| dc.identifier.citation | Alvi, T., Assac, F., Ramzan, M., & Khan, F. A. (2010). Depression , Anxiety and Their Associated Factors Among Medical Students. Journal of the College of Physicians and Surgeon Pakistan, 122-126. Fikri, M. A. (2013). Pengaruh Premi, Klaim, Hasil Investasi dan Underwriting Terhadap Laba Asuransi Jiwa (Studi Kasus PT Asuransi Syariah Mubarakah). Bogor: Institut Pertanian Bogor. Geladi, P., & Kowalski, B. R. (1986). Partial Least Square Regression:A tutorial. Analitica Chimica Acta, 1-17. Jiwasraya, P. A. (n.d.). Annual Report. Retrieved November 8, 2017, from Jiwasraya: https://jiwasraya.co.id/?q=id/annual-report Marcus, G., Wattimanela, H., & Lesnussa, Y. (2012). Analisis Regresi Komponen Utama untuk Mengatasi Masalah Multikolinearitas dalam Analisis Regresi Linear Berganda (Studi kasus : curah hujan di Kota Ambon tahun 2010). Brekeng Ilmu Matematika dan Terapan, 31-40. Masruroh, M., & Subekti, R. (2016). Aplikasi Partial Least Square untuk Analisis Hubungan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di Kota Yogyakarta. Media Statistika, 75-84. Montgomery, D. C., & Peck, E. A. (1991). Introduction to Linear Regression Analysis 2nd Edition. New York: A Wiley-Interscience. Pusparani, D. E. (2014). Perbandingan Metode Stepwise Regression dan Ridge Regression dalam Menentukan Model Regresi Terbaik pada Kasus Multikolinearitas. Jurnal Mahasiswa Statistik, 329-332. Sarwono, J. (2009). Statistik itu Mudah: Panduan Lengkap untuk Belajar Komputasi Statistik Menggunakan SPSS 16. Yogyakarta: Universitas Atma Jaya Yogyakarta. Sastri, I. A., Sujana, E., & Sinarwati, N. K. (2017). Pengaruh Pendapatan Premi, Hasil Underwriting, Hasil Investasi dan Risk Baced Capital Terhadap Laba Perusahaan Asuransi. e-journal S1 Ak. Universitas Pendidikan Ganesha. Setyadharma, A. (2010). Uji Asumsi Klasik Dengan SPSS 16.0. Semarang: Fakultas Ekonomi UNNES. Supriyadi, E., Mariani, S., & Sugiman. (2017). Perbandingan Metode Partial Least Square (PLS) dan Principal Component Regression (PCA) untuk Mengatasi Multikolinearitas pada Model Regresi Linear Berganda. UNNES Journal of Mathematics, 117-128. Susilawati, M., Sukarsa, I. K., & Krisna, I. D. (2012). Perbandingan Regresi Bertatar (Stepwise regression) dan Regresi Komponen Utama (RKU) dalam Mengatasi Multikolinearitas pada Model Regresi Linear Berganda. KNM XVI, 729-737. Widarjano, A. (2007). Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis. Yogyakarta: Ekonistia FE UII. Yamin, S., Rachmach, L. A., & Kurniawan, H. (2011). Regresi dan Korelasi dalam Genggaman Anda. Jakarta: Salemba Empat. Yasin, H. (2011). Pemilihan Variabel pada Model Geobraphically Weighted Regression. Media Statistika Vo.4, 63-72. | id_ID |
| dc.description.abstract | Secara umum, laba dari suatu perusahaan asuransi jiwa dipengaruhi oleh nilai premi, klaim, hasil
investasi serta hasil underwriting. Variabel-variabel tersebut mempunyai besar pengaruh yang
berbeda terhadap laba. Untuk melihat pengaruh masing-masing variabel tersebut terhadap laba
perusahaan, dapat dimodelkan dengan analisis regresi. Pada analisis hubungan antara premi,
klaim, hasil investasi dan hasil underwriting terhadap laba PT Asuransi Jiwasraya, terdapat asumsi
multikolinearitas yang tidak dapat terpenuhi, artinya terdapat hubungan (korelasi) yang tinggi
antar variabel bebasnya. Penelitian ini bertujuan untuk mengatasi masalah tersebut, memilih model
terbaik untuk kasus pada PT Asuransi Jiwasraya (Persero) serta malihat variabel manakah yang
paling mempengaruhi laba. Beberapa metode yang digunakan adalah Backward Selection,
Forward Selection, Stepwise Regression dan Partial Least Square (PLS). Untuk memilih metode
manakah yang menghasilkan model terbaik, dilakukan perbandingan nilai koefisien determinasi
(R2). Semakin tinggi nilai R2 , semakin baik model regresi yang dihasilkan. Hasil penelitian
menunjukkan bahwa model terbaik diperoleh dengan metode forward selection dan stepwise
regression dengan nilai R2 sebesar 99% . | id_ID |
