Universitas Sumatera Utara
4.4.2 Memeriksa Multikolinearitas antara Variabel-Variabel Independen
Pengujian asumsi multikolinearitas perlu dilakukan sebelum proses pemodelan regresi.
fit - lmY~X1+X2+X3+X4+X5+X6, data= script viffit
Kasus multikolinearitas pada model regresi menyebabkan parameter regresi yang dihasilkan akan memiliki error yang sangat besar. Nilai Variance Inflation
Factors VIF pada Tabel 4.9 menunjukkan bahwa tidak terdapat korelasi antara variabel prediktor karena nilai VIF kurang dari 10 VIF10.
Tabel 4.9 Nilai Variance Inflation Factors VIF
Variabel VIF
X
1
1,5584 X
2
2,4782 X
3
2,9353 X
4
2,1172 X
5
2,1754 X
6
2,5180
4.4.3 Model Regresi Ordinary Least Square OLS Kejadian Balita Gizi
Buruk
Berdasarkan Gambar 4.1 terdapat 1 variabel yang memiliki nilai p 0,25 yaitu ASI eksklusif X
1
dengan p = 0,35 sehingga tidak dapat masuk dalam model. Berdasarkan hasil analisis korelasi Pearson pada Gambar 4.1 dapat
dibentuk beberapa alternatif model OLS sebagai berikut:
fit - lmY~X2 +X4, data=script summaryfit
fit - lmY~X3 +X6, data=script summaryfit
fit - lmY~X4 +X5, data=script summaryfit
fit - lmY~X4 +X6, data=script summaryfit
Universitas Sumatera Utara
1. 5
6 = -2,499 + 0,2510
-2
X
2
+ 0,2310
-3
X
4
R
2
= 50,91 2.
5
6 = -0,9256 + 0,6910
-2
X
3
R
2
= 52,07 3.
5
6 = 1,052 + 0,8810
-2
X
5
R
2
= 56,82 4.
5
6 = -1,043 + 0,2210
-3
X
4
R
2
= 39,89
Dari keempat model tersebut maka dipilih model berdasarkan nilai R
2
tertinggi, yaitu model ketiga dengan nilai R
2
sebesar 56,82. Pada model ketiga tersebut menjelaskan bahwa setiap terjadi kenaikan 1000
balita mengalami penyakit infeksi diare X
5
, maka gizi buruk meningkat sebesar 9 balita dengan syarat variabel lainnya dalam kondisi tetap.
Simulasi prediksi dilakukan pada Kecamatan Helvetia sebagai penyumbang gizi buruk tertinggi yaitu sebagai berikut:
78 = 1,052 + 0,8810
-2
436 78 = 4,88 ≈ 5
Artinya, bila jumlah balita yang mengalami penyakit infeksi diare 436 orang, maka jumlah balita gizi buruk di Kecamatan Helvetia diperkirakan
sebanyak 5 orang.
4.4.4 Uji Parameter Regresi Ordinary Least Square OLS