NAma : Yunike Puspita

a. Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam
suatu model regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan
antara variabel bebas terhadap variabel terikatnya menjadi terganggu. Alat statistik yang sering dipergunakan untuk
menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-
variabel bebas, atau dengan melihat eigenvalues dan condition index (CI).

Asumsi multikolinearitas terpenuhi jika nilai VIF pada output SPSS di bawah 10. Karena VIF = 1/Tolerance, maka asumsi
multikolinearitas juga dapat ditentukan dengan Tolerance di bawah 0,1.

Coefficients(a)
Mode Unstandardized Standardized
l Coefficients Coefficients t Sig. Correlations Collinearity Statistics
Zero- Toleranc
B Std. Error Beta order Partial Part e VIF
1 (Constant) 3170.785 322.5386 9.830712 6.25E-08
0.00097
x1 -0.28405 0.069516 -0.23999 -4.08613 3 0.767188 -0.72578 -0.12614 0.276238 3.620061
0.00530 0.10055
x2 0.185612 0.056981 0.330482 3.257465 2 0.959231 0.643674 6 0.092581 10.80136
0.03172 0.07311
x3 19.71121 8.322514 6.019624 2.368421 1 0.977856 0.521706 2 0.000148 6778.969
0.05979
x4 -33.9167 16.65773 -5.15298 -2.03609 9 0.976816 -0.46533 -0.06285 0.000149 6721.47
a Dependent Variable: Y

Tampak bahwa ada nilai VIF yang di atas 10 atau Tolerance di bawah 0,1, yaitu untuk nilai VIF dan Tolerance X2, X3, dan X4. Berarti
terdapat gangguan multikolinearitas pada model penelitian.
 Atau bias dilihat juga nilai condition indexnya, terjadi multikolinearitas apabila nilai condition indexnya diatas 15 atau dikatakan sangat
parah apabila nilainya lebih dari 30. Hal tersebut terjadi pada variable X3, dan X4

Collinearity Diagnostics(a)
Mod Dimensio Eigenvalu Condition
el n e Index Variance Proportions
(Constan
t) x1 x2 x5
0.00025 0.00046 5.07E-
1 1 3.953754 1 0.000121 8 3 05
0.00095 0.00029
2 0.042537 9.640958 0.014802 8 0.1133 5
0.93265 0.11777 0.01201
3 0.003159 35.37652 0.105838 6 5 2
0.06612 0.76846 0.98764
4 0.000549 84.83978 0.879239 8 2 2
a Dependent Variable: Y

b. Fungsi regresi Y = f{X1, X2, X3}

Y = 3170.785 - 0.28405X1 + 0.185612X2 + 19.71121X3

c. Fungsi regresi Y = f{X1, X2, X4}

Y = 3170.785 - 0.28405X1 + 0.185612X2 - 33.9167X4

d. Y = f{X1, X2, X5}

Coefficients(a)
Mode Unstandardized Standardized
l Coefficients Coefficients t Sig. Correlations Collinearity Statistics
Zero- Toleranc
B Std. Error Beta order Partial Part e VIF
 1 (Constant) 3057.713 352.2905 8.679523 1.9E-07
x1 -0.29024 0.076895 -0.24522 -3.77448 0.00166 0.767188 -0.68631 -0.12899 0.276714 3.613843
0.00543 0.10979
x2 0.201048 0.062579 0.357964 3.212698 1 0.959231 0.626203 5 0.094078 10.62946
x5 1.847885 0.25947 0.845063 7.121766 2.42E-06 0.977527 0.871889 0.24339 0.082952 12.05519
a Dependent Variable: Y

Y = 3057.713 - 0.29024X1 + 0.201048X2 + 1.847885X5

e. Hfdg
f. PCA dapat mengatasi masalah asumsi klasik multikolinearitas tanpa perlu membuang variable bebvas yang berkolinear tinggi.
Sehingga seteleh diperoleh variable bebas baru dari hasil reduksi, kita dapat meramalkan pengaruh dari variable bebas (jumlah jam)
terhadap variable tak bebas (rilex) melalui ananlisis regresi linear. Dengan metode PCA kita akan mendapatkan variable bebas baru
yang tidak berkolerasi, bebas satu sama lainnya, lebih sedikit jumlahnya daripada variable asli, akan tetapi bias menyerap sebagian
besar informasi yang terkandung dalam variable asli atau yang bias memberikan kontribusi terhadap varian seluruh variabel