Uji Multikolonearitas bertujuan untuk menguji apakah dalam model regresi yang

digunakan ditemukan adanya korelasi antar variabel bebas (independen). Uji Multikolonearitas
data dapat dilihat dari besarnya nilai VIP (Variance Inflation Factor) dan nilai teloransi. Jika nilai
teloransi kurang dari 0.10 atau 10%, artinya tidak ada korelasi antar variabel independen atau
tidak terjadi multikolonearitas antar variabel independen (Ghozali, 2005). Nilai variance

inflation factor (VIF) adalah faktor inflasi penyimpangan baku kuadrat dan Nilai tolerance (a)
adalah besarnya tingkat kesalahan yang dibenarkan secara statisitik.
Multikolinieritas adalah tidak adanya hubungan yang linier antara variable
independen. Jika terdapat hubungan linier antar sesama variabel independen maka dapat
dikatakan model terkena masalah multikolinier. Jika terjadi hubungan antar sesama variabel
independen maka variabel ini tidak orthogonal. variabel orthogonal adalah variabel
independen yang nilai korelasi antar independen sama dengan nol.

Deteksi Multikolinieritas
Beberapa ciri model terkena masalah multikolinier antara lain :
Model mempunyai koefisien determinasi tinggi namun sedikit variabel independen yang
signifikan berpengaruh terhadap dependent melalui uji t.
Misal, koefisien determinasi dari pengaruh X1, X2 dan X3 adalah sebesar 0,82. Namun secara
individual hanya X1 yang berpengaruh terhadap Y. Hal ini merupakan indikasi awal adanya
multikolinier atau hubungan yang kuat antar sesama independen.

Penyelesaian Masalah Multikolinieritas

Beberapa alternative untuk menyelesaikan masalah multikoloinier antara lain :
1. Menggabungkan data crosssection dan time series
2. Mengeluarkan satu atau lebih variabel independen yang mempunyai korelasi tinggi dari
model regresi dan indentifikasikan variabel independen lainnya untuk membantu
prediksi
3. Melakukan transformasi variabel. Transformasi dapat dilakukan dalam bentuk
Logaritma Natural (LN)
4. Menggunakan model dengan variabel independen yang mempunyai korelasi tinggi
hanya semata-mata untuk prediksi, dan tidak menginterpretasikan koefisien regresinya
5. Menggunakan metode analisis yang lebih baik seperti Bayesian Regression atau dalam
kasus tertentu dengan Ridge Regression

Contoh Uji Multikolinieritas

Uji multikolinieritas

PENYEBAB :
1) Karena sifat-sifat yang terkandung dalam kebanyakan variabel ekonomi berubah
bersama-sama sepanjang waktu.
2) Besaran-besaran ekonomi dipengaruhi oleh faktor-faktor yang sama.

Uji non multikolinieritas

CARA MENDETEKSI :
1) Dengan melihat koefisien korelasi antar variabel bebas : jika koefisiaen korelasi antar
variabel bebas 0,7 maka terjadi multikolinier.
2) Dengan melihat tabel VIF (varian infloating factor) : jika nilai VIF 10 maka tidak terjadi
multikolinier.
Nilai tolerance (a) dan Nilai variance inflation factor (VIF) dapat dicari dengan
menggabungkan kedua nilai tersebut sebagai berikut :
Besar nilai tolerance (a) :

Besar nilai variance inflation factor (VIF)

Variabel bebas mengalami multikolinearitas jika a hitung < a dan VIF hitung > VIF. Variabel
bebas tidak mengalami multikolinearitas jika a hitung > a dan VIF hitung < VIF.

Contoh Kasus Multikolineritas

Seperti dibahas sebelumnya mengenai uji multikolinieritas, maka pada bagian ini kita
akan mempraktikkan cara menguji multikolinieritas
Contoh 1:
No

X1

X2

23

34

45

45

32

43

32

35

23

32

45

34

43

42

35

21

31

36

32

15

37

34

23

32

54

43

34

10

23

21

45

11

12

23

36

12

23

34

34

13

21

27

45

14

34

29

45

15

32

35

65

16

43

34

43

17

12

33

23

18

23

24

34

19

34

25

37

20

32

23

29

21

23

45

27

22

43

32

25

23

24

45

26

24

27

32

36

25

38

12

35

26

25

23

37

27

24

45

34

28

34

32

38

29

32

23

34

30

36

34

26

PENGUJIAN MULTIKOLINIER DENGAN SPSS

1. Masukan data ke SPSS
2. Analyze Regression Liniear
3. Masukan Variabel Y pada kotak Dependent
Masukan Variabel X1 dan X2 pada kotak Indepemdent
4. Lalu klik Statistic dan pada kolom Regression coefficient, check ( ) Collinearity
Diagnostics Continue
5. Klik OK
KESIMPULAN :

Karena tidak ada nilai tolerance < 0,1 dan nilai VIF < 10 maka tidak terjadi multikolinier.

Contoh 2 :
Berikut ini akan diuji multikolinieritas sebuah model regresi dengan variabel Kepuasan Kerja
(X1), Gaya Kepemimpinan (X2), dan Motivasi (X3). Variabel dependen adalah kinerja (Y)
Data dikumpulkan dari angket dengan jumlah sampel sebanyak 60 orang pegawai.

Data ditampilkan sebagai berikut :

NO

Kep

Gaya Mot

KINERJA

55

76

83

65

60

82

92

70

61

80

77

70

53

70

74

60

62

88

97

70

62

72

77

71

54

78

86

64

59

72

90

68

64

81

96

72

10

55

74

90

66

11

53

65

85

64

12

65

84

92

72

13

50

63

74

56

14

52

71

87

64

15

56

82

84

66

16

53

72

79

65

17

60

85

92

70

18

56

76

86

67

19

54

65

80

62

20

53

74

72

57

21

52

75

75

55

22

62

80

95

70

23

65

72

96

66

24

58

70

82

63

25

60

85

86

63

26

64

88

96

74

27

60

84

98

72

28

64

89

82

75

29

64

85

92

72

30

58

78

76

67

31

60

77

86

68

32

54

78

86

64

33

39

52

55

41

34

64

89

96

74

35

54

75

79

62

36

57

84

82

66

37

60

74

88

69

38

54

69

80

61

39

53

76

81

64

40

63

87

97

71

41

71

58

102

79

42

51

72

81

58

43

64

87

95

69

44

65

71

96

72

45

54

81

82

64

46

60

83

79

68

47

64

72

86

72

48

60

81

86

70

49

55

82

78

64

50

64

86

93

72

51

49

67

74

55

52

46

66

74

58

53

58

82

78

67

54

51

63

83

58

55

63

93

96

71

56

58

75

80

65

57

50

77

73

56

58

55

68

80

58

59

57

69

81

64

60

61

87

92

68

Penyelesaian
Lakukan analisis regresi dengan langkah2 : Analyze Regression Linier
Masukkan variabel kepuasan kerja, gaya kepemimpinan dan motivasi ke dalam kotak
independent variable, dan kinerja ke kotak dependent variable
Klik Statistik, kemudian beri tanda pada Covariance matrix dan collinierity diagnosics

Klik Continue, lalu OK

Hasil Uji :

Variables Enter ed/Re movebd

Model
1

Variables
Entered
MOT, GY_a
KEP, KEP

Variables
Remov ed
.

Method
Enter

a. All requested variables entered.

b. Dependent Variable: KINERJA

Model Sum m ary

Model
1

R
.931 a

R Square
.867

Adjusted
R Square
.860

Std. Error of
the Estimate
2.38113

a. Predictors: (Constant), MOT, GY_KEP, KEP

ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
2066.226
317.507
2383.733

df
3
56
59

Mean Square
688.742
5.670

F
121.476

Sig.
.000 a

a. Predictors: (Constant), MOT, GY_KEP, KEP

b. Dependent Variable: KINERJA

Coe fficientsa

Model
1

(Constant)
KEP
GY_KEP
MOT

Unstandardized
Coefficients
B
Std. Error
2.109
3.488
.803
.096
.083
.045
.130
.060

a. Dependent Variable: KINERJA

Standardized
Coefficients
Beta
.716
.109
.178

t
.605
8.392
1.844
2.161

Sig.
.548
.000
.070
.035

Collinearity Statistics
Tolerance
VIF
.327
.680
.352

3.060
1.472
2.845

a
Coe fficient Corre lations

Model
1

Correlations

Covariances

MOT
GY _KEP
KEP
MOT
GY _KEP
KEP

MOT
1.000
-.123
-.726
.004
.000
-.004

GY _KEP
-.123
1.000
-.291
.000
.002
-.001

KEP
-.726
-.291
1.000
-.004
-.001
.009

a. Dependent Variable: KINERJA

a
Colline arity Diagnos tics

Model
1

Dimension
1
2
3
4

Eigenvalue
3.986
.006
.006
.002

Condition
Index
1.000
25.463
26.174
45.673

(Cons tant)
.00
.06
.94
.00

Varianc e Proportions
KEP
GY_KEP
.00
.00
.08
.66
.02
.32
.90
.02

MOT
.00
.17
.02
.81

a. Dependent Variable: KINERJA

Perhatikan nilai koefisien determinasi sebesar 0.931 yang mendekati 1, namun secara
individual melalui uji t dua variabel : kepuasan kerja dan motivasi yang berpengaruh
signifikan, sementara gaya kepemimpinan memiliki nilai sig 0.70 (sig > 0.05)
Nilai VIF (variance index factor) tidak menunjukkan adanya multikolinieritas (VIF
kurang dari 10), sementara tolerance juga tidak ada kurang dari 0.10. Deteksi multiko melalui
dua uji menunjukkan tidak adanya multikolinier, namun perhatikan output selanjutnya.
Pada bagian Coeffisien correlation, Korelasi antara motivasi dengan kepuasan kerja
tinggi yaitu sebesar -0.726. Korelasi antar independen ini berada dalam kategori kuat
sehingga meski nilai VIF dan Tolerance tidak mengindikasikan adanya masalah multikolinier
namun dapat dipastikan hal ini menyebabkan tidak signifikannya pengaruh gaya
kepemimpinan terhadap kinerja.

Meregresikan Prediktor secara Bergantian

Alternatif uji untuk kasus di atas adalah dengan meregresikan predictor secara
bergantian. Kriteria model tidak terkena multiko adalah ketika nilai R Square untuk masingmasing predictor tidak melebihi model utama.
Model Utama : Kinerja = Kepuasan + gaya kepemimpinan + Motivasi
Model perbandingan :
Kepuasan = kinerja + gaya kepemimpinan + motivasi

Gaya kep = kinerja + kepuasan + Motivasi

Motivasi = kinerja + kepuasan kerja + gaya kepemimpinan

Langkah Uji
Lakukan uji regresi dengan menempatkan variabel independen menjadi dependen secara
bergantian. dengan demikian akan dihasilkan output 4 model regresi (1 model utama dan 3
model perbandingan)

Interprestasi
Hasil output dapat didownload MEREGRESIKAN PREDIKTOR SECARA BERGANTIAN
Model Utama, R Square = 0.867
Kepuasan sebagai dependen, R Square = 0.855
Gaya kepemimpinan sebagai dependen, R Square = 0.359
Motivasi sebagai dependen, R Square = 0.676
Dari perbandingan 4 model ini dapat diketahui bahwa model utama memiliki R Square lebih
besar dibanding model perbandingan lainnya. Dengan demikian dapat dinyatakan model tidak
terkena masalah Multikolinier

Daftar Pustaka
Anonim. 2013. Uji multikolinieritas. http://tesis-ku.blogspot.com/2013/01/uji-multikolinierit
as.html, diakses pada tanggal 1 November 2014 pukul 10.16 WIB.
Anonim. 2014. Korelasi. http://id.wikipedia.org/wiki/Korelasi, diakses pada tanggal 04
November 2014 pukul 14.03 WIB.
Hendry. 2011. Uji Multikolinieritas. http://teorionline.wordpress.com/2011/04/05/uji-multikol
inieritas/, diakses pada tanggal 1 November 2014 pukul 10.14 WIB.
Sunyoto, Danang. 2011. Analisis Regresi dan Uji Hipotesis. Yogyakarta:Caps.