banyak dipenuhi pada latent root regression. Kata Kunci: latent root regression, multikolinearitas, IHSG.   Latent Root Regression to Solve Multicolinearity   Abstract One of methods can be used to overcome the problem of multicollinearuty in a regression model is latent root regression. Latent root regression is an extension of principal component regression. The purpose of this research is to perfom a latent root regression analysis in solving multicollinearity on the factors that affect JSX Composite in Indonesia Stock Exchange. The variables used in this research are JSX Composite, money supply, rupiah exchange rate against the US dollar, gold price and DJI. The research result obtained are the factors of money supply, rupiah exchange rate against the US dollar, gold price and DJI affect  JSX Composite, but multicollinearity occur among these factors thus solved by latent root regression. Then the latent root regression analysis is compared with principal component regression on the factors that affect JSX Composite in Indonesia Stock Exchange that the result is better than latent root regression of principal component regression because  is higher and regression assumptions more fulfilled in latent root regression. Keywords: latent root regression, multicollinearity, JSX composite