ASUMSI NON-

MULTIKOLINEARITAS
 KELOMPOK
7
01 02
ANGELINA RENNY PRISGA SEPTYANA
C.O.S. S.
185090400111021 185090400111027
03 04
ANANDA HANS INDAH
ISLAMIYAH PUSPITASARI
185090401111027 185090401111028
 DEFINISI
●Multikolinearitas
  ditemukan pertama kali oleh
Ragnar Frisch (Insitute of Economics , Oslo
University)
Asumsi Non Multikolinearitas adalah asumsi yang
mengharuskan setiap variabel bebas dalam regresi
linear tidak boleh memiliki hubungan linear yang
sempurna. Misalkan terdapat model regresi dengan
k variabel bebas (dimana ) maka hubungan linear
yang sempurna antar-variabel bebas tersebut secara
sistematis dapat dituliskan sebagai berikut:
 dimana sedemikian rupa sehingga tidak semuanya bernilai nol.
●  
Misalkan terdapat model regresi dengan k
variabel bebas (dimana ) maka hubungan
 dimana
linear yang kuat tetapi tidak sempurna
adalah
dikatakan ada jika memenuhi kondisi: unsur
kesalahan
yang
stokastik.
 Jika asumsi non
APA SIH multikolinearitas
terlanggar dalam
KONSEKUENSINYA.. model regresi
linear?
1. Tidak Dapat Dihitungnya Nilai Koefisien Regresi
1.  
Jika terdapat korelasi antar dua variabel bebas dalam model regresi yang secara
sistematis dapat dituliskan . Misal pada persamaan regresi linear dengan
sebagai berikut dengan dan

Substitusikan ke dalam persamaan tersebut menjadi:

 
Dengan
 Dengan
demikian
demikian
didapatka
didapatka
n bahwa:
n bahwa:
2. Variansi Dari Koefisien Regresi Akan Semakin Membesar
 
Hal ini dapat dijelaskan dengan persamaan sistematis sebagai berikut:

Terlihat dari persamaan diatas bahwa semakin besar kolinearitas antara

( semakin tinggi juga nilai variansi koefisien regresi (. Kemudian apabila
kolinearitas sempurna (, maka yang terjadi adalah varians koefisien regresi
akan bernilai tak hingga ()
PENDETEKSIAN
PELANGGARAN
ASUMSI NON-
MULTIKOLINEARITAS
  Ada tidaknya pelanggaran asumsi nom-multikolinearitas sesungguhnya dapat
dideteksi menggunakan kondisi berdasarkan uji statistik, misalnya dengan
melihat yang tinggi dan hasil uji F yang signifikan, namun hasil uji T tidak ada
satupun yang signifikan dapat diindikasikan terjadi pelanggaran asumsi non-
multikolinearitas.

Meskipun demikian dengan menggunakan asumsi masih belum terjamin

melanggar asumsi non- multikolinearitas sebab kualitasnya juga masih belum
terjamin dan masih subjektif. Karena subjektifitas tersebut maka diperlukan
sebuah uji formal yang mampu memastikan ada tidaknya pelanggaran asumsi
multikolinearitas dalam regresi linear.
VARIANCE INFLATION EIGENVALUES DAN
FACTOR (VIF) DAN CONDITIONAL
TOLERANCE INDEX
 1. Variance Inflation Factor (VIF) and Tolerance
Besarnya nilai varians secara teoritis  mempunyai hubungan ada tidaknya
gangguan multikolinearitas dari variabel bebas yang digunakan dalam
pemodelan regresi linear. Secara sistematis hubungan tersebut dapat
dirumuskan sebagai berikut:
......(i)
Sedangkan yang dimaksud dengan VIF adalah sebagi berikut:

Sehingga apabila persamaan (i) disubstitusikan rumus VIF maka persamaannya

menjadi:
Untuk
  persamaan regresi linear berganda yang memiliki
lebih dari dua variabel bebas menghitung VIF dapat
menggunakan rumus berikut:
Berikut bebrapa asumsi syarat apabila melanggar asumsi non-
multikolinearitas dengan menggunakan VIF:

 1) Nilai VIF > 10 dengan toleransi  2) Nilai VIF > 5 dengan toleransi
nilai . Berikut penjelasan nilai . Berikut penjelasan
matematisnya: matematisnya:
 SelainVIF ada juga indikator lain yang yang
dapat digunakan sebagai alat pendeteksi pelanggaran asumsi
multikolinearitas yaitu Tolerance (TOL). Secara sistematis Tolerance dapat
didefinisikan sebagai berikut :
Berdasarkan rumus TOL tersebut, maka terlihat bahwa :
1) Jika terdapat pelanggaran-pelanggaran asumsi non-multikolinearitas
( maka nilai TOL=0
2) Jika asumsi non-multikolinearitas terpenuhi maka nilai TOL=1
Jadi, dapat disimpulkan bahwa jika nilai cenderung mendekati 1, maka akan
terdapat kecendrungan asumsi non-multikolinearitas untuk dilanggar.
 2. Eigenvalues dan Conditional Index
 Menghitung eigenvalues dan conditional index dapat menggunakan
software statistik yaitu SPSS. Nilai-nilai eigenvalues yang digunakan
sebagai alat untuk menghitung Conditional Index (CI). Nilai tersebut
sebagai salah satu indikator untuk mendeteksi ada tidaknya pelanggaran
asumsi non-multikolinearitasdalam model regrei linear berganda. Berikut
rumus mencari CI dengan eigenvalues:

Kriteria ada tidaknya pelanggaran asumsi non-multikolinearitas dalam

regresi linear berganda adalah sebagai berikut:
 CI<10 : Model memenuhi asumsi non multikolinearitas
 10 : Terdapat kolinearitas moderat (sedang)
 CI>30 : Terdapat kolinearitas berat di dalam model
 CARA MEMPERBAIKI
PELANGGARAN ASUMSI
1. Memasukkan Informasi Sejenis dari Penelitian Lainnya
atau Penelitian Terdahulu
  Misalkan dalam sebuah penelitian terdapat model regresi:

Dimana: = Pertumbuhan Ekonomi Kota Pagar Alam

= Tingkat Kemiskinan Kota Pagar Alam
= Tingkat Pengangguran Kota Pagar Alam
 Setelah dilakukan uji asumsi klasik, ditemukan pelanggaran asumsi non-
multikolinieritas yaitu variabel tingkat kemiskinan berkorelasi dengan
variabel tingkat pengangguran. Kemudian terdapat penelitian terkait
kemiskinan dan pengangguran di kabupaten Lahat dengan hasil bahwa
tingkat pengangguran dapat menyebabkan tingkat kemiskinan naik dua kali
lipat .
  

Dan menjadi :
Dimana : =

 
Setelah diestimasi dengan metode OLS, selanjutnya nilai dari
dapat dicari dengan menggunakan persamaan untuk interpretasi
model regresi yang lebih lengkap dan komprehensif.
2. Mengeluarkan Variabel Bebas yang Mengalami Kolinier
dari Model
Asumsi non-multikolinieritas terlanggar jika ada variabel-
variabel bebas yang saling kolinier di dalamnya. Jika salah satu dari
pasangan variabel bebas yang saling kolinier dihilangkan dari model
regresi linier berganda, maka pelanggaran asumsi non-
multikolinieritas akan teratasi. Namun mungkin saja model regresi
linier berganda yang akan terbentuk malah tambah buruk karena
variabel yang dihilangkan merupakan variabel bebas yang penting.
Oleh karena itu, perlu kehati-hatian dalam menghilangkan
variabel-
variabel bebas yang saling kolinier.
 3. Melakukan Transformasi Variabel
a. Pembedaan Umum (Generalized Differences)
Transformasi pembedaan umum berlaku bagi data antar waktu (time series).
Transformasi pembedaan umum dalam mengatasi pelanggaran asumsi non-
multikolonieritas cukup dengan mengurangkan nilai variabel pada t dengan
nilai
variabel pada t-1.
b. Transformasi Rasio
Transformasi rasio untuk mengatasi pelanggaran asumsi non-multikolinieritas
adalah dengan cara membagi seluruh komponen dalam model regresi dengan
variabel bebas yang mengalami kolinier. Contoh: misalkan terdapat model
regresi linier yang menggambarkan pengaruh jumlah gedung Sekolah Dasar
(SD) dan jumlah guru SD
terhadap jumlah murid SD di setiap kecamatan
sampel terpilih di Provinsi Sumatra
 = Jumlah Murid ; = Jumlah Guru ; = Jumlah Gedung Sekolah
Setelah dilakukan pengujian asumsi non-multikolinieritas, ternyata didapati
hasil bahwa jumlah murid SD berkolinier dengan Jumlah Guru SD. Solusi untuk
mengatasi kolinieritas ini adalah dengan melakukan transformasi rasio, yaitu
dengan cara membagi kedua ruas dengan jumlah guru SD sehingga model
  regresinya menjadi:   Dimana: = =
= Rasio Murid-Guru
= Rasio Murid-Gedung Sekolah

Interpretasi variabel berubah setelah dilakukan transformasi rasio. Variabel jumlah guru
SD () berubah menjadi rasio guru-murid () yang bermakna setiap 1 guru mampu
mengajar murid sebanyak nilai rasio guru-murid. Kemudian, variabel jumlah gedung
sekolah SD () berubah menjadi rasio guru-murid () yang bermakna setiap 1 sekolah
mampu menampung murid sebanyak nilai rasio murid-gedung sekolah.
 c. Berbagai Transformasi Lainnya
Selain transformasi rasio dan pembedaan umum, transformasi
lain dapat juga digunakan untuk mengatasi pelanggaran asumsi
non-multikolinieritas, seperti transformasi , , , dan lain-lain. Selain
itu, transformasi Box-Cox juga cukup efektif untuk mengatasi
pelanggaranan asumsi non-multikolinieritas.
CONTOH
SOAL
Peneliti ingin menguji pengaruh kepuasan kerja dan motivasi terhadap kinerja pegawai.
Sebelumnya peneliti harus menguji asumsi multikolinearitas dari variabel-variabel
independennya. Dari penelitian didapatkan 60 sampel. Ujilah multikolinearitas dari
data tersebut!
PEMBAHASAN

Uji multikolinearitas dengan menggunakan R2

1. Hipotesis
H0 = tidak terdapat hubungan antara motivasi dengan kepuasan kerja
H1 = terdapat hubungan antara motivasi dengan kepuasan kerja
2. Statistik Uji
Dari menggunakan SPSS didapat nilai :
R2=0,557
3. Kriteria Uji
Tolak H0 jika R2 > 0,80
R2 = 0,557 , R2< 0,80
H0 gagal ditolak
4. Kesimpulan
Tidak terdapat hubungan antara motivasi dengan kepuasan kerja
 Pengujian multikolinearitas R2 pada variabel motivasi dengan
kepuasan kerja dilakukan untuk mengetahui apakah terdapat
hubungan antara dua variable independen tersebut. Dari hasil
pengujian didapatkan nilai
R2 = 0,557 dikarenakan R2 < 0,80 maka H0 gagal ditolak yang
artinya tidak terdapat hubungan antara motivasi dengan kepuasan
kerja.
 Ujimultikolinearitas dengan menggunakan nilai tolerance dan VIF
1. Hipotesis
H0 = tidak terdapat hubungan kolinearitas antara motivasi dengan
kepuasan kerja
H1 = terdapat hubungan kolinearitas antara motivasi dengan kepuasan
kerja
2. Statistik Uji
Dari menggunakan SPSS didapat nilai : VIF = 1,449
Tolerance = 0,690
3. Kriteria Uji
Tolak H0 jika Tolerance 0.10
Atau VIF
VIF = 1,449, VIF < 10
Nilai Tolerance = 0,690, nilai Tolerance > 0.10
H0 gagal ditolak
Pengujian multikolinearitas nilai tolerance dan VIF pada variabel
motivasi dengan kepuasan kerja dilakukan untuk mengetahui
apakah terdapat hubungan kolinearitas antara dua variable
independen tersebut. Dari hasil pengujian didapatkan nilai VIF =
1,449 dan Tolerance = 0,690 dikarenakan nilai Tolerance > 0,10
dan VIF < 10 maka H0 gagal ditolak yang artinya tidak terdapat
hubungan antara motivasi dengan kepuasan kerja.
 
5
 PEMBAHASAN
 1.Hitung nilai korelasi antar variabel bebas (r)
2. Kuadratkan nilai korelasi antar variabel bebas (
Pada contoh soal variabel bebas adalah X1 dan X2
3. Hitung nilai tolerance (TOL) dengan rumus (.
4. Hitung nilai VIF dengan rumus 1/TOL
5. Jika VIF5 maka terjadi asumsi non-multikolinearitas
ANY QUESTIONS
?