=
EEE =$8 H : nilai eigen > "nde+s (ondisi , !D . (
2.3.Pen$n00+2$n0$n M+2ti,"2inie%it$!
+ontgomery dan Cines =-''%8 men(elaskan bah;a dampak multikolinearitas dapat mengakibatkan
koe"isien regresi yang dihasilkan oleh analisis regresi berganda men(adi sangat lemah atau tidak dapat
memberikan hasil analisis yang me;akili si"at atau pengaruh dari variabel bebas yang bersangkutan. Dalam
banyak hal masalah +ultikolinearitas dapat menyebabkan u(i men(adi tidak signi"ikan padahal (ika
masing-masing variabel bebas diregresikan secara terpisah dengan variabel tak bebas =simple regression8 u(i
menun(ukkan hasil yang signi"ikan. Cal tersebut yang sering kali membuat para peneliti mendapatkan
hasil analisis yang dilakukan pada regresi berganda dan regresi sederhana tidaklah se(alan atau bahkan
sangat bertentangan.
*kan tetapi, pada prakteknya prosedur penanggulangan e"ek multikolinier yang sering
ter(adi sangat tergantung sekali pada kondisi penelitian, misalnya prosedur penggunaan
in"ormasi apriori sangat tergantung dari ada atau tidaknya dasar teori =literatur8 yang sangat kuat
untuk mendukung hubungan matematis antara variabel bebas yang saling berkolinear, prosedur
mengeluarkan variabel bebas yang berkolinear seringkali membuat banyak peneliti keberatan
karena prosedur ini akan mengurangi obyek penelitian yang diangkat, sedangkan prosedur
lainya seperti menghubungkan data cross sectional dan time series, prosedur "irst di""erence dan
penambahan data baru seringkali hanya memberikan e"ek penanggulangan yang kecil pada
masalah multikolinearitas .
Gleh karena itu, kita dapat mengunakan teknik lain yang dapat digunakan untuk meminimumkan
masalah multikolinearitas tanpa harus mengeluarkan variabel bebas yang terlibat hubungan kolinear, yaitu
dengan metoda Ridge Regression atau metode Principal Component Analysis (PCA) yang ada dalam
analisis "aktor.
Pada penelitian ini, yang akan digunakan yakni analisis komponen utama =P7*8.
.A. III METODE PENELITIAN
3. 1.Met"/e P%in)i42e C"#4"nent An$2'!i! (PCA)
Prosedur P7* pada dasarnya adalah bertu(uan untuk menyederhanakan variabel yang
diamati dengan cara menyusutkan =mereduksi8 dimensinya. Cal ini dilakukan dengan cara
menghilangkan korelasi diantara variabel bebas melalui trans"ormasi variabel bebas asal ke
variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal
component. ?etelah beberapa komponen hasil P7* yang bebas multikolinearitas diperoleh, maka
komponen-komponen tersebut men(adi variabel bebas baru yang akan diregresikan atau dianalisa
pengaruhnya terhadap variabel tak bebas =D8 dengan menggunakan analisis regresi , dengan
sedikit "aktor , sebesar mungkin varians B-.
Dengan analisis komponen utama kita akan mereduksi data pengamatan ke dalam beberapa set
data sedemikian sehingga in"ormasi dari semua data dapat kita serap seoptimal mungkin .
Dengan demikian analisis komponen utama dapat dipandang sebagai trans"ormasi dari B-, B-,E.
Bp . +isal B-, B-,E. Bp mempunyai matriks varians-kovarians I . =J
$
i(8,
i. -,$E.p : (. -,$,E.p dan I tersebut mempunyai nilai eigen H- K H$ KE. KH pK%
Principal 7omponent yang pertama dinyatakan dengan P7- mengandung (umlah terbesar
dari total variasi data.
P7- sebagai kombinasi linier dalam variabel Bi. > i . -,$Ep
- -- - -$ -$ -
... ........ =/8
p p
P- a . a . a . = + + +
Dimana a-i dipilih , sehingga memaksimalkan rasio dari variance P7- terhadap total variance, dengan
pembatas bah;a -
$
-
=
i
a
*dapun pembentukan regresi komponen utama melalui analisis komponen utama ada dua cara.
Pertama, pembentukan komponen utama berdasarkan matri+s +ovariansi. ,edua, pembentukan komponen
utama berdasarkan matri+s +orelasi .
3.1.1. K"#4"nen Ut$#$ Y$n0 Di5ent+, .e%/$!$%,$n M$t%i,! K"6$%i$n!
Proses mereduksi data dalam analisis komponen utama akan diuraikan seperti di ba;ah ini :
+elalui data asal BnLp akan dicari matriks varian kovarian I dimana unsur-unsurnya adalah
8 = 8 =
-
-
-
+ i+
p
j
j j i j+
. . . .
n
/
=
=
,
,emudian dari matriks varians kovarians tersebut dicari nilai eigen Hi dengan
i . -,$,Ep , yang diperoleh dari bentuk persamaan determinan :
% = " /
i
dari nilai eigen tersebut , dihitung vector-vektor eigen melalui persamaan ?ei . Hi ei
i.-,$,E.p
Dengan P7-, mengandung varians Bi. sebesar
4 -%%
-
*
p
=
hanya tidak perlu bah;a P7i,
mempunyai eigen value terbesar Hi , yang men(elaskan komponen terbesar. Bila 2%4 - '%4 dari total
varians B hasil reduksi bisa di(elaskan oleh komponen utama tersebut sudah bisa menggantikan p buah
variabel data asal tanpa kehilangan banyak in"ormasi = Johnson,#.* and Michern,D.M=-''$88
1oading dari variabel Bi terhadap P7 ke ( adalah
1oading
ii
j ij
s
a
= . korelasi
?etelah mendapatkan "aktor yang terbentuk melalui proses reduksi , maka perlu dicari persamaannya, dalam
bentuk D. <=B-
N
, B$
N
8 yang merupakan model baru dengan
B-
N
. variabel komponen -
B$
N
. variabel komponen $
Bk
N
. variabel komponen k
+odel di atas lebih sederhana dibandingkan model regresi multipel a;al yang berbentuk :
Di . % 6 -Bi- 6 $Bi$ 6 ...6 kBik 6 i atau D. < =B-, B$
,
E Bk8
Proporsi total varians populasi yang di(elaskan oleh komponen utamake-k
- $
..........=58
= 8 ...
+ +
p
tr
= =
+ +
dengan k . -,$,E,p
3.1.2. Re0%e!i ,"#4"nen +t$#$ '$n0 /i5ent+, 5e%/$!$%,$n #$t%i,! ,"6$%i$n!i
+isal matriks P adalah matriks orthogonal dengan memenuhi persamaan P
1
P 7 P P
1
87I ,karena 97:CP
+aka proses persamaan regresi linier berganda men(adi regresi komponen utama yaitu:
Y 7 :C
;<
Y 7 :C P
1
P
;<
Y 7 9= ;< ......... =28
Dengan B7 merupakan matriks yang elemen-elemennya dikurang dengan rata-rata =centered8 dengan
asumsi rata-rata nol dan variansi J
$
, D adalah variabel acak bebas , Mk adalah suatu matriks berukuran nLk
yangkolom-kolomnya terdapat komponen utama ke-k, Ok adalah vektor koe"esien komponen utama
berukuran kL- ,dan < adalah vektor berukuran nLk
3.2.1. K"#4"nen Ut$#$ Y$n0 Di5ent+, .e%/$!$%,$n M$t%i,! K"%e2$!i
,omponen utama ke-i > Mi yang dibentuk berdasarkan variabel-variabel yang telah dibakukan PQ .
=P-, P$,.........Pp8.dengan cov=P8 .R dide"enisikan sebagai berikut : ...
. Mi . ei-P- 6 ei$P$6 ...6 eipPp i.-,$...p ........... =08
?ementara itu , proporsi total variansi yang dapat di(elaskan oleh komponen ke k berdasarkan variabel
bebas yang telah dibakukan dide"enisiskan sebagai berikut:
Proporsi total varians populasi yang di(elaskan oleh komponen utamake-k
..........=&8
= 8
+ +
tr p p
= =
Dengan Hk .adalah eigen dari R , dan k . -,$,E,p
*dapun cara pembentukan regresi komponen utama melalui analisis komponen utama ada dua cara.
Pertama, pembentukan komponen utama berdasarkan matriks kovariasi. ,edua, pembentukan komponen
utama berdasarkan matriks korelasi .
.A. IV PEM.A1ASAN
Berdasarkan data =lampiran-8 menggunakan so"t;are # dan ?P?? diperoleh persamaan regresi
linier berganda seperti di ba;ah ini :
1n !nves . 35,325 6 %,-2- lnJ)B
N
6 %,%5& k bunga
N
%,%'/ !n"lasi -%,$/0 ln PDB
#
$
. %,&22 > # . %,2' >N non signi"ikan >
< . $5,$''
4.2. Men/ete,!i $/$> Ti/$,n'$ M+2ti,"2ine%it$!
+atriks korelasi +atriks 9ar- 7ov
Dengan melihat matriks korelasi nampak ada beberapa korelasi parsial yang cukup tinggi
=- %,2-2, %,&20S%,2%8 , hal tersebut sudah menun(ukkan adanya multikolinier.
4.3.Pen$n00+2$n0$n M+2ti,"2ine$%it$!
Pada pendektesian sebelumnya telah menun(ukkan bah;a terdapat permasalahan kolinearitas dalam
data tersebut, maka dilakukan penanggulangan untuk mengatasi masalah tersebut dengan menggunakan
prosedur Principal 7omponent *nalysis =P7*8 , yang bertu(uan untuk menyederhanakan variabel yang
diamati dengan cara mereduksi dimensinya.
)ntuk mengetahui layak atau tidaknya analisis "aktor dilakukan , lakukan u(i ,aise-+eyer-Glkin =,+G8 .
?etelah itu dicari nilai nilai loading:
?ehingga dapat diperoleh <ungsi ,omponen utamanya dan melalui program # dapat dilihat
melalui ?cree Plot
<ungsi ,omponen utamanya adalah
,)- . -%./'0 ln PDB -%.2-2 !n"lasi -%.3-/ suku bunga
,)$ . -%.$$5 ln PDB -%./5- !n"lasi 6 %.'%2 suku bunga
.A. V
KESIMPULAN DAN SARAN
Berdasarkan hasil analisis diperoleh bah;a nilai proporsi varians kumulati" ,omponen utama
dapat men(elaskan &&,0'4 yang artinya dengan mengambil satu komponen sa(a yaitu komponen utama satu
sudah mencukupi tetapi seandainya sampai pd ,omponen utama dua maka nilai proporsi varians kumulati"
dapat men(elaskan '$,30 4.*kan lebih baik lagi (ika sampai dengan komponen utama tiga yang dapat
men(elaskan nilai proporsi varians kumulati" '0,0 4 .
)ntuk mendapatkan model yang lebih baik, penulis menyarankan untuk menggunakan variabel PDB
sebagai variabel terikat.
DA-TAR PUSTAKA
Dornbusch #udiger, $%%3 , )acroeconomics , eighth :dition, +c Fra;-Cill, !nc, Ne; Dork
- %, 0&- -%,/30 -%,&20 -%,30& %,&20
%, 0&- - , %2& %, 0-% %, 03& -%,2-2
-%,/30 , %2& - %, $5& %, 3%- -%,%$/
-%,&20 %, 0-% %, $5& - %, 5&% %, &$5
-%,30& %, 03& %, 3%- %, &$5 - %, 350
%,&20 -%,2-2 -%,%$/ %, $5 %, 350 -
!
=
%.-2%53'$2 -%.%%/25&&- --.%-5$/&03 %./5$3'$-2
-%.%%/25&&- %.%-%2/$0--2 -%.%%%5/5&'-/ -%.%3350250&&
--.%-5$/&03 -%.%%%5/5&'-/ &.'3-%-232$- -$.&3-/&35%53
%./5$3'$-2 -%.%3350250&&
--.$5023$52 %.-$''3
-%.'%/5%2-%
=
--.$5023$52 -%.'%/5%2-%
%.-$''3-&$2' %.-/&$3$$/$'
'.'-%530/-&/ 3.$-2&'-3'$0
-$.&3-/&35%53 -.5/%5%/25 -3.&-&0'3%/
-&$2' '.'-%530/-&/ -3.&-&0'3%/ $/.5---2$5
%.-/&$3$$/$' 3.$-2&'-3'$0 --.2'&%-5%' '.%25'%%/
--.2'&%-5%'
'.%25'%%/
-%.2%%3$30
Fu(arati, Damodar., $%%/, 'asic 0conomertics, <ourth :dition, +c Fra;-Cill, !nc, Ne; Dork.
Johnson,#.*.TMichren,D.M. $%%$. *pllied +ultivariate ?tatistical *nalysis ,5
th
edition.Pearson
:ducation !nternasional.
,utner , Nachtsheim and Neter , *pplied 1inear #egression +odels, <ourth :dition $%%3,
Ne; Dork.
+yers ,#.*.T +ilton,J.? -''-. * <irst 7ourse !n he heory G" 1inier ?tatistical +odels
.PM?- ,:N Publishing 7ompany,Boston.
?imamora, Bilson. $%%5. 1nalisis )ultivariat Pemasaran. Jakarta : P. Framedia Pustaka )tama.
A%ti,e2 ?
http:UUdickyrahardi.blogspot.comU$%%0U-$Uprincipal component analisis-pca.html.
Berita #esmi ?tatistik No -$U%/Uhn B!9, & <eb $%--
L$#4i%$n ? D$t$ 2en0,$4 $/$ 4$/$ Pen+2i!
?umber : ;;;.bi.go.id Juni $%%& dan BP? $%--
,urs #upiah. Bank !ndonesia $%%%-$%-%