MAKALAH

Multikolinieritas

DOSEN PENGAMPU
Endah Dwi Jayanti, M.Si

DISUSUN OLEH
1.Arbaia
2.Ade Rosita
3.Siti Humaira
4.Esti Afrianti
5.Ripanfi
6.M.Fadil Iqbar
7.Dani Zulkarnain

JURUSAN SYARIAH DAN EKONOMI ISLAM

SEKOLAH TINGGI AGAMA ISLAM NEGERI (STAIN) BENGKALIS
TAHUN 2023
 KATA PENGANTAR

Assalamu’alaikum warahmatullahi wabarakatuh,

Segala puji bagi Allah SWT, Tuhan seluruh alam. Yang telah memberikan
kami kesempatan dan kesehatan sehingga kami dapat menyelesaikan makalah ini.
Salam dan salawat semoga selalu tercurah kepada Nabi Muhammad SAW yang
diutus sebagai rahmat bagi semesta alam, beserta keluarga dan para sahabatnya
serta para pengikutnya yang setia sampai hari kemudian.
Makalah ini kami buat dengan maksud untuk menunaikan tugas kuliah.
Kami berharap penyusunan dalam bentuk makalah ini akan memberi banyak
manfaat dan memperluas ilmu pengetahuan kita. Kami selaku penulis
mengucapkan terima kasih kepada pihak-pihak yang telah membantu kami dalam
penyusunan makalah ini.
Kami menyadari bahwa masih banyak kekurangan yang mendasar pada
makalah ini. Oleh karena itu, kami mengundang pembaca untuk memberikan
kritik dan saran yang bersifat membangun untuk kemajuan ilmu pengetahuan ini.
Terima kasih, dan semoga makalah ini bisa memberikan manfaat positif
bagi kita semua, khususnya kami selaku penulis.
Wassalamu’alaikum warahmatullahi wabarakatuh.

Bengkalis, 12 Maret 2023

Penulis

2
 DAFTAR ISI

KATA PENGANTAR ................................................................................... i

DAFTAR ISI .................................................................................................. ii
BAB I PENDAHULUAN
A. Latar Belakang ..................................................................................... 1
B. Rumusan Masalah ................................................................................ 1
C. Tujuan ................................................................................................... 2

BAB II PEMBAHASAN
A. Pengertian Multikolinieritas .................................................................. 6
B. Identifikasi Adanya Multikolinieritas ................................................... 9
C. Penyebab Multikolinearitas ................................................................... 10
D. Dampak Multikolinearitas ..................................................................... 10
E. Cara Mendeteksi Multikolinearitas ....................................................... 12
F. Cara Mengatasi Multikolinearitas ......................................................... 13
G. Cara Menguji Dan Mengatasi Multikolinieritas Dengan SPSS ............ 14
H. Tahapan Analisis Uji Multikolinieritas Menggunakan SPSS ............... 16

BAB III PENUTUP

A. Kesimpulan ........................................................................................... 19
B. Saran ..................................................................................................... 20

DAFTAR PUSTAKA .................................................................................... 21

3
 BAB I
PENDAHULUAN

A. Latar Belakang

Analisis regresi adalah teknik analisis statistik untuk mengetahui pola

hubungan antara variabel tak bebas dengan variabel bebas. Hubungan antara
variabel-variabel dalam regresi linier dinyatakan dalam model tersebut juga
disebut model regresi klasik. Analisis regresi linear berganda digunakan untuk
menganalisis hubungan linear antara dua atau lebih variabel bebas secara
bersama-sama dengan satu variabel terikat. Adanya korelasi antar variabel yang
cukup tinggi menimbulkan multikolinearitas yang menyebabkan model
persamaan regresi yang diperoleh kurang layak.

Multikolinieritas adalah kondisi terdapatnya hubungan linier atau korelasi

yang tinggi antara masing-masing variabel independent dalam model regresi.
Multikolinieritas biasanya terjadi ketika sebagian besar variabel yang digunakan
salang terkait dalam satu model regresi. Oleh karena itu, masalah multikolinieritas
tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel
independent. Salah satu ukuran untuk mendeteksi adanya multikolinearitas adalah
dengan menguji koefisien korelasi (r) antar variabel prediktor. Jika koefisien
korelasi diatas 0,85 maka diduga terdapat kasus multikolinearitas. Sebaliknya jika
koefisien korelasi relatif rendah maka diduga tidak mengandung multikolinearitas.
Deteksi ini diperlukan kehati-hatian.

Masalah ini timbul terutama pada data time series dimana korelasi antar
variabel prediktor tinggi. Untuk mengatasi masalah multikolinieritas tersebut, ada
beberapa solusi. Salah satunya adalah dengan menerapkan analisis regresi bertatar
(stepwise regression).

4
B. Rumusan Masalah
Rumusan masalah dalam penulisan makalah ini adalah sebagai berikut.
1. Apa Pengertian Multikolinieritas?
2. Jelaskan Identifikasi Adanya Multikolinieritas?
3. Apa Penyebab Multikolinearitas?
4. Apa Dampak multikolinearitas ?
5. Bagaimana Cara mendeteksi Multikolinearitas?
6. Bagaimana Cara mengatasi multikolinearitas ?
7. Bagaimana Cara Menguji dan Mengatasi Multikolinieritas dengan SPSS?
8. Bagaimana Tahapan analisis uji multikolinieritas menggunakan SPSS?

C. Tujuan Penulisan

Tujuan masalah dalam penulisan makalah ini adalah sebagai berikut.

1. Untuk mengetahui Pengertian Multikolinieritas

2. Untuk mengetahui Identifikasi Adanya Multikolinieritas
3. Untuk mengetahui Penyebab Multikolinearitas
4. Untuk mengetahui Dampak multikolinearitas (Montgomery, 2006)
5. Untuk mengetahui Cara mendeteksi Multikolinearitas
6. Untuk mengetahui Cara mengatasi multikolinearitas
7. Untuk mengetahui Cara Menguji dan Mengatasi Multikolinieritas dengan
SPSS
8. Untuk mengetahui Tahapan analisis uji multikolinieritas menggunakan SPSS

5
 BAB II
PEMBAHASAN

A. Pengertian Multikolinieritas
Multikolinearitas atau Kolinearitas Ganda (Bahasa Inggris:
Multicollinearity) adalah adanya hubungan linear antara peubah bebas X dalam
Model Regresi Ganda Jika hubungan linear antar peubah bebas X dalam Model
Regresi Ganda adalah korelasi sempurna maka peubah-peubah tersebut
berkolinearitas ganda sempurna (Bahasa Inggris : perfect multicollinearity).
Sebagai ilustrasi, misalnya dalam menduga faktor-faktor yang
memengaruhi konsumsi per tahun dari suatu rumah tangga, dengan model regresi
ganda sebagai berikut : Y=ß0+ß1X1+ß2X2+E dimana : X1 : pendapatan per
tahun dari rumah tangga X2 : pendapatan per bulan dari rumah tangga Peubah X1
dan X2 berkolinearitas sempurna karena X1 = 12X2. Jika kedua peubah ini
dimasukkan ke dalam model regresi, akan timbul masalah Kolinearitas Sempurna,
yang tidak mungkin diperoleh pendugaan koefisien parameter regresinya. Jika
tujuan pemodelan hanya untuk peramalan nilai Y (peubah respon) dan tidak
mengkaji hubungan atau pengaruh antara peubah bebas (X) dengan peubah respon
(Y) maka masalah multikolinearitas bukan masalah yang serius.Seperti jika
menggunakan Model ARIMA dalam peramalan, karena korelasi antara dua
parameter selalu tinggi, meskipun melibatkan data sampel dengan jumlah yang
besar.Masalah multikolinearitas menjadi serius apabila digunakan unruk mengkaji
hubungan antara peubah bebas (X) dengan peubah respon (Y) karena simpangan
baku koefisiennya regresinya tidak siginifikan sehingga sulit memisahkan
pengaruh dari masing-masing peubah bebas.1
Istilah ini multikoliniearitas itu sendiri pertama kali diperkenalkan oleh
Ragner Frisch tahun 1934. Menurut Frisch, suatu model regresi dikatakan terkena
multikoliniearitas bila terjadi hubungan linier yang sempurna (perfect) atau pasti
(exact) di antara beberapa atau semua variabel bebas dari suatu model regresi.

1
A. Rahman Saleh. 2006. Arti Multikolinieritas. Jakarta: Raja grafindo persada. h. 80

6
Akibatnya akan kesulitan untuk dapat melihat pengaruh variabel penjelas
terhadap variabel yang dijelaskan (Maddala,1992: 269-270). Artinya bahwa
masalah Multikoliniearitas tidak akan terjadi dalam model regresi yang bentuk
fungsinya berbentuk non-linier, tetapi masalah Multikoliniearitas akan muncul
dalam model regresi yang bentuk fungsinya berbentuk linier di antara variabel-
variabel bebas.
Multikolinearitas atau kolinearitas ganda pertama kali dikemukakan oleh
Ragnan Frisch dalam bukunya yang berjudul “Statistical Conflurnce Analysis by
Means Complete Regression Systems” pada tahun 1934. Variabel ekonomi
memiliki kecenderungan bergerak secara bersama-sama sepanjang waktu.
Kecenderungan faktor-faktor dalam deret waktu dapat menjadi penyebab
terjadinya multikolinearitas. Menurut Gujarati (2003), multikolinearitas adalah
adanya hubungan linear yang sempurna di antara beberapa atau semua variabel
bebas dalam model regresi.2
Uji Multikoliniearitas ini bertujuan menguji apakah pada model regresi
ditemukan adanya korelasi antar variabel independen. Menurut Ghozali
(2011:103), berpendapat bahwa “Uji multikolinearitas bertujuan untuk menguji
apakah pada model regresi ditemukan adanya korelasi antar variabel bebas
(independen)”. Model regresi yang baik seharusnya tidak terjadi korelasi diantara
variable independen. Menurut Singgih Santoso (2015:234) “Jika terbukti ada
multikolinieritas, sebaiknya salah satu dari variabel independen yang ada
dikeluarkan dari model, lalu pembuatan model regresi diulang kembali”.
Berkaitan dengan masalah multikoliniearitas, Sumodiningrat (1994:281-
182) mengemukakan bahwa ada 3 hal yang perlu dibahasterlebih dahulu:3
1. Multikoliniearitas pada hakekatnya adalah fenomena sampel. Dalam
model fungsi regresi populasi (Population Regression Function =
PRF) diasumsikan bahwa seluruh variabel bebas yang termasuk
dalam model mempunyai pengaruh secara individual terhadap

2
A. Rahman Saleh. 2006. Arti Multikolinieritas. Jakarta: Raja grafindo persada. h. 85
3
Ibid., h. 87

7
 variabel tak bebas Y, tetapi mungkin terjadi bahwa dalam sampel
tertentu.
2. Multikoliniearitas adalah persoalan derajat (degree) dan bukan
persoalan jenis (kind). Artinya bahwa masalah Multikoliniearitas
bukanlah masalah mengenai apakah korelasi di antara variabel-
variabel bebas negatif atau positif, tetapi merupakan persoalan
mengenai adanya korelasi di antara variabelvariabel bebas.
3. Masalah Multikoliniearitas hanya berkaitan dengan adanya hubungan
linier di antara variabel-variabel bebas Artinya bahwa masalah
Multikoliniearitas tidak akan terjadi dalam model regresi yang bentuk
fungsinya berbentuk non-linier, tetapi masalah Multikoliniearitas akan
muncul dalam model regresi yang bentuk fungsinya berbentuk linier
di antara variabel-variabelbebas.

Uji multikolinearitas dapat dilakukan dengan uji regresi, dengan nilai

patokan VIF (Variance Inflation Factor) dan nilai Tolerance. Rumus VIF
(Singgih Santoso, 2015:234) sebagai berikut:

Untuk mendeteksi hal tersebut pedomannya adalah sebagai berikut:

1. Jika nilai Tolerance > 0,10 dan nilai VIF < 10, maka dapat disimpulkan
bahwa tidak ada multikolinieritas antar variabel independen dalam model
regresi.
2. Jika nilai Tolerance < 0,10 dan nilai VIF > 10, maka dapat disimpulkan
bahwa ada multikolinieritas antar variabel independen dalam model regresi.

8
B. Identifikasi Adanya Multikolinieritas4
a. Terdapat korelasi yang tinggi (R > 0.8) antara satu pasang atau lebih variabel
bebas dalam model.
b. Mencari nilai Condition Index (CI). Condition indek yang bernilai lebih dari
30 mengindentifikasikan adanya multikolineritas.
c. Dapat pula melihat indikasi multikolinearitas dengan Tolerance Value (TOL),
Eigenvalue, dan yang paling umum digunakan adalah Varians Inflation
Factor (VIF). nilai VIF > 10 mengindentifikasi adanya multikolinieritas.
d. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan
pada variabel yang diamati.
e. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang
seharusnya memiliki pengaruh positif (nilai koefisien positif), ditunjukkan
dengan nilai negatif.
f. f. Kolinearitas seringkali diduga jika R2 cukup tinggi (antara 0,7-1) dan jika
koefisien korelasi sederhana (korelasi derajat nol) juga tinggi, tetapi tak satu
pun/ sedikit sekali koefisien regresi parsial yang signifikan secara individu.
Di pihak lain, uji F menolak H0 yang mengatakan bahwa secara stimulan
seluruh koefisien regresi parsialnya adalah nol.
g. Meskipun korelasi derajat nol yang tinggi mungkin mengusulkan kolinearitas,
tidak perlu bahwa mereka tinggi berarti mempunyai kolinearitas dalam kasus
spesifik. Untuk meletakkan persoalan agar secara teknik, korelasi derajat nol
yang tinggi merupakan kondisi yang cukup tapi tidak perlau adanya
kolinearitas karena hal ini dapat terjadi meskipun melalui korelasi derajat nol
atau sederhana relaif rendah.
h. Untuk mengetahui ada tidaknya kolinearitas ganda dalam model regresi linear
berganda, tidak hanya melihat koefisien korelasi sederhana, tapi juga
koefisien korelasi parsial.

4
Sumodiningrat, Gunawan. 2001. Ekonometrika Pengantar. Yogyakarta:
PFEYogyakarta. h. 103

9
 i. Karena multikolinearitas timbul karena satu atau lebih variabel yang
menjelaskan merupakan kombinasi linear yang pasti atau mendekati pasti dari
variabel yang menjelaskan lainnya, satu cara untuk mengetahui variabel X
yang mana berhubungan dengan variabel X lainnya adalah dengan meregresi
tiap Xi atas sisa variabel X dan menghitung R2 yang cocok, yang bisa
disebut.

C. Penyebab Multikolinearitas
Penyebab multikolinearitas adalah adanya korelasi atau hubungan yang
kuat antara dua variabel bebas atau lebih, seperti yang sudah dijelaskan di atas.
Namun penyebab lainnya yang dapat menyebabkan hal tersebut secara tidak
langsung adalah, antara lain:5

1. 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.
2. Adanya perhitungan sebuah variabel bebas yang didasarkan pada
variabel bebas lainnya di dalam model. Hal ini bisa dicontohkan
sebagai berikut: dalam model regresi anda, ada variabel X1, X2 dan
Perkalian antara X1 dan X2 (X1*X2). Dalam situasi tersebut bisa
dipastikan, terdapat kolinearitas antara X1 dan X1*X2 serta
kolinearitas antara X2 dengan X1*X2.
3. Adanya pengulangan variabel bebas di dalam model, misalkan: Y =
Alpha + Beta1 X1 + Beta2 X1*5 + Beta3 X3 + e.

5
Sumodiningrat, Gunawan. 2001. Ekonometrika Pengantar. Yogyakarta:
PFEYogyakarta. h. 110

10
D. Dampak Multikolinearitas
Menurut Montgomery (2006) dampak multikolinearitas dapat
mengakibatkan koefisien regresi yang dihasilkan oleh analisis regresi berganda
menjadi sangat lemah atau tidak dapat memberikan hasil analisis yang mewakili
sifat atau pengaruh dari variabel bebas yang bersangkutan.
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).6
Dampak dari multikolinearitas antara lain:
1. Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu
nilai standar errornya besar.
2. Perubahan kecil pada data dari sampel ke sampel akan menyebabkan
perubahan drastis pada nilai koefisien regresi partial.
3. Perubahan pada satu variabel dapat menyebabkan perubahan besar
pada nilai koefisien regresi parsial variabel lainnya.
4. Nilai Confidence Interval sangat lebar, sehingga akan menjadi sangat
sulit untuk menolak hipotesis nol pada sebuah penelitian jika dalam
penelitian tersebut terdapat multikolinearitas.

Contoh

Untuk memudahkan para pembaca memahami dampak di atas, kami coba

ilustrasikan sebagai berikut:7
Anda harus pahami dulu yang dimaksud dengan koefisien regresi parsial.
Dalam hal ini biasanya lebih dikenal dengan istilah koefisien Beta. Koefisien Beta
itu seperti yang ada dalam contoh persamaan regresi berikut: Y = Alpha + Beta1
X1 + Beta2 X2 + e

6
Montgomery, Douglas C., Elizabeth A. Peck, G. Geoffrey Vining. (2006). Introduction
to Linear Regression Analysis Fourth Edition. New York: John Willey and Sons. h. 170
7
https://teorionline.wordpress.com/2011/04/05/contoh-uji-multikolinieritas/ diakses pada
hari Senin, 13 Maret 2023 Pukul. 14.30 Wib.

11
E. Cara mendeteksi Multikolinearitas
Cara mendeteksi adanya Multikolinearitas di dalam model regresi adalah
dengan cara:
a. Melihat kekuatan korelasi antar variabel bebas. Jika ada korelasi antar
variabel bebas > 0,8 dapat diindikasikan adanya multikolinearitas.
b. Melihat nilai standar error koefisien regresi parsial. Jika ada nilai standar
error > 1, maka dapat diindikasikan adanya multikolinearitas.
c. Melihat rentang confidence interval. Jika rentang confidence interval sangat
lebar, maka dapat diindikasikan adanya multikolinearitas.
d. Melihat nilai Condition Index dan eigenvalue. Jika nilai condition index > 30
dan nilai eigenvalue < 0,001 dapat diindikasikan adanya multikolinearitas.
e. Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai
Tolerance < 0,1 dan VIF > 10 dapat diindikasikan adanya multikolinearitas.
Sebagian pakar menggunakan batasan Tolerance < 0,2 dan VIF > 5 dalam
menentukan adanya multikolinearitas. Para pakar juga lebih banyak
menggunakan nilai Tolerance dan VIF dalam menentukan adanya
Multikolinearitas di dalam model regresi linear berganda dibandingkan
menggunakan parameter-parameter yang lainnya. Hal ini juga dalam
prakteknya menggunakan SPSS, kita sudah disuguhkan dengan hasil yang
instant, dimana kita bisa langsung lihat nilai keduanya di dalam output SPSS.
f. Model regresi dengan variabel dummy dengan jumlah kategori variabel
dummy adalah tiga kategori atau lebih.
g. Dikatakan tidak akan menjadi masalah jika terdapat perbedaan jumlah yang
mencolok anggota sampel didalam kategori, dimana yang menjadi kategori
referensi adalah kategori yang jumlah anggotanya sedikit. Sebagai contoh:
jumlah sampel sebanyak 100 orang. Variabel Dummy adalah “Jenis
Pekerjaan (Petani, Buruh, PNS)”. Anggota kategori Petani 45 orang, Buruh
45 orang, sedangkan PNS 10 orang. Selanjutnya yang menjadi referensi
adalah yang anggotanya sedikit, yaitu PNS. Hal ini menyebabkan Variabel
Dummy tidak akan berkorelasi terhadap variabel lainnya, sebab yang menjadi
referensi adalah yang jumlah anggotanya paling sedikit.

12
 Contoh
Untuk memudahkan para pembaca memahami dampak di atas, kami
coba ilustrasikan sebagai berikut:
Anda harus pahami dulu yang dimaksud dengan koefisien regresi parsial.
Dalam hal ini biasanya lebih dikenal dengan istilah koefisien Beta. Koefisien
Beta itu seperti yang ada dalam contoh persamaan regresi berikut: Y = Alpha
+ Beta1 X1 + Beta2 X2 + e.

Contoh Model Regresi dengan Masalah Multikolinearitas

Berikut kami contohkan sebuah model regresi yang terdapat 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.

h. Dataset Multikolinearitas
i. Data set Multikolinearitas

F. Cara mengatasi multikolinearitas

Cara mengatasi multikolinearitas adalah dengan cara:8
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.
Dengan cara melakukan operasi matematis antar variabel bebas yang
berkorelasi kuat sehingga didapat variabel baru hasil operasi tersebut yang

8
Zakiah Darajat. et.al. Ilmu Ekonometrika. Jakarta:Bumi Aksara. h. 68

13
 kemudian dimasukkan ke dalam model regresi sebagai perwakilan dari variabel
yang menjadi sumber operasi matematis tersebut.
Melakukan standarisasi terhadap variabel yang menjadi penyebab inklusi
perkalian antara variabel, dimana hasil perkalian setelah standarisasi tersebut yang
dimasukkan ke dalam model bersama-sama dengan variabel yang sudah
distandarisasi.

G. Cara Menguji dan Mengatasi Multikolinieritas dengan SPSS

Multikolinieritas adalah fenomena statistik yang ditemui dalam pemodelan
regresi linier berganda dimana terdapat hubungan yang tinggi antara dua atau
lebih variabel prediktor. Karena multikolinieritas melihat seberapa erat hubungan
antara variabel prediktor, maka uji multikolinieritas hanya diperlukan pada model
regresi linier berganda, tidak untuk regresi linier sederhana.
Hal ini artinya terdapat pola hubungan linier juga diantara variabel
prediktor dalam satu model. Jika terjadi demikian, tentunya menyebabkan model
regresi menjadi bias. Jika kita memasukan variabel prediktor yang memiliki
hubungan yang erat antara variabel tersebut dalam satu model, maka model
tersebut menjadi redundant. Sebetulnya berapa nilai korelasi antara variabel
prediktor yang masih dapat ditoleransi? Beberapa teori mengatakan dibawah 0,9
masih dapat ditoleransi, namun beberapa teori lain mengatakan harus kurang dari
0,8 bahkan 0,7. Mendeteksi Multikolinieritas di dalam model9
a. Jika dalam model terdapat multikolinieritas, maka akan terjadi perubahan
yang besar pada nilai koefisien regresi ketika kita mengeluarkan satu variabel
prediktor dari dalam model.
b. Jika dalam model regresi linier berganda, koefisien variabel prediktor tidak
signifikan secara statistik, namun ketika kita mencobanya satu persatu
variabel prediktor dalam analisis regresi linier sederhana hasilnya menjadi
signifikan. Kondisi tersebut juga menunjukkan kemungkinan adanya
multikolinieritas.

9
Zakiah Darajat. et.al. Ilmu Ekonometrika. Jakarta:Bumi Aksara. h. 45

14
c. Kita mendapati nilai F hitung yang begitu besar atau signifikan secara
statistik, namun ketika diuji secara parsial dengan uji t tidak ada satupun yang
signifikan.
d. Ketika terdapat koefisien regresi yang negatif padahal secara teori seharusnya
positif. Atau sebaliknya.
e. Untuk memastikan agar lebih yakin terdapat multikolinieritas di dalam
model, sebaiknya uji dengan menggunakan nilai VIF menggunakan SPSS
atau Eviews. Beberapa ahli mengatakan nilai VIF harus kurang dari 5 dan
beberapa ahli lainnya mengatakan cukup dibawah 10.

Bagaimana mengatasi multikolinieritas dalam model

1. Jika kita menjumpai terdapat variabel prediktor yang memiliki nilai VIF lebih
dari 5 atau 10, maka kita perlu untuk mengeluarkan salah satu variabel
tersebut dari model. Tujuannya adalah untuk mengeluarkan informasi yang
redundant yang sebenarnya sudah diwakili oleh variabel prediktor yang lain.
Namun jangan khawatir, mengeluarkan salah satu variabel prediktor tidak
akan menurunkan nilai R kuadrat secara drastis, jika memang terdapat
multikolinieritas dalam model.
2. Untuk menghasilkan kombinasi variabel prediktor yang menghasilkan R
kuadrat tertinggi, gunakanlah metode regresi stepwise dalam SPSS.
3. Lakukanlah transformasi data misalnya menjadi bentuk logaritma atau bentuk
diferensarialnya. Tansformasi data ke dalam diferensial lebih cocok untuk
data time series. Sementara untuk data-data penelitian survei sosial kurang
cocok karena akan sulit menginterpretasikan model diferensialnya.
4. Gunakanlah Principal Component Analysis (PCA). Prinsipnya adalah
menyederhanakan atau menggabungkan jumlah variabel prediktor menjadi
lebih sedikit jumlah variabel tanpa mereduksi satupun variabel prediktor,
namun dengan menjadikannya dalam satu skor. Hasil dari pca adalah skor
dari variabel prediktor baru yang memiliki korelasi yang minimum sehinggi
efektif untuk mengatasi multikolinieritas.

15
 5. Gunakanlah Partial Least Square Regression(PLS). Jika kita menggunakan
PCA maka bisa dipastikan kita akan mendapatkan variabel prediktor baru
yang memiliki korelasi minimum diantara variabel prediktornya.
Permasalahan yang mungkin muncul adalah, variabel prediktor baru tersebut
bisa saja tidak memiliki hubungan yang signifikan juga dengan variabel
respon (Y). Maka kita akan menghadapi permasalahan baru berikutnya yaitu
tidak signifikannya model regresi. Jalan tengahnya adalah PLS, dimana
secara perhitungan masih mempertimbangkan variabel prediktor yang
memiliki hubungan tinggi dengan variabel respon namun mencari kombinasi
variabel prediktor yang memiliki nilai korelasi minimum diantara mereka.

H. Tahapan analisis uji multikolinieritas menggunakan SPSS10

1. Pilih menu Analyze -> Regression -> Linear.

10
UUSPN No.20,Th 2003, Tentang Sistem Multikolinieritas, Surabaya: Karina. H. 36

16
2. Masukkan variable Y ke Dependent dan X1 dan X2 keIndependent.

3. Klik Statistics lalu beri tanda centang (V) pada Colinearity Diagnostics,
kemudian Klik Continue > OK

17
4. Hasil Output:

Coefficientsa

Collinearity Statistics
Tolerance VIF
Model
X1 .255 3.221

X2 .378 1.878

a. Dependen Variabel : Y
Berdasarkan hasil ouput uji multikolinieritas maka diperoleh nilai
VIF adalah sebagai berikut tolerance value > 0.1 dan VIF < 10, maka
dapat disimpulkan tidak terjadi gejala multikolinearitas antar variabel
independent.

18
 BAB III
PENUTUP

A. Kesimpulan
Berdasarkan diatas dapat disimpulkan bahwa Multikolinieritas adalah
kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-
masing variabel independent dalam model regresi. Multikolinieritas biasanya
terjadi ketika sebagian besar variabel yang digunakan salang terkait dalam satu
model regresi
Uji t (t rasio) tidak signbifikan, nilai t statistik menjadi lebih kecil
sehingga variabel bebas tersebut menjadi tidak signifikan pengaruhnya. pengaruh
lebih lanjutnya adalah bahwa koefisien regresi yang dihasilkan tidak
mencerminkan nilai yang sebenarnya dimana sebagian koefisien cenderung over
estimate dan yang lain under estimate
Walaupun koefisien regresi dari variabel X dapat ditentukan (determinate),
tetapi kesalahan standarnya akan cenderung semakin besar dengan meningkatnya
tingkat korelasi antara peningkatan variabel bebas. Karena besarnya kesalahan
standar, selang keyakinan untuk parameter populasi yang relevan cenderung untuk
lebih besar.
Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai
dengan sekelompok hipotesis yang berbeda-beda. Jadi probabilitas untuk
menerima hipotesis yang salah akan meningkat. Selama multikolinearitas tidak
sempurna, penaksiran koefisien regresi adalah mungkin tetapi taksiran dan
kesalahan standarnya menjadi sangat sensitif terhadap perubahan dalam data. Jika
multikolinearitas tinggi, seseorang mungkin memperoleh R2 yang tinggi, tetapi
tidak satu pun atau sangat sedikit koefisien yang ditaksir yang penting secara
statistik.

19
B. Saran
Dengan terselesainya makalah ini, penulis sangat mengharapkan kritik dan
saran yang bersifat membangun dari pembaca karena makalah ini masih jauh dari
kesempurnaan baik dari segi pengetikan maupun dari segi penyusunan. Dan
semoga penyusun dan pembaca dapat mengerti dan memahami materi dalam
makalah ini

20
 DAFTAR PUSTAKA

A. Rahman Saleh. 2006. Arti Multikolinieritas. Jakarta: Raja grafindo persada.

Gujarati, Damodar N. (2003). Basic Econometric Forth Edition. New York: Mc
Graw-Hill.
Http://blog.minitab.com/blog/understanding-statistics/handling-multicollinearity-
in-regression-analysis
Http://en.wikipedia.org/wiki/Multicollinearity
https://khansamhamnida.wordpress.com
https://teorionline.wordpress.com/2011/04/05/contoh-uji-multikolinieritas/
Maddala, G.S (1992). Introduction to Econometric, 2nd Edition, Mac- Millan
Publishing Company, New York.
Montgomery, Douglas C., Elizabeth A. Peck, G. Geoffrey Vining. (2006).
Introduction to Linear Regression Analysis Fourth Edition. New York:
John Willey and Sons.
Sumodiningrat, Gunawan. 2001. Ekonometrika Pengantar.
Yogyakarta: PFEYogyakarta.
UUSPN No.20,Th 2003, Tentang Sistem Multikolinieritas, Surabaya: Karina.
www.portal-statistik.com
Zakiah Darajat. et.al. Ilmu Ekonometrika. Jakarta:Bumi Aksara.

21