44
4.2.1.2. Mengatasi Masalah Multikolinearitas dengan
Menggunakan Metode Principal Component Analysis
PCA
Selanjutnya dilakukan proses untuk menghilangkan adanya multikolinearitas. Metode pertama yang digunakan
adalah dengan metode PCA. Langkah-langkahnya sebagai berikut:
1. KMO dan Barlett Test
Dari lampiran 3 sampel ke-1 pada tabel
KMO and Bartletts Test
menunjukkan bahwa nilai KMO = 0,666 berada pada 0,5 dan 1, maka analisis faktor layak digunakan.
Sedangkan Barlett Test digunakan untuk menguji apakah benar variabel-variabel yang dilibatkan berkorelasi.
Hipotesis: = tidak ada korelasi antar variabel bebas
= ada korelasi antar variabel bebas Kriteria uji dengan melihat
ρ-value signifikansi. Terima jika Sig. 0,05. Dari lampiran 3 sampel ke-1 pada tabel
KMO and Bartletts Test
menunjukkan bahwa nilai chi-square = 36,774
dengan derajat kebebasan 3, dan ρ-value 0,000
0,05, maka ditolak. Artinya terdapat korelasi antar
variabel bebas.
45
2. Anti Image Matriks MSA
Berdasarkan kriteria angka MSA, pada tabel
Anti-image Matrices
lampiran 3 untuk sampel ke-1 terlihat bahwa semua angka MSA memiliki nilai di atas 0,5. Artinya analisis dapat
dilanjutkan.
3. Communalities
Dari lampiran 3 untuk sampel ke-1 pada tabel
Communalities
terlihat bahwa untuk variabel , diperoleh nilai sebesar
0,954 = 95,4. Hal ini berarti 95,4 variabel dapat
dijelaskan oleh faktor yang terbentuk. Demikian juga untuk variabel
dan .
4. Total Variance Explained
Dari lampiran 3 untuk sampel ke-1 pada tabel
Total Variance Explained
terlihat bahwa angka eigenvalues di bawah 1 tidak dapat digunakan dalam menghitung jumlah faktor yang
terbentuk, sehingga proses factoring seharusnya berhenti pada pada satu faktor saja.
Faktor satu memiliki eigenvalues sebesar 2,664, artinya faktor satu ini dapat menjelaskan 2,664 atau 88,787 dari
total Communalitie.
5. Component Matriks dan Component Score Coefficiens
Matriks
Berdasarkan tabel
Component Matrixa
lampiran 3 untuk sampel ke-1 terlihat bahwa hanya satu faktor yang terbentuk
46
dari ketiga variabel. Hal tersebut berarti bahwa satu faktor adalah jumlah yang paling optimal untuk mereduksi ketiga
variabel bebas tersebut. Dengan menggunakan tabel
Component Score Coefficient Matrix
lampiran 3 untuk sampel ke-1, diperoleh persamaan untuk faktor baru yang terbentuk adalah sebagai berikut:
.
Skor-skor faktor yang dihasilkan dapat digunakan untuk menggantikan skor-skor
pada variabel bebas yang asli. Setelah komponen hasil PCA yang bebas multikolinearitas diperoleh maka komponen-
komponen tersebut diregresikan atau dianalisis pengaruhnya terhadap variabel tak bebas
dengan menggunakan analisis regresi linear.
6. Model
Kategori