Anda di halaman 1dari 4

BAB IV MULTIKOLINEARITAS

A. PENGERTIAN MULTIKOLINEARITAS Multikolinearitas (kolinearitas ganda) adalah hubungan linear antar variabel bebas. Kasus multikolinearitas ini terjadi pada model linear ganda yang variabel bebasnya saling terkait atau berkorelasi. Bila hal ini terjadi maka akan mengganggu ketepatan model yang dibuat. Model regresi majemuk:

Pada umumnya, dengan dengan , dst akan berkorelasi atau disebut multikolinearitas.

B. KONSEKUENSI MULTIKOLINEARITAS

1. Apabila terjadi multikolinearitas sempurna ( ) maka koefisien regresi tidak dapat diperoleh dengan menggunakan metode kuadrat terkecil

2. Apabila terjadi multikolinearitas yang mendekati sempurna (korelasi yang tinggi antar variabel bebas) selang kepercayaan untuk parameter regresi cenderung melebar, akibatnya hasil perkiraan parameter yang diperoleh menjadi tidak dapat dipercaya.

3. Terjadi kontradiksi antara hasil pengujian hipotesis parameter regresi secara serentak melalui uji-F dengan hasil pengujian parameter regresi secara individu melalui uji-t.

4. Apabila terjadi multikolinearitas, terjadi berubahnya tanda koefisien regresi.

C. CARA MENDETEKSI MULTIKOLINEARITAS Misal persamaan linear ganda:

Dari persamaan di atas akan disederhanakan menjadi persamaan linear sederhana:

1. Apabila memperoleh yang tinggi (> 0,7) dalam model (1), tetapi sedikit sekali atau bahkan tidak satu pun parameter regresi yang signifikan jika model ( 2 & 3 ) diuji secara individu dengan uji-t.

2. Apabila di antara variabel bebas diregresikan dengan cara regresi linear sederhana (model 4), maka diperoleh koefisien korelasi ( ) yang tinggi. Tingginya koefisien korelasi tersebut sudah menunjukkan adanya multikolinearitas.

3. Terjadi perbedaan tanda antara tanda pada persamaan (1) di atas dan pada persamaan (2 dan 3).

4. Melihat nilai indeks kondisi:

Multikolinearitas ada dalam persamaan regresi jika eigenvalue mendekati 0. Hubungan nilai indeks kondisi (IK) dengan eigenvalue:

5. Melihat Variance Inflation Factor (VIF) dan Tolerance (TOL)

= koefisien determinasi antara variabel bebas ke-j dengan variabel lainnya.

Dari persamaan di atas, kolinearitas ganda tidak ada jika nilai VIF mendekati angka satu. Hubungan VIF dengan TOL:

Dari persamaan di atas, kolinearitas ganda tidak ada jika nilai TOL mendekati angka 1.

D. MENGATASI MULTIKOLINEARITAS

1. Adanya informasi apriori Model awal:

Kemudian, ada informasi dari sebuah penelitian atau teori yang mengatakan bahwa:

, maka persamaan awal menjadi:

2. Mengeluarkan variabel bebas yang kolinear dari model Dalam mengeluarkan variabel bebas harus berhati-hati, karena tidak tertutup kemungkinan bahwa variabel tersebut sangat penting.

3. Mentransformasikan variabel Ada beberapa cara mentransformasi variabel:

a. Melakukan pembedaan Teknik pembedaan ini biasanya berlaku untuk data time series karena melalui perkembangan waktu, kedua variabel bebas cenderung bergerak dengan arah yang sama. Model awal:

Kemudian dibuat lag-1

Selanjutnya dikurangkan, sehingga menjadi:

Pengurangan

didefinisikan kembali:

inilah

b. Membuat rasio Mengubah model:

yang

disebut

pembedaan.

Kemudian

c. Mentransformasi variabel menjadi bentuk:

1) Logaritma

2)

mengubah

menjadi

3)

mengubah

menjadi

, dll

model

tersebut

4. Mencari data tambahan Karena multikolinearitas / kolinearitas ganda merupakan gambaran sampel, ada kemungkinan bahwa masalah kolinearitas bisa hilang hanya dengan menambahkan banyaknya sampel (n).

5. Memakai metode lain yang dianjurkan untuk mengatasi multikolinearitas, yaitu:

a. Regresi komponen utama (Pincipal Component Regression)

b. Regresi Ridge

c. Regresi kuadrat terkecil parsial (Partial Least Squares Regression)

d. Regresi dengan pendekatan Bayes

e. Regresi kontinum (Continuum Regression)