Uji multikolinearitas adalah pemeriksaan untuk melihat apakah variabel-variabel bebas dalam regresi berganda saling berkorelasi terlalu kuat. Jika korelasinya terlalu kuat, pengaruh masing-masing variabel sulit dipisahkan, sehingga hasil uji t bisa menyesatkan.
Multikolinearitas bukan berarti data Anda salah. Masalahnya adalah dua variabel atau lebih membawa informasi yang hampir sama, sehingga regresi “bingung” membagi pengaruh di antara keduanya. Artikel ini menjelaskan cara membaca VIF dan Tolerance, contoh kasus lengkap, dan pilihan solusinya.
Artikel ini bagian dari seri Materi Statistik IDTesis dan melengkapi pembahasan singkat di artikel uji asumsi klasik.
Apa Itu Multikolinearitas?
Bayangkan Anda meneliti pengaruh motivasi dan semangat kerja terhadap kinerja. Karyawan yang motivasinya tinggi hampir selalu juga bersemangat. Ketika keduanya dimasukkan bersama ke regresi, model sulit menentukan mana yang sebenarnya berperan, karena keduanya naik dan turun bersama-sama.
Kondisi inilah yang disebut multikolinearitas. Istilah ini hanya berlaku untuk regresi dengan dua variabel bebas atau lebih. Regresi linier sederhana dengan satu variabel bebas tidak perlu diuji multikolinearitasnya.
Mengapa Multikolinearitas Menjadi Masalah?
Multikolinearitas yang kuat menimbulkan tiga gejala:
- Standard error koefisien membesar. Akibatnya nilai t mengecil dan p-value membesar. Variabel yang sebenarnya penting bisa tampak tidak signifikan pada uji t ?.
- Koefisien menjadi tidak stabil. Menambah atau membuang satu variabel, atau beberapa responden, bisa mengubah besar koefisien secara drastis. Kadang tandanya ikut berbalik.
- R² hampir tidak terpengaruh. Kemampuan model secara keseluruhan untuk menjelaskan variabel terikat tetap baik. Yang terganggu adalah pembagian pengaruh antarvariabel.
Karena itu, multikolinearitas paling merugikan jika tujuan penelitian adalah menguji pengaruh masing-masing variabel, yang memang menjadi tujuan sebagian besar skripsi dan tesis.
Cara Membaca VIF dan Tolerance
Uji multikolinearitas di SPSS memakai dua ukuran yang saling berkaitan. Untuk setiap variabel bebas ke-j, SPSS meregresikan variabel itu terhadap semua variabel bebas lainnya, lalu mengambil R²-nya (disebut R²j).
- Tolerance = 1 ? R²j. Menunjukkan bagian variasi variabel itu yang tidak dijelaskan variabel bebas lain. Makin kecil, makin tumpang tindih.
- VIF (Variance Inflation Factor) = 1 / Tolerance. Menunjukkan berapa kali lipat varians koefisien membesar akibat korelasi dengan variabel bebas lain.
Contohnya, VIF = 4 berarti varians koefisien membesar empat kali, sehingga standard error-nya membesar ?4 = 2 kali dibandingkan jika variabel itu tidak berkorelasi dengan variabel bebas lain.
| Nilai VIF | Tolerance | Cara membaca |
|---|---|---|
| 1 | 1 | Tidak berkorelasi sama sekali dengan variabel bebas lain |
| 1 sampai 5 | 0,20 sampai 1 | Korelasi rendah sampai sedang, umumnya aman |
| 5 sampai 10 | 0,10 sampai 0,20 | Perlu perhatian; sebagian peneliti sudah menganggapnya masalah |
| Di atas 10 | Di bawah 0,10 | Multikolinearitas serius (Hair dkk., 2019) |
Patokan yang paling sering dipakai di skripsi adalah VIF di bawah 10 dan Tolerance di atas 0,10. Sebagian peneliti memakai batas yang lebih ketat, yaitu VIF di bawah 5. O’Brien (2007) mengingatkan bahwa patokan ini sebaiknya tidak dipakai secara mekanis. VIF 6 pada sampel besar bisa saja tidak bermasalah, sementara VIF 3 pada sampel kecil bisa sudah membuat standard error terlalu besar. Pilih satu patokan, sebutkan rujukannya, dan pakai secara konsisten.
Contoh Uji Multikolinearitas
Seorang peneliti menguji pengaruh Motivasi, Kompensasi, dan Lingkungan Kerja terhadap Kinerja pada 100 karyawan. Data dan hasil regresinya sama dengan contoh di artikel uji t dan uji F ?. Lalu peneliti mencoba menambahkan variabel keempat, Semangat Kerja, yang ternyata berkorelasi 0,92 dengan Motivasi. Angka di bawah berasal dari data ilustrasi.
| Variabel bebas | VIF (model 3 variabel) | Tolerance | VIF (model 4 variabel) | Tolerance |
|---|---|---|---|---|
| Motivasi | 1,40 | 0,715 | 7,33 | 0,136 |
| Kompensasi | 1,20 | 0,831 | 1,23 | 0,815 |
| Lingkungan Kerja | 1,18 | 0,847 | 1,18 | 0,846 |
| Semangat Kerja | – | – | 6,72 | 0,149 |
Pada model tiga variabel, semua VIF di bawah 1,5. Tidak ada multikolinearitas. Setelah Semangat Kerja masuk, VIF Motivasi melonjak menjadi 7,33. Tolerance 0,136 berarti 86,4% variasi Motivasi sudah dijelaskan oleh variabel bebas lain, terutama Semangat Kerja. Kompensasi dan Lingkungan Kerja hampir tidak berubah karena keduanya tidak terkait erat dengan Semangat Kerja.
Apa akibatnya pada hasil regresi?
- Motivasi: koefisien turun dari 0,611 menjadi 0,433, standard error naik dari 0,122 menjadi 0,281, dan p-value berubah dari di bawah 0,001 menjadi 0,127. Motivasi tiba-tiba “tidak signifikan”.
- Semangat Kerja: juga tidak signifikan (p = 0,482), padahal korelasinya dengan kinerja cukup kuat (r = 0,56).
- R²: hanya naik dari 0,403 menjadi 0,406. Adjusted R² malah turun dari 0,384 menjadi 0,381.
Dua variabel yang masing-masing berkaitan kuat dengan kinerja justru sama-sama tidak signifikan ketika dimasukkan bersama. Inilah gejala khas multikolinearitas. Jika peneliti tidak memeriksa VIF, ia bisa keliru menyimpulkan bahwa motivasi tidak berpengaruh terhadap kinerja.
Langkah Uji Multikolinearitas di SPSS
- Buka Analyze ? Regression ? Linear. Masukkan variabel terikat dan semua variabel bebas.
- Klik Statistics, lalu centang Collinearity diagnostics. Klik Continue, lalu OK.
- Buka tabel Coefficients. Di ujung kanan ada dua kolom tambahan: Tolerance dan VIF. Bandingkan setiap nilai dengan patokan yang Anda pilih.
- SPSS juga menampilkan tabel Collinearity Diagnostics berisi eigenvalue dan condition index. Tabel ini jarang diminta di skripsi. Belsley dkk. (1980) menyarankan condition index di atas 30 sebagai tanda multikolinearitas kuat, terutama jika dua variabel atau lebih punya variance proportion tinggi pada baris yang sama.
Cara Mengatasi Multikolinearitas
Tidak ada satu solusi untuk semua kasus. Pilihannya bergantung pada penyebab dan tujuan penelitian.
- Keluarkan salah satu variabel, dengan alasan teori. Pada contoh di atas, motivasi dan semangat kerja secara konsep memang sangat dekat. Peneliti bisa memilih salah satu yang lebih sesuai dengan kerangka teori. Jika Semangat Kerja dikeluarkan, model kembali ke VIF di bawah 1,5 dan Motivasi kembali signifikan.
- Gabungkan variabel yang mengukur konsep yang sama. Jika keduanya dianggap dua sisi dari satu konsep, misalnya “keterlibatan kerja”, skornya bisa digabung menjadi satu variabel. Penggabungan sebaiknya didukung teori dan, bila perlu, analisis faktor.
- Perbesar sampel. Standard error mengecil seiring bertambahnya sampel, sehingga dampak multikolinearitas ikut berkurang. Cara ini tidak menghilangkan korelasi antarvariabel, tetapi membuat taksiran lebih stabil.
- Centering untuk variabel interaksi. Pada regresi dengan variabel moderasi, variabel interaksi (X × Z) hampir selalu punya VIF tinggi karena dibentuk dari perkalian X dan Z. Mengurangi setiap variabel dengan rata-ratanya sebelum dikalikan (centering) menurunkan VIF tersebut, dan uji koefisien interaksinya tidak berubah.
- Biarkan, jika tujuannya hanya prediksi. Jika Anda hanya butuh model untuk memprediksi, bukan menafsirkan pengaruh tiap variabel, multikolinearitas tidak mengganggu.
Solusi yang perlu dihindari adalah membuang variabel hipotesis hanya agar “lolos” tanpa penjelasan teori, atau mengubah data responden. Setiap perubahan model perlu ditulis di Bab 4 beserta alasannya.
Memilih solusi yang tepat sering membutuhkan pertimbangan teori, bukan hanya angka. Jika Anda butuh teman diskusi untuk menimbang pilihannya, tim IDTesis bisa membantu.
Multikolinearitas dalam SEM PLS
Di SEM PLS, VIF tetap dipakai, tetapi patokannya lebih ketat. Hair dkk. (2022) menyarankan VIF idealnya di bawah 3 dan menyebut nilai di atas 5 sebagai tanda masalah kolinearitas. VIF diperiksa di dua tempat:
- Inner model: antarvariabel laten yang mengarah ke variabel laten yang sama.
- Outer model formatif: antarindikator pada konstruk formatif.
Nilai VIF di SmartPLS ada di menu hasil PLS Algorithm, bagian Collinearity statistics (VIF). Cara membacanya dibahas di artikel cara membaca output SmartPLS.
Contoh Penulisan Hasil Uji Multikolinearitas di Bab 4
Jika tidak terjadi multikolinearitas:
Uji multikolinearitas dilakukan dengan melihat nilai Tolerance dan Variance Inflation Factor (VIF). Ketiga variabel bebas memiliki nilai Tolerance antara 0,715 dan 0,847 (> 0,10) serta VIF antara 1,18 dan 1,40 (< 10). Dengan demikian, tidak terjadi multikolinearitas, sehingga pengaruh masing-masing variabel bebas dapat ditafsirkan secara terpisah.
Jika multikolinearitas ditemukan lalu diperbaiki:
Pada model awal, variabel Semangat Kerja memiliki VIF 6,72 dan Motivasi memiliki VIF 7,33, dengan korelasi antarkeduanya sebesar 0,92. Karena kedua variabel secara konseptual tumpang tindih dan kerangka teori penelitian ini menempatkan motivasi sebagai variabel utama, Semangat Kerja dikeluarkan dari model. Pada model akhir, seluruh nilai VIF berada di bawah 1,5.
Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.
Kesalahan yang Sering Terjadi
- Menguji multikolinearitas pada regresi sederhana. Dengan satu variabel bebas, VIF selalu 1.
- Hanya melihat korelasi berpasangan. Multikolinearitas bisa melibatkan tiga variabel atau lebih sekaligus. VIF menangkap hubungan itu, sedangkan matriks korelasi tidak selalu.
- Menganggap VIF tinggi sebagai tanda data buruk. VIF tinggi menandakan informasi yang tumpang tindih, bukan kesalahan pengisian kuesioner.
- Membuang variabel tanpa alasan teori. Variabel yang dibuang mungkin justru penting untuk menjawab rumusan masalah.
Pertanyaan yang Sering Diajukan
Apakah regresi linier sederhana perlu uji multikolinearitas?
Tidak. Multikolinearitas adalah hubungan antarvariabel bebas, sehingga baru relevan jika variabel bebasnya dua atau lebih.
Lebih tepat memakai batas VIF 10 atau 5?
Keduanya dipakai dalam literatur. VIF 10 lebih umum di skripsi dan tesis regresi, sedangkan VIF 5 atau 3 lebih umum di SEM PLS. Ikuti kebiasaan di program studi Anda, sebutkan rujukannya, dan pakai secara konsisten.
Korelasi antarvariabel bebas 0,7, apakah pasti terjadi multikolinearitas?
Belum tentu. Korelasi 0,7 menghasilkan VIF sekitar 1,96 jika hanya ada dua variabel bebas, yang masih tergolong aman. Untuk memastikan, selalu lihat VIF, bukan hanya korelasi. Perbedaan korelasi dan regresi dibahas di artikel regresi vs korelasi.
Bagaimana jika variabel dengan VIF tinggi adalah variabel utama penelitian?
Diskusikan dengan pembimbing. Pilihannya antara lain menggabungkan variabel yang tumpang tindih, memilih salah satu berdasarkan teori, atau melaporkan pengaruh keduanya secara bersama-sama. R² keduanya tetap bisa ditafsirkan; caranya dibahas di artikel koefisien determinasi ?.
Apakah multikolinearitas termasuk uji asumsi klasik?
Ya. Bersama normalitas residual, uji heteroskedastisitas ?, dan uji autokorelasi ?, uji ini termasuk empat uji asumsi klasik regresi OLS.
Butuh Teman Diskusi untuk Uji Multikolinearitas?
Nilai VIF Anda tinggi dan bingung harus membuang variabel atau tidak? Tim IDTesis bisa menemani Anda menelusuri penyebabnya, menimbang solusi yang sesuai dengan kerangka teori, dan menuliskan hasilnya dengan rapi di Bab 4. Ceritakan dulu kondisinya lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Uji Asumsi Klasik · Analisis Regresi · Uji Heteroskedastisitas ?
Referensi
- Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression diagnostics: Identifying influential data and sources of collinearity. Wiley.
- Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
- O’Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690.
