PENGGUNAAN ANALISIS KOMPONEN UTAMA UNTUK MENGATASI MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

Abstract

Studi ini mengkaji tentang cara mendeteksi multikolinieritas dan penggunaan analisis komponen utama untuk mengatasi multikolinieritas dalam analisis regresi linier berganda. Analisis regresi linier berganda adalah analisis yang mempelajari hubungan kausal antara satu peubah tak bebas dengan dua atau lebih peubah bebas. Salah satu asumsi yang harus dipenuhi dalam analisis regresi Tinier berganda berhubungan dengan peubah bebas, peubah-peubah bebas tersebut tidak boleh ada korelasi atau terjadi multikolinieritas. Adanya multikolinieritas dapat dideteksi dengan memeriksa matriks korelasi, sedangkan untuk mengukur besarnya multikolinieritas dapat digunakan Variance Inflation Factor (VIF). Analisis komponen utama berusaha mereduksi K peubah pengamatan menjadi peubah baru yang saling ortogonal, masing-masing peubah bath tersebut merupakan kombinasi linier dari K peubah lama. Data yang dianalisis dalam penelitian ini ada dua jenis yaitu data simulasi dan data riil. Untuk data jenis simulasi didibangkitkan komputer dengan kriteria hubungan diantara dua peubah yang sempurna, kuat dan sedang. Metode analisis terhadap data dilakukan dengan memeriksa matnks korelasi dan menghitung nilai VIF, penerapan metode analisis komponen utama, kemudian membandingkan nilai koefisien regresi yang mengabaikan multikolinieritas dengan nilai koefisien regresi yang menggunakan metode analisis komponen utama. Hasil yang didapat menunjukkan bahwa multikolinieritas terdapat pada data yang memiliki kriteria hubungan diantara dua peubah yang sempurna dan kuat. Metode analisis komponen utama yang diterapkan pada analisis regresi mampu menghilangkan multikolinieritas, tetapi mengakibatkan koefisien regresi mempunyai bias yang lebih besar daripada metode kuadrat terkecil yang diterapkan secara langsung.