MAKALAH EKONOMETRIKA DASAR

MENGANALISIS MULTIKOLINIERIAS

Dosen Pengampu : Putri Sari MJ Silaban, S.E, M.Si

Disusun Oleh

Kelompok 4

Henny Mawarta Siregar 7213240024

Syarifah 7213540003

Dhea Amanda 7213540005

PROGRAM STUDI ILMU EKONOMI

FAKULTAS EKONOMI

UNIVERSITAS NEGERI MEDAN

2023

1
 KATA PENGANTAR

Puji syukur kami panjatkan atas kehadirat Tuhan Yang Maha Esa kuasa yang telah
memberikan karunia-Nya sehingga kami bisa menyelesaikan tugas makalah Ekonometrika
Dasar dengan sebaik mungkin. Makalah ini kami susun tidak hanya dengan maksud
menyelesaikan tugas pada mata kuliah Ekonometrika Dasar, tetapi juga sebagai penunjang
wawasan kami dan pemahaman kami tentang materi yang sedang diajarkan, Dan
terselelesaikan dengan baik serta tepat waktu.

Kami juga mengucapkan banyak terima kasih kepada semua pihak yang telah
membantu kami menyelesaikan tugas makalah ini,khususnya teman sekolompok kami
Sehingga bertambahlah pengetahuan kami tentang kriteria penyusunan makalah yang baik dan
benar. Kami menyadari bahwa masih ada beberapa kekurangan dari makalah yang kami susun
ini. Oleh karena itu, kritik dan saran dari dosen serta pembaca sekalian sangat kami harapkan
agar kedepannya kami dapat menyelesaikan makalah yang lebih lagi dan bermanfaat bagi
semua.

Medan, 5 Maret 2023

Kelompok 4

2
 DAFTAR ISI

KATA PENGANTAR ............................................................................................ 2

DAFTAR ISI........................................................................................................... 3

BAB I PENDAHULUAN ....................................................................................... 4

1.1 Latar Belakang ................................................................................................................. 4

2.1 Rumusan Masalah ........................................................................................................... 4
3.1 Tujuan Penulisan ............................................................................................................. 4

BAB II PEMBAHASAN ........................................................................................ 5

2.1 Konsep Dasar Multikolinieritas .................................................................................. 5

2.2 Indikasi Multikolinieritas .............................................................................................. 5
2.3 Uji Multikolinieritas ....................................................................................................... 6
2.4 Regresi Auxiliary ............................................................................................................ 7
2.5 Tolerence dan Variance Inflation Factor .................................................................. 9
2.6 Pengaruh Multikolinieritas ........................................................................................ 10
2.7 Menghilangkan Multikolinieritas ............................................................................ 11

BAB III PENUTUP .............................................................................................. 12

3.1 Kesimpulan .................................................................................................................... 12

3.2 Saran................................................................................................................................. 12

DAFTAR PUSTAKA ........................................................................................... 13

3
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Multikolinieritas adalah suatu kondisi di mana terdapat korelasi tinggi antara dua atau
lebih variabel independen dalam sebuah model regresi. Kondisi ini dapat terjadi ketika dua atau
lebih variabel independen saling berkaitan erat sehingga sulit untuk membedakan pengaruh
masing-masing variabel terhadap variabel dependen. Kondisi multikolinieritas dapat
menyebabkan beberapa masalah dalam analisis regresi, seperti menurunnya akurasi dan
reliabilitas hasil analisis, koefisien regresi yang tidak stabil, serta interpretasi yang sulit
terhadap variabel independen. Oleh karena itu, penting bagi peneliti atau analis data untuk
mengidentifikasi adanya multikolinieritas dalam data mereka dan mengambil langkah-langkah
untuk mengatasi masalah ini sebelum melakukan analisis regresi.

Analisis multikolinieritas dapat dilakukan pada berbagai jenis model statistik, seperti
regresi linear, analisis faktor, dan analisis komponen utama. Dalam regresi linear,
multikolinieritas dapat menyebabkan koefisien regresi yang tidak stabil, standar error yang
besar, dan interval kepercayaan yang lebar. Oleh karena itu, analisis multikolinieritas sangat
penting untuk memastikan hasil analisis statistik yang akurat dan dapat diandalkan.

1.2 Rumusan Masalah

 Apa Konsep Dasar Multikolinieritas?

 Apa Saja Indikasi Multikolinieritas?
 Bagaimana Uji Multikolinieritas?
 Bagaimana Regresi Auxiliary?
 Bagaimana Tolerence dan Variance Inflation Factor?
 Apa Saja Pengaruh Multikolinieritas?
 Bagaimana Menghilangkan Multikolinieritas?

1.3 Tujuan Penulisan

 Untuk Mengetahui Konsep Dasar Multikolinieritas

 Untuk Mengetahui Indikasi Multikolinieritas
 Untuk Mengetahui Uji Multikolinieritas

4
  Untuk Mengetahui Regresi Auxiliary
 Untuk Mengetahui Tolerence dan Variance Inflation Factor
 Untuk Mengetahui Pengaruh Multikolinieritas
 Untuk Mengetahui Menghilangkan Multikolinieritas

BAB II

PEMBAHASAN

2.1 Konsep Dasar Multikolinieritas

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. Uji multikolinearitas digunakan untuk mengetahui ada atau
tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar
variabel independen dalam model regresi. Persyaratan yang harus terpenuhi dalam model
regresi adalah tidak adanya multikolinearitas.

Ada beberapa metode pengujian yang bisa digunakan diantaranya yaitu 1) dengan
melihat nilai inflation factor (VIF) pada model regresi, 2) dengan membandingkan nilai
koefisien determinasi individual (r2) dengan nilai determinasi secara serentak (R2), dan 3)
dengan melihat nilai eigenvalue dan condition index. Pada pembahasan ini akan dilakukan uji
multikolinearitas dengan melihat nilai inflation factor (VIF) pada model regresi dan
membandingkan nilai koefisien determinasi individual (r2) dengan nilai determinasi secara
serentak (R2).

Gejala multikolinearitas terjadi dalam sebuah model regresi berganda, 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.
Berdasarkan penjelasan di atas, maka dapat disimpulkan bahwa, jika terjadi multikolinearitas,
maka sebuah variabel yang berkorelasi kuat dengan variabel lainnya di dalam model, kekuatan

5
prediksinya tidak handal dan tidak stabil. Dan pengertian multikolinearitas adalah
sesungguhnya terletak pada ada atau tidak adanya korelasi antar variabel bebas.

2.2 Indikasi Penyebab Multikolinieritas

Terdapat beberapa sumber dari multikolinearitas, sebagaimana yang dikemukakan oleh

Montgomery dan Peck. Multikolinearitas disebabkan oleh beberapa faktor:

 Metode pengumpulan data yang digunakan. Sebagai contoh, mengambil sampel dari
jangkauan nilai yang terbatas dan diambil dari regresor-regresr di populasi.
 Batasan yang ada pada model atau populasi yang diambil sampelnya. Sebagai contoh,
dalam regresi konsumsi listrik terhadap pendapatan (X2) dan ukuran rumah (X3),
terdapat batasan fisik populasi pada keluarga tersebut, dimana keluarga dengan
pendapatan yang lebih tinggi biasanya memiliki rumah yang lebih besar dibandingkan
keluarga dengan pendapatan yang lebih rendah.
 Spesifikasi model. Sebagai contoh, menambahkan istilah polynomial pada model
regresi, khususnya ketika jangkauan variable X kecil.
 Model yang “overdetermined”. Hal ini terjadi ketika model memiliki banyak variable
penjelas daripada jumlah observasi. Terjadi dalam penelitian medis, dimana mungkin
saja hanya terdapat sedikit jumlah pasien yang informasinya dikumpulkan pada
variable dengan jumlah yang lebih banyak.

Faktor lain yang memungkinkan adalah khususnya pada data time series adalah terdapat
kemungkinan regresor-regresor yang diikutsertakan dalam model memiliki trend yang serupa,
yaitu mereka sama-sama meningkat atau menurun seiring berjalannya waktu. Jadi, dalam
regresi pengeluaran konsumsi terhadap pendapatan, kekayaan/kesejahteraan, dan populasi,
regresor pendapatan, kekayaan, dan pupolasi dapat tumbuh bersama dari waktu ke waktu pada
laju yang kurang lebih sama, sehingga menyebabkan kolinearitas diantara variable tersebut.

2.3 Uji Multikolinieritas

Uji multikolinearitas dilakukan dengan tujuan untuk mengetahui apakah pada suatu
model regresi ditemukan adanya korelasi antar variabel independent (Ghozali, 2016).
Pengujian multikolinearitas bertujuan untuk mengetahui apakah model regresi ditemukan
adanya korelasi antar variabel independent/ atau variable bebas (Ghozali, 2016). Hal tersebut
berarti standar error besar, akibatnya ketika koefisien diuji, thitung akan bernilai kecil dari t-
tabel. Hal ini menunjukkan tidak adanya hubungan linear antara variabel independent atau

6
variabel bebas yang dipengaruhi dengan variabel dependen atau variabel terikat. Untuk
menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat diketahui dari
nilai toleransi dan nilai variance inflation factor (VIF). Nilai Tolerance mengukur variabilitas
dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi
nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance, dan
menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk nilai
tolerance 0,10 atau nilai VIF diatas angka 10.

Uji Multikolinearitas bertujuan untuk menguji dan mengetahui apakah dalam suatu
model regresi ditemukan adanya korelasi yang tinggi atau sempurna antar variabel independen.
Pengujian ini dapat diketahui dengan melihat nilai toleransi dan nilai variance inflation factor
(VIF). Pengujian dilakukan dengan melihat nilai VIF atau variance inflation factors. Apabila
nilai centered VIF (Variance Inflation Factor). Pengujian dapat dilakukan dengan melihat nilai
Tolerance dan Variance Inflation Factor (VIF) pada model regresi. Kriteria pengambilan
keputusan terkait uji multikolinearitas adalah sebagai berikut (Ghozali, 2016) :

1. Jika nilai VIF < 10 atau nilai Tolerance > 0,01, maka dinyatakan tidak terjadi
multikolinearitas.
2. Jika nilai VIF > 10 atau nilai Tolerance < 0,01, maka dinyatakan terjadi
multikolinearitas.
3. Jika koefisien korelasi masing-masing variabel bebas > 0,8 maka terjadi
multikolinearitas.

Tetapi jika koefisien korelasi masing-masing variabel bebas < 0,8 maka tidak terjadi
multikolinearitas. Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah
sebagai berikut:

1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.

2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar
kuadrat atau first difference delta

2.4 Regresi Auxiliary

Akan dipaparkan mengenai uji multikolinieritas dengan menggunakan uji auxilary. Uji
multikolinieritas bisa juga muncul karena satu atau lebih variabel independen merupakan
kombinasi linier dengan variabel independen lainnya. Untuk mendeteksi adanya

7
mulikolinieritas pada pengujian auxiliary yaitu dengan melakukan regresi setiap variabel
independen X dengan sisa variabel X lainnya.

Langkah-langkah uji multikolinieritas dengan uji Auxiliary: Data yang digunakan yaitu data
produksi karet di Kota X

NO PRODUKSI TK MODAL NO PRODUKSI TK MODAL

Q L M Q L M
1 520 75 40 21 364 50 29.2
2 750 90 50 22 1,200 145 112.5
3 920 135 70 23 534 80 43
4 867 95 56 24 1,032 135 110
5 890 100 65 25 950 120 52
6 364 55 25 26 531 75 21.5
7 359 55 15 27 688 90 24.8
8 329 60 15.6 28 890 105 65
9 405 80 35 29 850 100 65
10 725 110 76 30 650 80 45
11 880 120 45 31 1,060 145 120
12 675 75 40 32 400 50 30
13 394 60 22.56 33 950 125 75
14 1,030 150 100 34 750 95 60
15 720 100 56 35 790 65 65
16 930 120 85 36 1,032 140 120
17 1,100 140 120 37 890 120 75
18 650 80 45 38 531 75 35
19 586 75 75.4 39 688 90 40
20 319 45 28.4 40 634 105 35

1. Buka aplikasi eviews Dengan buka aplikasi > klik file > new > klik workfile

2 Kemudian ubah workfile structure type menjadi unstructured/undate, kemudian masukkan

jumlah observations dan klik OK.

3. Input data, dengan cara klik Quick > Empty Group (edit series)

8
4. Masukkan data, dengan cara copy + paste > ubah nama variabel. (data yang dimasukkan
yaitu data variabel independen saja)

5. Analisis data: dengan cara Klik Quick > Estimate Equation

6. Masukkan formula ke dalam kotak Equation Estimation L <spasi> C <spasi> M kemudian

klik OK.

7. Maka akan muncul output

8. Selanjutnya dilakukan diteksi multikolinieritas Berdasarkan perhitungan di atas, diketahui

bahwa terdapat multikolinieritas antara L dengan M. Hal ini terlihat dari hasil F hitung lebih
besar dari pada F tabel yaitu F hitung = 96.91215 sementara nilai kritis α = 5% dengan df 1, 39
= 4.09

2.5 Telorence dan Variance Inflation Factor

Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel bebas (independent variable) (Ghozali,2011). Dalam hal ini untuk
mendeteksi ada atau tidaknya multikolinearitas yaitu dengan menggunakan Vatiance Inflation
Factor (VIF). Apabila nilai VIF lebih besar dari 10 dan nilai tolerance kurang dari 0.10 maka
terjadi multikolinearitas (Ghozali, 2018).

Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen.
Jika variabel independen saling berkorelasi, maka nilai korelasi antar sesama variabel
independen sama dengan ortagonal. Variabel ortagonal adalah variabel bebas yang dinilai
korelasi antar sesama variabel independen sama dengan nol. Untuk mendeteksi ada atau
tidaknya multikolinieritas di dalam model regresi yaitu sebagai berikut :

(1) nilai R2 yang dihasilkan sangat tinggi, tetapi secara individual variabel independen
banyak yang tidak signifikan mempengaruhi variabel dependen. Jika antar variabel independen
ada korelasi yang cukup tinggi umumnya di atas 0,90, maka diindikasi multikolonieritas. (2)
Variance Inflation Factor (VIF). Tolerance mengukur variabilitas variabel bebas yang dipilih
yang tidak dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance yang rendah sama
dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai cutoff yang umum dipakai untuk
menunjukkan multikolonieritas adalah nilai Tolerance ≤ 0.10 atau sama dengan nilai VIF ≥ 10.
Model regresi yang baik yaitu tidak terdapat masalah multikolinieritas atau adanya hubungan
korelasi diantara variabel bebas lainnya (Ghozali, 2011).

9
Dasar pengambilan keputusan uji multikolonieritas dengan melihat nilai tolerance dan variance
inflation factor sebagai berikut:

Ho : tidak ada multikolonieritas

Ha : ada multikolonieritas Pengambilan keputusan :

a. Jika VIF < 10 dan tolerance > 0.10, maka Ho diterima (tidak ada multikolonieritas)

b. Jika VIF > 10 dan tolerance < 0.10, maka Ho ditolak (ada multikolonieritas)

Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:

1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.

2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar
kuadrat atau first difference delta.

2.6 Pengaruh Multikolineritas

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:

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.

Adapula dampak dari multikolinearitas antara lain:

1. Koefisien Partial Regresi tidak terukur secara presisi. Oleh karena itu nilai standar
errornya besar.

10
 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.

2.7 Menghilangkan Multikolineritas

Cara menghilangkan Multikolineritas antara lain:

1. 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.
2. 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.
3. Dengan cara melakukan operasi matematis antar variabel bebas yang berkorelasi kuat
sehingga didapat variabel baru hasil operasi tersebut yang kemudian dimasukkan ke
dalam model regresi sebagai perwakilan dari variabel yang menjadi sumber operasi
matematis tersebut.
4. 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.

11
 BAB III

PENUTUP

3.1 Kesimpulan

Dalam analisis multikolinearitas, tujuannya adalah untuk mengetahui apakah ada variabel
independen yang saling berkorelasi tinggi sehingga dapat mempengaruhi interpretasi hasil
model regresi.

Kesimpulan dari analisis multikolinearitas adalah sebagai berikut:

1. Jika terdapat korelasi tinggi antara variabel independen, maka akan terjadi
multikolinearitas. Hal ini dapat mempengaruhi hasil model regresi dan membuat
interpretasi hasil menjadi tidak akurat.
2. Untuk mengatasi multikolinearitas, beberapa teknik dapat dilakukan seperti menghapus
salah satu variabel yang berkorelasi tinggi, atau menggabungkan variabel menjadi satu
variabel baru. Namun, perlu diingat bahwa teknik ini harus dilakukan dengan hati-hati
dan harus dipilih dengan tepat agar hasil model tidak menjadi bias.
3. Salah satu cara untuk mendeteksi multikolinearitas adalah dengan menggunakan
metode analisis varians (ANOVA) atau dengan melihat nilai koefisien korelasi antar
variabel independen.

3.2 Saran

1. Perlu melakukan uji korelasi antar variabel independen sebelum memasukkan variabel
tersebut ke dalam model regresi. Hal ini dapat membantu mengidentifikasi adanya
multikolinearitas.
2. Jika terjadi multikolinearitas, perlu melakukan tindakan yang tepat untuk mengatasinya
seperti menghapus salah satu variabel atau menggabungkan variabel menjadi satu
variabel baru.
3. Perlu diingat bahwa analisis multikolinearitas merupakan proses yang penting dalam
model regresi. Hal ini karena adanya multikolinearitas dapat mempengaruhi hasil
model dan membuat interpretasi hasil menjadi tidak akurat. Oleh karena itu, perlu
dilakukan dengan hati-hati dan memilih teknik yang tepat untuk mengatasi
multikolinearitas.

12
 DAFTAR PUSTAKA

Jaya, I. G. (2009). kajian penanganan multikolenieritas dalam analisisregresi menggunakan

partial least square regression. 43-50.
Irma Susanti Fazrina ,S penerapan metode analisis regresi linier bergandauntuk mengatasi
masalah multikolinearitas pada kasus indeks pembangunan manusia (ipm) di
kabupateng aceh tamiang. (2022). Gamma-Pi jurnal matematikan dan terapan , 10=17.

Sanaryo, S. (n.d.). mengatasi masalah multikolinearitas dan outlier dengan pendekatan

robpca. jurnal statistika, 1-9.
Ajija, Shochrul Rohmatul, dkk. 2011. Cara Cerdas Menguasai Eviews. Jakarta: Salemba
Empat.
Ghozali, I. (2016) Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23. Edisi 8.
Semarang: Badan Penerbit Universitas Diponegoro.

13