PRINCIPAL COMPONENT ANALYSIS (PCA) SEBAGAI SALAH SATU METODE UNTUK MENGATASI MASALAH MULTIKOLINEARITAS

Analisis regresi merupakan analisis yang mempelajari bagaimana membangun sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu fenomena alami atas dasar fenomena yang lain. Ada juga yang menyatakan bahwa analisis regresi merupakan suatu analisis mengenai hubungan antara dua variable atau lebih yang umumnya dinyatakan dalam persamaan matematik.

Dalam statistika sebuah model regresi dikatakan baik atau cocok,jika dipenuhi asumsi-asumsi ideal (klasik), yakni tidak adanya otokorelasi, heteroskedastisitas dan multikolinieritas. Sehingga proses control terhadap model perlu dilakukan untuk menelaah dipenuhi tidaknya asumsi tersebut.

Salah satu dari ketiga asumsi model regresi linier klasik adalah yakni tidak terdapat multikolinearitas di antara variabel yang menjelaskan yang termasuk dalam model. Ketika menentukan model regresi populasi ada kemungkinan bahwa dalam sampel tertentu, beberapa atau semua variable X sangat kolinear (mempunyai hubungan linear sempurna atau hampir sempurna).


Ada beberapa prosedur yang dapat digunakan untuk mengatasi masalah multikolinearitas, seperti : pengunaan informasi apriori dari hubungan beberapa variable 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, melalui ln (logaritma) dan penambahan data baru dan juga melalui ridge regression.

Akan tetapi pada praktiknya prosedur penanggulangan yang telah disebutkan di atas sangat tergantung sekali pada kondisi penelitian, misalnya : 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 lainnya 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.

AUTHOR:

SOEMARTINI

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2008