MAKALAH EKONOMETRIKA

MULTIKOLINEARITAS, HETEROSKEDASTISITAS, DAN

AUTOKORELASI

Program Studi Agribisnis

Oleh :
Naini Prestiana 2004020007
Tajuddin Noor 2004020126
Yesika Amanda Putri 2004020050
Lucky Fitriana Syah Putra 2004020102
Jeremia Handriawan Ammianu Leden 2004020026

FAKULTAS PERTANIAN
UNIVERSITAS ISLAM KALIMANTAN (UNISKA)
MUHAMMAD ARSYAD AL-BANJARI
BANJARMASIN
2021
 KATA PENGANTAR
Segala puji bagi Allah SWT. Yang telah memberikan penulis kesehatan, rahmat dan hidayah
sehingga penulis dapat menyelesaikan makalah ini dengan judul “MULTIKOLINEARITAS,
HETEROSKEDASTISITAS, DAN AUTOKORELASi ”.
Semoga makalah ini dapat memberikan manfaat dan membantu pembaca dalam memahami
multikolenearitas, heteroskedastisitas, dan autokorelasi. Meskipun makalah ini banyak terdapat
kekurangan dan kesalahan, penulis mengucapkan terimakasih.

Rantau, 18 Desember 2021

(penulis)
 DAFTAR ISI
Contents
DAFTAR ISI..............................................................................................................................................3
BAB I..........................................................................................................................................................4
PENDAHULUAN......................................................................................................................................4
1.1 LATAR BELAKANG......................................................................................................................4
2.1 RUMUSAN MASALAH..................................................................................................................5
3.1 TUJUAN...........................................................................................................................................5
BAB II........................................................................................................................................................6
PEMBAHASAN.........................................................................................................................................6
2.1 Pengertian multikolinearitas, heteroskedastisitas, dan autokolerasi...........................................6
2.2 Ciri-ciri terjadinya multikolinearitas, heteroskedastisitas, dan autokolerasi.............................7
2.3 Penyebab dan solusi multikolinearitas, heteroskedastisitas, dan autokolerasi...........................8
2.4 Contoh multikolinearitas, heteroskedastisitas, dan autokolerasi.................................................9
2.5 Ilusrtasi gambar multikolinearitas, heteroskedastisitas, dan autokolerasi...............................13
BAB III.....................................................................................................................................................15
PENUTUP................................................................................................................................................15
3.1 KESIMPULAN........................................................................................................................15
3.2 SARAN.....................................................................................................................................15
DAFTAR PUSTAKA..............................................................................................................................16
 BAB I

PENDAHULUAN
1.1 LATAR BELAKANG
Analisis regresi merupakan suatu alat statistika yang digunakan sebagai peramalan suatu
data untuk masa depan yang akan datang. Banyak analisis statistika yang bertujuan untuk
mengetahui hubungan antara dua atau lebih dari dua pengubah. Salah satu metode untuk
menentukan hubungan sebab-akibat antara peubah-peubah itu adalah analisis regresi. Hampir
semua bidang ilmu yang memerlukan analisis sebab-akibat mengenal analisis regresi ini.

Terdapat dua jenis regresi yaitu linear dan regresi non-linear. Regresi linear menyatakan
bentuk hubungan dimana variable dependen dan independennya berpangkat satu. Regresi
linear dibedakan menjadi dua yaitu Model regresi yang paling sederhana adalah regresi linear
sederhana dimana dalam model regresi tersebut hanya terdapat satu variable bebas saja,
apabila terdapat hubungan linear variable dependen dengan satu variable independent disebut
regresi sederhana. sedangkan jika variable bebas yang digunakan dalam model regresi lebih
dari satu maka disebut regresi linear berganda. Hubungan linear anatara variable dependen
dengan dua atau lebih variable independent disebut sebagai regresi linear ganda.

Analisis regresi ganda lebih sering digunakan karena suatu peristiwa dapat disebabkan
oleh berbagai faktor yang mempengaruhi, seperti harga suatu barang dipengaruhi oleh bahan
baku, bahan tambahan, biaya tambahan, biaya pengolahan, biaya transportasi, dan lain
sebagainya. Namun analisis regresi linear berganda ini lebih kompleks dari pada analisis
regresi linear sederhana karna lebih banyak melibatkan variable yang dapat menimbulkan
permasalahan statistic yang berbeda. Salah satu permasalahan yang sering muncul dalam
analisis regresi linear berganda adalah terjadinya multikolinearitas.

Dalam analisis regresi, variable (penyebab) disebut dengan bermacam-macam istilah,

seperti variable penjelas, variable eksplanatorik, variable independent, atau secara bebas,
variable X (sumbu X), variable terkena akibat dikenal sebagai variable yang dipengaruhi,
variable dependen, variable terikat, atau variable Y. kedua variable ini dapat merupakan
variable acak (random), namun variable yang dipengaruhi harus selalu acak. Salah satu
asumsi penting dalam Analisa regresi adalah variasi gangguan acak (μ) pada setiap variable
 bebas adalah homoskedastisitas, yaitu kondisi dimana varian dari data adalah sama pada
seluruh pengamatan. Ketidaksamaan inilah yang disebut heteroskedastisitas.

Salah satu asumsi analisis regresi linear ganda yaitu tidak terdapat autokorelasi. Apabila
terjadi autokorelasi, estimasi metode kuadrat terkecil memiliki varians yang tidak minimum,
sehingga uji statistika tidak dapat digunakan untuk menarik kesimpulan. Berdasarkan
penjelasan diatas, inilah yang melatar belakangi pembuatan makalah mengenai
multikolinearitas, heteroskedastisitas, dan autokorelasi.

2.1 RUMUSAN MASALAH

Dari latar belakang diatas dapat ditarik rumudan masalah sebagai berikut :

1. Jelaskan pengertian multikolinearitas, heteroskedastisitas, dan autokolerasi ?

2. Sebutkan ciri-ciri terjadinya multikolinearitas, heteroskedastisitas, dan autokolerasi ?
3. Apa penyebab dan bagaimana cara mengatasi multikolinearitas, heteroskedastisitas, dan
autokolerasi ?
4. Berikan contoh multikolinearitas, heteroskedastisitas, dan autokolerasi ?

3.1 TUJUAN
Tujuan dari pembuatan makalah ini adalah sebagai berikut :

1. Memahami pengertian multikolinearitas, heteroskedastisitas, dan autokolerasi

2. Mengetahui ciri-ciri terjadinya multikolinearitas, heteroskedastisitas, dan autokolerasi
3. Mengetahui penyebab dan memahami cara mengatasi multikolinearitas,
heteroskedastisitas, dan autokolerasi
4. Mengetahui contoh multikolinearitas, heteroskedastisitas, dan autokolerasi
 BAB II

PEMBAHASAN
2.1 Pengertian multikolinearitas, heteroskedastisitas, dan autokolerasi
a. Multikolinearitas

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 multikolinearitas memiliki
hubungan atau kolerasi yang cukup kuat antara sesame variable bebas yang disertakan
dalam model. Korelasi linear yang sempurna atau eksak diantara variable penjelas yang
dimasukkan ke damlam model.

Multikolinearitas dianggap penting karena

Jika X1 meningkat sebanyak satu unit, maka akan naik sebesar dengan X2 kostanta.
Tetapi jika X1 dan X2 collinear, maka hal di atas tidak akan terjadi, karena segera setelah
X1 berubah, maka X2 juga akan berubah, maka selanjutnya akan sulit untuk melihat
pengaruh masing-masing X1 dan X2 terhadap Y.

b. Heteroskedastisitas

Heteroskedastisitas adalah keadaan dimana terjadinya ketidaksamaan varian dari

error untuk semua pengamatan setiap variabel bebas pada model regresi. Variable
komponen error eₜ bersifat tidak homogen atau nilainya absolut penyimpangan model
yang relatif tidak sama untuk setiap nilai variable bebas atau sepanjang periode observasi.

c. Autokorelasi

Autokorelasi  adalah salah satu pelanggaran asumsi regresi lenier berganda Agar

pendugaan parameter dapat bersifat BLUE atau best liniear unbiased estimator), maka
 dalam regresi linear berganda seharusnya tidak ada autokorelasi, yaitu nilai covarian
antara pengamatan ke Ui dam Uj memiliki nilai korelasi sama dengan 0 untuk i ǂ j.
residual regresi yang tidak bebas dari satu observasi ke observasi lainnya, autokorelasi
juga didefinisikan sebagai korelasi antara error eᵢ dengan eⱼ untuk i ǂ j.

2.2 Ciri-ciri terjadinya multikolinearitas, heteroskedastisitas, dan autokolerasi

a. Tanda Terjadinya Multikolinearitas

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.

b. Tanda Terjadinya Heteroskedetositas

Dalam situasi terjadi heteroskedetositas dalam sebuah model regresi berganda,

jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
homokedastisitas dan jika berbeda disebut heteroskedetositas. Model regresi yang baik
ialah yang homokedastisitas atau tidak terjadi masalah heteroskedetositas.

c. Tanda Terjadinya Autokorelasi

Dalam situasi terjadi autokorelasi dalam sebuah model regresi berganda,

autokorelasi tidak memiliki tanda, melainkan untuk mendeteksi terdapat atau tidaknya
autokorelasi adalah dengan melakukan uji. Berbagai jenis uji antara lain: uji metode
grafik dan uji durbin watson.
2.3 Penyebab dan solusi multikolinearitas, heteroskedastisitas, dan autokolerasi
a. Penyebab Multikolinearitas

Penggunaan variabel dummy yang tidak akurat di dalam model regresi. Akan
lebih beresiko terjadi multikolinearitas jika ada lebih dari 1 variabel dummy di dalam
model. Adanya perhitungan sebuah variabel bebas yang didasarkan pada variabel bebas
lainnya di dalam model.

- Cara mengatasi multikolinearitas adalah dengan cara:

Jika jumlah variabel banyak, maka kita dapat melakukan Analisis Faktor sebelum regresi.
Setelah analisis faktor, variabel baru yang terbentuk kita gunakan sebagai variabel di
dalam model regresi. Dengan cara memilih salah satu diantara variabel bebas yang
berkorelasi kuat. Oleh karena itu, sebelumnya anda harus mencari variabel yang nilai
VIFnya tinggi dan nilai korelasinya dengan variabel bebas lainnya kuat.

b. Penyebab Heteroskedastisitas

1. Sejalan proses belajar (the error-learning models) manusia, kesalahan (error) perilaku
makin mengecilseiring berjalannya waktu. Dalam kasus ini, varians akan mengecil.
2. Dengan income meningkat, orang lebih mempunyai kebebasan dan lebih banyak
pilihan utk penggunakan income-nya.Sehingga varians akan meningkat sejalan dengan
peningkatan income.
3. Perbaikan teknik pengumpulan data akan menurunkan varians.
4. -Kesalahan spesifikasi model:
- Kesalahan spesifikasi model yg dikarenakan menghilangkan variable penting dlm
model.
- Dlm fungsi demand bila tidak dimasukan harga komoditi complementary sehingga
varians tidak konstan.
- Kesalahan tranformasi data (mis. Rasio / first diff)
- Kesalahan bentuk fungsi (mis. Linier vs log-linier model).
 - Cara mengatasi heteroskedastisitas adalah dengan cara:

1. Dengan cara transformasi data.

2. Dengan cara weighted least square (WLS) atau regresi linear dengan menggunakan
pembobot.
3. Dengan cara membiarkannya namun menggunakan koefisien estimasi yang robust atau
kebal terhadap pelanggaran heteroskedastisitas, yaitu koefisien estimasi Huber White.

c. Penyebab Autokorelasi

Penyebab utama autokorelasi adalah kesalahan spesifikasi, misalnya

terabaikannya suatu variabel penting atau bentuk fungsi yang tidak tepat. ... Hal ini
disebabkan oleh tidak dimasukkannya variabel yang menurut teori sangat penting
peranannya dalam menjelaskan variabel terikat (tak bebas)

- Cara mengatasi autokorelasi adalah dengan cara:

1. Evaluasi model

Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu dengan
mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena mis-
spesification model. Mis-spesifikasi disini adalah kemungkinan adanya kuadratik model
atau modelnya mengandung kuadratik. Sehingga apabila hasil tersebut masih mengandung
autokorelasi maka autokorelasi tersebut merupakan pure autocorrelation.

2. Generalized Least Squared(GLS)

Setelah kita mengetahui ternyata pure autocorrelation . maka langkah selajutnya yaitu
salah satunya dengan melakukan transformasi. Transformasi ini dilakukan dengan
mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t, dengan waktu ke-(t-1).

2.4 Contoh multikolinearitas, heteroskedastisitas, dan autokolerasi

a. contoh model regresi dengan masalah multikolinearitas

masalah multikolinearitas, yaitu dengan persamaan Y = Alpha + Beta1 X1 + Beta2 X2 +

Beta3 X1*X2 + e. (Dimana X1*X2 adalah hasil perkalian antara X1 dengan X2).
Apabila kita punya data sebagai gambar berikut: ada X1, X2 dan Perkalian antara X1
dengan X2 yaitu X1X2.

Dataset Multikolinearitas

Dataset Multikolinearitas

Pertama kali kita lakukan regresi tanpa melibatkan variabel X1X2, yaitu: persamaan Y =
Alpha + Beta1 X1 + Beta2 X2 + Beta3 X1*X2 + e. Berikut Hasilnya:
b. contoh masalah heteroskedastisitas

hubungan nilai absolut error dengan variabel independen X dalam uji glejser. Tampak jelas
sekali bahwa error memiliki pola linear yang kuat. Terlihat pada gambar ini :

Dari hasil test glejser di eviews pun terlihat gejala heteroskedastisitas dengan prob (F-
statistik) dibawah 0.05 yang artinya terima h1 (terjadi heteroskedastisitas).
c. contoh masalah autokorelasi

Autokorelasi atau tidak dalam model regresi dalam penelitian ini menggunakan uji
Durbin-Watson (DW Test). Ketentuannya adalah terjadi autokorelasi jika nilai Durbin-Watson
= 1 < DW > 3. Contoh hasil pengujian autokorelasi dengan perhitungan Durbin-Watson
statistik menggunakan SPSS dapat diketahui pada tabel berikut ini:

Berdasarkan hasil penghitungan seperti tampak pada tabel di atas diketahui nilai Durbin-
Watson (DW) sebesar 1,643. Oleh karena nilai DW berada di atas 1 dan lebih kecil dari 3 atau
1 < 1,643 < 3, maka tidak ada autokorelasi. Dengan demikian, dapat disimpulkan bahwa
dalam model regresi ganda pengaruh disiplin dan motivasi intrinsik pegawai secara bersama-
sama terhadap kualitas pelayanan di XXX tidak terjadi autokorelasi.

2.5 Ilusrtasi gambar multikolinearitas, heteroskedastisitas, dan autokolerasi

a. ilustrasi gambar multikolinearitas
b. ilustrasi gambar heterokedastisitas

Heterokedastis Homokedastisitas
itas

Plot residual kondisi ada heterokedastisitas atau tidak

c. ilustrasi gambar autokorelasi

ilustrasi autokorelasi

Ilustrasi nonautokorelasi
 BAB III

PENUTUP
3.1 KESIMPULAN

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruhantara satu at
au beberapa variabel terhadap satu buah variabel. Analisis regresimembentuk persamaan garis l
urus (linear) dan menggunakan persamaan tersebut untukmembuat perkiraan (prediction). Tuju
an dari analisis regresi yaitu untuk membuatperkiraan nilai suatu variabel terikat jika nilai variab
el bebas yang berhubungandengannya sudah ditentukan dan untuk menguji hipotesis signifikans
i pengaruh darivariabel bebas (X) terhadap variabel terikat (Y).

3.2 SARAN

Beberapa saran dari para penulis :
1.
Bagi seorang peneliti dalam memberikan hasil data perhitungan harus disertaidengan interpreta
si atau kesimpulan yang jelas.
2.
Dalam pemberian contoh kasus kami hanya memberikan kasus dengan dua variabelbebas namu
n belum yang lebih dari dua. Untuk itu, diharapkan ada pemberiancontoh dengan variabel lebih 
dari dua.
 DAFTAR PUSTAKA

Ghozali, Imam (2016). Aplikasi Analisis Multivariete Dengan Program Ibm Spss 23. Edisi 8.
Semarang: Badan Penerbit Universitas Diponegoro.

Ghozali, Imam (2013). Aplikasi Analisis Multivariate Dengan Program Ibm Spss 21 Update Pls
Regresi. Semarang: Badan Penerbit Universitas Diponegoro.

Gurjjati, Damodar. 2007. Dasar-Dasar Ekonometrika. Jakarta : Erlangga.

Nachrowi Djalal Nachrowi Dan Hardius Usman. 2006. Ekonometrika Untuk Analisis Ekonomi
Dan Keuangan. Bogor.

Uthami, P. 2013. Regresi Kuantil Median Untuk Mengatasi Heteroskedastisitas Pada Analisis
Regresi. Skripsi. Universitas Udayana: Bali.