Judul:
ANALISIS REGRESI KOMPONEN UTAMA UNTUK
MENGATASI MASALAH MULTIKOLINIERITAS
DALAM ANALISIS REGRESI LINIER BERGANDA
Salah satu solusi yang dapat digunakan dalam menghadapi multikoloniaritas berdasarkan
metode kuadrat terkecil yang memberikan hasil yang tidak valid, adalah dengan
menggunakan analisis komponen utama (principal component analysis/PCA).
Maka masalah yang dibahas dalam penelitian ini adalah menggunakan analisis regresi
komponen utama untuk mengatasi masalah multikolinieritas antara variabel-variabel
bebas sehingga diperoleh persamaan regresi linier yang lebih baik dalam analisis linier
berganda.
LANDASAN TEROI
2.
Menurut Gujarati (2003), multikolinearitas adalah adanya hubungan linear yang
sempurna di antara beberapa atau semua variabel bebas dalam model regresi.
Bedasarkan hubungan yang terjadi antara variabel-variabel bebas, multikolinearitas
dibedakan menjadi dua:
a. Multikolinearitas Sempurna
Hubungan linear yang sempurna terjadi apabila berlaku hubungan sebagai berikut:
dimana 𝜆1, 𝜆2, 𝜆3, … , 𝜆𝑘 seluruhnya tidak sama dengan nol ( 𝜆𝑖 ≠ 0, 𝑖 =1, 2, 3, … , 𝑘).
Untuk mengetahui multikolinearitas sempurna dimisalkan 𝜆2 ≠ 0, sehingga
persamaan dapat ditulis sebagai berikut:
dimana 𝜀𝑖 adalah galat sisa dengan syarat galat yang saling bebas dan
menyebar normal , untuk mengetahui adanya multikolinearitas tidak
sempurna, maka dimisalkan 𝜆2 ≠ 0, sehingga persamaan dapat ditulis
sebagai berikut:
2.
Pada analisis regresi, multikolinieritas
dikatakan ada apabila beberapa kondisi
berikut dipenuhi:
a. Dua variabel berkorelasi sempurna (oleh
karena itu vektor-vektor yang
menggambarkan variabel tersebut
adalah kolinier).
b. Dua variabel bebas hampir berkorelasi
sempurna yaitu koefisien korelasinya
mendekati plus mines 1.
c. Kombinasi linier dari beberapa variabel
bebas berkorelasi sempurna atau
mendekati sempurna dengan variabel
bebas yang lain.
d. Kombinasi linier dari satu sub himpunan
variabel bebas berkorelasi sempurna
dengan satu kombinasi linier dari sub-
himpunan variabel bebas yang lain.
Dampak multikolinearitas (Montgomery,2006 )
3.
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) uji T
menunjukkan hasil yang signifikan.
Pendeteksian Multikoloniaritas
4.
5.
Analisis komponen utama merupakan teknik statistik yang digunakan untuk menjelaskan
struktur variansi-kovariansi dari sekumpulan variabel melalui beberapa variabel baru dimana
variabel baru ini saling bebas, dan merupakan kombinasi linier dari variabel asal. Selanjutnya
variabel baru ini dinamakan komponen utama.
Prosedur PCA bertujuan untuk menyederhanakan variabel yang diamati dengan cara
menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi
diantara variabel prediktor melalui transformasi variabel prediktor asal ke variabel baru yang
tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component.
5.
Dimana:
Wj = Peubah prediktor komponen utama yang merupakan kombinasi linear dari semua peubah baku Z
(j=1,2,…,m),
= konstanta,
= koefisien regresi (j=1,2,…,m),
ε = faktor pengganggu,
m = banyaknya komponen utama, m ≤ p.
Z( =
Regresi Komponen Utama
6.
Regresi komponen utama merupakan teknik analisis regresi yang dikombinasikan dengan
analisis komponen utama, dimana analisis komponen utama dijadikan sebagai tahap analisis.
Dua cara pembentukan regresi utama:
1.
Tabel. 3.1 Data JUB, Kurs Rupiah terhadap USD,suku bunga Bank Sentral, IHK, Perbedaan Suku Bunga
Indonesia dan US, SUN, dan SBI
2.
Mendeteksi Multikolinearitas Menggunakan Software Minitab
Dari output minitab terlihat bahwa nilai VIF untuk prediktor Kurs Rupiah terhadap USD, IHK, dan
SUN yaitu > 10 sehingga mengakibatkan tolak H0 yang berarti terdapat multikolinearitas pada
variabel-variabel prediktor (Kurs Rupiah terhadap USD, IHK, dan SUN). Jadi dapat disimpulkan
bahwa sudah cukup bukti untuk mengatakan bahwa terdapat hubungan atau korelasi antara Kurs
Rupiah terhadap USD, IHK, dan SUN yang terhadap JUB. Maka dalam hal ini variabel-variabel
prediktor memerlukan penanganan yaitu menggunakan PCA.
JUB Kurs Suku Perbedaa SUN SBI
IHK
Ket (puluhan Rupiah Bunga n Suku (milyar (milyar
(persen)
triliyun terhadap Bank Bunga rupiah) rupiah)
Rata-rata 302,8939 9584,833 6,277778 134,1783 6,027778 741,5532 116,2685
-527,8333333 -9578,333333 -9458,543 -9578,583333 -8960,60233 -9389,51933
-761,8333333 -9578,083333 -9458,373 -9578,333333 -8957,68133 -9390,19833
-875,8333333 -9578,083333 -9458,783 -9578,333333 -8945,48133 -9354,68533
-1010,833333 -9578,083333 -9459,173 -9578,333333 -8942,35133 -9354,76233
-1047,833333 -9578,083333 -9459,023 -9578,333333 -8934,02633 -9386,96233
-987,8333333 -9578,083333 -9458,333 -9578,333333 -8930,35833 -9398,88733
-1076,833333 -9578,083333 -9457,483 -9578,333333 -8921,20833 -9402,83733
-1006,833333 -9578,083333 -9456,293 -9578,333333 -8919,05233 -9413,60533
-761,8333333 -9578,083333 -9455,943 -9578,333333 -8926,47033 -9435,60533
-749,8333333 -9578,333333 -9456,093 -9578,583333 -8911,81533 -9441,76433
-414,8333333 -9578,833333 -9455,653 -9579,083333 -8900,06533 -9446,82333
-516,8333333 -9578,833333 -9454,923 -9579,083333 -8900,21533 -9465,05633
-584,8333333 -9578,833333 -9453,933 -9579,083333 -8888,19733 -9478,47833
-499,8333333 -9579,083333 -9453,873 -9579,333333 -8869,99633 -9485,75933
-404,8333333 -9579,083333 -9453,783 -9579,333333 -8877,38633 -9490,33633
-394,8333333 -9579,083333 -9453,513 -9579,333333 -8868,93633 -9489,33633
-19,83333333 -9579,083333 -9453,423 -9579,333333 -8863,31133 -9489,16933
-104,8333333 -9579,083333 -9452,603 -9579,333333 -8853,86133 -9495,09933
V= (Xi-Xbar)
-99,83333333 -9579,083333 -9451,673 -9579,333333 -8845,84133 -9502,65533
-24,83333333 -9579,083333 -9450,403 -9579,333333 -8842,98833 -9503,35633
3,166666667 -9579,083333 -9450,383 -9579,333333 -8834,06833 -9516,64533
30,16666667 -9579,083333 -9450,163 -9579,333333 -8813,85933 -9515,27333
20,16666667 -9579,083333 -9450,073 -9579,333333 -8813,31733 -9509,02833
85,16666667 -9579,083333 -9449,343 -9579,333333 -8827,60233 -9505,96033
113,1666667 -9579,083333 -9447,953 -9579,333333 -8814,45233 -9500,56133
82,16666667 -9579,083333 -9446,923 -9579,333333 -8800,96533 -9496,76333
134,1666667 -9579,083333 -9446,053 -9579,333333 -8797,50333 -9492,83433
137,1666667 -9579,083333 -9446,193 -9579,333333 -8786,20333 -9489,45433
217,1666667 -9579,083333 -9446,233 -9579,333333 -8767,22033 -9490,10433
344,1666667 -9578,833333 -9444,803 -9579,083333 -8776,06933 -9502,91333
693,1666667 -9578,333333 -9440,203 -9578,583333 -8758,21933 -9510,73233
1339,166667 -9577,833333 -9438,583 -9578,083333 -8744,02233 -9518,75433
2028,166667 -9577,583333 -9439,093 -9577,833333 -8729,66333 -9519,85933
1649,166667 -9577,583333 -9438,963 -9577,833333 -8688,65833 -9495,57333
2392,166667 -9577,333333 -9438,793 -9577,583333 -8669,65833 -9495,53833
2604,166667 -9577,333333 -9437,993 -9577,583333 -8676,75533 -9493,44133
Hasil Manual Excel
Nilai eigen yang lebih dari satu mewakili semua data.
3.
Mengatasi Multikolinearitas dengan PCA Menggunakan Minitab