BAB V

MULTIKOLINIERITAS

A. Landasan Teori
Multikolinearitas adalah suatu kondisi dimana terjadi korelasi antara
variabel bebas atau antar variabel bebas tidak bersifat saling bebas. Besaran
(quality) yang dapat digunakan untuk mendeteksi adanya multikolinearitas
adalah faktor inflasi ragam (Variance Inflation Factor / VIF). VIF digunakan
sebagai kriteria untuk mendeteksi multikolinearitas pada regresi linier yang
melibatkan lebih dari dua variabel bebas. Nilai VIF lebih besar dari 10
mengidentifikasi adanya masalah multikolinearitas yang serius (Ryan, 1997).
Multikolinearitas adalah terjadinya hubungan linier antara variabel
bebas dalam satu model regresi linier berganda (Gujarati,2003). Adapun
dampak terjadninya multikolinieritas dalam model regresi linier berganda
adalah (Gujarati,2003) :
1. Penaksiran OLS klasik bersifat BLUE, tetapi mempunyai variasns dan
kovariansi yang besar sehingga sulit mendapatkan taksiran(estimasi) yang
tepat.
2. Akibat penaksiran OLS mempunyai variansi dan kovariansi yang besar
membuat interval estinmasi akan cenderung kebih besar dan nilai hitung
satistik uji t akan kecil,sehingga membuat variabel bebas secara statistik
tidak signifikan mempengaruhi variabel tidak bebas.
Ada beberapa cara untuk mengetahui terjadinya Multikolinieritas sebagai
berikut :
1. Faktor variansi inflasi yang kecil maka multikolinieritas lebih sederhana.
Faktor inflasi melebihi nilai 10 maka akan dikatakan terjadi
multikolineritas.
2. Kolinearitas diduga jika R2 cukup tinggi (antara 0,7-1) dan jika koefisien
korelasi sederhana (korelasi derajat nol) juga tinggi (Gujarati, D. 2003).
Multikolinearitas adalah suatu keadaan dimana terdapat korelasi antar
variabel prediktor ketika dalam model regresi menggunakan lebih dari satu
variabel prediktor. Apabila terjadi multikolinearitas pada data akan
menyebabkan matrik memiliki determinan sama dengan nol. Solusi untuk
mengatasi adanya Multikolinearitas adalah dengan mengeluarkan variabel
prediktor yang tidak signifikan (dropping variable) dan meregresikan kembali
variabel-variabel prediktor yang signifikan.
Hocking (1996) mengemukakan bahwa ada tiga kriteria yang dapat
digunakan untuk mendeteksi multikolinearitas. Ketiga kriteria tersebut adalah:
1. VIF (Variance Inflation Factors), yaitu jika nilai VIF lebih besar dari 10
menunjukkan adanya multikolinieritas antara variabel-variabel prediktor.
VIF dirumuskan :
VIF = I / (1-R j 2 ),
dengan Rj adalah koefisien determinasi.
2. Koefisien korelasi pearson ( ij r ) yaitu multikolinearitas terjadi apabila antar
variabel prediktor nilai korelasinya >0,95.
3. Nilai eigen ( ) λi, yaitu msultikolinearitas terjadi apabila nilai eigen pada
matriks korelasi antar semua variabel prediktor <0,05.
Multikolinearitas bertujuan untuk mengetahui apakah dalam model regresi
ditemukan adanya korelasi antar variabel bebas (independen). Model regresi
yang baik seharusnya tidak terjadi korelasi di antara variabel independen.
Untuk menentukan ada tidaknya multikolinearitas dalam suatu model regresi
adalah dapat dilihat dari nilai tolerance dan Variance Inflation Factor (VIF).
Tolerance adalah besarnya tingkat kesalahan yang dibenarkan secara statistik.
Nilai VIF adalah fator inflasi penyimpangan baku kuadrat. Jika tolerance 10%
atau 0,1 maka VIF adalah 10. Jika VIF < 10 maka tidak terdapat
multikolinearitas (Sembiring, 1995).
Apabila dalam deteksi multikolinearitas menunjukkan terjadinya
pelanggaran asumsi multikolinearitas, maka masalah tersebut harus diatasi.
Berikut adalah beberapa cara untuk mengatasi multikolinearitas:
a. Memanfaatkan informasi sebelumnya (prior information)
Menurut Berger (1980), informasi prior untuk parameter adalah
suatu informasi non sampel yang muncul dari pengalaman masa lalu
dengan situasi yang hampir sama dan memuat parameter yang sama.
b. Memperbesar ukuran sampel
Multikolinearitas diharapkan bisa hilang atau berkurang jika ukuran
sampel diperbesar (atau jumlah sampel ditambah). Dengan memperbesar
ukuran sampel, maka kovarian diantara parameterparameter dapat
dikurangi (Hoerl dan Kennard, 1970).
c. Menghilangkan salah satu atau lebih variabel bebas
Untuk menghilangkan beberapa variabel bebas dari model,
dilakukan satu persatu. Pilih variabel bebas yang memiliki korelasi paling
tinggi dengan variabel lainnya. Menghilangkan satu variabel dari model
harus dilakukan dengan hati-hati. Tindakan ini tidak bisa dilakukan jika
hilangnya sebuah variabel akan mengakibatkan terjadinya kesalahan
spesifikasi dalam model. Hal ini biasanya dikarenakan secara teoritis
variabel tersebut tidak dapat dihilangkan dari model (Hoerl dan Kennard,
1970).
d. Estimasi Regresi Ridge
Menurut Montgomery (2006), salah satu cara untuk mengatasi
masalah multikolinearitas adalah menggunakan estimasi regresi Ridge.
Estimasi Ridge untuk koefisien regresi dapat diperoleh dengan
menyelesaikan suatu bentuk persamaan normal regresi
Parameter penting yang membedakan regresi ridge dari metode
kuadrat terkecil adalah konstanta . Konstanta bias yang relatif kecil,
bernilai antara 0 dan 1 ditambahkan pada diagonal utama matriks , sehingga
koefisien estimator regresi Ridge dipenuhi dengan besarnya konstanta bias
(Hoerl dan Kennard, 1970).
B. Soal Latihan
Tabel 5.1 Pengaruh Pendapatan, Pertumbuhan Penduduk, Jumlah Outlet,
Pesaing dan Biaya Promosi Terhadap Jumlah Penjualan.
NO PJL PDT PTB OUT PSG PRO
1 208 1.81 1.53 144 15 28
2 203 2.01 2 139 16 22
3 215 4.46 1.5 165 19 29
4 244 1.3 1.75 182 17 30
5 285 1.6 1.64 191 15 45
6 311 2.55 2.65 238 24 52
7 264 3.35 1.45 156 16 38
8 339 2.65 1.67 280 10 40
9 204 2.44 2.74 149 16 24
10 205 1.55 1.35 154 14 26
11 253 3.79 2.13 188 11 33
12 245 1.53 2.64 174 19 29
13 204 1.75 1.63 140 21 19
14 290 1.53 2.53 198 18 47
15 233 2.51 2.54 174 18 28
Keterangan:
PJL : Penjualan (Juta Rupiah)
PDT : Pendapatan Masyarakat (Juta Rupiah)
PTB : Pertumbuhan Penduduk (%tahun)
OUT : Outlet (m2)
PSG : Pesaing (Kompetitor)
PRO : Promosi (Juta Rupiah)
C. Langkah Kerja
1. Uji Variance Inflation Factor (VIF)
a. Membuka aplikasi E-Views kemudian memilih Create A New E-Views
workfile untuk membuka lembar kerja.
b. Mengklik Workfile Create, memilih Unstructured/Undated, pada kolom
Data Range memasukkan angka 15 yang berarti data yang di analisis
berjumlah 15. Kemudian, mengklik Ok.

c. Memilih menu File pada menubar, memilih Import, kemudian memilih

Import From File.

d. Memasukkan berkas yang berisikan data yang telah disimpan

sebelumnya. Lalu mengklik Open.
e. Mengklik Custom Range,lalu pada menu Start Cell memilih Next.

f. Setelah itu, memilih kolom variabel PJL, PDT, PTB, OUT, PSG dan PRO
dan mengubah Character menjadi Number pada Data Type. Setelah itu,
mengklik Next.

g. Selanjutnya mengklik Finish.

h. Mengklik menu Quick pada kotak dialog, lalu mengklik Estimate
Equation.

i. Setelah itu, memasukkan rumus pjl c pdt ptb out psg pro pada kolom
Equation Estimation, kemudian mengklik Ok.

j. Lalu akan muncul hasil data.

 k. Setelah hasil ditampilkan, memilih menu View, lalu mengklik Coefficient
Diagnostics dan memilih Variance Inflation Factors.

l. Maka akan muncul hasil data dari Variance Inflation Factors (VIF).

2. Uji Pair Wise Correlation (Korelasi Berpasangan)

a. Setelah hasil ditampilkan pada lembar kerja, lalu mengklik menu Quick
pada menu bar dan memilih Group Statistics dan memilih Correlation.
 b. Memasukkan variabel bebas pdt ptb out psg pro ke dalam kolom lalu
mengklik Ok.

c. Maka akan muncul hasil dari data.

3. Uji Auxiliary Regression

a. Hasil atau output model regresi keseluruhan.
b. Mengklik menu Quick pada menubar dan memilih Estimation Equation
dan memasukkan rumus pjl c pdt.

c. Mengklik menu Quick pada menubar dan memilih Estimate Equation

dan memasukkan rumus pjl c ptb.

d. Maka akan muncul hasil dari data yang telah dianalisis.

e. Mengklik menu Quick pada menubar dan memilih Estimation Equation
dan memasukkan rumus pjl c out.

f. Maka akan muncul hasil data yang telah dianalisis.

g. Mengklik menu Quick pada menubar dan memilih Estimation Equation

dan memasukkan rumus pjl c psg.
h. Maka akan muncul hasil data yang telah dianalisis.

i. Mengklik menu Quick pada menubar dan memilih Estimation Equation

dan memasukkan rumus pjl c pro.

j. Maka akan muncul hasil data yang telah dianalisis.

D. Hasil atau Output
1. Uji Variance Inflation Factor (VIF)
Variance Inflation Factors
Date: 10/10/21 Time: 21:30
Sample: 1 15
Included observations: 15

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 664.8658 68.42729 NA
PDT 12.41529 7.919600 1.030277
PTB 50.73427 21.79214 1.252723
OUT 0.017533 59.77550 2.515696
PSG 1.114222 32.95747 1.357747
PRO 0.261757 31.10288 2.355136

2. Uji Pair Wise Correlation (Korelasi Berpasangan)

PDT PTB OUT PSG PRO
PDT 1.000000 -0.101844 0.101262 -0.124238 0.056377
PTB -0.101844 1.000000 0.181000 0.366677 0.192394
OUT 0.101262 0.181000 1.000000 -0.165633 0.728841
PSG -0.124238 0.366677 -0.165633 1.000000 0.084958
PRO 0.056377 0.192394 0.728841 0.084958 1.000000

3. Uji Auxiliary Regression

a. Regresi Regresi Secara Keseluruhan
Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 22:07
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 81.51237 25.78499 3.161233 0.0115

PDT -2.004948 3.523533 -0.569016 0.5833
PTB -1.589834 7.122799 -0.223204 0.8284
OUT 0.649437 0.132413 4.904617 0.0008
PSG -0.685389 1.055567 -0.649309 0.5324
PRO 2.107775 0.511622 4.119789 0.0026

R-squared 0.950181 Mean dependent var 246.8667

Adjusted R-squared 0.922504 S.D. dependent var 43.36698
S.E. of regression 12.07252 Akaike info criterion 8.108915
Sum squared resid 1311.712 Schwarz criterion 8.392135
Log likelihood -54.81686 Hannan-Quinn criter. 8.105898
F-statistic 34.33105 Durbin-Watson stat 1.817804
Prob(F-statistic) 0.000013
b. Regresi Pendapatan Masyarakat (PDT) dengan Penjualan (PJL)
Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 22:01
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 241.3367 32.17467 7.500828 0.0000

PDT 2.381551 12.92375 0.184277 0.8566

R-squared 0.002605 Mean dependent var 246.8667

Adjusted R-squared -0.074117 S.D. dependent var 43.36698
S.E. of regression 44.94538 Akaike info criterion 10.57234
Sum squared resid 26261.14 Schwarz criterion 10.66675
Log likelihood -77.29254 Hannan-Quinn criter. 10.57133
F-statistic 0.033958 Durbin-Watson stat 1.695142
Prob(F-statistic) 0.856640

c. Regresi Pertumbuhan Penduduk (PTB) dengan Penjualan (PJL)

Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 21:43
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 219.6542 47.83743 4.591680 0.0005

PTB 13.72057 23.41619 0.585944 0.5679

R-squared 0.025730 Mean dependent var 246.8667

Adjusted R-squared -0.049213 S.D. dependent var 43.36698
S.E. of regression 44.42129 Akaike info criterion 10.54888
Sum squared resid 25652.26 Schwarz criterion 10.64329
Log likelihood -77.11660 Hannan-Quinn criter. 10.54787
F-statistic 0.343330 Durbin-Watson stat 1.678529
Prob(F-statistic) 0.567948
d. Regresi Outlet (OUT) dengan Pejualan (PJL)
Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 21:46
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 62.33151 21.76577 2.863740 0.0133

OUT 1.035938 0.119589 8.662469 0.0000

R-squared 0.852337 Mean dependent var 246.8667

Adjusted R-squared 0.840978 S.D. dependent var 43.36698
S.E. of regression 17.29367 Akaike info criterion 8.662124
Sum squared resid 3887.924 Schwarz criterion 8.756531
Log likelihood -62.96593 Hannan-Quinn criter. 8.661119
F-statistic 75.03837 Durbin-Watson stat 2.091063
Prob(F-statistic) 0.000001

e. Regresi Pesaing (PSG) dengan Penjualan (PJL)

Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 21:48
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 269.8412 56.87869 4.744153 0.0004

PSG -1.384009 3.355105 -0.412508 0.6867

R-squared 0.012920 Mean dependent var 246.8667

Adjusted R-squared -0.063009 S.D. dependent var 43.36698
S.E. of regression 44.71237 Akaike info criterion 10.56194
Sum squared resid 25989.54 Schwarz criterion 10.65635
Log likelihood -77.21457 Hannan-Quinn criter. 10.56094
F-statistic 0.170163 Durbin-Watson stat 1.582182
Prob(F-statistic) 0.686689
 f. Regresi Promosi (PRO) dengan Penjualan (PJL)
Dependent Variable: PJL
Method: Least Squares
Date: 10/10/21 Time: 21:50
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 117.8441 19.94380 5.908810 0.0001

PRO 3.949670 0.586955 6.729086 0.0000

R-squared 0.776941 Mean dependent var 246.8667

Adjusted R-squared 0.759783 S.D. dependent var 43.36698
S.E. of regression 21.25501 Akaike info criterion 9.074628
Sum squared resid 5873.078 Schwarz criterion 9.169034
Log likelihood -66.05971 Hannan-Quinn criter. 9.073622
F-statistic 45.28060 Durbin-Watson stat 2.169232
Prob(F-statistic) 0.000014

E. Interpretasi
1. Uji Variance Inflation Factor (VIF)
Uji Variance memiliki kriteria penilaian yaitu apabila nilai Variance
Inflation Factor (VIF) ˃ 10 maka terdapat persoalan multikolinieritas di
antara variabel bebas. Sedangkan apabila nilai Variance Inflation Factor
(VIF) < 10 maka tidak terdpaat persoalan multikolinieritas di antara variabel
bebas.
Berdasarkan hasil atau output diperoleh nilai centered Variance
Inflation Factor (VIF) dari variabel PDT sebesar 1.030277, variabel PTB
sebesar 1.252723, variabel OUT sebesar 2.515696, variabel PSG sebesar
1.357747, dan variabel PRO sebesar 2.355136. Dari data tersebut diketahui
bahwa kelima variabel mempunyai centered Variance Inflation Factor
(VIF) yang kurang dari 10 (< 10) yang artinya tidak terjadi
multikolinearitas..
2. Uji Pair Wise Correlation (Korelasi Berpasangan)
Uji Pair Wise Correlation terjadi apabila nilai matrik korelasi > 0,8,
maka terjadi multikolinieritas pada model. Jika nilai matrik korelasi < 0,8,
maka tidak terjadi multikolinieritas pada model.
 Berdasarkan hasil atau output diketahui bahwa setiap variabel
dengan pasangan variabel yang sama mempunyai nilai korelasi berpasangan
sebesar 1.000000. Dari hasil atau output diketahui besarnya nilai korelasi
berpasangan dari variabel PDT dan variabel PTB sebesar -10.1844, variabel
PDT dan Variebl OUT sebesar 0.101262, variabel PDT dan Variabel PSG
sebesar -0.124238, variabel PDT dan variabel PRO sebesar 0.056377,
variabel PTB dan variabel OUT sebesar 0.181000, variabel PTB dan
variabel PSG sebesar 0.366677, variabel PTB dan variabel PRO sebesar
0.192394, variabel OUT dan variabel PSG sebesar -0.165633, variabel OUT
dan variabel PRO sebesar 0.728841, dan variabel PSG dan variabel PRO
sebesar 0.084958. Berdasarkan hasol yang diperoleh dari data tersebut
diketahui bahwa masing-masing pasangan variabel yang berbeda
mempunyai nilai korelasi berpasangan lebih kecil dari 0.8 (<0.8) yang
artinya tidak terjadi multikolinearitas.
3. Uji Auxiliary Regression
Uji Auxiliary Regression memiliki syarat yaitu apabila nilai R2 1 > R2
2, R2 3, … R 2 n, maka tidak terjadi multikoliearitas pada model. Jika nilai R2
1 < R2 2, R2 3, … R 2 n, maka terjadi multikolinearitas pada model.
Berdasarkan hasil atau output regresi keseluruhan didapati nilai R
Square sebesar 0.95081. Dari hasil atau output regresi penjualan dengan
pendapatan didapati nilai R Square sebesar 0.002605, hasil atau output
regresi penjualan dengan pertumbuhan penduduk didapati nilai R Square
sebesar 0.025730, hasil atau output regresi penjualan dengan outlet didapati
nilai R Square sebesar 0.852337, hasil atau output regresi penjualan dengan
pesaing didapati nilai R Square sebesar 0.012920 dan hasil atau output
regresi penjualan dengan promosi didapati nilai R Square sebesar 0.776941.
Dari data yang didapat diketahui bahwa nilai Adjusted R Square
penjualan dengan masing-masing variabel independent lebih kecil daripada
nilai R Square regresi keseluruhan yang memiliki nilai sebesar 0.950181,
yang berarti tidak terjadi multikolinearitas.
 DAFTAR PUSTAKA

Berger, J. O. (1980). Statistical Decesion Theory. New York: Springer Verlag

Gujarati, Damodar. 2003. Ekonometrika Dasar. Terjemah Sumarno Zein. Jakarta:

Erlangga

Gujarati, D.N. (2003), Basic Econometrics. New York: Mc.Graw-Hill

Hocking, R. R. 2003. Methods and Aplications of Linear Model: Regression and.

The Analysis of Variance. 2th Ed. Canada:

Hoerl, A. E, Kennard, R. W., & Baldwin, K. F. (1975). Ridge regression: Some

simulations. Communications in Statistical Theory

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2006). Introduction to Linear

Regression Analysis. 4th Ed. Canada: John Wiley & Sons

Ryan, T. P. 1997. Modern Regression Methods. John Wiley & Sons. New York.
Sembiring, R. K. 1995. Analisis Regresi. ITB. Bandung