Uji Multikolinearitas dan Heteroskedastisitas: Deteksi Lanjutan dan Cara Mengatasi

Multikolinearitas terjadi ketika variabel independen saling berkorelasi kuat, sedangkan heteroskedastisitas terjadi ketika varians residual tidak konstan. Keduanya tidak membuat koefisien regresi bias, tetapi merusak standard error sehingga uji t dan F bisa menyesatkan. Artikel ini membahas uji multikolinearitas dan heteroskedastisitas di luar VIF dan Glejser — condition index, uji Park, korelasi Spearman, Breusch-Pagan, dan White — lalu cara mengatasinya di SPSS 25–29 dengan contoh angka lengkap.

Ringkasan Deteksi dan Cara Mengatasi

Uji dasar beserta seluruh uji asumsi lain pada satu data dibahas di panduan uji asumsi klasik regresi. Contoh di artikel ini memakai data latihan yang sama: survei 135 karyawan PT Maju Bersama (data ilustrasi fiktif) dengan model kinerja dijelaskan oleh motivasi kerja (X₁), disiplin kerja (X₂), dan lingkungan kerja (X₃).

Multikolinearitas: Gejala, Dampak, dan Batas VIF

Multikolinearitas tidak membuat koefisien bias, tetapi memperbesar standard error. Gejalanya: uji F dan R² signifikan sementara uji t tiap variabel tidak, tanda koefisien berlawanan dengan teori, atau koefisien berubah drastis ketika satu variabel atau beberapa responden ditambahkan atau dikeluarkan.

VIF variabel Xj sama dengan 1/(1 − R²j), dengan R²j adalah R² regresi Xj terhadap semua X lainnya; Tolerance = 1 − R²j. Akar VIF menunjukkan berapa kali standard error koefisien membesar dibandingkan bila Xj sama sekali tidak berkorelasi dengan X lain — VIF 9 berarti standard error tiga kali lipat.

Tentang batasnya: skripsi di Indonesia umumnya memakai Tolerance > 0,10 dan VIF < 10 (Ghozali, 2018), sedangkan Hair dkk. (2019) memakai batas yang lebih ketat, VIF < 5. O'Brien (2007) mengingatkan bahwa keduanya hanyalah patokan praktis, karena dampak VIF juga bergantung pada ukuran sampel dan besarnya standard error. Pilih satu kriteria, sebutkan sumbernya di Bab 3, dan gunakan secara konsisten.

Deteksi Multikolinearitas di Luar VIF

Matriks Korelasi Antar-Variabel Independen

Korelasi berpasangan di atas 0,80 sering dipakai sebagai tanda awal (Gujarati & Porter, 2009). Pada data latihan, korelasi antar-X hanya 0,334–0,462. Namun korelasi berpasangan bisa luput mendeteksi kolinearitas yang melibatkan tiga variabel atau lebih, sehingga VIF tetap diperlukan.

Condition Index dan Variance Proportions

Opsi Collinearity diagnostics di menu Statistics juga menghasilkan tabel Collinearity Diagnostics: eigenvalue dari matriks hasil kali silang yang diskalakan tanpa pemusatan, condition index, dan proporsi varians setiap koefisien (IBM, t.t.-a). Output data latihan:

Collinearity Diagnostics
Dim  Eigenvalue  Condition  Variance Proportions
                 Index      (Const)  X1    X2    X3
1    3,942        1,000     0,00     0,00  0,00  0,00
2    0,022       13,329     0,06     0,43  0,59  0,05
3    0,022       13,540     0,17     0,00  0,20  0,86
4    0,014       16,744     0,76     0,57  0,21  0,08

Menurut Belsley dkk. (1980), masalah serius ditandai condition index di atas 30 sekaligus dua koefisien atau lebih dengan proporsi varians di atas 0,50 pada dimensi yang sama. Condition index tertinggi di sini 16,744, jadi tidak ada masalah. Dimensi 4 memang memuat proporsi besar pada Constant (0,76) dan X₁ (0,57); pola ini mencerminkan skor X₁ yang berkisar jauh dari nol dibandingkan sebarannya, bukan korelasi antar-X, dan VIF X₁ tetap rendah (1,299).

Contoh: VIF Tinggi karena Prediktor Redundan

Misalkan seorang mahasiswa menambahkan "motivasi intrinsik" — empat butir pertama dari kuesioner motivasi yang sama — sebagai prediktor terpisah. Skornya berkorelasi 0,934 dengan skor total motivasi karena memang merupakan bagian darinya.

VIF 9,004 (X₁) dan 8,186 (motivasi intrinsik) masih lolos aturan VIF < 10, tetapi gagal pada batas VIF < 5. Dampaknya nyata: standard error b₁ membesar 2,64 kali, t turun dari 5,331 menjadi 2,196, dan koefisien motivasi intrinsik bertanda negatif (B = −0,083; Sig. 0,847) padahal secara teori seharusnya positif. R² praktis tidak bertambah (0,522) dan adjusted R² justru turun. Solusinya konseptual, bukan statistik: gunakan skor total atau dimensi-dimensinya, jangan keduanya sekaligus.

Multikolinearitas Struktural pada Suku Interaksi

Pada model moderasi, suku interaksi X₁ × X₃ hampir pasti berkorelasi tinggi dengan X₁ dan X₃. Contoh pada data latihan, dengan kinerja dijelaskan oleh X₁, X₃, dan X₁ × X₃:

Centering — mengurangi setiap skor dengan rata-ratanya, misalnya cX1 = X1 - 30.29 dan cX3 = X3 - 22.55, lalu membentuk interaksi dari variabel yang sudah dipusatkan — menurunkan VIF secara drastis. Yang tidak berubah adalah koefisien interaksi (B = 0,0007; SE 0,0213; t = 0,034; Sig. 0,973), uji t-nya, dan R² model (0,357). Yang berubah adalah makna koefisien X₁ dan X₃: tanpa centering, b X₁ adalah pengaruh X₁ ketika X₃ = 0 — nilai yang mustahil karena skor terendah skala X₃ adalah 6 — sehingga tidak signifikan (Sig. 0,284); setelah centering, b X₁ menjadi pengaruh X₁ pada rata-rata X₃ dan signifikan (Sig. < 0,001).

Jadi, VIF tinggi akibat suku interaksi tidak merusak uji moderasi; centering membuat koefisien utamanya lebih mudah ditafsirkan (Iacobucci dkk., 2016). Prosedur lengkapnya ada di panduan uji moderasi MRA di SPSS.

Cara Mengatasi Multikolinearitas

1. Periksa kesalahan teknis lebih dahulu. Dummy untuk semua kategori, skor total yang dimasukkan bersama dimensinya, atau variabel yang merupakan penjumlahan variabel lain.
2. Centering untuk suku interaksi atau kuadrat. Buat lewat Transform → Compute Variable; uji interaksinya tidak berubah.
3. Pilih atau gabungkan prediktor yang mengukur konsep sama. Putuskan berdasarkan teori, bukan nilai Sig.; penggabungan dapat berupa skor komposit atau hasil analisis faktor.
4. Tambah ukuran sampel. Sampel yang lebih besar memperkecil standard error, meskipun tidak mengubah korelasi antar-X.
5. Regresi ridge atau metode terpenalti. Koefisiennya sedikit bias tetapi lebih stabil; perlu justifikasi metodologis khusus dan jarang dibutuhkan di skripsi S1.
6. Biarkan bila tidak mengganggu tujuan. Bila variabel yang saling berkorelasi tetap signifikan, atau tujuan Anda prediksi, multikolinearitas moderat cukup dilaporkan.

Heteroskedastisitas: Gejala dan Dampaknya

Heteroskedastisitas tidak membuat koefisien bias, tetapi OLS tidak lagi efisien dan standard error-nya bias, sehingga uji t dan F bisa terlalu longgar atau terlalu ketat (Gujarati & Porter, 2009). Sumber yang paling sering adalah variabel berskala ukuran seperti omzet, aset, atau pendapatan (unit besar lebih bervariasi daripada unit kecil), data agregat, outlier, dan model yang salah bentuk. Gejala visualnya adalah pola corong pada scatterplot SRESID–ZPRED: sebaran residual melebar atau menyempit seiring naiknya nilai prediksi.

Deteksi Heteroskedastisitas di Luar Glejser

Uji Glejser pada data latihan sudah menunjukkan semua Sig. > 0,05 (0,252–0,890). Empat uji lain memberi kesimpulan yang sama:

Uji Park

Park (1966) memodelkan varians residual sebagai fungsi pangkat dari X, sehingga persamaan ujinya LN(e²) = α + β LN(X) + v. Di SPSS, buat LNRES2 = LN(RES_1**2) serta LNX1 = LN(X1) dan seterusnya lewat Compute Variable, lalu regresikan LNRES2 terhadap LNX1–LNX3. Koefisien yang signifikan menandakan heteroskedastisitas. Sebagian buku meregresikan LNRES2 langsung pada X tanpa logaritma; pada data ini keputusannya sama (Sig. 0,162; 0,402; 0,646).

Uji Korelasi Rank Spearman

Buat ABS_RES = ABS(RES_1), lalu buka Analyze → Correlate → Bivariate, centang Spearman, dan korelasikan ABS_RES dengan setiap X. Gunakan nilai absolut residual, bukan residual mentah: metode OLS membuat residual mentah tidak berkorelasi (Pearson) dengan setiap X, sehingga uji pada residual mentah hampir selalu tampak "lolos" dan tidak bermakna.

Uji Breusch-Pagan dan White dengan Regresi Bantu

Cara manual berikut berlaku di semua versi SPSS:

1. Buat RES2 = RES_1**2.
2. Untuk Breusch-Pagan versi Koenker (1981), regresikan RES2 terhadap X₁–X₃ dan catat R²-nya (0,0202). Hitung n·R² = 135 × 0,0202 = 2,73, lalu bandingkan dengan χ² tabel pada df = jumlah X = 3 dan α 0,05, yaitu 7,815.
3. Untuk White (1980), regresikan RES2 terhadap X₁–X₃, kuadrat masing-masing, dan hasil kali antar-X (9 variabel). Hasilnya n·R² = 135 × 0,0752 = 10,15, dibandingkan dengan χ²(9) = 16,919.

Nilai n·R² di bawah χ² tabel (Sig. > 0,05) berarti tidak ada heteroskedastisitas. Versi asli Breusch dan Pagan (1979) mengasumsikan residual normal, sedangkan versi Koenker lebih tahan terhadap residual yang tidak normal.

Uji Bawaan di GLM Univariate (SPSS 25 ke Atas)

Sejak SPSS 25, Analyze → General Linear Model → Univariate → Options menyediakan Breusch-Pagan, Modified Breusch-Pagan, dan F test untuk heteroskedastisitas (IBM, t.t.-b). Masukkan Y ke Dependent Variable dan X ke Covariate(s). Secara bawaan, model ujinya memakai nilai prediksi dan kuadratnya, bukan X satu per satu, sehingga angkanya berbeda dari uji manual: pada data latihan, Modified Breusch-Pagan = 1,122 (Sig. 0,571), Breusch-Pagan = 1,096 (Sig. 0,578), dan F = 0,553 (Sig. 0,576). Kesimpulannya tetap sama.

Cara Mengatasi Heteroskedastisitas: Contoh Kasus UMKM

Data PT Maju Bersama tidak heteroskedastis, jadi penanganannya diperagakan dengan data ilustrasi (fiktif) kedua yang memang mengandung masalah ini: 120 UMKM dengan modal usaha, jumlah karyawan, dan omzet per bulan.

Diagnosis

Regresi OLS omzet terhadap modal dan jumlah karyawan menghasilkan R² 0,574, B modal = 0,0429 (Sig. < 0,001), dan B karyawan = 0,2031 (Sig. 0,010). Namun, semua uji menunjukkan heteroskedastisitas: Glejser untuk modal t = 4,626 (Sig. < 0,001), Breusch-Pagan versi Koenker n·R² = 27,82 > χ²(2) = 5,991 (Sig. < 0,001), dan White n·R² = 34,38 > χ²(5) = 11,070 (Sig. < 0,001). Pada scatterplot, simpangan baku SRESID melebar dari 0,59 pada sepertiga nilai prediksi terendah menjadi 0,92 dan 1,33 pada sepertiga tengah dan tertinggi — pola corong. Uji Park terhadap LN(modal) memberi β = 0,952 (Sig. 0,009), artinya varians residual kurang lebih sebanding dengan besarnya modal.

Solusi 1: Robust Standard Error HC3

HC3 mengoreksi standard error tanpa mengubah koefisien dan disarankan terutama untuk sampel di bawah 250 (Long & Ervin, 2000). Di SPSS 25 ke atas, buka Analyze → General Linear Model → Univariate, masukkan omzet ke Dependent Variable serta modal dan karyawan ke Covariate(s), lalu di Options centang Parameter estimates with robust standard errors dan pilih HC3 (IBM, t.t.-b). Untuk versi lama tersedia makro SPSS dari Hayes dan Cai (2007).

Koefisien tidak berubah, tetapi standard error membesar: modal tetap signifikan, sedangkan jumlah karyawan tidak lagi signifikan (Sig. 0,092 > 0,05). Inilah risiko mengabaikan heteroskedastisitas — kesimpulan uji t bisa berubah.

Solusi 2: Weighted Least Squares (WLS)

WLS memberi bobot lebih kecil pada pengamatan yang variansnya besar. Karena uji Park menunjukkan varians sebanding dengan modal, bobotnya W = 1/modal: buat W = 1/modal, lalu masukkan W ke kotak WLS Weight di dialog Linear Regression. Hasilnya, B modal = 0,0461 (SE 0,0065; Sig. < 0,001) dan B karyawan = 0,2831 (SE 0,0720; Sig. < 0,001).

Untuk memeriksa hasilnya, simpan nilai prediksi (misalnya PRE_1), hitung residual tertimbang RESW = (omzet - PRE_1) * SQRT(W), lalu uji ulang. Glejser memberi Sig. 0,209 (modal) dan 0,884 (karyawan), dan Breusch-Pagan versi Koenker 1,05 (Sig. 0,592), sehingga heteroskedastisitas sudah tertangani. WLS hanya tepat bila bentuk bobotnya benar; bila ragu, kombinasikan dengan robust standard error.

Solusi 3: Transformasi Logaritma

Untuk variabel berskala ukuran, model log-log sering paling masuk akal secara teori. Buat LN_OMZET = LN(omzet), LN_MODAL = LN(modal), dan LN_KARYAWAN = LN(karyawan), lalu jalankan ulang regresinya. Hasilnya, B LN_MODAL = 0,469 (SE 0,060; Sig. < 0,001) dan B LN_KARYAWAN = 0,223 (SE 0,067; Sig. 0,001); Glejser Sig. 0,911 dan 0,918, Breusch-Pagan versi Koenker 0,05 (Sig. 0,976), dan White 0,40 (Sig. 0,995). Residualnya pun tidak lagi menyimpang dari normal (Shapiro-Wilk Sig. 0,986), seperti diuraikan di panduan uji normalitas SPSS. Koefisien kini dibaca sebagai elastisitas: modal 1% lebih tinggi berasosiasi dengan omzet sekitar 0,47% lebih tinggi, dengan jumlah karyawan konstan.

Memilih Solusi yang Tepat

Pada kasus ini, ketiga solusi sepakat bahwa modal berpengaruh, tetapi berbeda untuk jumlah karyawan. Perbedaan seperti ini perlu dibahas, bukan disembunyikan: sebutkan solusi utama beserta alasannya di Bab 3, dan bila perlu tampilkan solusi lain sebagai uji ketahanan (robustness check).

Menulis Penanganan di Bab 4

Sesuaikan dengan penelitian Anda — jangan disalin mentah. Kalimat yang disalin apa adanya juga mudah terdeteksi sebagai kemiripan; prinsip menulis ulang yang sah dibahas di cara menurunkan similarity Turnitin secara benar.

Multikolinearitas yang tidak bermasalah:

Hasil uji multikolinearitas menunjukkan nilai tolerance 0,682–0,770 dan VIF 1,299–1,467 untuk ketiga variabel independen. Seluruh nilai memenuhi kriteria tolerance > 0,10 dan VIF < 10, dan condition index tertinggi sebesar 16,744 berada di bawah 30, sehingga tidak terdapat multikolinearitas dalam model.

Heteroskedastisitas yang ditangani dengan HC3:

Uji Glejser menunjukkan modal usaha berpengaruh signifikan terhadap nilai absolut residual (t = 4,626; p < 0,001), dan uji Breusch-Pagan versi Koenker menghasilkan n·R² = 27,82 (p < 0,001), sehingga model mengandung heteroskedastisitas. Oleh karena itu, pengujian hipotesis menggunakan robust standard error HC3. Dengan standard error tersebut, modal usaha berpengaruh positif dan signifikan terhadap omzet (B = 0,0429; p = 0,006), sedangkan jumlah karyawan tidak berpengaruh signifikan (B = 0,2031; p = 0,092).

Kesalahan Umum yang Ditandai Penguji

1. Mencampur kriteria VIF 5 dan 10 dalam satu skripsi. Tetapkan satu kriteria di Bab 3.
2. Menjalankan uji Spearman pada residual mentah. Gunakan nilai absolut residual.
3. Membuang variabel yang dihipotesiskan hanya karena VIF di atas 5, padahal variabel itu bagian inti model penelitian.
4. Menganggap centering menyembuhkan kolinearitas antara dua prediktor yang berbeda. Centering hanya mengatasi kolinearitas struktural akibat suku interaksi atau kuadrat.
5. Memakai transformasi log tanpa menyesuaikan interpretasi dan hipotesis.
6. Menganggap robust standard error "memperbaiki koefisien". HC3 hanya mengoreksi standard error dan uji signifikansinya.

Kesimpulan

Multikolinearitas dan heteroskedastisitas sama-sama menyerang standard error, bukan koefisien. Untuk multikolinearitas, periksa VIF bersama condition index, kenali kolinearitas struktural pada suku interaksi, dan selesaikan prediktor yang redundan secara konseptual. Untuk heteroskedastisitas, konfirmasikan hasil Glejser dengan uji kedua seperti Breusch-Pagan atau White, lalu pilih HC3, WLS, atau transformasi sesuai sumber masalahnya. Cara menjalankan dan membaca regresinya secara lengkap ada di tutorial regresi linier berganda di SPSS.

Jika model Anda tidak lolos uji multikolinearitas atau heteroskedastisitas dan Anda ingin penanganannya diperiksa ulang, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan pilihan penanganannya langkah demi langkah, sehingga Anda tetap memahami alasannya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Apakah uji multikolinearitas perlu pada regresi linier sederhana?

Tidak. Multikolinearitas adalah korelasi antarvariabel independen, sehingga baru relevan bila model memiliki minimal dua X. Pada regresi linier sederhana, VIF selalu bernilai 1.

Mengapa uji Glejser dan Breusch-Pagan bisa memberi hasil berbeda?

Keduanya memodelkan pola varians dengan cara berbeda: Glejser memakai nilai absolut residual, sedangkan Breusch-Pagan memakai residual kuadrat, sehingga kepekaannya terhadap pola tertentu dan terhadap outlier juga berbeda. Bila hasilnya bertentangan, laporkan keduanya dan pertimbangkan robust standard error sebagai langkah aman.

Apakah heteroskedastisitas membuat hasil penelitian tidak valid?

Tidak otomatis. Koefisien regresi tetap tak bias; yang bermasalah adalah standard error dan uji signifikansinya. Setelah ditangani, misalnya dengan HC3 atau WLS, hasil uji hipotesis dapat dilaporkan dan dipertanggungjawabkan.

Bolehkah menghapus responden agar lolos uji heteroskedastisitas?

Tidak, kecuali datanya terbukti salah input atau responden tersebut tidak memenuhi kriteria populasi. Menghapus data yang sah demi lolos uji adalah manipulasi; kasus ekstrem yang sah ditangani dengan robust standard error, transformasi, atau analisis sensitivitas yang dilaporkan.

Apakah SEM-PLS juga memerlukan uji multikolinearitas?

Ya, dalam bentuk VIF. SEM-PLS memeriksa VIF indikator pada model pengukuran formatif dan inner VIF antarkonstruk pada model struktural; nilai di bawah 3 dianggap ideal dan di bawah 5 masih dapat diterima (Hair dkk., 2022).

Referensi

• Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression diagnostics: Identifying influential data and sources of collinearity. Wiley. https://doi.org/10.1002/0471725153
• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294. https://doi.org/10.2307/1911963
• Ghozali, I. (2018). Aplikasi analisis multivariate dengan program IBM SPSS 25 (Ed. 9). Badan Penerbit Universitas Diponegoro.
• 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.
• 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.
• Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709–722. https://doi.org/10.3758/BF03192961
• IBM. (t.t.-a). Linear Regression statistics. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=regression-linear-statistics
• IBM. (t.t.-b). GLM options. IBM SPSS Statistics 29 Documentation. https://www.ibm.com/docs/en/spss-statistics/29.0.0?topic=analysis-glm-options
• Iacobucci, D., Schneider, M. J., Popovich, D. L., & Bakamitsos, G. A. (2016). Mean centering helps alleviate "micro" but not "macro" multicollinearity. Behavior Research Methods, 48(4), 1308–1317. https://doi.org/10.3758/s13428-015-0624-x
• Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics, 17(1), 107–112. https://doi.org/10.1016/0304-4076(81)90062-2
• Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217–224. https://doi.org/10.1080/00031305.2000.10474549
• O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690. https://doi.org/10.1007/s11135-006-9018-6
• Park, R. E. (1966). Estimation with heteroscedastic error terms. Econometrica, 34(4), 888. https://doi.org/10.2307/1910108
• White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934