Chat WhatsApp

UJI MULTIKOLINEARITAS

shape image

UJI MULTIKOLINEARITAS

Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Prasyarat 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)
Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan Tolerance. Apabila nilai VIF berada dibawah 10,00 dan nilai Tolerance lebih dari 0,100, maka diambil kesimpulan bahwa model regresi tersebut tidak terdapat masalah multikolinearitas.



a)  Melihat nilai inflation factor (VIF) pada model regresi

Contoh Kasus:
         Sebagai contoh kasus kita mengambil contoh kasus pada uji normalitas pada pembahasan sebelumnya. Pada contoh kasus tersebut setelah dilakukan uji normalitas dan dinyatakan data berdistribusi normal, maka selanjutnya akan dilakukan pengujian multikolinearitas. Contoh kasus sebagai berikut:
Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:         

                     Tabel. Tabulasi Data (Data Fiktif)
Tahun
Harga Saham (Rp)
PER (%)
ROI (%)
1990
8300
4.90
6.47
1991
7500
3.28
3.14
1992
8950
5.05
5.00
1993
8250
4.00
4.75
1994
9000
5.97
6.23
1995
8750
4.24
6.03
1996
10000
8.00
8.75
1997
8200
7.45
7.72
1998
8300
7.47
8.00
1999
10900
12.68
10.40
2000
12800
14.45
12.42
2001
9450
10.50
8.62
2002
13000
17.24
12.07
2003
8000
15.56
5.83
2004
6500
10.85
5.20
2005
9000
16.56
8.53
2006
7600
13.24
7.37
2007
10200
16.98
9.38

Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear berganda.

Langkah-langkah pada program SPSS
Ø  Kita menggunakan input data yang sama pada uji normalitas.
Ø  Klik Analyze - Regression - Linear
Ø  Klik variabel Harga Saham dan masukkan ke kotak Dependent, kemudian klik variabel PER dan ROI dan masukkan ke kotak Independent
Ø  Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue
Ø  Klik OK, pada output anda lihat tabel coefficients pada kolom collinearity statistics, hasil yang di dapat sebagai berikut:

                                             Tabel. Hasil Uji Multikolinearitas


Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) kedua variabel yaitu PER dan ROI adalah 1,899 lebih kecil dari 10 dan Tolerance lebih dari 0,100, sehingga bisa disimpulkan bahwa antar variabel independen tidak terjadi persoalan multikolinearitas.


b) Dengan membandingkan nilai koefisien determinasi individual (r2) dengan nilai determinasi secara serentak (R2)
Dalam metode ini, cara yang ditempuh adalah dengan meregresikan setiap variabel independen dengan variabel independen lainnya, dengan tujuan untuk mengetahui nilai koefisien r2 untuk setiap variabel yang diregresikan. Selanjutnya nilai r2 tersebut dibandingkan dengan nilai koefisien determinasi R2. Kriteria pengujian yaitu jika r2 > R2 maka terjadi multikolinearitas dan jika r2 < R2 maka tidak terjadi multikolinearitas.

Contoh kasus:
Akan dilakukan analisis regresi untuk mengetahui pengaruh biaya produksi, distribusi, dan promosi terhadap tingkat penjualan. sebelumnya dilakukan uji asumsi klasik multikolinearitas, data sebagai berikut:

Tahun
Tingkat penjualan
Biaya produksi
Biaya distribusi
Biaya promosi
1996
127300000
37800000
11700000
8700000
1997
122500000
38100000
10900000
8300000
1998
146800000
42900000
11200000
9000000
1999
159200000
45200000
14800000
9600000
2000
171800000
48400000
12300000
9800000
2001
176600000
49200000
16800000
9200000
2002
193500000
48700000
19400000
12000000
2003
189300000
48300000
20500000
12700000
2004
224500000
50300000
19400000
14000000
2005
239100000
55800000
20200000
17300000
2006
257300000
56800000
18600000
18800000
2007
269200000
55900000
21800000
21500000
2008
308200000
59300000
24900000
21700000
2009
358800000
62900000
24300000
25900000
2010
362500000
60500000
22600000
27400000



Langkah-langkah analisis pada SPSS sebagai berikut:
- Inputkan data di SPSS 
-    Untuk analisis data, klik menu Analyze >> Regression >> Linear       
Langkah pertama meregresikan antar variabel independen, langkahnya masukkan variabel Biaya produksi ke kotak Dependent, kemudian masukkan variabel Biaya distribusi ke kotak Independent(s).

- Klik tombol OK. Hasil pada output Model Summary sebagai berikut:  (regresi variabel Biaya produksi dengan Biaya distribusi) 


-       Langkah selanjutnya meregresikan variabel Biaya produksi dengan Biaya promosi, kemudian Biaya distribusi dengan Biaya promosi dengan langkah-langkah sama seperti langkah di atas. Hasil output seperti berikut:


-   Langkah selanjutnya mencari nilai koefisien determinasi (R2) yaitu dengan meregresikan Biaya produksi, Biaya distribusi, dan Biaya promosi terhadap Tingkat penjualan. Langkahnya yaitu klik Analyze >> Regression >> Linear. Masukkan  variabel Tingkat penjualan ke kotak Dependent, kemudian masukkan variabel Biaya produksi, Biaya distribusi, dan Biaya Promosi ke kotak Independent(s).
-       Klik tombol OK, maka hasil pada output Model Summary sebagai berikut:    
         


Berikut ini ringkasan tabel hasil uji multikolinearitas:
Variabel Dependen
Variabel Independen
Nilai r square (r2)
Biaya produksi
Biaya produksi
Biaya distribusi
Biaya distribusi
Biaya promosi
Biaya promosi
0,797
0,843
0,728
Nilai R2
0,983

                                 
           Dari tabel di atas dapat diketahui bahwa nilai koefisien r2 yang diperoleh seluruhnya bernilai lebih kecil dari pada nilai koefisien determinasi (R2). Dengan demikian dapat disimpulkan bahwa tidak terjadi masalah multikolinearitas pada model regresi.



© Copyright 2024 Duwi Consultant
Konsultan, Pelatihan, & Jasa Olah Data Statistik

Chat WhatsApp

Form ini Dapat Digunakan Untuk Order atau Hubungi Kami

Chat Whatsapp