UJI ASUMSI KLASIK (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). Menurut Santoso (2001), pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya. 

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 5, sehingga bisa diduga 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.