BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam statistika, analisis komponen utama (Principal
Component Analysis / PCA) adalah teknik yang digunakan untuk
menyederhanakan suatu data, dengan cara mentransformasi linier
sehingga terbentuk sistem koordinat baru dengan varians maksimum.
PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa
mengurangi karakteristik data tersebut secara signifikan.
Analisis komponen utama merupakan suatu tehnik statistik
untuk mengubah dari sebagian besar variabel asli yang digunakan yang
saling berkorelasi satu dengan yang lainnya menjadi satu set variabel
baru yang lebih kecil dan saling bebas (tidak berkorelasi lagi). Jadi
analisis komponen utama berguna untuk mereduksi data, sehingga
lebih mudah untuk menginterpretasikan data-data tersebut. Analisis
komponen utama merupakan analisis antara dari suatu proses penelitian
yang besar atau suatu awalan dari analisis berikutnya, bukan
merupakan suatu analisis yang langsung berakhir. Misalnya komponen
utama bisa merupakan masukan untuk regresi berganda atau analisis
faktor.
Menurut Johnson dan Dean, Analisis Komponen Utama
terkonsentrasi pada penjelasan struktur variansi dan kovariansi melalui
suatu kombinasi linear variabel-variabel asal, dengan tujuan utama
melakukan reduksi data dan membuat interpretasi. Analisis komponen
utama lebih baik digunakan jika variabel-variabel asal saling
berkorelasi.

1.2 Tujuan
Adapun tujuan dari praktikum ini adalah:
1. Mahasiswa mengerti dan memahami teori tentang penanganan
pelanggaran asumsi non multikolinieritas dengan menggunakan
regresi komponen utama (Principal Component Analysis).
2. Mahasiswa mampu menggunakan software Minitab untuk
menyelesaikan persoalan dalam mengatasi pelanggaran asumsi non
multikolinieritas dengan menggunakan regresi komponen utama
(Principal Component Analysis).
3. Mahasiswa mampu menginterpretasi hasil analisis software
Minitab.
1
2
 BAB II
METODOLOGI

1. Buka Software Minitab.

2. Setelah tampil lembar kerja dari Minitab, copy data ke kolom lembar
kerja.

3. Untuk melakukan uji asumsi multikolinieritas dan mengetahui hasil

koefisien regresi pilih Stat  Regression  Fit Regression Model.

3
4. Pada kolom Regression, isi variabel Y pada kolom Responses dan isi
semua variabel prediktor pada kolom Continous predictors. Kemudian
pilih menu Storage untuk menampilkan hasil koefisien regresi pada
kolom lembar kerja Minitab dan centang Coefficients.

5. Melakukan Standardize terhadap variabel prediktor, dengan cara pilih

menu Calc  Standardize. Pada kolom Standardize isi Input column(s)
dengan seluruh variabel prediktor, kemudian pada Store result in isi
dengan kolom pada lembar kerja yang kosong untuk menempatkan hasil
dari Standardize.

6. Untuk mencari nilai PCA dan Omega, pilih menu Stat  Multivariate
 Principal Components.

4
7. Pada kolom Principal Components Analysis isi kolom Variables isi
dengan nilai hasil Standardize (Z1,Z2 dan Z3). Kemudian pilih Storage,
isi Coefficients dan Scores dengan kolom pada lembar kerja yang masih
kosong untuk menempatkan nilai PCA dan Omega.

8. Meregresikan PCA yang memiliki nilai eigen value > 1 dengan variabel
respon, dengan cara pilih menu Stat  Regression  Fit Regression
Model. Pada kolom Regression isi kolom Responses dengan variabel Y
dan kolom Continous predictors dengan W1.

9. Mencari nilai rata-rata dan simpangan baku dari masing – masing

variabel prediktor, dengan cara pilih menu Stat  Basic Statistics 
Display Descriptive Statistics.

5
10. Pada kolom Display Descriptive Statistics isi kolom Variables dengan
semua variabel prediktor (X1, X2 dan X3). Kemudian pilih menu
Statistics dan centang Mean serta Standard deviation.

6
 BAB III
HASIL DAN PEMBAHASAN

4.1 Soal
Keterangan :
Y = Jumlah Uang Beredar
X1 = Pengeluaran Pemerintah
X2 = Gross Domestik Product (GDP)
X3 = Impor Barang

Tahun Y X1 X2 X3
1983 21469 585 75832 185
1984 18385 412 62665 200
1985 23417 766 86554 466
1986 28661 971 93638 471
1987 35885 1075 113718 575
1988 42998 1304 134105 804
1989 54704 1829 156851 1329
1990 86470 2495 198597 1995
1991 97105 2771 228450 2271
1992 118053 3554 269884 3054
1993 145303 3744 287976 3244
1994 186514 4504 372221 4004
1995 224368 4960 456381 4460
1996 366534 5955 557659 5455
1997 178120 2945 283782 2445

7
4.2 Hasil dan Interpretasi
4.2.1 Uji Asumsi Non Multikolinieritas
Term Coef SE Coef T-Value P-Value VIF
Constant -29776 28693 -1.04 0.322
X1 -62.7 63.2 -0.99 0.342 511.13
X2 1.063 0.204 5.21 0.000 38.75
X3 27.7 67.7 0.41 0.691 556.46

Dari output terlihat nilai VIF dari seluruh variabel prediktor (X1,
X2 dan X3) > 10 maka persamaan awal regresi ini tidak memenuhi
asumsi non multikolinieritas. Maka dari itu dilakukan penangan
dengan menggunakan regresi ridge.

4.2.2 Skor PCA

Eigenvalue 2.9813 0.0178 0.0010
Proportion 0.994 0.006 0.000
Cumulative 0.994 1.000 1.000

Variable PC1 PC2 PC3

Z1 0.578 -0.435 -0.690
Z2 0.576 0.817 0.033
Z3 0.578 -0.379 0.723
W1 = 0.579055Z1 + 0.575713Z2+ 0.578279Z3

4.2.3 Hasil Model Regresi PCA

Term Coef SE Coef T-Value P-Value VIF
Constant 108532 7159 15.16 0.000
W1 54676 4292 12.74 0.000 1.00
Dari hasil pendugaan parameter dengan menggunakan data hasil
Standardize dihasilkan model PCA dalam bentuk variabel Z yaitu :
̂ = 108532 + 54676 W
Y ̂1
4.2.4 Statistik Deskriptif
Variable Mean StDev
X1 2525 1736
X2 225221 147922
X3 2064 1691
Hasil statistik deskriptif digunakan untuk mengembalikan koefisien
hasil Standardize ke dalam data yang asli.
8
 4.2.5 Mengembalikan persamaan regresi ke data awal
 Substitusi W1 pada model regresi komponen utama

Y = 108532 + 54676 W1
= 108532 + 54676(0.579055Z1 + 0.575713Z2
+ 0.578279Z3 )
= 108532 + 31605.74Z1 + 31477.68Z2
+ 31617.98Z3
 Dari hasil substitusi didapatkan :
β̂PCA (k)
 β̂0,PCA = 108532
 β̂1,PCA = 31605.74
 β̂2,PCA = 31477.68
 β̂3,PCA = 31617.98

̂1R .x̅1
β ̂2R .x̅2
β ̂3R .x̅3
β ̂4R .x̅4
β
 β0 ̂ 0R
=β + + + +
S1 S2 S3 S4
(31605.74)x(2525 ) (31477.68)x(225221 )
=108532 + + +
(1736) (147922)
(31617.98)x(2064 )
(1691)
= 108532 + 45970.32 + 47926.85 + 38592.26
= 241021.4

̂1PCA
β
 β1
31605.74
= = = 18.20607
S1 1736

̂2PCA
β
 β2
31477.68
= = = 0.212799
S2 147922

̂1PCA
β 31617.98
 β3 = = = 18.6978
S3 1691

9
Jadi, model regresi komponen utama yang diperoleh adalah:
 Y ̂ = β̂0 + β̂1 X1 + β̂2 X2 + β̂3 X3
 Y ̂ = 241021.4 + 18.20607X ̂1 + 0.212799X
̂ 2 + 18.6978X
̂3

Dari model regresi yang diperoleh, interpretasinya adalah :

 Rata-rata perubahan jumlah uang yang beredar meningkat sebesar
241021.4 ketika pengeluaran pemerintah, GDP dan impor barang
bernilai 0.
 Setiap kenaikan 1 satuan tingkat pengeluaran pemerintah, maka
akan meningkatkan jumlah uang yang beredar sebesar 18.20607
satuan dimana variable lain bernilai konstan.
 Setiap kenaikan 1 satuan tingkat GDP, maka akan meningkatkan
tingkat jumlah uang yang beredar sebesar 0.212799 satuan dimana
variable lain bernilai konstan.
 Setiap kenaikan 1 satuan tingkat impor barang, maka akan
meningkatkan tingkat jumlah uang yang beredar sebesar 18.6978
satuan dimana variable lain bernilai konstan.

10
 BAB IV
PENUTUP

5.1 Kesimpulan

Dari proses perhitungan melalui software Minitab dapat

diambil kesimpulan sebagai berikut :

 Nilai VIF dari seluruh variabel prediktor (X1,X2 danX3) > 10

maka persamaan awal regresi ini tidak memenuhi asumsi non
multikolinieritas. Maka dari itu dilakukan penangan dengan
menggunakan Principal Component Analysis.
 Setelah melakukan perhitungan dengan Principal Component
Analysis melalui software minitab, didapatkan persamaan baru
yaitu :
̂ = 241021.4 + 18.20607X
Y ̂1 + 0.212799X ̂ 2 + 18.6978X
̂3

 Dari model regresi yang diperoleh, interpretasinya adalah :

 Rata-rata perubahan jumlah uang yang beredar meningkat
sebesar 241021.4 ketika pengeluaran pemerintah, GDP
dan impor barang bernilai 0.
 Setiap kenaikan 1 satuan tingkat pengeluaran pemerintah,
maka akan meningkatkan jumlah uang yang beredar
sebesar 18.20607 satuan dimana variable lain bernilai
konstan.
 Setiap kenaikan 1 satuan tingkat GDP, maka akan
meningkatkan tingkat jumlah uang yang beredar sebesar
0.212799 satuan dimana variable lain bernilai konstan.
 Setiap kenaikan 1 satuan tingkat impor barang, maka
akan meningkatkan tingkat jumlah uang yang beredar
sebesar 18.6978 satuan dimana variable lain bernilai
konstan.

5.2 Saran
Dengan adanya program Minitab ini diharapkan mahasiswa
maupun masyarakat lain dapat menggunakannya secara baik dan
optimal. Sebaiknya, mahasiswa memahami secara baik pengoperasian
dan pengaplikasian Minitab khususnya mahasiswa jurusan Statistika.
Selain itu perlu adanya ketelitian agar tidak salah menggunakannya /
menghitungnya.
11
 Dengan demikian, Statistika khususnya mengenai penanganan
pelanggaran asumsi non multikolinieritas dengan regresi komponen
utama dapat dipahami mahasiswa dan diterapkan diberbagai bidang
secara lebih baik dan efektif serta lebih bermanfaat lagi bagi
masyarakat.

12
 LAMPIRAN

Term Coef SE Coef T-Value P-Value VIF

Constant -29776 28693 -1.04 0.322
X1 -62.7 63.2 -0.99 0.342 511.13
X2 1.063 0.204 5.21 0.000 38.75
X3 27.7 67.7 0.41 0.691 556.46

Eigenvalue 2.9813 0.0178 0.0010

Proportion 0.994 0.006 0.000
Cumulative 0.994 1.000 1.000

Term Coef SE Coef T-Value P-Value VIF

Constant 108532 7159 15.16 0.000
W1 54676 4292 12.74 0.000 1.00

Variable Mean StDev

X1 2525 1736
X2 225221 147922
X3 2064 1691

13