2 Cara Mengatasi Gejala Multikolinieritas Dengan SPSS

15 Januari 2021 - Eko Wahyu Adhi

Hello Audiens. Uji Asumsi Klasik Multikolinieritas merupakan sebuah uji yang di lakukan untuk membuat analisa apakah terdapat hubungan yang kuat diantara variabel-variabel independent dalam sebuah model regressi.

Dipembahasan sebelumnya saya telah menerangkan langkah demi langkah untuk melakukan sebuah Uji Asumsi Klasik Multikolinieritas, Namun saya menyadari bahwasannya ada kemungkinan data yang kamu uji saat itu mengalami gejala Multikolinieritas.

Melihat permasalahan tersebut saya mencoba untuk membuat penyelesaian untuk mengatasi data yang terindikasi Multikolinieritas, Ada beberapa metode yang dapat digunakan untuk mengatasi data yang terindikasi Multikolinieritas dan dalam pembahasan kali ini saya akan membahas metode tersebut yang dapat digunakan untuk mengatasi gejala Multikolinieritas.


DASAR PENGAMBILAN KEPUTUSAN

Jika nilai yang dihasilkan dari Statistics VIF berada diantara 1-10 maka dapat dikatakan jika data tersebut tidak terjadi Multikolinieritas.

Berdasarkan hasil dari output diatas di ketahui bahwa variabel pada X1 terjadi Multikolinieritas karena nilai Statistics VIF > 10, Maka variabel tersebut perlu diatasi untuk dapat di lanjutkan ke pengujian selanjutnya.

Cara Pertama

1. Berikut adalah data yang sudah saya miliki, Dimana dari data tersebut pada variabel X1 terindikasi Multikolinieritas dan akan segera di atasi dengan menggunakan cara yang pertama.


2. Selanjutnya buka software spss yang kini telah terinstall, Lalu pergi ke Variable View.


3. Kemudian ikuti sesuai dengan gambar yang tertera dibawah, Sesuaikan dengan jumlah variabel yang dimiliki saat ini dan pastikan agar tidak tertukar pada saat mengisi kolom Label antar variabel lainnya.


4. Salin seluruh data yang sudah dimiliki sebelumnya pada area Data View spss, Hingga tampilannya menjadi seperti berikut.


6. Beralih ke tab Analyze kemudian pilih Regression lalu pilih Linear.


7. Selanjutnya pindahkan variabel Dependent pada kolom Dependent serta lakukan hal serupa pada variabel Independent. Catatan, Karena salah satu dari variabel Independent mengalami Multikolinieritas maka cukup dengan menambahkan 2 variabel saja. Disini saya memilih untuk mengeliminasi variabel X3. Lalu pilih Statistics.


8. Beri centang pada Collinearity Diagnostics lalu pilih Continue.


9. Kini data tersebut telah terbebas dari gejala Multikolinieritas karena memiliki nilai Statistics VIF < 10.


Cara Kedua

1. Buat table seperti yang sudah di arahkan oleh tanda panah dibawah, Lalu pada kolom Y pilih tab Formulas - More Functions - Statistical lalu pilih Correl.


2. Selanjutnya blok seluruh variabel Dependent (Y) lalu tempatkan pada kolom Array 1 dan Array 2.


3. Usai rumus tersebut berhasil di eksekusi kita perlu menerapkan pada kolom lainnya, Kunci rumus tersebut =CORREL(G11:G23;$G$11:$G$23) lalu tarik hingga variabel X3.


4. Hingga akhirnya menjadi seperti berikut.


5. Lanjutkan untuk menentukan hasil dari variabel X1, blok seluruh variabel Independent (X1) lalu tempatkan pada kolom Array 1 dan Array 2.


6. Usai mendapatkan hasil dari rumus yang sudah di jalankan, Kunci rumus tersebut =CORREL(H11:H24;$H$11:$H$24) lalu tarik hingga variabel X3.


7. Berikut adalah hasil setelah rumus tersebut berhasil di jalankan.


8. Lakukan hal serupa untuk melengkapi kolom variabel yang masih kosong yaitu X2 dan X3, Hingga hasil akhirnya menjadi seperti gambar yang tertera dibawah.


9. Selanjutnya kita perlu mengurutkan data tersebut serta nomor urutnya dari yang terkecil hingga yang terbesar, Block area yang sudah di arahkan oleh tanda panah dibawah lalu klik Sort & Filter lalu Custom Sort.


10. Kita telah mengetahui bahwa data diatas yang terindikasi Multikolinieritas adalah variabel X1, Maka disini saya memilih untuk mengubah urutannya hanya pada variabel X1. Jika kamu memiliki 2 variabel yang mengalami Multikolinieritas kamu bisa memilih salah satu dari variabel tersebut.


11. Dari area matriks yang diarahkan oleh tanda panah dibawah sebesar 0,943112, Beberapa asumsi menyatakan bahwa nilai tersebut sangat dianjurkan untuk tidak melebihi 0,95. Namun pada pembahasan kali ini meskipun nilai tersebut dibawah 0,95 dan tetap terindikasi Multikolinieritas maka kita perlu mengeliminasi beberapa sampel untuk dapat menurunkan nilai tersebut.


12. Selanjutnya saya memilih untuk mengeliminasi sampel ke 14 sehingga berhasil menurunkan nilai yang sebelumnya sebesar 0,943112 kini menjadi 0,939823.


13. Langkah selanjutnya beralih ke spss lalu salin seluruh data tersebut yang kini berjumlah 13 lalu lakukan langkah-langkah yang sudah di jelaskan diawal untuk melakukan pengujian Multikolinieritas.


14. Kini seluruh variabel independent tersebut telah terbebas dari gejala Multikolinieritas, Dari beberapa cara yang dapat dilakukan untuk mengatasi gejala Multikolinieritas penulis menganggap bahwa cara yang kedua layak untuk dijadikan pilihan dibandingkan cara pertama yang mengharuskan untuk mengeliminasi beberapa variabel independent.


Perlu di akui bahwasannya dalam mengatasi gejala Multikolinieritas menggunakan cara yang kedua terlihat sangat Kompleks, Namun jika kamu tidak ingin menghilangkan variabel yang terkandung dalam model penelitian saat ini penyelesaian dengan cara yang kedua dapat dijadikan sebuah pilihan.

Jika kamu mengalami kendala saat mengikuti instruksi yang sudah di jelaskan diatas, Kamu bisa memberikan pertanyaan pada kolom komentar. Kami akan berupaya membantu untuk mengatasi masalah yang kamu hadapi saat ini.


KOMENTAR

Jika komentar berisi kata - kata negatif maka tidak akan di tampilkan.