MAKALAH

Asumsi Multikolinearitas
Serta
Analisis Data Pada Sebuah Skripsi Matematika Terhadap Teori Uji
Asumsi Multikolinearitas dengan Bantuan Aplikasi SPSS

Dibuat untuk memenuhi tugas mata kuliah Statistika Pendidikan

Dosen Pengampu :
Tri Murtini S. Pd, M. Pd,

Disusun oleh :

Putri Arlisa Hanafiah (1401419235)

Diah Nikasari (1401419252)

Aisyah Wachyu Fadillah (1401419270)

Rombel F

Jurusan Pendidikan Guru Sekolah Dasar

Fakultas Ilmu Pendidikan

Universitas Negeri Semarang

2021

1
 KATA PENGANTAR
Assalamualaikum Wr.Wb
Segala puji bagi Allah SWT yang telah memberikan penulis kemudahan sehingga
penulis dapat menyelesaikan makalah ini dengan tepat waktu. Sholawat serta salam semoga
tercurahkan kepada baginda tercinta kita yaitu Nabi Muhammad SAW. yang kita nantikan
syafa’atnya di akhirat nanti.
Penulis mengucapkan syukur kepada Alah SWT atas limpahan sehat-Nya, baik
berupa sehat fisik maupun akal pikiran, penulis juga mengucapkan terima kasih kepada dosen
Statistika Pendidikan yaitu Trimurtini S. Pd,. M. Pd. yang telah membimbing penulis
sehingga penulis mampu menyelesaikan makalah sebagai tugas kelompok dari mata kuliah
Statistika Pendidikan dengan materi dan judul makalah“Asumsi Multikolinearitas Serta
Analisis Data Pada Sebuah Skripsi Matematika Terhadap Teori Uji Asumsi
Multikolinearitas dengan Bantuan Aplikasi SPSS”.
Penulis tentu menyadari bahwa makalah ini masih jauh dari kata sempurna dan masih
banyak terdapat kesalahan serta kekurangan di dalamnya. Oleh karena itu, penulis
mengharapkan kritik dan saran dari pembaca untuk makalah ini agar makalah ini dapat
menjadi makalah yang lebih baik lagi. Kemudian, penulis mohon maaf apabila banyak
kesalahan pada makalah ini. Demikian, semoga makalah ini dapat bermanfaat. Terima kasih.
Wassalamualaikum Wr.Wb

Semarang, 30 Oktober 2021

Penulis

2
 DAFTAR ISI
COVER
KATA PENGANTAR.................................................................................... 2
DAFTAR ISI.................................................................................................... 3
BAB I (PENDAHULUAN)
A. Latar Belakang............................................................................................. 4
B. Rumusan Masalah........................................................................................ 4
C. Tujuan.......................................................................................................... 4
BAB II (PEMBAHASAN)
A. Pengertian Asumsi Multikolinearitas........................................................... 5
B. Pengaplikasian Asumsi Multikolinearitas.................................................... 6
C. Pengaplikasian Asumsi Multikolinearitas dengan menggunakan SPSS.. 7

BAB III (PENUTUP)

A. Simpulan ..................................................................................................... 13
DAFTAR PUSTAKA ..................................................................................... 14

3
 BAB I
PENDAHULUAN
A. Latar belakang
Analisis regresi merupakan suatu alat statistik yang seringkali digunakan sebagai
peramalan suatu data untuk masa yang akan datang. Analisis regresi digunakan untuk
membangun suatu model matematis yang dapat digunakan untuk meramalkan atau
menduga nilai variabel Y (variabel terikat/ dependen/ respon) berdasarkan pada nilai-nilai
variabel X (variabel bebas/ independen/ prediktor). Model regresi yang paling sederhana
adalah regresi linear sederhana dimana dalam model regresi tersebut hanya terdapat satu
variabel bebas saja. Sedangkan jika variabel bebas yang digunakan dalam model regresi
lebih dari satu maka disebut regresi linear berganda.
Analisis regresi linear berganda lebih kompleks dari pada analisis regresi linear sederhana
karena lebih banyak melibatkan variabel yang dapat menimbulkan permasalahan statistik
yang berbeda. Salah satu permasalahan yang sering muncul dalam analisis regresi linear
berganda adalah terjadinya multikolinearitas.
Dampak dari multikolinearitas ini dapat mengakibatkan koefisien regresi yang dihasilkan
oleh suatu analisis regresi linear 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
menyebabkan uji T menjadi tidak signifikan. Padahal jika masing-masing variabel bebas
diregresikan secara terpisah dengan variabel tak bebas (simple regression), uji T
menunjukkan hasil yang signifikan. Hal tersebut sering kali membuat pusing para peneliti
karena hasil analisis yang dilakukan pada regresi linear berganda dan regresi linear
sederhana tidaklah sejalan atau bahkan sangat bertentangan.
B. Rumusan masalah
Masalah yang akan di bahas pada makalah ini sebagai berikut:
1. Jelaskan apa yang dimaksud dengan asumsi multikolinearitas?
2. Bagaimana pengaplikasian asumsi multikolinearitas?
3. Bagaimana pengaplikasian asumsi multikolinearitas menggunakan spss?
C. Tujuan
Tujuan dari pembuatan makalah ini sebagai berikut:
1. Untuk mengetahui tentang asumsi multikolinearitas
2. Untuk mengetahui tentang pengaplikasian asumsi multikolinearitas
3. Untuk mengetahui tentang pengaplikasian aumsi multikolinearitas menggunakan spss

4
 BAB II
PEMBAHASAN
A. Pengertian Asumsi Multikolinearitas
Asumsi multikolinearitas merupakan bentuk pengujian yang menyatakan bahwa
variabel independen harus terbebas dari gejala multikolinearitas. Gejala multikolinearitas
adalah gejala korelasi antar variabel independen. Apabila terjadi gejala multikolinearitas,
salah satu langkah untuk memperbaiki model adalah dengan menghilangkan variabel dari
model regresi, sehingga bisa dipilih model yang paling baik.
Uji multikolinearitas adalah uji untuk menentukan apakah pada model regreasi
ditemukan adanya korelasi antara variabel bebas (independen). Apabila terjadi korelasi,
maka dinamakan terdapat problem multikolinearitas (Ghozali dalam Umar, 2001: 145).
Bedasarkan hubungan yang terjadi antara variabel-variabel bebas, multikolinearitas
dibedakan menjadi dua:
a. Multikolinearitas Sempurna
Hubungan linear yang sempurna terjadi apabila berlaku hubungan sebagai berikut:

dimana 1, 2, 3,..... k seluruhnya tidak sama dengan nol (1 ≠ 0,i = 1,2,3,......k).
Untuk mengetahui multikolinearitas sempurna dimisalkan 2≠0, sehingga persamaan
X2 dapat ditulis sebagai berikut:

Persamaan tersebut menunjukkan bagaimana X2 berhubungan secara linear sempurna

dengan sisa variabel lainnya.
b. Multikolinearitas kurang sempurna
Multikolinearitas kurang sempurna terjadi jika berlaku suatu hubungan sebagai
berikut:

dimana i adalah galat sisa dengan syarat galat yang saling bebas dan menyebar
normal i ~ N (0, 2), untuk mengetahui adanya multikolinearitas tidak sempurna,
maka dimisalkan 2≠0, sehingga persamaan X2 dapat ditulis sebagai berikut:

5
 yang menunjukkan bahwa X2 tidak berhubungan linear sempurna dengan sisa
variabel lainnya , sebab tergantung pada i
B. Pengaplikasian Asumsi Multikolinearitas
Ada beberapa cara untuk mengetahui ada tidaknya multikolinearitas, diantaranya :
1. Nilai korelasi (korelasi antar variabel bebas)
Uji multikolinearitas bertujuan untuk menguji apakah ditemukan adanya korelasi
antar variabel bebas (independen) pada model. Asumsi multikolinearitas
mengharuskan tidak adanya korelasi yang sempurna atau besar diantara variabel-
variabel independen. Analisis koefisien korelasi bertujuan untuk mempelajari apakah
ada hubungan antara dua variabel. Koefisien korelasi antar variabel independen
haruslah lemah (dibawah 0.5). Jika korelasi kuat, terjadilah problem multikolinearitas.
2. Variance Inflation Faktor (VIF) dan Tolerance
Metode untuk menguji adanya multikolinearitas dapat dilihat pada tolerance value
atau variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance
mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh
variabel independen lainnya. Nilai tolerance yang rendah sama dengan nilai VIF yang
tinggi. Nilai VIF dapat diperoleh dengan rumus berikut :
VIF =

Batas tolerance value adalah 0,10 atau nilai VIF adalah 10. Jika VIF > 10 dan nilai
tolerance < 0.10, maka tejadi multikolinearitas tinggi antar variabel bebas dengan
variable bebas lainnya. Jika VIF < 10 dan nilai tolerance > 0.10, maka dapat diartikan
tidak terdapat multikolinearitas pada penelitian tersebut. Regresi yang baik memiliki
VIF disekitar angka 1 (satu) dan mempunyai angka Tolerance mendekati 1.
Masalah multikolinearitas dapat dihilangkan dengan menempuh beberapa cara, diantara
sebagai berikut:
1. Menambahkan data yang baru
Penambahan sampel baru dapat digunakan untuk mengatasi multikolinearitas. Oleh
karena adanya kolinearitas merupakan gambaran sampel, ada kemungkinan bahwa
untuk sampel lainnya yang mencakup variabel-variabel yang sama, persoalan
multikolinearitas mungkin tidak seserius seperti sampel sebelumnya.

6
 2. Menghilangkan satu atau beberapa variable bebas
Pada permasalahan multikolinearitas yang serius, salah satu hal yang mudah untuk
dilakukan ialah mengeluarkan salah satu variabel yang berkorelasi tinggi dengan
variable lainnya.
3. Estimasi Regresi Ridge
Estimasi Ridge untuk koefisien regresi dapat diperoleh dengan menyelesaikan suatu
bentuk dari persamaan normal regresi. Asumsikan bahwa bentuk standar dari model
regresi linear ganda adalah sebagai berikut:

Parameter penting yang membedakan regresi ridge dari metode kuadrat terkecil
adalah c. Tetapan bias c yang relatif kecil ditambahkan pada diagonal utama matriks
X′X, sehingga koefisien estimator regresi ridge dipenuhi dengan besarnya tetapan bias
c.
C. Pengaplikasian Asumsi Multikolinearitas dengan menggunakan SPSS
1. Tujuan uji Multikolinearitas :
Menguji apakah ditemukannya korelasi antara variabel-variabel independent pada
model regresi.
2. Penyebab multikolinearitas :
Disebabkan oleh adanya efek kombinasi dua atu lebih variabel independent.
3. Syarat model regresi yang baik :
Yang tidak mengandung multikolinearitas.
4. Dasar pengambilan keputusan ada tidaknya multikolinearitas :

7
 5. Data yang diperoleh dari skripsi :
Judul skripsi
PERBEDAAN PENGARUH MODEL PEMBELAJARAN AUDITORY
INTELLECTUALLY REPETITION (AIR) DAN PEMBELAJARAN LANGSUNG
TERHADAP KEMAMPUAN REPRESENTASI MATEMATIS SISWA SMP
NEGERI 9 PURWOKERTO
Nilai dari eksperimen 1 Nilai dari eksperimen 2
No Nilai sebelum uji
uji AIR uji langsung
1 72 72 60
2 61 75 54
3 63 63 54
4 75 66 63
5 75 75 40
6 80 77 61
7 41 69 30
8 75 66 40
9 75 44 35
10 83 63 50
11 75 69 36
12 50 55 36
13 86 63 48
14 75 50 28
15 55 55 34
16 63 86 31
17 94 58 43
18 75 63 20
19 66 97 30
20 80 69 33
21 50 63 22
22 47 47 21
23 66 63 35
24 77 55 43
25 100 80 67
26 94 58 44
27 75 44 30
28 72 86 52
29 75 66 44
30 77 55 33
31 100 33 21
32 72 66 55
33 75 75 45
34 72 72 30

8
6. Langkah menganalisis :
a. Buka aplikasi SPSS, klik variabel view. Kemudian memberikan judul pada nama
setiap variabel data, pada label beri keterangannya, dan pada measure ubah ke
scale.
X1 = Nilai uji AIR
X2 = Nilai uji dari pembelajaran langsung
Y = Nilai sebelum uji dilakukan

9
b. Copy data yang ada pada skripsi dan paste di bagian data view

10
c. Untuk menganalisis asumsi multikolinearitasnya, klik analyze, lalu regression,
kemudian pilih linear.

d. Setelah bagian linear regression terbuka =

 nilai X1 X2 panahkan ke independet dan nilai Y panahkan ke dependet
 klik pilihan statistik, lalu centang collinearity diagnostics, continue, dan ok

11
 e. hasil data uji multikolinearitas pada SPSS
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -11,453 14,806 -,774 ,445
NILAI UJI AIR ,340 ,141 ,367 2,413 ,022 ,990 1,010
NILAI UJI LANGSUNG ,418 ,148 ,430 2,823 ,008 ,990 1,010
a. Dependent Variable: NILAI SEBELUM UJI

7. Analisis dari hasil data uji multikoleniaritas SPSS

Setelah menganalisis menggunakan SPSS, di dapatkan data nilai,
a. Tolerance = 0, 990
b. VIF = 1, 010
Dari data tersebut, dapat disimpulkan bahwa data pada skripsi tidak mengalami
multikoleniaritas.

Pada data, nilai tolerance 0, 990 > 0, 10 yang artinya tidak terjadi multikolinearitas.
Lalu untuk nilai VIF 1, 010 < 10, 00 yang artinya juga tidak terjadi multikolinearitas.
Jadi dapat disimpulkan, bahwa data pada skripsi baik karena tidak terjadi
multikoleniaritas.

12
 BAB III
PENUTUP
A. Kesimpulan
Multikolinearitas adalah adanya hubungan linear yang sempurna di antara beberapa atau
semua variabel bebas dalam model regresi. Ada beberapa cara untuk mengetahui ada tidaknya
multikolinearitas, yaitu : Nilai korelasi (korelasi antar variabel bebas) dan Variance Inflation
Faktor (VIF) dan Tolerance. Masalah multikolinearitas dapat dihilangkan dengan menempuh
beberapa cara yaitu menambahkan data yang baru, menghilangkan satu atau beberapa variable
bebas dan estimasi Regresi Ridge. Pada data, nilai tolerance 0, 990 > 0, 10 yang artinya
tidak terjadi multikolinearitas. Lalu untuk nilai VIF 1, 010 < 10, 00 yang artinya juga
tidak terjadi multikolinearitas. Jadi dapat disimpulkan, bahwa data pada skripsi baik
karena tidak terjadi multikoleniaritas.

13
DAFTAR PUSTAKA
Achi, Novalis, dkk. 2020. Statistika Inferesial untuk Ilmu Sosial dan Pendidikan. Bogor. IPB
Press
NUGRAHA, jaka. 2013. Pengantar Analisis Data Kategorik. Sleman. DEEPUBLISH
Sudjana. 2005. Metode Statistika. Bandung. Penerbit Tarsito
Sugiyono. 2007. Statistika untuk Penelitian. Bandung. Alfabeta
Nurlaela Fitri. 2017. PERBEDAAN PENGARUH MODEL PEMBELAJARAN AUDITORY
INTELLECTUALLY REPETITION (AIR) DAN PEMBELAJARAN LANGSUNG TERHADAP
KEMAMPUAN REPRESENTASI MATEMATIS SISWA, SMP NEGERI 9 PURWOKERTO.
Skripsi Program Studi Pendidikan Matematika. Fakultas Keguruan Dan Ilmu Pendidikan.
Universitas Muhammadiyah Purwokerto. Purwokerto.

14