“Multikolinearitas”
OLEH:
KELOMPOK V
YUSRIANTO (60600110046)
JURUSAN MATEMATIKA
2018
KATA PENGANTAR
Allah S.W.T. karena dengan berkat dan rahmat dan hidayah-Nya lah sehingga
penulis dapat menyusun dan menyelesaikan laporan lengkap “[mata kuliah]” ini
yang insya Allah dapat bermanfaat. Tak lupa penulis kirimkan salam dan shalawat
manusia dapat terlepas dari zaman jahilia menuju zaman modern seperti saat ini.
Ucapan terima kasih penulis sampaikan kepada orang tua yang telah
menjadi sumber motivasi bagi penulis. Tak lupa penulis ucapkan terima kasih
makalah ini .
kesalahan. Oleh karena itu, kritik dan saran sangat dibutuhkan, agar makalah
selanjutnya dapat lebih baik lagi. Semoga makalah ini dapat memberikan
Penulis
Kelompok V
DAFTAR ISI
SAMPUL
KATA PENGANTAR ............................................................................................ ii
DAFTAR ISI ......................................................................................................... iii
BAB I PENDAHULUAN ....................................................................................... 1
A. Latar Belakang ............................................................................................. 1
B. Rumusan Masalah ........................................................................................ 2
C. Tujuan .......................................................................................................... 2
BAB II TINJAUAN PUSTAKA............................................................................. 3
A. Pengertian Multikolinearitas ........................................................................ 3
B. Gejala Multikolinearitas ............................................................................... 5
C. Penyebab Multikolinearitas .......................................................................... 6
D. Dampak dari Multikolinearitas .................................................................... 7
E. Cara Mendeteksi Adanya Multikolinearitas................................................. 7
F. Cara Mengatasi Multikolinearitas .............................................................. 10
BAB III PEMBAHASAN .................................................................................... 14
BAB IV PENUTUP .............................................................................................. 26
A. Kesimpulan ................................................................................................ 26
B. Saran ........................................................................................................... 26
DAFTAR PUSTAKA ……………………………………………………………26
BAB I
PENDAHULUAN
A. Latar Belakang
digunakan sebagai peramalan suatu data untuk masa yang akan datang.
dimana dalam model regresi tersebut hanya terdapat satu variabel bebas
saja.Sedangkan jika variabel bebas yang digunakan dalam model regresi lebih
regresi linear sederhana karena lebih banyak melibatkan variabel yang dapat
yang sering muncul dalam analisis regresi linear berganda adalah terjadinya
multikolinearitas.
regresi yang dihasilkan oleh suatu analisis regresi linear berganda menjadi
sangat lemah sehingga tidak dapat memberikan hasil analisis yang mewakili
sifat atau pengaruh dari variabel bebas yang bersangkutan (Montgomery dan
Hines, 1990). Dalam banyak hal masalah multikolinearitas dapat
variabel bebas diregresikan secara terpisah dengan variabel tak bebas (simple
B. Rumusan Masalah
C. Tujuan
Multikolinearitas
BAB II
TINJAUAN PUSTAKA
A. Pengertian Multikolinearitas
hubungan linear atau kolerasi antar variabel bebas dalam analisis regresi
terjadi jika dalam sebuah model terdapat korelasi antara dua atau lebih
variabel bebas. Logikanya jika kita ingin mencari pengaruh A,B dan C
terdapat D, muka seharusnya tidak ada korelasi baik antara A dan B, A dan C,
ataupun B dan C.
korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam
sebuah model regresi berganda. Model regresi yang dimaksud dalam hal ini
antara lain: regresi linear, regresi logistik, regresi data panel dan cox
regression.
terjadi adalahpenduga kuadrat terkecil tidak bisa ditentukan serta varians dan
beberapa atau semua variabel yang menjelaskan dalam model regresi. Jika
dalam model terdapat multikolinearitas maka model tersebut memiliki
kesalahan standar yang besar sehingga koefisien tidak dapat ditaksir dengan
tabel < Fi, maka variabel bebas tersebut tidak kolinear terhadap variabel
kuadrat terkecil menjadi tidak efisien dan kesimpulan antara uji statistik F
dalam analisis regresi linear berganda ini juga dapat menyebabkan standar
parameter yang dihasilkan dari analisis regresi akan tidak tepat. Standar
bersifat tidak bias, tetapi dapat menyebabkan suatu model regresi berganda
mempunyai varians dan standar error yang besar. Ini dapat dilihat dari
∑ e2
σ2 = n−pi
σ2
var(bk−1 ) = 2 )
∑ Xi,k−1 (1 − rxx
Dimana :
n = jumlah observasi
σ2 = variansi sisaan
B. Gejala Multikolinearitas
berganda, maka nilai koefisien beta dari sebuah variabel bebas atau variabel
sebuah variabel bebas disini adalah koefisien beta. Oleh karena itu, sering kali
error yang besar dari sebuah variabel bebas dalam model regresi.
Berdasarkan penjelasan di atas, maka dapat disimpulkan bahwa, jika
variabel lainnya di dalam model, kekuatan prediksinya tidak handal dan tidak
C. Penyebab Multikolinearitas
Penyebab multikolinearitas adalah adanya korelasi atau hubungan
yang kuat antara dua variabel bebas atau lebih, seperti yang sudah dijelaskan
Akan lebih beresiko terjadi multikolinearitas jika ada lebih dari 1 variabel
bebas lainnya di dalam model. Hal ini bisa dicontohkan sebagai berikut:
dalam model regresi anda, ada variabel X1, X2 dan Perkalian antara X1
X1*X2.
1. Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu nilai
4. Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat sulit
untuk menolak hipotesis nol pada sebuah penelitian jika dalam penelitian
nilai Toleransi kurang dari 0,1 atau nilai VIF melebihi 10 maka hal
tersebut menunjukkan bahwa multikolinearitas adalah masalah yang
1
TOLi = = 1 − R2i
FIFi
λmax
Bilangan Kondisi : K = , λ = niai eigen
λmin
Indeks Kondisi : ID = √K
ID < 10 : lemah
dalam model regresi. Yaitu jika kita berada dalam kondisi sebagai berikut:
Nilai VIF tinggi hanya pada variabel kontrol, sedangkan pada variabel
Meskipun pada variabel kontrol nilai VIF tinggi, tetapi pada variabel
interest nilai VIF rendah, maka dapat diartikan bahwa nilai prediksi dari
variabel yang menjadi bahan perhatian dalam model tetap dapat mengukur
variabel terikat secara presisi. Mengapa bisa seperti itu? kami akan
belanja bulanan. Dalam hal ini, antara kedua variabel kontrol terdapat
korelasi yang kuat, sehingga VIF keduanya tinggi. Namun keduanya tidak
Nilai VIF tinggi yang disebabkan oleh sebab inklusi karena hasil
2. Dengan cara memilih salah satu diantara variabel bebas yang berkorelasi
kuat. Oleh karena itu, sebelumnya anda harus mencari variabel yang nilai
VIFnya tinggi dan nilai korelasinya dengan variabel bebas lainnya kuat.
berkorelasi kuat sehingga didapat variabel baru hasil operasi tersebut yang
PEMBAHASAN
Contoh Kasus:
1. Kasus 1
berikut:
berikut:
1
990 8300 4.90 6.47
1
991 7500 3.28 3.14
1
993 8250 4.00 4.75
1
994 9000 5.97 6.23
1
995 8750 4.24 6.03
1
996 10000 8.00 8.75
1
997 8200 7.45 7.72
1
998 8300 7.47 8.00
1
999 10900 12.68 10.40
2
000 12800 14.45 12.42
2
001 9450 10.50 8.62
2
002 13000 17.24 12.07
2
003 8000 15.56 5.83
2
004 6500 10.85 5.20
2
005 9000 16.56 8.53
2
006 7600 13.24 7.37
2
007 10200 16.98 9.38
Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan
antara rasio keuangan PER dan ROI terhadap harga saham. Dengan ini
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF)
kedua variabel yaitu PER dan ROI adalah 1,899 lebih kecil dari 10 dan
Tolerance lebih dari 0,100, sehingga bisa disimpulkan bahwa antar variabel
2. Kasus 2
Nilai R2 0,983
diperoleh seluruhnya bernilai lebih kecil dari pada nilai koefisien determinasi
3. Kasus 3
1 55 76 83 65
2 60 82 92 70
3 61 80 77 70
4 53 70 74 60
5 62 88 97 70
6 62 72 77 71
7 54 78 86 64
8 59 72 90 68
9 64 81 96 72
10 55 74 90 66
11 53 65 85 64
12 65 84 92 72
13 50 63 74 56
14 52 71 87 64
15 56 82 84 66
16 53 72 79 65
17 60 85 92 70
18 56 76 86 67
19 54 65 80 62
20 53 74 72 57
21 52 75 75 55
22 62 80 95 70
23 65 72 96 66
24 58 70 82 63
25 60 85 86 63
26 64 88 96 74
27 60 84 98 72
28 64 89 82 75
29 64 85 92 72
30 58 78 76 67
31 60 77 86 68
32 54 78 86 64
33 39 52 55 41
34 64 89 96 74
35 54 75 79 62
36 57 84 82 66
37 60 74 88 69
38 54 69 80 61
39 53 76 81 64
40 63 87 97 71
41 71 58 102 79
42 51 72 81 58
43 64 87 95 69
44 65 71 96 72
45 54 81 82 64
46 60 83 79 68
47 64 72 86 72
48 60 81 86 70
49 55 82 78 64
50 64 86 93 72
51 49 67 74 55
52 46 66 74 58
53 58 82 78 67
54 51 63 83 58
55 63 93 96 71
56 58 75 80 65
57 50 77 73 56
58 55 68 80 58
59 57 69 81 64
60 61 87 92 68
Perhatikan nilai koefisien determinasi sebesar 0.931 yang mendekati
1, namun secara individual melalui uji t dua variabel : kepuasan kerja dan
multikolinieritas (VIF kurang dari 10), sementara tolerance juga tidak ada
kurang dari 0.10. Deteksi multiko melalui dua uji menunjukkan tidak adanya
kepuasan kerja tinggi yaitu sebesar -0.726. Korelasi antar independen ini
berada dalam kategori kuat sehingga meski nilai VIF dan Tolerance tidak
kinerja
Meregresikan Prediktor secara Bergantian
utama.
Model perbandingan :
Langkah Uji
Interprestasi
Multikolinier
BAB IV
PENUTUP
A. Kesimpulan
Akan lebih beresiko terjadi multikolinearitas jika ada lebih dari 1 variabel
bebas lainnya di dalam model. Hal ini bisa dicontohkan sebagai berikut:
dalam model regresi anda, ada variabel X1, X2 dan Perkalian antara X1
X1*X2.
B. Saran
Adapun saran pada makalah ini adalah agar penulis lebih fokus dan detail