Zidane Ariyandy
175090500111039
I. Rangkuman Materi Pertemuan 18 November 2020
1. Penanganan Multikolinieritas
Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan
kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda. Penyebab
multikolinearitas adalah adanya korelasi atau hubungan yang kuat antara dua variabel bebas atau
lebih. Multikolinieritas mengindikasikan bahwa antar variabel bebas memiliki kombinasi linier,
hal ini menyebabkan matriks (X’X) akan bersifat singular, sehingga memiliki vektor jawab yang
tidak khas. Cara mendeteksi adanya multikolinearitas di dalam model regresi adalah dengan cara
melihat nilai Variance Inflating Factor (VIF). Apabila nilai VIF > 10, maka terjadi
multikolinieritas. Penanganan multikolinieritas adalah dengan mereduksi variabel bebas, regresi
ridge, melakukan regresi PCA, ataupun melakukan transformasi terhadap data dengan
penyesuaian pada interpretasi model regresi yang nantinya didapatkan
2. Penanganan Outlier
Outlier atau pencilan, merupakan suatu observasi pada kumpulan data yang berbeda
polanya atau nilainya dari observasi-observasi lainnya pada kumpulan data tersebut. Munculnya
outlier pada kumpulan data disebabkan oleh beberapa kemungkinan, yaitu:
- Adanya keadaan yang benar-benar khusus, seperti pandangan responden terhadap sesuatu
yang menyimpang dikarenakan adanya suatu alasan yang tidak diketahui oleh peneliti
sendiri.
Cara pendeteksian outlier adalah dengan membuat scatter plot. Untuk mengatasi outlier pada
suatu data, dapat dilihat terlebih dahulu apakah ada kesalahan dalam pengambilan data. Bisa
juga dengan membuang/mengganti data, namun langkah ini tidak disarankan. Cara lain untuk
mengatasi outlier adalah dengan pembobotan WLS (Weighted Least Square).
3. Regresi Polinomial
Model umum untuk regresi polinomial adalah sebagai berikut:
𝑌1 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋𝑖 2 + ⋯ + 𝛽𝑚 𝑋𝑖 𝑚 + 𝜀𝑖 i = 1,2,…, n
Apabila terdapat suatu model regresi non linier yang dipaksa untuk dimodelkan dengan regresi
linier, maka model tidak akan sesuai yang akan berdampak pada nilai R2. Sehingga dapat dilakukan
tranformasi tertentu untuk mendapatkan model regresi non linier yang intrinsik linier.
II. Analisis Regresi Polinomial Pangkat
3 a. Data dan Hasil Transformasi
b. Matriks Rancangan
Berdasarkan nilai dari R2 di atas, dapat dikatakan bahwa kemampuan variabel X dapat memberikan
penjelasan sebesar 97.92% terhadap variabel Y, sedangkan 2.08% dipengaruhi atau dijelaskan oleh variabel
lain yang tidak dimasukkan ke dalam model.
Model Regresi yang Terbentuk
y1 = 47.39 - 3.847 abs(x1-rata2) + 0.0483 abs(x2-rata2)
• Polinomial Pangkat Tiga
𝑌1 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋1 2 + 𝛽3 𝑋1 𝑋2 , 𝑋2 = 𝑋1 2
𝟏𝟎 𝟏 𝟐 𝟒 𝟖 𝜀1
𝟐𝟎 𝟏 𝟒 𝟏𝟔 𝟔𝟒 𝜀2
𝟑𝟎 𝟏 𝟖 𝟔𝟒 𝟓𝟏𝟐 𝜀3
𝟒𝟎 𝟏 𝟏𝟏𝟏𝟐𝟏 𝟏𝟑𝟑𝟏 𝛽0 𝜀4
𝟓𝟎 𝟏 𝟏𝟒𝟏𝟗𝟔 𝟐𝟕𝟒𝟒 𝛽1 𝜀5
= [ ]+ 𝜀
𝟒𝟐 𝟏 𝟏𝟔𝟐𝟓𝟔 𝟒𝟎𝟗𝟔 𝛽2 6
𝟑𝟔 𝟏 𝟐𝟎𝟒𝟎𝟎 𝟖𝟎𝟎𝟎 𝛽3 𝜀7
𝟑𝟎 𝟏 𝟐𝟐𝟒𝟖𝟒 𝟏𝟎𝟔𝟒𝟖 𝜀8
𝟐𝟓 𝟏 𝟐𝟓𝟔𝟐𝟓 𝟏𝟓𝟔𝟐𝟓 𝜀9
[𝟐𝟐] [𝟏 𝟐𝟕𝟕𝟐𝟗 𝟏𝟗𝟔𝟖𝟑] [𝜀10 ]
Analisis Regresi
Hipotesis: 𝐻0 ∶ 𝐵𝑖 = 0 𝑣𝑠 𝐻1 : 𝐵𝑖 ≠ 0
Analysis of Variance
Berdasarkan nilai dari R2 di atas, dapat dikatakan bahwa kemampuan variabel X dapat memberikan
penjelasan sebesar 98.61% terhadap variabel Y, sedangkan 1.39% dipengaruhi atau dijelaskan oleh variabel
lain yang tidak dimasukkan ke dalam model.
Kesimpulan:
Berdasarkan nilai R2 dari model regresi polinomial pangkat dua dan pangkat tiga, dapat disimpulkan bahwa
model regresi pangkat tiga lebih baik karena memiliki nilai R2 lebih tinggi