Uji Asumsi Klasik Multikolinieritas

Kasus :

Sebagai contoh, seorang peneliti ingin meneliti pengaruh variable Distribusi (X1) dan

Promosi (X2) terhadap Penjualan (Y) pada perusahaan rokok JRM, BTL, dan SKN selama kurun

waktu 1991 sampai tahun 2000. Alternatifnya, peneliti dapat melakukan regresi linier sederhana

sebanyak 10 kali (tahun) untuk tiap data silang waktu (satu kali dengan data cross section tiga

perusahaan dalam 1 tahun). Atau alternatif lainnya adalah peneliti dapat melakukan regresi linier

sederhana 3 kali (satu kali untuk 1 perusahaan dengan data time series selama 10 tahun).

Alternatif lainnya adalah menggunakan resresi dengan data gabungan antara data cross sectional

(JRM, BTL, SKN) dengan data time sries ( tahun 1991-2000) atau regresi menggunakan panel

data (pooled regression). Data yang dikumpulkan adalah sebagai berikut :

Data Penelitian Regresi Data Panel

No. Perusahaan Penjualan Distribusi Promosi

1 JRM-91 57 1687 3212 JRM-92 94 2008 3203 JRM-93 160 2208 3464 JRM-94 147 1657 4565 JRM-95 146 1604 5436 JRM-96 98 1432 6187 JRM-97 94 1611 6478 JRM-98 135 1819 6719 JRM-99 157 2080 726

10 JRM-00 180 2372 80011 BTL-91 113 1834 22112 BTL-92 92 1588 28813 BTL-93 61 1749 32014 BTL-94 57 1687 32115 BTL-95 94 2008 32016 BTL-96 160 2208 34617 BTL-97 147 1657 456

18 BTL-98 146 1604 54319 BTL-99 98 1432 61820 BTL-00 94 1611 64721 SKN-91 13 192 222 SKN-92 26 516 123 SKN-93 35 729 724 SKN-94 23 230 425 SKN-95 19 190 526 SKN-96 29 300 527 SKN-97 49 500 3628 SKN-98 43 561 3529 SKN-99 37 380 630 SKN-00 38 390 8

A. Uji Multikolinieritas dengan Melihat Nilai R2 dan Nilai t Statistik

Untuk melakukan pengujian multikolinieritas menggunakan perbandingan nilai R2

dan nilai t statistic maka dapat menggunakan langkah-langkah sebagai berikut:

1. Buat File untuk Uji Asumsi Klasik

2. Klik Analize → Regression → Linear

3. Masukkan variable Penjualan pada kotak Dependent

4. Masukkan variable Distribusi dan Promosi pada kotak Independent(s)

5. Abaikan pilihan lain dan klik OK

6. Hasil output yang terbentuk adalah sebagai berikut:

Model Summary

Model R R Square Adjusted R

Square

Std. Error of the

Estimate

1 .881a .776 .759 25.198

a. Predictors: (Constant), X2, X1

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1

Regression 59376.793 2 29688.397 46.759 .000b

Residual 17143.074 27 634.929

Total 76519.867 29

a. Dependent Variable: Y

b. Predictors: (Constant), X2, X1

Coefficientsa

Model Unstandardized Coefficients Standardized

Coefficients

T Sig.

B Std. Error Beta

1

(Constant) 10.917 10.107 1.080 .290

X1 .041 .011 .569 3.798 .001

X2 .070 .029 .358 2.389 .024

a. Dependent Variable: Y

Analisis Hasil Output Regresi:

1. Analisis Model Summary

Berdasarkan output pada model summary, terlihat bahwa nilai R Square 0,776 sedangkan

nilai adjusted R Square 0,759. Hal itu menunjukkan bahwa nilai koefisien ini relative

tinggi, namun demikian untuk menyimpulkan ada tidaknya gejala multikolinieritas harus

dibandingkan dengan t statistic.

2. Analisis ANOVA

Berdasarkan output ANOVA terlihat bahwa F statistic sebesar 46,759 dengan signifikasi

sebesar 0,000. Hal ini menunjukkan bahwa uji F menolak hipotesis nol.

3. Analisis Coefficients

Berdasarkan output coefficients terlihat bahwa nilai t statistic variable Distribusi sebesar

3,798 dan t statistic variable Promosi sebesar 2,389. Tingkat signifikasi variable

Distribusi sebesar 0,001 sementara tingkat signifikasi variable Promosi sebesar 0,024.

Hal ini menunjukkan bahwa uji t variable Distribusi dan Promosi adalah signifikan atau

menolak hipotesis nol.

4. Kesimpulan

Dengan melihat perbandingan nilai R2 yang relative tinggi dan nilai t statistic baik

variable Distribusi maupun Promosi yang signifikan menunjukkan bahwa model regresi

yang terbentuk tidak mengalami gejalan multikolinieritas.

B. Uji Multikolinieritas dengan Korelasi Parsial

Untuk menguji gejala multikolinier dengan melihat korelasi parsial dapat menggunakan

langkah-langkah sebagai berikut:

1. Buat File untuk Uji Asumsi Klasik

2. Klik Analize → Regression → Linear

3. Masukkan variable Penjualan pada kotak Dependent

4. Masukkan variable Distribusi dan Promosi pada kotak Independent(s)

5. Klik Statistic → Part and Partial Correlations dan lanjutkan dengan klik Continue

6. Abaikan pilihan lain dan klik OK

7. Hasil output yang terbentuk adalah sebagai berikut:

Model Summary

Model R R Square Adjusted R

Square

Std. Error of the

Estimate

1 .881a .776 .759 25.198

a. Predictors: (Constant), X2, X1

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1

Regression 59376.793 2 29688.397 46.759 .000b

Residual 17143.074 27 634.929

Total 76519.867 29

a. Dependent Variable: Y

b. Predictors: (Constant), X2, X1

Coefficientsa

Model Unstandardized Coefficients Standardized

Coefficients

t Sig. Correlations

B Std. Error Beta Zero-order Partial Part

1

(Constant) 10.917 10.107 1.080 .290

X1 .041 .011 .569 3.798 .001 .854 .590 .346

X2 .070 .029 .358 2.389 .024 .810 .418 .218

a. Dependent Variable: Y

Analisis Hasil Output:

1. Model Summary

Berdasarkan output pada Model Summary terlihat bahwa koefisien determinasi R2 secara

keseluruhan adalah sebesar 0,776.

2. Coefficients

Berdasarkan output pada coefficients, nilai Corellation Partial yaitu pada kolom 8 terlihat

bahwa korelasi parsial variable Distribusi adalah 0,590, sedangkan korelasi parsial

variable Promosi adalah sebesar 0,418.

3. Kesimpulan

Dengan melihat koefisien determinasi R2 secara keseluruhann sebesar 0,776 lebih besar

dari koefisien korelasi variable Distribusi dan variable Promosi yang masing-masing

sebesar 0,590 dan 0,418 maka dapat disimpulkan bahwa pada model regresi yang

terbentuk tidak terjadi gejala multikolinieritas.