Uji Multikolinearitas SPSS: Membaca VIF dan Tolerance Tanpa Bingung
TL;DR
Uji multikolinearitas ngecek apakah variabel bebas dalam model regresimu saling tumpang tindih. Di SPSS caranya lewat Analyze > Regression > Linear > Statistics, centang Collinearity diagnostics, lalu baca kolom Tolerance dan VIF di tabel Coefficients. Data dinyatakan bebas multikolinearitas kalau nilai VIF di bawah 10 dan Tolerance di atas 0,10 untuk semua variabel bebas.
Multikolinearitas terjadi kalau variabel bebas dalam model regresimu saling tumpang tindih, sampai SPSS kesulitan misahin pengaruh masing-masing.
Gejalanya khas dan bikin bingung. R square gede, uji F signifikan, tapi hampir semua variabel bebas keluar nggak signifikan di tabel Coefficients.
Dua angka yang dipakai buat mendeteksi ini: VIF dan Tolerance. Dua-duanya ada di satu tabel yang sama, dan isinya sebenernya angka yang sama cuma dibalik.
Di bawah ini aku jalanin langkahnya di SPSS, jelasin cara baca angkanya, lalu tunjukin tiga cara benerinnya pakai data warung beneran.
Apa itu multikolinearitas dalam regresi berganda?
Multikolinearitas adalah kondisi saat dua atau lebih variabel bebas dalam model regresi punya hubungan linear yang kuat satu sama lain. Akibatnya, model kesulitan nentuin kontribusi masing-masing variabel terhadap variabel terikat. Koefisiennya jadi nggak stabil, dan standard error-nya membengkak.
Contoh gampangnya. Kamu mau ngukur pengaruh jumlah transaksi dan jumlah item terjual terhadap omzet warung.
Dua variabel itu hampir selalu gerak bareng. Makin banyak struk, makin banyak item. Model jadi bingung, angka mana yang beneran nyetir omzet.
Yang perlu kamu pegang: multikolinearitas nggak bikin prediksi modelmu jelek. R square tetap valid. Yang rusak cuma tafsiran koefisien per variabel.
Jadi kalau tujuan penelitianmu nyimpulin "variabel X1 berpengaruh signifikan terhadap Y", uji ini wajib lolos dulu.
Gimana cara uji multikolinearitas di SPSS?
Uji multikolinearitas di SPSS jalan bareng regresi utama, jadi kamu nggak perlu analisis terpisah. Cukup centang satu pilihan di kotak Statistics, dan SPSS bakal nambahin kolom Tolerance dan VIF di tabel Coefficients. Total langkahnya cuma lima klik.
- Buka Analyze > Regression > Linear.
- Masukin variabel terikat ke kotak Dependent, dan semua variabel bebas ke kotak Independent(s).
- Klik tombol Statistics di kanan atas.
- Centang Collinearity diagnostics. Biarin Estimates dan Model fit tetap tercentang.
- Klik Continue, lalu OK.
Di output, cari tabel Coefficients. Di paling kanan sekarang muncul grup kolom Collinearity Statistics yang isinya Tolerance dan VIF.
SPSS juga ngeluarin tabel kedua namanya Collinearity Diagnostics yang isinya Eigenvalue, Condition Index, dan Variance Proportions. Tabel itu buat pemeriksaan lanjutan, dan aku bahas di bagian bawah.
Detail tiap pilihan di kotak Statistics bisa kamu cek di dokumentasi resmi IBM SPSS Statistics.
Gimana cara baca nilai VIF dan Tolerance?
Tolerance nunjukin porsi variasi sebuah variabel bebas yang nggak bisa dijelasin variabel bebas lain. VIF adalah kebalikannya, dihitung dari 1 dibagi Tolerance. Nilai VIF di bawah 10 dan Tolerance di atas 0,10 berarti model bebas multikolinearitas.
Rumusnya begini. Tolerance = 1 dikurangi R square dari regresi variabel bebas itu terhadap semua variabel bebas lain.
Jadi Tolerance 0,08 artinya 92 persen variasi variabel itu udah bisa ditebak dari variabel bebas lain. Nyaris nggak ada informasi baru yang dia bawa ke model.
| Tolerance | VIF | Tafsiran |
|---|---|---|
| di atas 0,50 | di bawah 2 | Aman, variabel saling berdiri sendiri |
| 0,20 sampai 0,50 | 2 sampai 5 | Ada tumpang tindih ringan, masih wajar |
| 0,10 sampai 0,20 | 5 sampai 10 | Zona abu-abu, perhatiin kalau kamu nafsirin koefisien |
| di bawah 0,10 | di atas 10 | Multikolinearitas, wajib dibenerin |
Karena VIF dan Tolerance isinya sama, kamu cukup nulis salah satu di laporan. Kebanyakan skripsi nulis dua-duanya biar aman sama penguji.
Contoh kalimat kesimpulannya: "Seluruh variabel bebas memiliki nilai Tolerance di atas 0,10 dan VIF di bawah 10, sehingga model dinyatakan bebas dari gejala multikolinearitas."
Kenapa batasnya 10, dan kapan pakai 5?
Angka 10 itu kebiasaan, bukan hukum. VIF 10 berarti standard error koefisienmu jadi sekitar 3,16 kali lebih lebar dibanding kalau variabelnya saling bebas, karena pelebarannya sebanding sama akar VIF.
Batas 5 dipakai kalau penelitianmu fokus nafsirin besaran tiap koefisien, misalnya mau bilang kenaikan 1 juta belanja iklan naikin omzet sekian rupiah. Di situ presisi angkanya penting.
Batas 10 cukup kalau kamu cuma perlu tau arah dan signifikansi.
Yang paling penting: tentuin batasnya di bab metode sebelum lihat hasil, bukan sesudah. Milih batas 10 setelah lihat VIF-mu 7,2 itu yang bikin penguji curiga.
Contoh kasus: 3 variabel di dataset toko_berkah
Aku pakai dataset toko_berkah, data 60 warung kelontong binaan koperasi di Jawa Barat. Variabel terikatnya omzet bulanan, dengan tiga variabel bebas: jumlah transaksi, jumlah item terjual, dan belanja iklan.
Regresi pertama kasih hasil yang aneh. R square 0,89, uji F signifikan di 0,000, tapi cuma satu dari tiga variabel yang signifikan.
Ini tabel Coefficients-nya.
| Variabel | Sig. | Tolerance | VIF |
|---|---|---|---|
| Jumlah transaksi | 0,412 | 0,114 | 8,74 |
| Jumlah item terjual | 0,338 | 0,109 | 9,17 |
| Belanja iklan | 0,001 | 0,867 | 1,15 |
Pola ini khas banget. Dua variabel dengan VIF hampir 9 saling menutupi, dan dua-duanya jadi nggak signifikan padahal korelasi masing-masing ke omzet di atas 0,8.
Korelasi antara jumlah transaksi dan jumlah item terjual di data ini 0,932. Wajar, karena tiap struk di warung kelontong rata-rata isinya 4,2 item, dan angka itu stabil dari warung ke warung.
Perbaikannya aku pilih yang paling masuk akal secara teori: ganti dua variabel itu jadi satu, yaitu jumlah transaksi, lalu tambahin variabel baru berupa rata-rata item per transaksi.
Hasil setelah perbaikan: VIF jumlah transaksi turun jadi 1,31 dan rata-rata item per transaksi 1,28. Dua-duanya sekarang signifikan di bawah 0,05, dan R square cuma turun tipis dari 0,89 ke 0,87.
Ini angka original dari dataset ngulikdata. Pelajarannya: variabel yang tumpang tindih sering bisa diselamatkan jadi rasio, nggak harus dibuang.
Apa yang dilakukan kalau data kena multikolinearitas?
Tiga jalan ini yang paling kepakai, urut dari yang paling sering berhasil.
- Ubah jadi rasio. Dua variabel yang gerak bareng sering bisa digabung jadi satu angka yang lebih bermakna. Jumlah item dibagi jumlah transaksi jadi rata-rata item per struk. Belanja iklan dibagi omzet jadi porsi biaya promosi.
- Gabungin jadi indeks. Buat data kuesioner, beberapa indikator yang mirip bisa dirata-ratain jadi satu skor konstruk. Ini yang biasa dipakai kalau item pertanyaanmu banyak dan saling berkaitan.
- Buang salah satu. Pilih yang dasar teorinya paling lemah, bukan yang VIF-nya paling gede. Kalau dua-duanya penting secara teori, jangan buang, cari jalan pertama atau kedua.
Sebelum ngambil keputusan, cek dulu matriks korelasi antar variabel bebasmu biar kelihatan pasangan mana yang bermasalah. Kalau datamu masih di Excel, fungsi CORREL bisa ngitung korelasi antar dua kolom dalam sekali ketik.
Tapi ingat, korelasi berpasangan yang kelihatan aman belum tentu berarti VIF-mu aman, dan itu aku jelasin di bagian berikutnya.
Kapan tabel Collinearity Diagnostics kepakai?
Tabel kedua yang dikeluarin SPSS berisi Condition Index dan Variance Proportions. Ini dipakai kalau VIF-mu di zona abu-abu dan kamu butuh bukti tambahan.
Cara bacanya: cari baris dengan Condition Index di atas 30. Di baris itu, lihat kolom Variance Proportions. Kalau ada dua variabel atau lebih yang nilainya di atas 0,90 di baris yang sama, dua variabel itulah yang saling tumpang tindih.
Kelebihannya dibanding VIF, tabel ini nunjukin pasangan variabel mana yang bermasalah. VIF cuma bilang ada masalah tanpa nunjuk siapa temannya.
Kesalahan umum waktu uji multikolinearitas
- Ngandelin matriks korelasi doang. Tiga variabel dengan korelasi berpasangan cuma 0,6 bisa bareng-bareng bikin VIF 12. Korelasi ngukur dua variabel, VIF ngukur satu variabel lawan semuanya.
- Buang variabel cuma gara-gara VIF tinggi. Kalau variabel itu inti dari hipotesismu, buang berarti kamu ngubah penelitian biar cocok sama angka.
- Uji multikolinearitas di regresi sederhana. Satu variabel bebas nggak mungkin kena multikolinearitas, karena nggak ada temannya buat tumpang tindih. VIF-nya pasti 1.
- Panik lihat VIF variabel dummy. Variabel boneka dari satu kategori yang sama memang sering punya VIF agak tinggi, dan itu wajar secara struktur.
- Lupa masalahnya cuma di tafsiran. Kalau modelmu buat prediksi, bukan buat nyimpulin pengaruh per variabel, VIF tinggi nggak bikin prediksinya jelek.
Uji ini satu paket sama uji asumsi klasik lain. Kalau kamu belum ngecek varians residualnya, mampir ke uji heteroskedastisitas SPSS setelah ini.
FAQ
Nilai VIF berapa yang dianggap aman?
Patokan paling umum di skripsi Indonesia adalah VIF di bawah 10 dan Tolerance di atas 0,10. Sebagian penelitian pakai batas lebih ketat, yaitu VIF di bawah 5, terutama kalau kamu mau nafsirin besaran koefisien satu per satu. Yang penting sebutin batas mana yang kamu pakai di bab metode, lalu konsisten.
Apa hubungan VIF dan Tolerance?
Dua angka itu isinya sama, cuma dibalik. VIF sama dengan 1 dibagi Tolerance. Tolerance 0,10 berarti VIF 10, dan Tolerance 0,20 berarti VIF 5. Kamu cukup baca salah satu. SPSS nampilin dua-duanya di tabel Coefficients biar kamu bebas milih mana yang mau ditulis.
Multikolinearitas bikin hasil regresi salah nggak?
Nggak salah, tapi nggak stabil. Kemampuan model buat memprediksi tetap oke dan R square tetap valid. Yang kacau adalah koefisien tiap variabel: standard error membengkak, jadi variabel yang sebenernya berpengaruh bisa keluar nggak signifikan. Wajib dibenerin kalau kamu mau nafsirin pengaruh per variabel.
Gimana cara benerin multikolinearitas?
Tiga jalan paling praktis. Ubah dua variabel yang tumpang tindih jadi satu rasio, misalnya item per transaksi. Gabungin beberapa indikator jadi satu indeks lewat rata-rata skor. Atau buang salah satu, dengan memilih yang dasar teorinya paling lemah, bukan yang VIF-nya paling gede.
Kenapa VIF tinggi padahal korelasinya cuma 0,6?
Karena VIF nggak ngukur korelasi antar dua variabel, tapi seberapa besar satu variabel bisa dijelasin semua variabel bebas lain sekaligus. Tiga variabel yang korelasinya cuma sedang bisa bareng-bareng ngejelasin variabel keempat hampir sempurna. Matriks korelasi doang nggak cukup buat nyimpulin.
Lanjut ke mana habis ini?
Sekarang kamu bisa baca VIF dan Tolerance tanpa nebak, dan tau bedanya masalah tafsiran sama masalah prediksi. Kalau VIF-mu di atas 10, coba ubah variabel yang tumpang tindih jadi rasio dulu sebelum mikir buang.
Uji asumsi klasik masih ada beberapa lagi. Lanjut ke uji linearitas SPSS buat mastiin hubungan antar variabelmu memang berbentuk garis lurus.
Mau latihan ngolah data sebelum masuk SPSS? Coba dulu dataset penjualan di panduan pengolahan data, lalu praktekin di NgulikSheet.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Artikel terkait
Pandas groupby: Agregasi Data ala Pivot di Python (2026)
groupby ngelompokin baris berdasarkan kolom, lalu ngitung ringkasan per grup kayak total atau rata-rata. Ini pivot-nya pandas.
Pandas to_excel: Ekspor DataFrame ke Excel (2026)
to_excel nyimpen DataFrame pandas jadi file Excel .xlsx. Ini cara pakainya, dari satu sheet sampai banyak sheet, plus setelan yang bikin hasilnya rapi.
Pandas read_excel: Baca File Excel di Python
pandas read_excel baca file Excel jadi DataFrame, bisa pilih sheet tertentu dan lompatin baris judul yang berantakan. Ini cara pakai plus parameter penting dengan contoh data toko.