◈ SakuArtis

Cara Uji Multikolinearitas SPSS 2026: Panduan

**Cara uji multikolinearitas SPSS** adalah prosedur wajib dalam analisis regresi berganda — memastikan tidak ada hubungan linear yang terlalu kuat antar variabel bebas. Jika multikolinearitas terjadi, koefisien regresi menjadi tidak stabil dan uji signifikansi bisa menyesatkan. Kabar baiknya, SPSS menyediakan **collinearity diagnostics** yang menampilkan nilai **Tolerance dan VIF** dalam sekali klik. Panduan ini menjelaskan konsepnya, langkah uji di SPSS, cara membaca output, dan solusi jika asumsi dilanggar.

Oleh Tim Riset SakuArtis · Panduan terverifikasi 2026
Kategori: Cara Waktu baca ~7 mnt
Cara Uji Multikolinearitas Spss
Ilustrasi: cara uji multikolinearitas spss.Gambar via media edukasi / pencarian gambar — Sumber: media edukasi / pencarian gambar

Apa Itu Multikolinearitas

Multikolinearitas adalah kondisi ketika dua atau lebih variabel independen saling berkorelasi kuat dalam model regresi. Regresi berganda mengasumsikan setiap variabel bebas memberi kontribusi unik; jika dua variabel hampir identik informasinya, model kesulitan memisahkan pengaruh masing-masing.

Dampaknya serius: standard error membengkak, sehingga variabel yang sebenarnya berpengaruh bisa tampak tidak signifikan; koefisien tidak stabil (sedikit perubahan data mengubah tanda/besaran); dan interpretasi menjadi menyesatkan. Inilah mengapa uji ini termasuk uji asumsi klasik yang wajib dilaporkan dalam skripsi/tesis.

Contoh klasik: memasukkan tinggi badan (cm) dan tinggi badan (inci) sebagai dua variabel — keduanya mengukur hal yang sama sehingga korelasinya mendekati 1. Contoh realistis: pendapatan dan pengeluaran rumah tangga yang bergerak seiring.

Indikator: Tolerance dan VIF

Dua angka kunci dari output SPSS: Tolerance dan VIF (Variance Inflation Factor). Keduanya saling berkebalikan: VIF = 1 / Tolerance. Aturan keputusan yang umum dipakai: tidak terjadi multikolinearitas jika Tolerance > 0,10 dan VIF < 10.

Sebaliknya, terjadi multikolinearitas jika Tolerance ≤ 0,10 atau VIF ≥ 10. Sebagian literatur yang lebih ketat memakai ambang VIF ≥ 5 sebagai sinyal waspada. Cantumkan ambang yang kamu pakai di laporan agar konsisten.

Selain itu SPSS menampilkan Condition Index pada tabel collinearity diagnostics — nilai di atas 30 mengindikasikan potensi masalah serius. Untuk keperluan skripsi S1, melaporkan Tolerance dan VIF umumnya sudah mencukupi.

Langkah Uji di SPSS

Buka data di SPSS, lalu klik menu Analyze → Regression → Linear. Masukkan variabel terikat ke kotak Dependent dan variabel-variabel bebas ke kotak Independent(s).

Klik tombol Statistics, centang Collinearity diagnostics (jangan lupa juga centang Estimates dan Model fit untuk output regresi standar), lalu klik Continue → OK. SPSS menampilkan beberapa tabel; fokus ke tabel Coefficients — kolom paling kanan memuat Tolerance dan VIF tiap variabel bebas.

Tips: pastikan tidak ada data kosong (missing) berlebihan dan variabel berskala interval/rasio (atau dummy yang dikodekan benar). Variabel kategorikal mentah harus diubah menjadi dummy terlebih dahulu.

Cara Membaca Output

Lihat tabel Coefficients, kolom Collinearity Statistics. Periksa tiap baris variabel bebas: jika semua Tolerance > 0,1 dan VIF < 10, tulis kesimpulan: 'tidak terjadi multikolinearitas, asumsi terpenuhi'.

Jika ada variabel dengan VIF ≥ 10, catat variabel mana saja yang bermasalah — biasanya variabel yang berkorelasi tinggi satu sama lain. Untuk konfirmasi, lihat matriks korelasi (Analyze → Correlate → Bivariate): korelasi antar variabel bebas di atas 0,8-0,9 memperkuat diagnosis.

Dalam laporan, sajikan tabel nilai Tolerance dan VIF tiap variabel plus satu kalimat interpretasi. Jangan hanya menulis 'lolos uji' tanpa angka — pembimbing dan penguji ingin melihat buktinya.

Cara Mengatasi Multikolinearitas

Solusi paling sederhana: keluarkan salah satu variabel yang berkorelasi sangat tinggi — pilih yang relevansi teorinya lebih lemah atau yang VIF-nya paling besar. Jalankan ulang regresi dan cek kembali VIF-nya.

Alternatif lain: tambah jumlah data (sampel lebih besar menstabilkan estimasi), transformasi variabel (misalnya logaritma atau akar), atau menggabungkan variabel berkorelasi menjadi satu indeks/komposit. Teknik lanjutan: analisis faktor/PCA untuk mereduksi variabel, atau ridge regression.

Catatan penting: jangan asal membuang variabel tanpa landasan teori — variabel yang dibuang bisa jadi justru variabel kunci penelitianmu. Diskusikan dengan pembimbing sebelum memutuskan. Laporkan dengan jujur di skripsi: variabel apa yang dikeluarkan dan mengapa.

Kesalahan Umum Mahasiswa

Kesalahan 1: tidak mencentang Collinearity diagnostics sehingga output VIF tidak muncul, lalu mengarang kesimpulan. Kesalahan 2: salah ambang — menulis 'VIF > 10 berarti aman' (terbalik!). Ingat: VIF kecil = aman.

Kesalahan 3: hanya menguji tanpa melaporkan angka di bab hasil. Kesalahan 4: panik dan membuang banyak variabel sekaligus — ubah satu per satu lalu uji ulang agar tahu mana yang bermasalah.

Kesalahan 5: mengabaikan multikolinearitas sempurna akibat dummy trap (memasukkan semua kategori dummy tanpa mengeluarkan satu acuan). Selalu keluarkan satu kategori sebagai pembanding.

Uji Asumsi Klasik Lain yang Menyertai

Multikolinearitas adalah satu dari empat uji asumsi klasik regresi linear. Tiga lainnya: normalitas residual (uji Kolmogorov-Smirnov atau plot P-P), heteroskedastisitas (uji Glejser atau scatterplot ZPRED vs SRESID), dan autokorelasi (uji Durbin-Watson — hanya untuk data time series).

Urutan pengerjaan bebas, tetapi laporkan semuanya di skripsi — penguji akan menanyakannya. Jika satu asumsi dilanggar, atasi dulu sebelum interpretasi model final; hasil regresi yang asumsinya jebol tidak valid secara statistik.

Catat bahwa uji asumsi klasik wajib untuk OLS; jika kamu memakai metode lain (misalnya regresi logistik atau PLS-SEM), asumsi yang diuji berbeda. Sesuaikan dengan metode analisismu, bukan sekadar ikut-ikutan template.

Contoh Kalimat Laporan Hasil Uji

Bingung merangkai kalimat di bab hasil? Contoh yang bisa diadaptasi: 'Berdasarkan Tabel 4.x, nilai Tolerance seluruh variabel bebas berada di atas 0,10 (rentang 0,xxx-0,xxx) dan nilai VIF di bawah 10 (rentang x,xx-x,xx). Dengan demikian dapat disimpulkan tidak terjadi multikolinearitas antar variabel independen sehingga asumsi klasik terpenuhi.'

Jika bermasalah: 'Variabel X2 memiliki VIF sebesar 12,4 (>10) yang mengindikasikan multikolinearitas. Setelah mengeluarkan variabel X2 yang berkorelasi 0,91 dengan X3, nilai VIF seluruh variabel turun di bawah 5 sehingga model layak diinterpretasi.'

Selalu sertakan tabel angka sebelum kalimat interpretasi. Hindari kalimat generik tanpa bukti seperti 'data lolos uji multikolinearitas' — penguji butuh melihat nilai pastinya.

Interpretasi Nilai di Antara Ambang

Bagaimana jika VIF = 7 — di bawah 10 tetapi di atas 5? Ini zona abu-abu. Pendekatan bijak: laporkan apa adanya dan cek korelasi bivariat antar variabel yang VIF-nya tinggi. Jika korelasinya di bawah 0,8 dan landasan teori kuat, banyak pembimbing memaklumi untuk tetap mempertahankan variabel.

Sebaliknya VIF 3 ke bawah umumnya dianggap sangat aman tanpa perdebatan. Jika skripsimu memakai ambang ketat (VIF ≥ 5 = bermasalah), cantumkan sumber rujukan ambang tersebut di bab metode agar penguji tidak mempermasalahkan.

Ingat: ambang 10 adalah kaidah praktis, bukan hukum alam. Yang terpenting adalah kamu memahami maknanya dan bisa menjelaskan keputusanmu secara masuk akal saat sidang — bukan sekadar menghafal angka.

Contoh Kasus Lengkap: Dari Data ke Kesimpulan

Bayangkan skripsi tentang faktor yang memengaruhi kinerja karyawan: variabel bebasnya motivasi (X1), disiplin (X2), dan lingkungan kerja (X3). Setelah Analyze → Regression → Linear → centang Collinearity diagnostics, tabel Coefficients menunjukkan: X1 Tolerance 0,65 VIF 1,54; X2 Tolerance 0,08 VIF 12,5; X3 Tolerance 0,09 VIF 11,1.

Diagnosis: X2 dan X3 bermasalah (VIF > 10). Cek korelasi bivariat: X2-X3 = 0,93 — keduanya mengukur hal yang tumpang tindih (karyawan disiplin biasanya menilai lingkungan baik). Keputusan: keluarkan X3 (relevansi teori lebih lemah), jalankan ulang regresi.

Hasil kedua: semua VIF < 3 — asumsi terpenuhi. Di bab hasil, sajikan kedua tabel (sebelum dan sesudah) plus narasi: 'Variabel X3 dikeluarkan karena berkorelasi 0,93 dengan X2 dan VIF > 10; setelah dikeluarkan, tidak terjadi multikolinearitas.' Transparansi seperti ini disukai penguji — menunjukkan kamu paham, bukan sekadar lolos uji.

Pertanyaan Umum

Bagaimana cara uji multikolinearitas di SPSS?

Analyze → Regression → Linear → masukkan variabel → Statistics → centang Collinearity diagnostics → OK. Lihat kolom Tolerance dan VIF pada tabel Coefficients.

Berapa nilai VIF yang menunjukkan multikolinearitas?

VIF ≥ 10 (atau Tolerance ≤ 0,10) menunjukkan terjadi multikolinearitas. Batas aman: VIF < 10 dan Tolerance > 0,10. Sebagian literatur memakai ambang ketat VIF ≥ 5.

Apa hubungan Tolerance dan VIF?

Keduanya berkebalikan: VIF = 1 / Tolerance. Tolerance kecil berarti VIF besar — keduanya mengukur hal yang sama dari dua sisi.

Apa yang terjadi jika ada multikolinearitas?

Standard error membengkak, koefisien tidak stabil, dan uji signifikansi bisa menyesatkan — variabel yang sebenarnya berpengaruh bisa tampak tidak signifikan.

Bagaimana cara mengatasi multikolinearitas?

Keluarkan salah satu variabel yang berkorelasi tinggi, tambah jumlah data, transformasi variabel (log/akar), gabungkan jadi indeks komposit, atau gunakan PCA/ridge regression.

Di tabel SPSS mana nilai VIF muncul?

Pada tabel Coefficients hasil regresi linear, di kolom paling kanan bertajuk Collinearity Statistics — hanya muncul jika Collinearity diagnostics dicentang.

Apakah korelasi antar variabel bebas boleh tinggi?

Korelasi di atas 0,8-0,9 antar variabel bebas adalah sinyal bahaya. Cek via Analyze → Correlate → Bivariate untuk konfirmasi sebelum memutuskan.

Apa itu dummy trap dalam regresi?

Kesalahan memasukkan semua kategori dummy tanpa mengeluarkan satu kategori acuan, menyebabkan multikolinearitas sempurna. Selalu keluarkan satu kategori sebagai pembanding.

Sumber