MULTIKOLINIERITAS

NAMA KELOMPOK
Rachelita Agista NP (192010200264)
Mawatdah Ainur R (192010200248)
Khoirun Nisa Ashada (192010200239)
Syahril efendy (192010200249)
Angel Egalita S (192010200258)
M. Helmi Y (192010200250)
M. Daffa m(192010200295
M. Davis Izul Haq (192010200268)
 PEMBAHASAN

01 Pengertian Multikolieritas

Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara masing-masing
variabel independen dalam model regresi. Multikolinearitas biasanya terjadi ketika sebagian besar variabel yang
digunakan saling terkait dalam suatu model regresi. Oleh karena itu masalah multikolinearitas tidak terjadi pada
regresi linier sederhana yang hanya melibatkan satu variabel independen.

02 Penyebab Multikolinieritas Pada Model Regresi :

1. Kesalahan teoritis dalam pembentukan model fungsi regresi yang dipergunakan atau memasukkan variabel bebas
yang hampir sama, bahkan sama.
2. Terlampau kecilnya jumlah pengamatan yang akan dianalisis dengan model regresi.
03 Konsekuensi atau Efek Multikolinieritas dalam Model Regresi

 Penaksir OLS (estimator) bisa didapatkan namun standar error (SE) tendensi semakin membesar seiring den-
gan meningkatkan korelasi antar variabel bebas (yang seharusnya independen).
 Karena Standar Error nya semakin membesar maka mengakibatkan selang kepercayaan akan semakin mele-
bar.
 Kesalahan tipe II meningkat atau dengan kata lain untuk menerima hipotesis yang salah akan meningkat.
 Jika terjadi multikolinearitas yang tidak sempurna maka estimator dan Standar Error akan sangat sensitif ter-
hadap perubahan data. Oleh karena itu, sedikit saja ada data yang berubah nilainya maka estimator dan SE nya
juga berubah.
 Jika terjadi multikolinearitas yang kurang sempurna juga mengakibatkan nilai R square (koefisien determi-
nasi) yang tinggi namun semua variabel bebas tidak signifikan secara statistik.
 Jika error model Anda terjangkit multikolinearitas, maka akan terdapat adanya kesalahan tanda pada koefisien
regresi sehingga model statistik yang Anda bangun cenderung berlawanan dengan teori-teori yang ada (hasil
penelitian pada umumnya, inkonsisten).
04 Cara mengidentifikasi adanya Multikolinieritas

1. Jika nilai regresi menunjukkan nilai R Square yang tinggi dan F statistik yang sangat signifikan (goodness
of fit terpenuhi), namun sebagian besar variabel bebas tidak signifikan pengaruhnya (hitung kecil)
2. Terdapat korelasi yang tinggi (R > 0.8) antara satu pasang atau lebih variabel bebas dalam model
3. 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 multi-
kolinieritas.
4. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada variabel yang diamati.
5. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya memiliki pen-
garuh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
05 Dampak Multikolinieritas Pada Regresi
1. Varian besar (dari takasiran OLS)
2. Interval kepercayaan lebar (varian besar - Standar Error besar - interval kepercayaan lebar)
3. Uji t (t rasio) tidak signifikan, 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

06 Cara Mengatasi Multikolinieritas

1. Tranformasi data (misalnya dengan logaritma natural)

2. Mengeluarkan variabel yang berkorelasi dalam model.
3. Mencari data tambahan.
STUDI KASUS
Berbagai Faktor yang Mempengaruhi Ketepatan Waktu Pelaporan
Keuangan

Faktor-faktor yang mempengaruhi:

 ROA (Return on Assets) = X1
 CR (Current Ratio) = X2
 DER (Debt to Equity Ratio) = X3
 OPERA (Operasi Perusahaan) = X4
 KP (Kepemilikan Publik) = X5
 KAP (Kantor Akuntan Publik) = X6
 AUDCH (Auditor Change) = X7
HASIL UJI MULTIKOLINIERITAS
DATA YANG TERJADI MULTIKOLINIERITAS
HASIL UJI MULTIKOLINIERITAS
Nilai VIF
 Nilai VIF X1 sebesar 24,562 > 10
 Nilai VIF X2 sebesar 5,927<10
 Nilai VIF X3 sebesar 16,808 > 10

Keterangan
Dari nilai VIF tersebut dapat dikatakan bahwa terjadi
multikolinieritas pada Model ini. Untuk mengatasi multikolinieritas
tersebut maka dipilih salah satu cara yaitu dengan
menghilangkan salah satu variabel independen.
Langkah-langkah yang dilakukan dalam menghilangkan
salah satu variabel independen pada model

1. Melihat korelasi terbesar antar variabel independen

Nilai VIF
 Korelasi antara X1 dan X2 adalah 0,909
 Korelasi antara X1 dan X3 adalah 0,969
 Korelasi antara X2 dan X3 adalah 0,868

Keterangan
Korelasi terbesar terjadi antara variabel X1 dan X3, oleh karena itu
variabel X1 atau X3 akan dihilangkan salah satu
Langkah-langkah yang dilakukan dalam menghilangkan
salah satu variabel independen pada model

2. Menetukan Variabel yang dikeluarkan

Untuk memutuskan variabel yang akan dikeluarkan maka terlebih dahulu dilihat korelasi
variabel X1 dan X3 terhadap Y (variabel dependen). Berdasarkan output correlations di atas dapat

diamati bahwa korelasi terbesar terhadap variabel Y adalah variabel X1, ini berarti hubungan X1

terhadap Y lebih kuat dibandingkan dengan hubungan X3 terhadap Y, oleh karena variabel yang

dikeluarkan adalah X3
PENGUJIAN MULTIKOLINIERITAS SETELAH VARIABEL X3 DIKELUARKAN 

Setelah dilakukan pengujian kembali maka nilai VIF < 10 dan > 0,1 sehingga
tidak terjadi multikolinieritas, maka pengujian dapat dilanjutkan.