Masalah Multikolinearitas dalam Regresi Berganda

Istilah Multikolinearitas pertama kali ditemukan oleh Ragnar Frisch yang berarti adanya hubungan liniear yang sempurna atau pasti diantara beberapa atau semua variabel bebas dari model regresi berganda.

Menurut Gujarati (1978) gejala Multikolinearitas ini dapat dideteksi dengan beberapa cara antara lain :

  1. Menghitung koefisien korelasi sederhana (simple correlation) antara sesama variabel bebas, jika terdapat koefisien korelasi sederhana yang mencapai atau melebihi 0.8 maka hal tersebut menunjukkan terjadinya masalah multikolinearitas dalam regresi.
  2. Menghitung nilai Toleransi atau VIF (Variance Inflation Factor), jika nilai Toleransi kurang dari 0.1 atau nilai VIF melebihi 10 maka hal tersebut menunjukkan bahwa multikolinearitas adalah masalah yang pasti terjadi antar variabel bebas.
  3. Lakukan regresi antar variabel bebas dan menghitung masing-masing R2 , kemudian melakukan uji – F dan bandingkan dengan Ftabel (a;k-2,n-k+1). Jika nilai Fhit melebihi nilai Ftabel berarti dapat dinyatakan bahwa Xi kolinier dengan X yang lain.

Akibat dari masalah Multikolinearitas

Montgomery dan Hines (1990) menjelaskan bahwa dampak multikolinearitas dapat mengakibatkan koefisien regresi yang dihasilkan oleh analisis regresi berganda menjadi sangat lemah atau tidak dapat memberikan hasil analisis yang mewakili sifat atau pengaruh dari variabel bebas yang bersangkutan. Dalam banyak hal masalah Multikolinearitas dapat menyebabkan uji T menjadi tidak signifikan padahal jika masing-masing variabel bebas diregresikan secara terpisah dengan variabel tak bebas (simple regression) uji T menunjukkan hasil yang signifikan. Hal tersebutlah yang sering kali membuat pusing para peneliti karena hasil analisis yang dilakukan pada regresi berganda dan regresi sederhana tidaklah sejalan atau bahkan sangat bertentangan.

Contoh Ilustratif :



X1 = KADAR GULA
X2 = KADAR MADU
X3 = KADAR SUSU
Y = RASA MINUMAN SEHAT


Pada ilustrasi di atas tampak bahwa antara gula (x1) dengan madu (x2) akan membawa dampak yang sama (atau saling berhubungan) terhadap rasa manis pada minuman, sehingga akan sangat sulit untuk mengukur pengaruh rasa manis gula dan pengaruh rasa manis madu secara terpisah terhadap rasa minuman karena pengaruh rasa manisnya gula telah tercampur dengan rasa manisnya madu.


Prosedur Penanggulangan Masalah Multikolinearitas
Ada beberapa prosedur yang dapat digunakan untuk mengatasi masalah multikolinearitas, seperti : penggunaan informasi apriori dari hubungan beberapa variabel yang berkolinear, menghubungkan data cross-sectional dan data time series, mengeluarkan suatu variabel atau beberapa variabel bebas yang terlibat hubungan kolinear, melakukan transformasi variabel dengan prosedur first difference dan penambahan data baru. Akan tetapi pada prakteknya prosedur penanggulangan yang telah disebutkan di atas sangat tergantung sekali pada kondisi penelitian, misalnya : prosedur penggunaan informasi apriori sangat tergantung dari ada atau tidaknya dasar teori (literatur) yang sangat kuat untuk mendukung hubungan matematis antara variabel bebas yang saling berkolinear, prosedur mengeluarkan variabel bebas yang berkolinear seringkali membuat banyak peneliti keberatan karena prosedur ini akan mengurangi obyek penelitian yang diangkat, sedangkan prosedur lainya seperti menghubungkan data cross sectional dan time series, prosedur first difference dan penambahan data baru seringkali hanya memberikan efek penanggulangan yang kecil pada masalah multikolinearitas.


Principal Component Analysis (PCA) Mengatasi Masalah Multikolinearitas
Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component.


KOMPONEN 1 = P1 . X1(KADAR GULA) + P2 . X2(KADAR MADU) + P3 . X3(KADAR SUSU)
KOMPONEN 2 = Q1 . X1(KADAR GULA) + Q2 . X2(KADAR MADU) + Q3 . X3(KADAR SUSU)


Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh maka komponen-komponen tersebut diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi berganda. Analisis regresi akan menghasilkan model regresi sebagai berikut :



Y(RASA MINUMAN SEHAT) = B1 . KOMPONEN 1 + B2 . KOMPONEN 2



Dengan menggunakan prosedur subtitusi variabel dan perhitungan nilai standart error koefisien regresi, maka pengaruh x1, x2 dan x3 akan dapat dipelajari dan disimpulkan pengaruhnya terhadap rasa minuman.


Keuntungan penggunaan Principal Component Analysis (PCA) dibandingkan metode lain :
  1. Dapat menghilangkan korelasi secara bersih (korelasi = 0) sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih.
  2. Dapat digunakan untuk segala kondisi data / penelitian
  3. Dapat dipergunakan tanpa mengurangi jumlah variabel asal
  4. Walaupun metode Regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi akan tetapi kesimpulan yang diberikan lebih akurat dibandingkan dengan pengunaan metode lain

Baca Selengkapnya

Mengevaluasi Produk dengan Conjoint Analysis (CA)

oleh : Dicky Rahardiantoro

Dalam berbagai penelitian bisnis analisis conjoint adalah analisis yang paling umum untuk diterapkan terhadap market riset dan studi pengembangan produk. Sebagai contoh, ketika konsumen hendak membeli komputer mungkin akan memeriksa himpunan atribut untuk memilih produk mana yang paling cocok dengan kebutuhannya. Konsumen mungkin akan mempertimbangkan unsur kecepatan, merek motherboard, daya tampung memori, jenis VGA card atau kapasitasnya dalam mengerjakan tugas. Atribut-atribut tersebut beserta ciri-cirinya diperlukan konsumen untuk membuat pertimbangan dalam membuat keputusan akhir.


Ciri khas analisis Conjoint
adalah mempergunakan input dari variabel independen bukan angka (bersifat kualitatif). Secara umum data yang sedemikian itu dipecahkan dengan Crosstabulation, akan tetapi jika dimensi yang ditangani sangat banyak maka akan kewalahan. Jika terdapat tiga kategori harga, tiga merek motherboard, dua jenis VGA card, 2 jenis memori, dan tiga jenis harddisk, maka akan terdapat 108 profil (3 x 3 x 2 x 2 x 3) yang dapat dievaluasi. Analisis conjoint akan memecahkan masalah ini dengan berbagai pendekatan berskala optimal. Berdasarkan preferensi setiap profil produk yang disajikan, analisis conjoint akan dapat membuat kesimpulan tentang atribut dan kombinasi profil produk yang lebih disukai oleh masyarakat.


Tujuan analisis Conjoint adalah memperoleh skor kegunaan (utility) yang dapat mewakili kepentingan setiap aspek produk, sehingga dari skor tersebut dapat ditarik kesimpulan tentang atribut apa yang paling dipertimbangkan konsumen dalam memilih sebuah produk. Lewat analisis Conjoint seorang bisnisman akan lebih dimudahkan untuk dapat menentukan profil produk yang paling disukai masyarakat sesuai dengan tingkat pendidikan, status ekonomi, tempat / wilayah serta aspek-aspek pembeda lainnya. Berdasarkan analisis Conjoint seorang pedagang akan lebih tepat untuk menentukan profil barang seperti apa yang paling pas untuk dijual disuatu daerah.

Untuk merancang suatu model penelitian conjoint, maka perlu ditentukan dulu atribut-atribut yang akan diteliti beserta masing-masing levelnya. Misalnya dipilih 3 atribut, atribut kecepatan terdiri dari 3 level kecepatan (100, 200 dan 300 Mhz), atribut kapasitas Memori terdiri dari 3 level (8, 16 dan 32 Mbyte) dan atribut harga terdiri dari 3 level (1½ , 3 dan 4 Juta Rupiah). Jika ke-3 atribut tersebut dikombinasikan maka akan terdapat 3 x 3 x 3 = 27 profil komputer.

Prosedur ORTHOPLAN yang merupakan bagian dari conjoint bertugas untuk memperingkas ke-27 profil tersebut secara lebih realistis, karena mengingat bahwa tidak mungkin terdapat profil komputer dengan kecepatan 300 Mhz, memori 32 Byte akan tetapi berharga 1½ juta rupiah. Orthoplan akan membuat konfigurasi profil yang mungkin dengan sebuah pendekatan yang disebut sebagai Fractional Factorial. Misalnya diperoleh konfigurasi komputer (profile) yang mungkin sebanyak 9 profil, maka ke-9 profil komputer itulah yang akan diajukan kepada responden untuk diisi preferensinya. Sistem pengisian preferensi Conjoint dapat mengikuti 2 model yaitu : sistem rangking (menggunakan kartu hasil PLANCARD) dan sistem score.

Conjoint Analysis (CA) akan mengevaluasi ke-9 profil komputer tersebut, sehingga diperoleh tingkat kepentingan (importance) dan tingkat kegunaan (utility) dari setiap level atribut. Untuk memeriksa validitas hasil analisis maka ada sebagian kartu / profile yang ditahan untuk dijadikan sample holdout. Guna memperjelas hasil analisis maka analisis Conjoint secara automatis akan memperlihatkan salah satu dari sekian banyak diagram, sebagaimana contoh di bawah ini :

Diagram disamping menunjukkan bahwa atribut harga memiliki tingkat kepentingan yang paling tinggi dibandingkan dengan 2 atribut lainnya. Hal ini menunjukkan bahwa masyarakat pada umumnya akan membeli komputer dengan terlebih dahulu mempertimbangkan variabel harga. Mengenai level harga, kecepatan dan kapasitas memori yang lebih cenderung dipilih oleh masyarakat akan dijelaskan oleh analisis Conjoint dengan menggunakan Part-Worth
diagram




Kesalahan-kesalahan yang sering dilakukan oleh pengguna Conjoint Analysis :

  1. Kurang memahami perbedaan antara disain Factorial dengan disain Fractional Factorial
  2. Tidak memperhatikan asumsi relationship dari analisis Conjoint
  3. Selalu menganggap bahwa seluruh hubungan bersifat Diskret
  4. Salah dalam mendisain profile sehingga mengalami kesalahan ketika mengambil sample atau membuat kuisioner
  5. Selalu menggunakan contoh perhitungan pada buku Marketing Research (Malhotra) untuk berbagai kondisi dan hubungan atribut penelitian, padahal contoh perhitungan tersebut hanya berlaku pada sebuah kondisi tertentu

Baca Selengkapnya

Mengirim Pesan ke Email

Isikan nama, alamat email dan pesan anda untuk menghubungi kami melalui email. Pesan yang direspon hanyalah pesan yang mencantumkan alamat email yang benar.









Baca Selengkapnya

Pesan Diterima

Terima kasih.....
Pesan anda telah kami terima

Salam

Baca Selengkapnya