MAKALAH

MULTIKOLINEARITAS
Diajukan untuk memenuhi Salah Sayu Tugas Mata Kuliah Ekonometrik
Dosen Pengampu : Dina Nurrochmatunnisa, Spd., M.Pd

Disusun Oleh Kelompok 2:

Sri Wahyuni (5554210006)
Ayu Konita (5554210009)
Ida Miyati (5554210025)
Dana Dipa Arkana (5554210031)
Nabila Dwi Kusumastuti (5554210055)
Lia Tismawati (5554210075)

JURUSAN EKONOMI SYARIAH

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS SULTAN AGENG TIRTAYSA
2023
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT yang telah memberikan rahmat serta
karunia-Nya pada kami sehingga kami dapat menyelesaikan makalah mata kuliah Ekonometrik
dengan judul “Multikolinearitas”. Sholawat serta salam semoga selalu tercurahkan kepada
baginda kita tercinta, Nabi Muhammad SAW yang selalu kita nantikan syafa’atnya di akhirat
nanti.
Terima kasih kami ucapkan kepada Ibu Dina Nurrochmatunnisa, S.Pd.,M.Pd. yang telah
membantu kami baik secara moral maupun materi. Terima kasih juga kami ucapkan kepada
teman-teman seperjuangan yang telah mendukung kami sehingga kami dapat menyelesaikan
tugas ini tepat waktu.
Kami menyadari bahwa makalah yang kami buat ini masih belum mencapai kata bagus
dari segi penyusunan ahasa maupun penulisannya. Oleh karena itu, kami mengharapkan kritik
dan saran yang dapat membangun dan menjadi acuan agar penulis bisa menjadi lebih baik lagi ke
depannya.
Semoga makalah ini bisa membantu pembaca dalam menambah wawasan dan bermanfaat
untuk perkembangan pengetahuan yang bisa diterapkan dalam kehidupan.

Serang, 30 April 2023

Penulis

i
 DAFTAR ISI

KATA PENGANTAR.................................................................................................................... i
DAFTAR ISI.................................................................................................................................. ii
BAB I .............................................................................................................................................. 1
PENDAHULUAN ......................................................................................................................... 1
1.1 Latar Belakang ............................................................................................................... 1
1.2 Rumusan Masalah .......................................................................................................... 1
1.3 Tujuan ............................................................................................................................. 1
BAB II ............................................................................................................................................ 2
PEMBAHASAN ............................................................................................................................ 2
2.1 Pengertian Multikolinearitas ........................................................................................ 2
2.2 Sifat dan Konsekuensi Multikolinearitas ..................................................................... 2
2.3 Cara Mendeteksi dan Mengatasi Multikolinearitas ................................................... 3
BAB III........................................................................................................................................... 5
PENUTUP...................................................................................................................................... 5
3.1 Kesimpulan ..................................................................................................................... 5
3.2 Saran................................................................................................................................ 5
DAFTAR PUSTAKA .................................................................................................................... 6

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan metode statistik yang digunakan untuk mengevaluasi pola
hubungan antara variabel bebas dan variabel tak bebas. Model regresi linier digunakan
untuk menggambarkan hubungan antara variabel-variabel dalam model. Analisis regresi
linear berganda digunakan untuk mempelajari hubungan antara dua atau lebih variabel
bebas dan satu variabel terikat secara bersama-sama. Namun, jika terdapat korelasi yang
tinggi antara variabel bebas, ini dapat menyebabkan multikolinieritas, yang membuat
model persamaan regresi kurang akurat. Untuk mendeteksi multikolinieritas, koefisien
korelasi antara variabel prediktor diuji, dan jika nilainya di atas 0,85, maka diduga
terdapat kasus multikolinieritas. Masalah ini lebih sering terjadi pada data time series.
Salah satu solusi untuk mengatasi multikolinieritas adalah dengan menggunakan analisis
regresi bertatar (stepwise regression).

1.2 Rumusan Masalah

1. Apakah yang dimaksud dengan multikolinieritas ?
2. Bagaimana sifat dan konsekuensi multikolinearitas?
3. Bagaimana cara mendeteksi dan mengatasi masalah multikolinieritas?

1.3 Tujuan
1. Dapat mengetahui apa yang dimaksud dengan multikolinieritas
2. Dapat mengetahui sifat dan konsekuensi multikolinearitas
3. Dapat mengetahui cara mendeteksi dan mengatasi masalah multikolinieritas

1
 BAB II

PEMBAHASAN

2.1 Pengertian Multikolinearitas

Multikolinearitas atau kolinearitas ganda adalah keadaan di mana terdapat
hubungan linear antara dua atau lebih variabel bebas dalam model regresi ganda. Jika
hubungan linear antar variabel bebas tersebut adalah korelasi sempurna, maka variabel
bebas tersebut memiliki kolinearitas ganda sempurna. Sebagai contoh, dalam model
regresi ganda untuk memprediksi faktor-faktor yang memengaruhi konsumsi per tahun
suatu rumah tangga, jika variabel bebas X1 adalah pendapatan per tahun dan variabel
bebas X2 adalah pendapatan per bulan, maka X1 dan X2 memiliki kolinearitas ganda
sempurna karena X1 = 12X2. Jika kedua variabel bebas tersebut dimasukkan ke dalam
model regresi, maka akan timbul masalah kolinearitas sempurna yang mengakibatkan
sulitnya melakukan pendugaan koefisien parameter regresinya.
Masalah kolinearitas ganda tidak menjadi masalah yang serius jika tujuan
pemodelan hanya untuk melakukan peramalan nilai peubah respon (Y) dan tidak untuk
mengkaji hubungan atau pengaruh antara variabel bebas (X) dan peubah respon (Y).
Sebagai contoh, dalam penggunaan model ARIMA untuk peramalan, meskipun korelasi
antara dua parameter selalu tinggi, masalah kolinearitas ganda tidak menjadi masalah
yang serius karena fokus hanya pada peramalan nilai peubah respon (Y). Namun,
masalah kolinearitas ganda menjadi serius jika digunakan untuk mengkaji hubungan
antara variabel bebas (X) dengan peubah respon (Y), karena sulitnya memisahkan
pengaruh dari masing-masing variabel bebas dan simpangan baku koefisien regresinya
tidak signifikan.

2.2 Sifat dan Konsekuensi Multikolinearitas

2.2.1 Sifat Multikolinearitas
a. Terdapat hubungan yang kuat (R > 0.8) antara satu atau lebih pasang variabel
bebas dalam model.
b. Mencari nilai Indeks Kondisi (CI). Jika nilai Indeks Kondisi lebih dari 30, maka
ada tanda-tanda multikolinearitas.
c. Multikolinearitas juga dapat dilihat melalui nilai Tolerance Value (TOL),
Eigenvalue, dan yang paling umum digunakan adalah Faktor Inflasi Varians
(VIF). Jika nilai VIF > 10, maka terdapat tanda-tanda multikolinearitas.
d. Bahkan perubahan kecil pada data dapat menyebabkan perubahan yang signifikan
pada variabel yang diamati.
e. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang
seharusnya memiliki pengaruh positif (nilai koefisien positif) memiliki nilai
negatif.

2
 f. Kolinearitas seringkali diduga jika R2 cukup tinggi (antara 0,7-1) dan jika
koefisien korelasi sederhana tinggi, namun sedikit atau tidak ada koefisien regresi
parsial yang signifikan secara individu. Namun, uji F menolak H0 yang
mengatakan bahwa secara simultan seluruh koefisien regresi parsialnya adalah
nol.
g. Meskipun korelasi sederhana yang tinggi dapat menunjukkan adanya kolinearitas,
tidak selalu berarti bahwa korelasi tinggi tersebut menunjukkan adanya
kolinearitas dalam kasus tertentu. Oleh karena itu, korelasi sederhana yang tinggi
merupakan kondisi yang cukup, tetapi tidak selalu menunjukkan adanya
kolinearitas karena hal ini dapat terjadi meskipun melalui korelasi sederhana yang
relatif rendah.
h. Untuk mengetahui adanya atau tidak adanya kolinearitas dalam model regresi
linear berganda, tidak hanya melihat koefisien korelasi sederhana, tetapi juga
koefisien korelasi parsial.
i. Karena multikolinearitas terjadi ketika 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 terkait dengan
variabel X lainnya adalah dengan meregresi setiap Xi pada residu variabel X dan
menghitung R2 yang sesuai, yang dapat disebut sebagai "R2 parsial".
2.2.2 Konsekuensi Multikolinearitas
Dampak multikolinearitas dapat mengakibatkankoefisien 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)
uji T menunjukkan hasil yang signifikan.

2.3 Cara Mendeteksi dan Mengatasi Multikolinearitas

2.3.1 Cara Mendeteksi Multikolinearitas
Ada beberapa cara untuk mengetahui ada tidaknya multikolinearitas. diantaranya:
a. 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 sempuma 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.

3
 b. 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 :
V= 1
Tolerance
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.

2.3.2 Cara Mengatasi Multikolinearitas

Masalah multikolinearitas dapat dihilangkan dengan menempuh beberapa
cara, diantara sebagai berikut:
a. 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.
b. enghilangkan 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.
c. 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.

4
 BAB III

PENUTUP

3.1 Kesimpulan
Multikolinieritas terjadi ketika variabel-variabel independent dalam model
regresi saling terkait secara linier atau memiliki korelasi yang tinggi. Hal ini
sering terjadi ketika sejumlah variabel saling terkait dalam satu model regresi.
Dampak dari multikolinieritas antara lain, uji t (t rasio) menjadi tidak signifikan
dan nilai t statistik menjadi lebih kecil, sehingga variabel bebas tersebut
kehilangan pengaruhnya. Selain itu, koefisien regresi yang dihasilkan menjadi
tidak mencerminkan nilai sebenarnya, dengan sebagian koefisien cenderung
overestimate dan lainnya underestimate.
Walaupun koefisien regresi dari variabel X bisa ditentukan, tetapi
kesalahan standarnya cenderung semakin besar dengan meningkatnya tingkat
korelasi antara peningkatan variabel bebas. Karena besarnya kesalahan standar,
selang keyakinan untuk parameter populasi yang relevan menjadi lebih besar.
Dalam kasus multikolinearitas yang tinggi, data sampel mungkin sesuai
dengan beberapa hipotesis yang berbeda-beda. Hal ini meningkatkan probabilitas
untuk menerima hipotesis yang salah.
Meskipun penaksiran koefisien regresi masih mungkin dilakukan selama
multikolinieritas tidak sempurna, taksiran dan kesalahan standarnya menjadi
sangat sensitif terhadap perubahan dalam data. Jika multikolinieritas terjadi secara
signifikan, maka meskipun R2 tinggi, tidak satu pun atau sangat sedikit koefisien
yang ditaksir akan penting secara statistik.

3.2 Saran
1. Diharapkan dengan memahami arti Multikolinieritas, Anda dapat mengenali dan
menganalisis masalah yang muncul dalam model regresi yang dihasilkan.
2. Diharapkan mampu mengenali tanda-tanda Multikolinieritas di dalam model
regresi, yaitu melalui korelasi antar variabel bebas yang kuat (di atas 0,8).
3. Diharapkan memahami cara mengatasi Multikolinieritas dengan memilih salah
satu dari variabel bebas yang berkorelasi kuat dan melakukan pengecekan
terhadap variabel dengan nilai VIF yang tinggi dan korelasi kuat dengan variabel
bebas lainnya.
4. Untuk menguji dan mengatasi Multikolinieritas dengan menggunakan perangkat
lunak SPSS, dapat digunakan metode regresi stepwise untuk menghasilkan
kombinasi variabel prediktor yang menghasilkan R kuadrat tertinggi.

5
 DAFTAR PUSTAKA

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

ERIZA, VIENDIRA TRY. 2016. Uji Multikolinearitas dan Kesesuaian Model Dalam Model
Persamaan Struktural Skripsi]. Fakultas Matematika Dan Ilmu Pengetahuan Alam.
Universitas Lampung. Bandar Lampung
Martha, Shantika 2010. Multikolinearitas Pada Analisis Regresi Berganda Jurusan Matematika.
Fakultas Matematika Dan Ilmu Pengetahuan Alam. Universitas Tanjungpura. Pontianak.
Prihastuti, Dwi, 2014. Analisis Generalized Two Stages Ridge Regression (GTSSR) Untuk
Mengatasi Multikolinearitas Dan Autokorelasi Beserta Aplikasinya. [Skripsi]. Pendidikan
Matematika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Negeri
Yogyakarta. Yogyakarta
UUSPN No.20,Th 2003, Tentang Sistem Multikolinieritas, Surabaya: Karina.
Zakiah Darajat. et.al. Ilmu Ekonometrika. Jakarta:Bumi Aksara.

Sumber lainnya:
https://teorionline.wordpress.com/2011/04/05/contoh-uji-multikolinieritas/
Http://en.wikipedia.org/wiki/Multicollinearity
www.portal-statistik.com
https://khansamhamnida.wordpress.com
Http://blog.minitab.com/blog/understanding-statistics/handling-multicollinearity-in-regression-
analysis