Uji Multikolinearitas (Tutorial SPSS 5 Menit)

Halo halo sobat Exsight. Tahukah kalian pada perhitungan statistika, khususnya pada model regresi terdapat suatu syarat yang harus dipenuhi, dimana syarat ini seringkali memiliki dampak besar jika diabaikan begitu saja. Kira-kira syarat apakah itu?
Yaps, syarat tersebut adalah Multikolinearitas.

Artikel ini akan membahas lebih lanjut terkait Multikolinearitas beserta studi kasus dan tutorial pendeteksian menggunakan SPSS. Yuk kita bahas bersama-sama

Definisi

Multikolinearitas merupakan suatu kondisi dimana terdapat korelasi atau hubungan linier antara dua variabel prediktor atau lebih. Multikolinearitas merupakan salah satu syarat asumsi yang harus dipenuhi pada model regresi, dalam hal ini multikolinearitas tidak mungkin terjadi pada model regresi linier sederhana karena hanya terdiri atas satu variabel prediktor.

Dampak jika diabaikan

Adanya multikolinearitas juga dapat mengakibatkan proses penaksiran dalam model regresi tidak dapat dilakukan, dimana terdapat standar eror yang besar namun dengan signifikansi yang kecil. Dampak lainnya yaitu dapat menyebabkan pengujian secara parsial pada regresi menjadi tidak signifikan meskipun pengujian secara serentak memberikan hasil yang signifikan.

Cara Deteksi

Salah satu cara pendeteksian multikolinearitas yaitu berdasarkan nilai Variance Inflating Factors (VIF). Semakin tinggi nilai nilai VIF menunjukkan semakin tinggi pula korelasi atau hubungan antara variabel prediktor. Apabila VIF bernilai tinggi diatas 10 maka dikatakan terdapat multikolinearitas dan begitu pula sebaliknya.

Adapun rumus perhitungan VIF dituliskan sebagai berikut.

Berdasarkan rumus VIF diatas R_j² melambangkan nilai koefisien determinasi dari variabel prediktor yang diregresikan terhadap variabel respon, dimana R_j² berada dalam rentang nilai 0 hingga 1. Adapun penjabaran perhitungan untuk R_j² adalah sebagai berikut.

Studi Kasus

Studi kasus yang akan kita gunakan dalam hal ini menggunakan data Kasus Kusta beserta faktor-faktornya di Kabupaten Jombang, Provinsi Jawa Timur, Tahun 2019.
* Tidak terdapat missing value pada data.
* Data terdiri atas 1 variabel respon dan 6 variabel prediktor.

• Y = Jumlah kasus kusta
• X₁ = Persentase penduduk dengan sanitasi layak
• X₂ = Rasio tenaga medis
• X₃ = Persentase sarana air minum yang memenuhi syarat kesehatan
• X₄ = Persentase tempat-tempat umum yang memenuhi syarat kesehatan
• X₅ = Persentase pelayanan kesehatan untuk penduduk usia produktif
• X₆ = Persentase pelayanan kesehatan untuk penduduk usia lanjut

Tutorial SPSS

1. Buka software SPSS, kemudian entry data pada variable view dan data view.

Pada bagian data view berisi data-data dari masing-masing variabel, sedangkan untuk bagian variable view berisi pendefinisian dari masing-masing (khususnya terkait jenis data pada bagian measure).

2. Tahapan selanjutnya klik Analyze – klik Regression – klik Linear

3. Selanjutnya dapat dilihat pada Gambar 3. untuk bagian Dependent kita isi dengan variabel Y, sedangkan untuk Independent kita isi dengan variabel X₁ , X₂ , X₃ , X₄ , X₅ , dan X₆. Setelah itu klik pada bagian Statistics.

4. Pada bagian Statistics kita beri tanda centang pada opsi Estimates, Model Fit, dan Colinearity diagnostics. Selanjutnya kita klik tombol Continue.

5. Kemudian kita akan diarahkan kembali pada bagian Linear Regression dalam hal ini langsung saja kita tekan tombol OK.

Pembahasan Hasil Output SPSS

Hasi output SPSS adalah sebagai berikut, dalam hal ini kita berfokus pada output di bagian Coefficients sesuai dengan Gambar 6. Ada atau tidaknya multikolinearitas antar variabel prediktor dapat dilihat berdasarkan nilai VIF pada kolom Collinearity Statistics.

Berdasarkan Gambar 6. terlihat bahwa untuk variabel prediktor X₁ , X₂ , X₃ , X₄ , X₅ , dan X₆ memiliki nilai VIF yang kurang dari 10. Sehingga dapat diartikan tidak terdapat multikolinearitas atau tidak terdapat hubungan antar variabel prediktor.

Selain berdasarkan nilai VIF, adanya multikolinearitas dapat dideteksi berdasarkan nilai Tolerance. Apabila ditinjau pada Gambar 6. terlihat bahwa nilai tolerance pada seluruh variabel prediktor lebih dari 0,01, hal ini menegaskan bahwa tidak terdapat multikolinearitas antar variabel prediktor.

Cara Mengatasi Multikolinearitas

Multikolinearitas dapat diatasi dengan berbagai cara diantaranya:

1. Mengeluarkan salah satu variabel prediktor yang berkorelasi tinggi dengan variabel prediktor yang lain.
2. Menggunakan principal component regression yaitu dengan membentuk komponen-komponen utama sebagai variabel prediktor baru yang merupakan kombinasi linier dari variabel-variabel prediktor sebelumnya.
3. Melakukan transformasi data (misalnya transformasi ln, transformasi Log).

Referensi

Gujarati, D. N. (2003). Basic Economics (Fourth Edition). NewYork: McGraw-Hill Inc.

Sriningsih, M., Hatidja, D., & Prang, J. (2018). Penanganan Multikolinearitas dengan Menggunakan Analisis Regresi Komponen Utama pada Impor Beras di Provinsi Sulut. Jurnal Ilmiah Sains, Vol.18, No.1.

Demikian penjelasan terkait tutorial uji multikolinearitas menggunakan SPSS. Apabila masih ada yang dibingungkan bisa langsung saja ramaikan kolom komentar atau hubungi admin melalui tombol bantuan di kanan bawah. Stay tuned di website https://exsight.id/blog/ agar tidak ketinggalan artikel-artikel menarik lainnya.