PENYELESAIAN KASUS MULTIKOLINIERITAS

PADA DATA TINGKAT PENGANGGURAN DI

KABUPATEN/KOTAMADYA PROVINSI JAWA TIMUR
TAHUN 2003 DENGAN METODE BEST SUBSET
REGRESSION

MAKALAH
Disusun untuk Memenuhi Tugas Mata Kuliah Analisis Regresi
Yang dibimbing oleh Bapak Hendro Permadi

Oleh:
1.
2.
3. Yesiana Adiningrum (409312417689)
4. Ayu Pertiwi (409312419798)





UNIVERSITAS NEGERI MALANG
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
November 2012
BAB I
PENDAHULUAN

1.1.Latar Belakang
Multiple analysis regression atau Analisis regresi berganda adalah analisis
regresi dengan dua atau lebih variabel bebas atau paling sedikitnya satu prediktor
non linear. Analisis regresi berganda sangat bermanfaat untuk menyelesaikan
masalah statistik. Berikut adalah salah satu contoh data dengan model regresi
berganda. Dalam suatu Kabupaten/Kotamadya di Propinsi Jawa Timur diketahui
bahwa tingkat pengangguran dipengaruhi tingkat pendidikan terakhir
(Tidak/belum pernah sekolah, Tidak/belum tamat SD, SD/MI, SLTP sederajat,
SMU sederajat, SMK sederajat, Perguruan Tinggi). Oleh karena itu, akan
diselidiki adanya multikolinieritas yang disebabkan oleh salah satu atau lebih
faktor yang mempengaruhinya. Untuk itu perlu salah satu metode untuk
menyelesaikan masalah multikolinieritas. Dalam hal ini akan digunakan metode
best subset regression untuk menyelesaikannya.Dari beberapa variabel di atas juga
perlu dicari variabel yang paling berpengaruh terhadap jumlah gaji setiap
karyawan, sehingga menghasilkan persamaan regresi yang paling baik dengan
menggunakan metode best subset regression (regresi himpunan bagian terbaik).

1.2. Rumusan Masalah
1) Bagaimana cara mengidentifikasi adanya multikolinearitas?
2) Bagaimana cara mengatasi multikolinearitas dengan metode best subset
regression?
3) Bagaimana model terbaik dari data yang dianalisis?





BAB II
KAJIAN PUSTAKA

2.1. Analisis Regresi Linear Berganda
Analisis regresi linier berganda merupakan bentuk umum, sedangkan
regresi linier sederhana merupakan bentuk khusus dari regresi linier berganda
yaitu apabila satu peubah bebas yang dilibatkannya. Dengan regresi linier
berganda persamaan dalam X memberikan prediksi yang terbaik terhadap Y.
Model regresi linier berbentuk
Y =
0
+
1
X
1
+
2
X2 ++
k
X
k
+
Dengan Xi, i = 1,2,,k merupakan peubah bebas dan
i
, i=1,2,,k
parameter regresi, dan sebagai error. Dan sebarang model yang tidak
berbentuk seperti persamaan di atas disebut model tak linier. Jika pada suatu
model regresi tersebut terdapat satu peubah bebas , maka model itu disebut
regresi linier sederhana. Sedangkan jika terdapat lebih dari satu peubah bebas,
maka model itu disebut regresi linier berganda.
Dalam melakukan analisis harus diperhatikan beberapa asumsi yang
mendasarinya:
1. Nilai harapan bersyarat galat yang disebabkan oleh peubah bebas X yang
harus sama dengan nol.
2. Setiap galat yang disebabkan peubah bebas mempunyai varian yang sama.
3. Tidak ada multikolinieritas yang berarti tidak ada hubungan linier antara
peubah bebas.
Drapper and Smith (1992), menyatakan beberapa kriteria yang digunakan
untuk melihat tepat tidaknya model regresi yang diperoleh, salah satunya
yaitu dengan melihat koefisien determinasi berganda (Rk
2
).
Sebuah masalah penting dalam penerapan analisis regresi linier berganda
adalah pemilihan peubah peubah bebas yang dapat digunakan dalam model
agar diperoleh persamaan regresi terbaik yang mengandung sebagian atau
seluruh peubah bebas.
2.2. Multikolinieritas
Multikolinieritas ditemukan oleh Ragner Frisch yang berarti adanya
hubungan linier yang sempurna atau pasti diantara beberapa atau semua variabel
yang menjelaskan (X1, X2,,Xk) dari model regresi.
Multikolinieritas adalah kejadian yang menginformasikan terjadinya
hubungan antara variabel-variabel bebas Xi dan hubungan yang terjadi cukup
besar. Hal ini akan menyebabkan perkiraan keberartian koefisien regresi yang
diperoleh. Umumnya multikolinieritas dapat diketahui dari nilai koefisien korelasi
yang sangat besar antara varibel-variabel bebas tersebut, misalkan antara X
1
dan
X
2
, nilair
12
1.
Akibat terjadinya multikolinieritas antara lain:
1) Nilai koefisien regresi berganda bias.
2) Terjadi perubahan tanda pada koefisien regresi berganda seharusnya positif
menjadi negatif.
Untuk mendeteksi adanya multikolinieritas digunakan beberapa metode
yaitu:
1) Koefisien korelasi antara peubah bebas.
Adanya multikolinieritas seringkali diduga apabila nilai R-sq cukup besar (antara
0,7 dan 1).
2) Dengan melihat elemen matrik korelasi.
Jika korelasi antar variable bebas lebih besar daripada korelasi antara variabel
bebas dan variabel terikatnya, menandakan adanya multikolinearitas


3) VIF (Variance Inflation Factor )
Jika nilai VIF lebih besar atau sama dengan 10, menandakan adanya
multikolinieritas pada variabel bebas.
2.3. Best Subset Regression
Regresi terbaik(best subset Regression) ini merupakan salah satu cara
untuk mengatasi multikolinieritas yaitu dengan memilih variabel-variabel bebas
yang dapat digunakan dalam model agar diperoleh persamaan regresi terbaik yang
mengandung sebagian atau seluruh variabel bebas.
Kriteria-kriteria yang dapat digunakan untuk menentukan variabel bebas
yang digunakan sehingga diperoleh model terbaik untuk memilih dengan jumlah
variabel yang dipilih yaitu:
1. Nilai R-Sq terbesar
2. Nilai R-Sq (Adj) terbesar
3. Nilai C-p terkecil
4. Nilai S terkecil















BAB III
PEMBAHASAN

3.1 Data
Berikut adalah data Pengaruh Tingkat Pengangguran terhadap Tingkat
Pendidikan Terakhir di Kabupaten/Kotamadya Di Propinsi Jawa Timur pada
tahun 2003.



NO (X1) (X2) (X3) (X4) (X5) (X6) (X7) (Y)
1 7,01 23,24 43,95 14,94 4,85 4,08 1,94 5,05
2 11,51 24,03 33,87 15,57 7,08 5,07 2,87 7,35
3 4,41 23,14 43,07 16,36 6,11 4,84 2,00 6,68
4 4,26 22,88 36,85 18,08 7,82 6,83 3,29 8,81
5 4,93 28,74 38,47 14,81 5,63 5,07 2,35 7,68
6 5,41 19,18 34,58 20,26 10,28 7,12 3,17 9,43
7 6,81 25,96 35,06 19,06 7,67 4,14 1,30 9,21
8 11,86 25,76 39,85 12,12 6,69 1,98 1,74 7,42
9 15,18 22,15 37,12 12,75 8,55 2,78 1,48 7,81
10 7,91 25,95 31,87 19,57 7,87 4,41 2,43 7,24
11 13,83 37,69 28,68 10,82 5,02 2,14 1,82 5,98
12 15,86 30,39 25,70 12,73 8,52 3,05 3,14 6,08
13 14,65 33,98 29,81 10,21 5,98 3,34 2,03 6,32
14 5,97 26,18 36,98 15,93 7,98 4,52 2,43 9,75
15 1,64 12,25 25,68 21,46 22,71 10,15 6,11 10,84
16 3,49 18,92 32,23 21,77 13,28 7,44 2,88 9,51
17 3,84 21,23 34,36 19,76 10,07 8,07 2,68 12,71
18 5,80 19,29 37,99 20,06 8,26 6,29 2,31 10,04
19 9,98 14,84 34,61 18,42 9,77 9,79 2,60 11,38
20 3,71 18,71 41,63 18,58 6,00 8,23 3,13 5,02
21 10,96 18,03 39,95 18,33 5,06 5,63 2,04 11,88
22 12,29 17,78 41,48 17,36 5,70 3,25 1,79 7,39
23 11,99 20,99 42,19 13,97 6,23 2,93 1,71 8,94
24 9,50 19,72 32,45 18,43 14,74 2,42 3,34 7,57
25 4,78 18,01 33,42 19,44 16,47 5,36 2,51 9,60
26 16,15 30,41 34,47 8,25 6,71 2,24 1,78 10,26
27 31,09 31,64 28,36 5,09 2,93 0,29 0,60 5,25
28 12,72 24,26 39,89 10,96 7,59 3,01 1,57 7,16
29 23,51 23,98 34,62 9,21 5,27 1,27 2,15 6,60
30 1,94 9,43 24,40 21,57 23,80 10,31 8,55 19,71
Keterangan :
Tidak/Belum Pernah Sekolah (X1)
Tidak/Belum Tamat SD (X2)
SD/MI (X3)
SLTP SEDERAJAT (X4)
SMU SEDERAJAT (X5)
SMK SEDERAJAT (X6)
PERGURUAN TINGGI (X7)
ANGKA PENGANGGURAN (Y)
3.2 Analisis Korelasi
Dengan menggunakan software Minitab 14,
kemudian muncul window Correlation. Pada window tersebut
isikan Variables : YX1X2X3X4X5X6X7 , sehingga diperoleh :

Correlations: Y; X1; X2; X3; X4; X5; X6; X7

Y X1 X2 X3 X4 X5 X6
X1 -0,443
0,014

X2 -0,620 0,547
0,000 0,002

X3 -0,302 -0,144 -0,082
0,104 0,448 0,666

X4 0,529 -0,864 -0,747 -0,004
0,003 0,000 0,000 0,983

X5 0,678 -0,526 -0,665 -0,543 0,605
0,000 0,003 0,000 0,002 0,000

X6 0,639 -0,766 -0,722 -0,153 0,804 0,624
0,000 0,000 0,000 0,421 0,000 0,000

X7 0,682 -0,524 -0,613 -0,511 0,554 0,850 0,702
0,000 0,003 0,000 0,004 0,001 0,000 0,000


Cell Contents: Pearson correlation
P-Value

Dari keterangan di atas dapat disimpulkan bahwa pada data di atas
terdapat kasus multikolinieritas karena r
X1X4
>r
X4Y
>r
X1Y
, r
X1X6
>r
X6Y
>r
X1Y
,
r
X2X6
>r
X6Y
>r
X2Y,
r
X4X6
>r
X6Y
>r
X4Y,
r
X5X7
>r
X7Y
>r
X5Y,
serta r
X6X7
>r
X7Y
>r
X6Y.
Setelah itu
kita regresikan semua variable.

3.3 Analisis Regresi
1. Analisis Regresi Secara Keseluruhan
Dengan menggunakan software Minitab 14,
kemudian muncul window Regression. Pada window tersebut
isikan:
Response: Y
Predictore: X1-X7
Storage: Standard Residual
Option Display: Variance Inflation Factors

sehingga diperoleh :
Regression Analysis: Y versus X1; X2; X3; X4; X5; X6; X7

The regression equation is
Y = - 45 + 0,56 X1 + 0,43 X2 + 0,51 X3 + 0,49 X4 + 0,67 X5 + 0,87 X6 +
0,90 X7


Predictor Coef SE Coef T P VIF
Constant -44,6 255,7 -0,17 0,863
X1 0,562 2,571 0,22 0,829 1673,6
X2 0,428 2,565 0,17 0,869 1507,5
X3 0,505 2,548 0,20 0,845 1081,7
X4 0,486 2,571 0,19 0,852 759,7
X5 0,667 2,514 0,27 0,793 900,3
X6 0,867 2,623 0,33 0,744 290,0
X7 0,897 2,710 0,33 0,744 95,0


S = 2,20863 R-Sq = 56,5% R-Sq(adj) = 42,6%


Analysis of Variance

Source DF SS MS F P
Regression 7 139,311 19,902 4,08 0,005
Residual Error 22 107,317 4,878
Total 29 246,629





2. Analisis Regresi Secara Parsial
Regression Analysis: Y versus X1

The regression equation is
Y = 10,6 - 0,198 X1


Predictor Coef SE Coef T P
Constant 10,5545 0,8849 11,93 0,000
X1 -0,19784 0,07573 -2,61 0,014


S = 2,66121 R-Sq = 19,6% R-Sq(adj) = 16,7%


Analysis of Variance

Source DF SS MS F P
Regression 1 48,331 48,331 6,82 0,014
Residual Error 28 198,298 7,082
Total 29 246,629



Regression Analysis: Y versus X2

The regression equation is
Y = 15,3 - 0,291 X2


Predictor Coef SE Coef T P
Constant 15,306 1,655 9,25 0,000
X2 -0,29112 0,06968 -4,18 0,000


S = 2,32929 R-Sq = 38,4% R-Sq(adj) = 36,2%

Analysis of Variance

Source DF SS MS F P
Regression 1 94,712 94,712 17,46 0,000
Residual Error 28 151,917 5,426
Total 29 246,629


Regression Analysis: Y versus X3

The regression equation is
Y = 14,5 - 0,167 X3


Predictor Coef SE Coef T P
Constant 14,474 3,523 4,11 0,000
X3 -0,16662 0,09922 -1,68 0,104


S = 2,82883 R-Sq = 9,1% R-Sq(adj) = 5,9%


Analysis of Variance

Source DF SS MS F P
Regression 1 22,564 22,564 2,82 0,104
Residual Error 28 224,064 8,002
Total 29 246,629


Regression Analysis: Y versus X4

The regression equation is
Y = 3,05 + 0,351 X4


Predictor Coef SE Coef T P
Constant 3,054 1,749 1,75 0,092
X4 0,3511 0,1064 3,30 0,003


S = 2,51814 R-Sq = 28,0% R-Sq(adj) = 25,4%


Analysis of Variance

Source DF SS MS F P
Regression 1 69,080 69,080 10,89 0,003
Residual Error 28 177,549 6,341
Total 29 246,629



Regression Analysis: Y versus X5

The regression equation is
Y = 5,06 + 0,404 X5


Predictor Coef SE Coef T P
Constant 5,0576 0,8312 6,08 0,000
X5 0,40410 0,08272 4,89 0,000


S = 2,18064 R-Sq = 46,0% R-Sq(adj) = 44,1%


Analysis of Variance
Source DF SS MS F P
Regression 1 113,48 113,48 23,87 0,000
Residual Error 28 133,15 4,76
Total 29 246,63


Regression Analysis: Y versus X6

The regression equation is
Y = 5,22 + 0,700 X6


Predictor Coef SE Coef T P
Constant 5,2162 0,8801 5,93 0,000
X6 0,6997 0,1592 4,39 0,000


S = 2,28314 R-Sq = 40,8% R-Sq(adj) = 38,7%


Analysis of Variance

Source DF SS MS F P
Regression 1 100,67 100,67 19,31 0,000
Residual Error 28 145,96 5,21
Total 29 246,63


Regression Analysis: Y versus X7

The regression equation is
Y = 5,13 + 1,35 X7


Predictor Coef SE Coef T P
Constant 5,1295 0,8114 6,32 0,000
X7 1,3479 0,2732 4,93 0,000


S = 2,17081 R-Sq = 46,5% R-Sq(adj) = 44,6%


Analysis of Variance

Source DF SS MS F P
Regression 1 114,68 114,68 24,34 0,000
Residual Error 28 131,95 4,71
Total 29 246,63

Dari analisis regresi secara keseluruhan dan ketujuh analisis regresi secara
parsial di atas diperoleh hubungan linier antara peubah Y dan masing-masing
peubah bebas X adalah sebagai berikut:
1. Y = - 45 + 0,56 X1 + 0,43 X2 + 0,51 X3 + 0,49 X4 + 0,67 X5 + 0,87 X6 + 0,90 X7
2. Y = 10,6 - 0,198 X1
3. Y = 15,3 - 0,291 X2
4. Y = 14,5 - 0,167 X3
5. Y = 3,05 + 0,351 X4
6. Y = 5,06 + 0,404 X5
7. Y = 5,22 + 0,700 X6
8. Y = 5,13 + 1,35 X7
Dari persamaan masing-masing hubungan Y dengan X terjadi perubahan tanda
pada X1, X2 dan X3, maka terjadi multikolinieritas.
Dari analisis regresi secara keseluruhan di atas juga diperoleh nilai-nilai VIF
adalah sebagai berikut:
Predictor VIF
Constant
X1 1673,6
X2 1507,5
X3 1081,7
X4 759,7
X5 900,3
X6 290,0
X7 95,0
Dari nilai VIF di atas, nilai VIF dari predictor X1-X7 lebih dari 10, sehingga
terjadi multikolinieritas.
Selanjutnya akan digunakan metode regresi Best Subset untuk mengatasi
kasus multikolinieritas tersebut.
3.4 Pengolahan Data dengan Metode Best Subset Regression
Berdasarkan analisis berganda yang telah dilakukan, data tersebut terjadi
multikolinieritas maka untuk mengatasinya akan digunakan metode best subset
regression. Berikut pengolahannya dengan menggunakan minitab
kemudian muncul window Best Subsets. Pada
window tersebut isikan:
Respone: Y
Free Predictor: X1X2X3X4X5X6X7

Sehingga diperoleh sebagai berikut:
Best Subsets Regression: Y versus X1; X2; X3; X4; X5; X6; X7

Response is Y

Mallows X X X X X X X
Vars R-Sq R-Sq(adj) C-p S 1 2 3 4 5 6 7
1 46,5 44,6 1,0 2,1708 X
1 46,0 44,1 1,3 2,1806 X
2 53,6 50,2 -0,6 2,0581 X X
2 53,0 49,5 -0,2 2,0720 X X
3 54,8 49,6 0,9 2,0712 X X X
3 54,5 49,3 1,0 2,0769 X X X
4 55,7 48,6 2,4 2,0909 X X X X
4 55,7 48,6 2,4 2,0911 X X X X
5 56,4 47,3 4,0 2,1168 X X X X X
5 56,3 47,2 4,1 2,1194 X X X X X
6 56,4 45,1 6,0 2,1615 X X X X X X
6 56,4 45,0 6,0 2,1618 X X X X X X
7 56,5 42,6 8,0 2,2086 X X X X X X X


Dari hasil Best Subset Regression diatas didapat 13 model regresi yang
dapat dipilih salah satu yang terbaik. Dengan langkah-langkah sebagai berikut:
1. Pilih nilai R-Sq terbesar yaitu 56,5 pada persamaan 13, tetapi persamaan ini
tidak dapat dipilih sebab tidak ada variable yang terbuang sehingga masih
terjadi multikolinieritas.
2. Selanjutnya pilih nilai R-Sq (Adj) terbesar yaitu 50,2 pada model regresi no 3.
Pada model ini kita juga memperoleh nilai C-p dan S terkecil yaitu -0,6 dan
2,0581 sehingga kita dapat memilih model ini, yaitu model regresi yang
menggunakan 2 variabel X5 dan X6.
Kemudian kita regresikan lagi dengan menggunakan variabel-variabel
yang terpilih tadi. Diperoleh hasil sebagai berikut:
Regression Analysis: Y versus X5; X6

The regression equation is
Y = 4,33 + 0,273 X5 + 0,387 X6


Predictor Coef SE Coef T P VIF
Constant 4,3328 0,8567 5,06 0,000
X5 0,27285 0,09990 2,73 0,011 1,6
X6 0,3867 0,1836 2,11 0,045 1,6


S = 2,05805 R-Sq = 53,6% R-Sq(adj) = 50,2%


Analysis of Variance

Source DF SS MS F P
Regression 2 132,268 66,134 15,61 0,000
Residual Error 27 114,361 4,236
Total 29 246,629


Source DF Seq SS
X5 1 113,484
X6 1 18,784


Unusual Observations

Obs X5 Y Fit SE Fit Residual St Resid
15 22,7 10,840 14,454 1,152 -3,614 -2,12RX
20 6,0 5,020 9,153 0,905 -4,133 -2,24R
21 5,1 11,880 7,891 0,606 3,989 2,03R
30 23,8 19,710 14,814 1,230 4,896 2,97RX

Dari analisis regresi di atas kita peroleh nilai VIF kurang dari 10 dan pada
persamaan regresinya tidak terjadi perubahan tanda, maka tidak terjadi
multikolinieritas. Sehingga kita peroleh persamaan best subset yang terbaik yaitu
dengan persamaan regresi Y = 4,33 + 0,273 X5 + 0,387 X6.
Dari hasil tersebut dapat disimpulkan bahwa 2 variabel bebas yang sangat
mempengaruhi Y adalah variabel X5 dan X6. Ini berarti yang sangat
mempengaruhi tingkat pengangguran kabupaten/kotamadya di provinsi Jawa
Timur adalah tingkat pendidikan SMU Sederajat dan SMK Sederajat.
Pengujian Model Regresi
Hipotesis
H
0
: model yang diperoleh tidak signifikan (tidak bermakna)
H
1
: model yang diperoleh signifikan (bermakna)
Dengan menggunakan uji F
Dari hasil ANOVA diperoleh F hitung = 15,61 dan dari tabel dengan =0,05 dan
derajat bebas (1,29) diperoleh F tabel = 4,18. Karena F tabel lebih kecil dari F
hitung maka menolak H
0
. Kesimpulannya model yang diperoleh signifikan.

Pengujian Koefisien Regresi
Hipotesis
H
0
:

= 0 (Tingkat pengangguran dipengaruhi tingkat pendidikan terakhir)

H
1
:

0 (Tingkat pengangguran dipengaruhi tingkat pendidikan terakhir)

Dengan menggunakan uji T: (dari normal dan khi kuadrat, maka data bharus
normal)
Dari hasil ANOVA diperoleh T hitung = 5,06 dan dari tabel dengan =0,05 dan
derajat bebas 30-2 diperoleh T tabel = 1,70113. Karena T hitung lebih besar dari
T tabel maka menolak H
0 .
Kesimpulannya tingkat pengangguran dipengaruhi
tingkat pendidikan terakhir


3.5 Uji Asumsi
Dalam uji asumsi kita akan menguji kenormalan, homogenitas, dan
kebebasan dari Standard Residual (SRESS).
1. Uji Kenormalan

Dari gambar di atas dengan menggunakan uji Anderson Darling, karena
nilai P-Value lebih besar dari =0,05 yaitu 0,074 sehingga H
0
diterima yang
menunjukkan bahwa pola model mengikuti sebaran normal
2. Uji Homogenitas

Dari gambar di atas terlihat bahwa plot membentuk pola pita mendatar
antara -2 sampai 2 dan menyebar secara acak maka disimpulkan bahwa ragam
dari pola model bersifat homogen.

3. Uji Kebebasan
SRES1
P
e
r
c
e
n
t
3 2 1 0 -1 -2 -3
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
0,074
-0,009791
StDev 1,111
N 30
AD 0,665
P-Value
Probability Plot of SRES1
Normal
Fitted Value
R
e
s
i
d
u
a
l
15,0 12,5 10,0 7,5 5,0
4
3
2
1
0
-1
-2
-3
-4
-5
Residuals Versus the Fitted Values
(response is Y)











Gambar di atas menunjukkan bahwa nilai lag pertama signifikan sehingga
dapat disimpulkan bahwa nilai model bersifat acak, sehingga asumsi kebebasan
sisaan terpenuhi.








BAB III
KESIMPULAN

Lag
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
8 7 6 5 4 3 2 1
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Autocorrelation Function for SRES1
(with 5% significance limits for the autocorrelations)
Berdasarkan hasil dari pembahasan, maka dapat disimpulkan yang dapat
diambil adalah sebagai berikut:
1. Dari data hubungan tingkat pengangguran di Kabupaten/Kotamadya di
Propinsi Jawa Timur tahun 2003 dengan 7 faktor (Tidak/belum pernah
sekolah, Tidak/belum tamat SD, SD/MI, SLTP sederajat, SMU sederajat,
SMK sederajat, Perguruan Tinggi) yang mempengaruhinya, ternyata terjadi
multikolinearitas. Hal ini dapat dilihat pada analisis korelasi yaitu
r
X1X4
>r
X4Y
>r
X1Y
, r
X1X6
>r
X6Y
>r
X1Y
, r
X2X6
>r
X6Y
>r
X2Y,
r
X4X6
>r
X6Y
>r
X4Y,
r
X5X7
>r
X7Y
>r
X5Y,
serta r
X6X7
>r
X7Y
>r
X6Y.
Selain itu juga dapat dilihat pada
persamaan masing-masing hubungan Y dengan X terjadi perubahan tanda
pada X1, X2 dan X3 serta nilai VIF dari predictor X1-X7 lebih dari 10.
2. Dari hasil analisis regresi dengan menggunakan regresi best subset diperoleh
model regresi terbaik yaitu Y = 4,33 + 0,273 X5 + 0,387 X6 dengan R-Sq =
53,6% , R-Sq(adj) = 50,2%, nilai C-P = -0,6 dan nilai S = 2,0581.
3. Ternyata dari model regresi terbaik yang terpilih, dapat diketahui bahwa
Tingkat Pengangguran di pengaruhi oleh faktor tingkat pendidikan SMU
Sederajat dan SMK Sederajat.