BAB V

MULTIKOLINERITAS DAN HETEROSKEDASITAS

A. Multikolineritas
1. Landasan Teori
Multikolinearitas adalah sebuah situasi yang menunjukkan adanya
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.
Dalam situasi terjadi multikolinearitas dalam sebuah model regresi
berganda, maka nilai koefisien beta dari sebuah variabel bebas atau
variabel predictor dapat berubah secara dramatis apabila ada penambahan
atau pengurangan variabel bebas di dalam model. Oleh karena itu,
multikolinearitas tidak mengurangi kekuatan prediksi secara simultan,
namun mempengaruhi nilai prediksi dari sebuah variabel bebas. Nilai
prediksi sebuah variabel bebas disini adalah koefisien beta. Oleh karena
itu, sering kali kita bisa mendeteksi adanya multikolinearitas dengan
adanya nilai standar error yang besar dari sebuah variabel bebas dalam
model regresi (Hidayat, 2016)
Multikoliniearitas itu sendiri pertama kali diperkenalkan oleh Ragner
Frisch tahun 1934. Menurut Frisch, suatu model regresi dikatakan terkena
multikoliniearitas bila terjadi hubungan linier yang sempurna (perfect) atau
pasti (exact) di antara beberapa atau semua variabel bebas dari suatu model
regresi. Akibatnya akan kesulitan untuk dapat melihat pengaruh variabel
penjelas terhadap variabel yang dijelaskan (Maddala, 1992: 269-270).
Berkaitan dengan masalah multikoliniearitas, Sumodiningrat (1994:
281-182) mengemukakan bahwa ada 3 hal yang perlu dibahas terlebih
dahulu:
a. Multikoliniearitas pada hakekatnya adalah fenomena sampel.
Dalam model fungsi regresi populasi (Population Regression

38
 39

Function = PRF) diasumsikan bahwa seluruh variabel bebas yang

termasuk dalam model mempunyai pengaruh secara individual
terhadap variabel tak bebas Y, tetapi mungkin terjadi bahwa dalam
sampel tertentu.
b. Multikoliniearitas adalah persoalan derajat (degree) dan bukan
persoalan jenis (kind).
Artinya bahwa masalah Multikoliniearitas bukanlah masalah
mengenai apakah korelasi di antara variabel-variabel bebas negatif
atau positif, tetapi merupakan persoalan mengenai adanya korelasi di
antara variabel- variabel bebas.
c. Masalah Multikoliniearitas hanya berkaitan dengan adanya
hubungan linier di antara variabel-variabel bebas
Artinya bahwa masalah Multikoliniearitas tidak akan terjadi dalam
model regresi yang bentuk fungsinya berbentuk non-linier, tetapi
masalah Multikoliniearitas akan muncul dalam model regresi yang
bentuk fungsinya berbentuk linier di antara variabel-variabel bebas.
Multikonearitas adalah adanya hubungan eksak linier antar variabel
penjelas. Multikonearitas diduga terjadi bila nilai R2 tinggi, nilai t semua
variabel penjelas tidak signifikan, dan nilai F tinggi.
Konsekuensi multikonearitas:
a. Kesalahan stkitar cenderung semakin besar dengan meningkatnya
tingkat korelasi antar variabel.
b. Karena besarnya kesalahan stkitar, selang keyakinan untuk
parameter populasi yang relevan cenderung lebih besar.
c. Taksiran koefisian dan kesalahan stkitar regresi menjadi sangat
sensitif terhadap sedikit perubahan dalam data.
Konsekuensi multikearitas adalah invalidnya signifikansi
variable maupun besaran koefisien variable dan konstanta.
Multikolinearitas diduga terjadi apabila estimasi menghasilkan nilai R
kuadrat yang tinggi (lebih dari 0.8), nilai F tinggi, dan nilai t-statistik
semua atau hampir semua variabel penjelas tidak signifikan. (Gujarati,
 40

2003)
2. Soal
PT Perkasa dalam beberapa bulan gencar mempromosikan sejumlah
peralatan elektronik dengan membuka outlet-outlet di berbagai daerah.
Seberapa jauh income, lan penduduk, luas outlet, pesaing dan biaya
promosi berpengaruh terhadap penjualan PT Perkasa.
Tabel 5.1 Data Penjualan, Pendapatan, Pertumbuhan Penduduk, Outlet,
Pesaing, dan Promosi pada PT Perkasa
Pertumbuhan
Penjualan Pendapatan Penduduk Outlet Pesaing Promosi
Observasi (PJL) (PDT) (PTB) (OUT) (PSG) (PRO)
1 205 5.46 2 159 15 26
2 206 2.3 1.5 164 16 28
3 254 2.6 1.75 198 19 35
4 246 3.55 1.64 184 17 31
5 205 4.35 2.65 150 15 21
6 291 3.65 1.45 208 24 49
7 234 3.44 1.67 184 16 30
8 209 2.55 2.74 154 10 30
9 204 4.79 1.35 149 16 24
10 216 2.53 2.13 175 14 31
11 245 2.75 2.64 192 11 32
12 286 2.53 1.63 201 19 47
13 312 3.51 2.53 248 21 54
14 265 2.81 2.54 166 18 40
15 340 3.01 1.53 290 18 42
Lakukan diagnosis apakah pada model regresi tersebut terjadi
multikolinieritas? Lakukan dengan pengujian :
a. Uji VIF
b. Uji Korelasi
c. Uji Auxilary

3. Langkah Kerja
a) Membuka aplikasi Microsoft Excel
b) Menuliskan data yang akan di uji pada Microsoft Exel kemudian
menyimpannya di Document
 41

c) Kemudian membuka aplikasi EView untuk memulai menguji data

d) Memilih Create a new Eviews Workfile dan kemudian pada

workfile structure type diganti dengan unstructured / undated
selanjutpa pada kolom Observations mengisi jumlah data yang akan
di observasi dan OK

e) Memilih file kemudian import dan memilih import from file maka
memasukkan data yang akan di analisis yang telah disimpan
sebelumnya.
 42

f) Mengeklik pada custom range, dan kemudian mengeklik tanda panah

kekanan satu kali pada start cell.

g) Kemudian next dan pada colum info pada bagian Data type memilih
Number, kemudian klik Next

h) Setelah itu pada kolom sample within destination workfile to place

data terisi @all . kemudian finish
 43

i) Kemudian memilih Quick dan memilih Estimate Equation dan

memasukkan rumus dengan pjl c pdt ptb out psg pro dan OK maka
akan kelur output hasil Regresi

j) Setelah output regresi telah keluar kemudian untuk mengetahui data

tersebut terkena multikolinieritas atau tidak dengan cara VIF yaitu
memilih view , coefficient diagnosis , dan variance inflation factors
maka akan keluar output

k) Kemudian cara kedua untuk mendeteksi data Multikolinieritas atau

tidak adalah dengan melihat korelasi antar variabel bebas , yaitu
 44

dengan memilih Quick, group statistics, dan correlation . Setelah

itu, memasukkan variabel-variabel bebasnya dengan pdt ptb out psg
pro dan OK maka akan keluar output.

l) Cara ketiga untuk melakukan uji multikolinieritas adalah degan cara

Auxillary yaitu setelah dilakukan regresi secara keseluruhan
kemudian melakukan regresi secara individu per variabel dengan cara
Quick , estimation equation , kemudian menuliskan rumus pjl c pdt
lakukan hal yang sama pada variabel ptb, out, psg, dan pro.
 45

m) Kemudian apabila dari hasil output menunjukkan bahwa data tersebut

terdapat multikolinieritas maka data tersebut dapat di transformasikan
ke dalam bentuk log

4. Hasil atau Output

a) Regresi keseluruhan

b) Uji VIF

c) Uji Korelasi

d) Uji Auxillary
46
 47

5. Interpretasi
a) Uji VIF
VIF > 10 artinya data tersebut terkena multikolinieritas
VIF < 10 artinya data tersebut tidak terkena multikolinieritas
Berdasarkan hasil output yang didapat dari pengujian VIF dari
semua variabel bebasnya, didapatkan hasil PDT 1,525; PTB 1,961;
OUT 2,408; PSG 4,663; dan PRO 6,130. Dari hasil tersebut
menunjukkan bahwa hasil uji VIF untuk keseluruhan variabel bebas
lebih kecil dari 10. Artinya, semua variabel bebasnya tidak terkena
multikolinieritas.
b) Uji Korelasi
Kb > 0,8 artinya data tersebut terkena multikolinieritas
Kb < 0,8 artinya data tersebut tidak terkena multikolinieritas
Berdasarkan hasil dari uji korelasi antar variabel bebas yang ada
didapatkan bahwa hasilnya pada variabel PDT dan PTB korelasi
sebesar -0,102071, variabel PDT dan OUT korelasinya sebesar -
0,2409, variabel PDT dan PSG korelasinya sebesar 0,07577, dan
variabel PDT dan PRO korelasinya sebesar -0,3292. Sedangkan
variabel PTB dengan OUT korelasinya sebesar -0,201134, variabel
PTB dan PSG korelasinya sebesar -0,48376, dan variabel PTB dengan
PRO korelasi sebesar -0,06177. Kemudian pada variabel OUT dengan
PSG korelasi sebesar 0,498559 dan variabel OUT dan PRO korelasi
sebesar 0,728841. Dan pada hubungan korelasi antara PSG dengan
PRO sebesar 0,708677. Dari hasil tersebut seluruh variabel memiliki
 48

besaran korelasi kurang dari 0,8. Artinya bahwa semua variabel bebas
tidak terkena multikolinieritas.
c) Uji Auxillary
R12 > R22 , R32, R42, R52, R62 artinya variabel tidak terkena
multikolineritas
R12 < R22 , R32, R42, R52, R62 artinya variabel tidak terkena
multikolineritas
Berdasarkan hasil pengujian regresi, secara bersama-sama
didapatkan hasil R12 sebesar 0,949. Sedangkan secara parsial hasil R22
regresi pada PDT sebesar 0,069; R32 PTB 0,023; R42 OUT sebesar
0,852; R52 PSG 0,426; dan pada R62 PRO sebesar 0,776. Dari hasil
tersebut diketahu bahwa hasil R12 lebih besar dari pada R22 , R32, R42,
R52, R62 . Sehingga dapat diartikan bahwa tidak terkena
multikolinieritas.

B. Heteroskedatisitas
1. Landasan Teori
Uji Heteroskedastisitas adalah uji yang menilai apakah ada
ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi linear. Uji ini merupakan salah satu dari uji asumsi klasik yang
harus dilakukan pada regresi linear. Apabila asumsi heteroskedastisitas
tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat
peramalan.
Masalah heteroskedastisitas umum terjadi pada data cross-
section, yaitu data yang diambil pada satu waktu saja tetapi dengan
responden yang besar. Misalnya jika kita melakukan survei. Sebagai
contohnya, kita akan menganalisis data cross-section penjualan
perusahaan-perusahaan dalam suatu industri. Variabel gangguan (error
terms) akan sangat terkait dengan besar kecilnya perusahaan. Perusahaan
yang besar akan mempunyai varian variabel gangguan yang besar,
sebaliknya perusahaan yang kecil karena penjualan kemungkinan akan
 49

mempunyai varian variabel gangguan yang lebih kecil. Hal ini

dikarenakan perusahaan yang lebih besar lebih fluktuatif daripada
penjualan perusahaan kecil. Contoh yang lainnya adalah hubungan antara
pendapatan dan pengeluaran konsumsi rumah tangga. Pengeluaran
konsumsi rumah tangga kelompok kaya akan lebih fluktuatif daripada
pengeluaran rumah tangga kelompok miskin (Widarjono, 2007).
(Gasperz Vincent, 1991) mengatakan bahwa heteroskedastisitas
dapat mengakibatkan pendugaan parameternya tidak efisien sehingga
tidak mempunyai ragam minimum. Karena pendugaan parameter
dianggap efisien karena memiliki ragam yang minimum, sehingga ragam
galat bersifat konstan atau disebut juga bahwa asumsi homoskedastisitas
terpenuhi. Salah satu usaha untuk mengatasi heteroskedastisitas ini dapat
dilakukan dengan mentransformasikan variabel – variabelnya, baik
variabel bebas, variabel tidak bebas maupun keduanya agar asumsi
homoskedastisitas terpenuhi.
Dampak yang akan terjadi apabila terdapat keadaan
heterokedastisitas adalah sulit mengukur standart deviasi yang
sebenarnya, dapat menghasilkan standart deviasi yang terlalu lebar
maupun terlalu sempit. Jika tingkat error dari varians terus bertambah,
maka tingkat kepercayaan akan semakin sempit.

2. Soal
PT Perkasa dalam beberapa bulan gencar mempromosikan
sejumlah peralatan elektronik dengan membuka outlet-outlet di berbagai
daerah. Seberapa jauh income, lan penduduk, luas outlet, pesaing dan
biaya promosi berpengaruh terhadap penjualan PT Perkasa.
Tabel 5.2 Data Penjualan, Pendapatan, Pertumbuhan Penduduk, Outlet,
Pesaing, dan Promosi pada PT Perkasa
Pertumbuhan
Penjualan Pendapatan Penduduk Outlet Pesaing Promosi
Observasi (PJL) (PDT) (PTB) (OUT) (PSG) (PRO)
1 205 5.46 2 159 15 26
2 206 2.3 1.5 164 16 28
 50

3 254 2.6 1.75 198 19 35

4 246 3.55 1.64 184 17 31
5 205 4.35 2.65 150 15 21
6 291 3.65 1.45 208 24 49
7 234 3.44 1.67 184 16 30
8 209 2.55 2.74 154 10 30
9 204 4.79 1.35 149 16 24
10 216 2.53 2.13 175 14 31
11 245 2.75 2.64 192 11 32
12 286 2.53 1.63 201 19 47
13 312 3.51 2.53 248 21 54
14 265 2.81 2.54 166 18 40
15 340 3.01 1.53 290 18 42
Lakukan diagnosis apakah pada model regresi tersebut terjadi
heteroskedasitas ? Lakukan dengan Uji White
3. Cara Kerja
a) Membuka aplikasi Microsoft Excel
b) Menuliskan data yang akan di uji pada Microsoft Exel kemudian
menyimpannya di Document

c) Kemudian membuka aplikasi EView untuk memulai menguji data

 51

d) Memilih Create a new Eviews Workfile dan kemudian pada workfile

structure type diganti dengan unstructured / undated selanjutpa
pada kolom Observations mengisi jumlah data yang akan di
observasi dan OK

e) Memilih file kemudian import dan memilih import from file maka
memasukkan data yang akan di analisis yang telah disimpan
sebelumnya.

f) Mengeklik pada custom range, dan kemudian mengeklik tanda panah

kekanan satu kali pada start cell.
 52

g) Kemudian next dan pada colum info pada bagian Data type memilih
Number, kemudian klik Next

h) Setelah itu pada kolom sample within destination workfile to place

data terisi @all . kemudian finish

i) Kemudian memilih Quick dan memilih Estimate Equation dan

memasukkan rumus dengan pjl c pdt ptb out psg pro dan OK maka
akan kelur output hasil Regresi
 53

j) Kemudian untuk melakukan pengujian heteroskedastisitas yaitu

dengan uji white yang caranya memilih view, residual diagnostics,
heteroskedas test, kemudian uji white dan menghilangkan ceklist
pada kotak, lalu OK maka akan keluar output.
 54

4. Hasil atau Otput

5. Intepretasi
Prob obs*R-square > 1% artinya data tidak terkena heteroskedastisitas
Prob obs*R-square < 1% artinya data terkena heteroskedastisitas
Berdasarkan hasil uji white didapatkan hasil Prob obs*R2 sebesar
0,550. Hasil tersebut menunjukkan bahwa hasil uji white lebih besar dari
pada 0,01. Artinya bahwa data tersebut tidak terkena heteroskedstisitas.
 55

https://www.statistikian.com/2016/11/multikolinearitas.html