PENANGANAN MULTIKOLINEARITAS DENGAN MENGGUNAKAN ANALISIS REGRESI KOMPONEN UTAMA PADA KASUS IMPOR BERAS DI PROVINSI SULUT
DOI:
https://doi.org/10.35799/jis.18.1.2018.19396Abstract
PENANGANAN MULTIKOLINEARITAS DENGAN
MENGGUNAKAN ANALISIS REGRESI KOMPONEN UTAMA
PADA KASUS IMPOR BERAS DI PROVINSI SULUT
                 ÂABSTRAK
Multikolinearitas adalah suatu kondisi dimana terjadi korelasi antara variabel bebas atau antar variabel bebas tidak bersifat saling bebas. Besaran yang dapat digunakan untuk mendeteksi adanya multikolinearitas adalah faktor inflasi ragam (Variance Inflation Factor / VIF). Tujuan dari penelitian ini yakni untuk mengetahui cara mengatasi multikolinearitas, menentukan model persamaan regresi komponen utama, dan mengetahui variabel-variabel yang mempengaruhi impor beras di SULUT. Penelitian menggunakan data impor beras di Sulawesi Utara pada tahun 2006-2015. Data akan di analisis menggunakan analisis regresi komponen utama. Analisis regresi komponen utama dapat mengatasi masalah multikolinearitas pada data impor beras di Sulawesi Utara dimana terlihat nilai VIF pada regresi komponen utama bernilai satu untuk semua variabel komponen utama. Berdasarkan hasil analisis regresi komponen utama diperoleh model  = 48258,1804 + 0,006739247 X1 - 0,92939626 X2 - 0,06475365 X3 - 0,38551398 X4 + 0,0001233267 X5 + 5,365936 X6 + 0,0006384361 X7 + 0.0005029473 X8 - 3,25379897 X9 + 0,01069348 X10 dan koefisien determinasi (R2) = 90,36% dan nilai (Radj) = 85,53%. Semua variabel yaitu Produksi beras Sulawesi Utara , stok beras di Sulawesi Utara , luas panen padi Sulawesi utara , penerimaan beras dari dalam negeri sulawesi utara , devisa impor paid pada bea dan cukai Bitung , produk domestik regional bruto atas dasar harga berlaku menurut lapangan usaha di Sulawesi Utara , pendapatan pajak daerah Sulawesi Utara , penggunaan devisa impor unpaid pada bea dan cukai Bitung , kurs , dan jumlah penduduk Sulawesi Utara  mempengaruhi impor beras di SULUT (Y).
Kata Kunci :Â Multikolinearitas, Regresi Komponen Utama, Variance Inflation Factor (VIF), Impor Beras.
Â
MULTICOLLINEARITY HANDLING USING PRINCIPAL COMPONENTS
REFRESSION ON IMPORTED RICE CASE IN
NORTH SULAWESI PROVINCE
Â
ABSTRACTÂ Â Â Â Â Â Â Â Â Â
Multicolinearity is a condition where there is correlation between independent variables or between independent variables that are not mutually free. The quantity that can be used to detect the presence of multicollinearity is Variance Inflation Factor (VIF). The purpose of this research is to determine the equation model of regression principal component, and to know the variables that influence on rice import in SULUT. The study used data of rice imports in North Sulawesi in 2006-2015. The data will be analyzed using regression analysis of principal components. Regression analysis of principal component can overcome the problem of multicollinearity in rice import data in North Sulawesi where seen VIF value at regression of principal component is one for all principal component variable. Based on the analysis results of regression principal component, has obtained the model Y = 48258,1804 + 0,006739247 X1 - 0,92939626 X2 - 0,06475365 X3 - 0,38551398 X4 + 0,0001233267 X5 + 5,365936 X6 + 0,0006384361 X7 + 0.0005029473 X8 - 3,25379897 X9 + 0,01069348 X10 and coefficient of determination (R2) = 90,36% and value (Radj) = 85,53%. All variables i.e North Sulawesi rice production (X1), rice stock in North Sulawesi (X2), harvested area of North Sulawesi (X3), domestic rice revenues from north Sulawesi (X4), import duty paid of Bitung’s custom duty and excise (X5 ), gross regional domestic product of current prices by business field in North Sulawesi (X6), North Sulawesi tax revenues (X7), unpaid import duties on customs duty and excise (X8), exchange rate (X9), and population North Sulawesi (X10) affects the import of rice in SULUT (Y).
Keywords : Multicolinearity, Principal Component Regression, Variance Inflation Factor (VIF), Rice Import.References
Antono, H. T., M. Lutfi. 2014. Variabel-Variabel yang Berpengaruh Terhadap Swabakar Batubara Menggunakan Regresi Komponen Utama. Jurnal Statistika. 14(1) : 25-30.
Mariana. 2013. Analisis Komponen Utama. Jurnal Matematika dan Pembela-jarannya. 2(2) : 112-113.
Morrison, D. F. 1978. Multivariate Statistical Methods Series in Probability and Statistics. Mc Graw Hill. Singapore.
Ryan, T. P. 1997. Modern Regression Methods. John Wiley & Sons. New York.
Sembiring, R. K. 1995. Analisis Regresi. ITB. Bandung.
Suryanto. 1988. Metode Statistik Multivariat I. P2LPTK. Jakarta.
Wohon, S. C., D. Hatidja., dan N. Nainggolan. 2017. Penentuan Model Regresi Terbaik Menggunakan Metode Stepwise. Jurnal Ilmiah Sains.17(2) : 1-9.
