Anda meneliti pengaruh gaji dan tunjangan terhadap kinerja pegawai. Logikanya jelas: keduanya mestinya berpengaruh. Tetapi hasil regresi mengejutkan — koefisien gaji tidak signifikan, padahal teori dan akal sehat bilang gaji itu penting. Anda mengulang analisis, mengecek data, tidak ada yang salah. Lalu apa yang terjadi?
Sering kali penyebabnya satu hal sederhana: gaji dan tunjangan saling berkaitan erat. Pegawai bergaji besar biasanya tunjangannya juga besar. Karena keduanya bergerak hampir bersamaan, model regresi kesulitan memisahkan mana sumbangan gaji dan mana sumbangan tunjangan. Model itu jadi “bingung”, dan kebingungan ini punya nama: multikolinearitas.
Multikolinearitas adalah salah satu uji asumsi klasik yang wajib diperiksa sebelum Anda boleh mempercayai koefisien regresi berganda. Artikel ini membongkarnya dari nol, lalu menghitung dua ukurannya — VIF dan Tolerance — langkah demi langkah, dan menutup dengan cara membacanya di output SPSS.
Apa Itu Multikolinearitas, Secara Polos
Bayangkan dua variabel bebas — sebut $X_1$ (gaji) dan $X_2$ (tunjangan) — sebagai dua lingkaran informasi. Tiap lingkaran membawa kabar tentang kinerja pegawai. Kalau gaji dan tunjangan benar-benar berbeda, kedua lingkaran nyaris tidak bersinggungan: masing-masing menyumbang potongan informasi sendiri, dan model gampang menilai kontribusi keduanya.
Masalah muncul ketika dua lingkaran itu bertumpang-tindih banyak. Wilayah irisan adalah informasi yang dibawa berdua — model tidak bisa menentukan lingkaran mana yang sebenarnya “berhak” atas wilayah itu. Semakin besar irisannya, semakin model kesulitan memberi tiap variabel koefisien yang tegas.
Yang penting dipahami sejak awal: multikolinearitas tidak membuat koefisien salah arah atau bias. Koefisiennya tetap benar secara rata-rata. Yang membengkak adalah ketidakpastiannya — standar error koefisien jadi besar, sehingga uji-t mengecil dan variabel yang sebenarnya penting tampak tidak signifikan. Regresi berganda yang sehat menuntut variabel bebas yang relatif saling bebas (irisannya kecil).
Dari Mana Angkanya: $R^2_j$
Bagaimana mengukur besar irisan itu dengan satu angka? Trik-nya cerdik: regresikan satu variabel bebas terhadap semua variabel bebas lain, lalu lihat seberapa baik ia bisa diramal.
Misalnya untuk variabel $X_1$: jadikan $X_1$ sebagai variabel terikat sementara, lalu regresikan ia terhadap $X_2, X_3, \dots$ Hasilnya sebuah $R^2$ — disebut $R^2_j$ (“R-kuadrat untuk variabel ke-$j$”). Angka ini menjawab: berapa persen ragam $X_1$ yang bisa dijelaskan oleh variabel bebas lain?
- $R^2_j$ mendekati 0 → $X_1$ hampir tak terkait dengan yang lain (irisan kecil, aman).
- $R^2_j$ mendekati 1 → $X_1$ nyaris bisa ditebak sempurna dari yang lain (irisan besar, bermasalah).
Untuk kasus dua variabel bebas, ada jalan pintas: $R^2$ antara $X_1$ dan $X_2$ sama dengan kuadrat korelasi mereka, $R^2 = r^2$. Jadi dari satu angka korelasi yang biasa Anda lihat di SPSS, kita bisa menghitung semuanya.
Dua Ukuran: VIF dan Tolerance
Dua ukuran baku menerjemahkan $R^2_j$ menjadi angka yang gampang dibandingkan dengan ambang. Keduanya cuma dua cara melihat hal yang sama.
Variance Inflation Factor (VIF) — secara harfiah “faktor penggelembung varians” — menjawab: berapa kali lipat varians koefisien membengkak karena variabel ini berkorelasi dengan yang lain?
$$\text{VIF}_j = \frac{1}{1 - R^2_j}$$Tolerance — “toleransi” — adalah kebalikannya, yaitu porsi ragam $X_j$ yang tidak dijelaskan variabel lain (porsi informasi yang benar-benar milik $X_j$ sendiri):
$$\text{Tolerance}_j = 1 - R^2_j = \frac{1}{\text{VIF}_j}$$Penjelasan tiap lambang:
- $R^2_j$ = seberapa baik variabel $X_j$ bisa diramal oleh variabel bebas lain (angka 0 sampai 1). Contoh: $R^2_j = 0{,}81$ berarti 81% ragam $X_j$ tertangkap variabel lain.
- $1 - R^2_j$ = sisanya, ragam $X_j$ yang unik. Kalau $R^2_j = 0{,}81$, maka $1 - 0{,}81 = 0{,}19$ — hanya 19% informasi $X_j$ yang baru.
- Pembagian $\tfrac{1}{1-R^2_j}$: makin kecil penyebut (makin besar irisan), makin meledak hasilnya. Saat $R^2_j \to 1$, penyebut $\to 0$ dan VIF $\to \infty$.
Karena VIF dan Tolerance saling kebalikan ($\text{Tolerance} = 1/\text{VIF}$), keduanya selalu sepakat: satu naik, satu turun. Anda cukup paham salah satu — yang lain otomatis ikut.
Contoh Hitung dari Nol
Mari ikuti seluruh rantainya dengan angka. Misal dari output SPSS, korelasi antara gaji ($X_1$) dan tunjangan ($X_2$) adalah $r = 0{,}90$ — keduanya memang sangat berkaitan. Karena hanya ada dua variabel bebas, $R^2_j = r^2$.
Langkah 1 — kuadratkan korelasi menjadi $R^2_j$.
$$R^2_j = r^2 = 0{,}90^2 = 0{,}81$$Artinya 81% ragam gaji bisa ditebak hanya dari tunjangan. Sisa informasinya tipis.
Langkah 2 — hitung Tolerance (porsi informasi yang masih unik):
$$\text{Tolerance} = 1 - R^2_j = 1 - 0{,}81 = 0{,}19$$Hanya 19% informasi gaji yang tidak tumpang-tindih dengan tunjangan.
Langkah 3 — hitung VIF (faktor pembengkak):
$$\text{VIF} = \frac{1}{1 - R^2_j} = \frac{1}{0{,}19} = 5{,}26$$Rekap dalam satu tabel — semuanya turun dari satu angka korelasi, tanpa kotak hitam:
| Langkah | Rumus | Hasil |
|---|---|---|
| Korelasi $X_1,X_2$ | (dari SPSS) | $r = 0{,}90$ |
| $R^2_j$ | $r^2$ | $0{,}81$ |
| Tolerance | $1 - R^2_j$ | $0{,}19$ |
| VIF | $1 / (1 - R^2_j)$ | $5{,}26$ |
Apa arti VIF = 5,26 secara konkret?
Angka VIF bukan sekadar lampu lalu lintas hijau/merah — ia punya makna fisik. Standar error koefisien membengkak dengan faktor $\sqrt{\text{VIF}}$. Dengan VIF = 5,26:
$$\sqrt{5{,}26} \approx 2{,}29$$Artinya: standar error koefisien gaji menjadi sekitar 2,29 kali lebih besar dibanding seandainya gaji tidak berkorelasi sama sekali dengan tunjangan. Selang kepercayaan koefisien jadi 2,29 kali lebih lebar, dan uji-t jadi 2,29 kali lebih lemah. Itulah mekanisme persis kenapa “koefisien gaji tidak signifikan” di cerita pembuka — bukan karena gaji tak penting, tetapi karena ketidakpastiannya digelembungkan oleh kembarannya.
Mengambil Keputusan
Bandingkan hasil dengan ambang baku yang dipakai di sebagian besar skripsi dan jurnal:
| Ukuran | Aman (tidak ada multikolinearitas) | Bermasalah |
|---|---|---|
| VIF | < 10 (lebih ketat: < 5) | > 10 |
| Tolerance | > 0,10 | < 0,10 |
Kembali ke contoh: VIF = 5,26 dan Tolerance = 0,19. Keduanya masih dalam batas aman (VIF < 10, Tolerance > 0,10). Jadi kesimpulannya: tidak ada masalah multikolinearitas — meskipun korelasinya cukup tinggi (0,90) dan standar error sudah membengkak 2,29 kali. Ambang VIF < 10 memang longgar; sebagian peneliti memakai batas lebih ketat VIF < 5 untuk model yang sensitif.
Kapan ambang VIF = 10 benar-benar terlampaui? Itu terjadi saat $R^2_j = 0{,}9$, yang setara dengan korelasi $r = \sqrt{0{,}9} \approx 0{,}95$. Jadi dua variabel bebas baru “melanggar” ambang VIF saat korelasinya menembus sekitar 0,95 — sangat tinggi. Inilah mengapa korelasi tinggi (0,8–0,9) sering kali masih lolos.
Bereksperimen Sendiri
Geser korelasi antar variabel bebas dan amati VIF naik tajam sementara Tolerance turun. Perhatikan kapan ambang VIF = 10 tercapai, dan lihat bagaimana keduanya selalu bergerak berlawanan.
Membaca Output SPSS
Di SPSS, VIF dan Tolerance tidak muncul otomatis — Anda harus memintanya. Saat menjalankan Analyze → Regression → Linear, klik tombol Statistics, lalu centang Collinearity diagnostics. Hasilnya muncul di tabel Coefficients, dua kolom paling kanan: Tolerance dan VIF, satu baris per variabel bebas.
Cara membacanya:
- Lihat kolom VIF tiap variabel bebas. Semua < 10? Aman.
- Sekaligus periksa kolom Tolerance. Semua > 0,10? Aman. (Keduanya pasti sepakat — kalau tidak, ada salah baca.)
- Laporkan keduanya di bab uji asumsi klasik, biasanya dalam satu tabel ringkas: nama variabel, Tolerance, VIF, plus kalimat kesimpulan “semua VIF < 10 sehingga tidak terjadi multikolinearitas”.
Kalau Multikolinearitas Memang Terjadi
Misalkan ada variabel dengan VIF > 10. Jangan panik dan jangan asal buang. Pilihan yang masuk akal:
- Buang salah satu variabel yang redundan — kalau dua variabel mengukur hal yang nyaris sama, mungkin Anda memang tak butuh keduanya.
- Gabungkan variabel yang mirip jadi satu indeks (misal rata-rata atau skor komposit), sehingga informasi tetap terpakai tanpa tumpang-tindih.
- Tambah ukuran sampel — sampel lebih besar memberi presisi lebih, sedikit meredam pembengkakan standar error.
- Biarkan saja kalau variabel bermasalah hanyalah variabel kontrol, bukan variabel utama hipotesis. Yang penting presisi variabel inti.
Aturan emas: jangan buang variabel yang penting secara teori hanya karena VIF-nya tinggi. Membuang variabel relevan menimbulkan masalah yang lebih serius (bias variabel hilang) daripada multikolinearitas itu sendiri.
Pendamping Excel
/excel/uji-multikolinearitas-spss.xlsx berisi kalkulator hidup dari korelasi antar variabel ($r \to R^2_j \to \text{Tolerance} \to \text{VIF}$) dengan tiap langkah terlihat, tabel ambang keputusan, dan contoh tiga variabel bebas.
Cek Pemahaman
1. Korelasi antara dua variabel bebas adalah $r = 0{,}80$. Hitung $R^2_j$, Tolerance, dan VIF-nya dari nol. Apakah model lolos uji multikolinearitas?
Lihat jawaban
$R^2_j = 0{,}80^2 = 0{,}64$. Tolerance $= 1 - 0{,}64 = 0{,}36$. VIF $= \tfrac{1}{0{,}36} = 2{,}78$. Karena VIF = 2,78 < 10 (bahkan < 5) dan Tolerance = 0,36 > 0,10, model lolos — tidak ada masalah multikolinearitas.
2. (transfer) Output SPSS menunjukkan VIF sebuah variabel = 4. Berapa Tolerance-nya, berapa $R^2_j$-nya, dan kira-kira berapa korelasinya dengan variabel bebas lain (asumsi hanya dua variabel bebas)?
Lihat jawaban
Tolerance $= 1/\text{VIF} = 1/4 = 0{,}25$. Karena Tolerance $= 1 - R^2_j$, maka $R^2_j = 1 - 0{,}25 = 0{,}75$. Untuk dua variabel bebas $R^2_j = r^2$, jadi $r = \sqrt{0{,}75} \approx 0{,}87$. Jadi VIF = 4 setara dengan korelasi sekitar 0,87 — masih aman (VIF < 10). Sebagai bonus, standar error membengkak $\sqrt{4} = 2$ kali lipat.
3. (transfer) Seorang mahasiswa menemukan koefisien variabel utamanya tidak signifikan dan langsung menyimpulkan “variabel ini tidak berpengaruh”. VIF-nya ternyata 12. Apa yang salah dengan kesimpulan itu?
Lihat jawaban
VIF = 12 > 10 menandakan multikolinearitas berat. Standar error membengkak $\sqrt{12} \approx 3{,}46$ kali, sehingga uji-t lemah dan variabel tampak tidak signifikan padahal koefisiennya tidak bias. Kesimpulan “tidak berpengaruh” salah — yang terjadi adalah ketidakpastian digelembungkan oleh variabel bebas lain yang berkorelasi. Mahasiswa itu harus mengatasi multikolinearitas dulu (misal menggabungkan variabel atau membuang yang redundan) sebelum menafsirkan signifikansi.
Kesalahan Umum
Mengira multikolinearitas bikin koefisien bias. Tidak. Koefisien tetap tidak bias secara rata-rata; yang membengkak adalah standar error (sehingga uji-t jadi tidak signifikan). Bias vs presisi adalah dua hal berbeda.
Membuang variabel penting karena VIF tinggi. Kalau variabel itu inti hipotesis, membuangnya menimbulkan bias variabel hilang — masalah yang lebih besar. Pertimbangkan menggabungkan variabel atau menambah sampel dulu.
Hanya mengecek korelasi pairwise. Dua variabel bisa berkorelasi rendah berpasangan tetapi tetap multikolinear saat bertiga (kombinasi linear). VIF menangkap ini karena ia meregresikan satu X terhadap semua X lain sekaligus; matriks korelasi sederhana tidak.
Bingung arah Tolerance. Tolerance kecil (< 0,10) itu masalah; Tolerance besar itu aman. Persis kebalikan VIF. Ingat: Tolerance = porsi informasi unik — makin kecil makin buruk.
Khawatir VIF tinggi pada variabel kontrol. Yang penting presisi variabel utama. VIF tinggi pada variabel kontrol sering tidak relevan terhadap kesimpulan hipotesis.
Kapan Dipakai di Dunia Nyata
Regresi berganda di skripsi. Bagian wajib uji asumsi klasik, dilaporkan sebelum interpretasi koefisien. Tabel Tolerance/VIF hampir selalu diminta penguji.
Model prediksi bisnis. Memastikan prediktor tidak tumpang-tindih agar tiap koefisien bisa ditafsirkan secara terpisah (mis. memisahkan efek harga dari efek promosi).
Analisis faktor penentu. Saat ada banyak variabel kandidat, VIF membantu menemukan mana yang redundan sebelum membangun model akhir yang ramping.
Lanjutan
- Uji Heteroskedastisitas (Glejser) — asumsi klasik berikutnya.
- Membaca Output Regresi — menafsirkan tabel Coefficients secara menyeluruh.
- Multikolinearitas (VIF, Condition Index, teori) — versi mendalam dengan condition index dan eigenvalue.
Fondasi:
- Ringkasan Uji Asumsi Klasik — gambaran besar keempat asumsi.
- Korelasi (Pearson) — dari mana angka $r$ berasal.
Reference
- Ghozali, I. (2018), “Aplikasi Analisis Multivariate dengan Program SPSS”
- Hair et al. (2019), “Multivariate Data Analysis”
- O’Brien, R. (2007), “A caution regarding rules of thumb for variance inflation factors”