Uji t dan uji F dalam regresi adalah dua pengujian hipotesis yang selalu muncul di output regresi linier berganda. Uji F menguji apakah model secara keseluruhan bermakna. Uji t menguji pengaruh setiap variabel bebas satu per satu.
Di ruang sidang, bagian ini sering memancing pertanyaan seperti: “Kenapa uji F signifikan, tetapi ada variabel yang tidak signifikan?” atau “t tabelnya memakai df berapa?” Artikel ini menjawab keduanya dengan satu contoh output SPSS yang dibaca baris demi baris.
Artikel ini bagian dari seri Materi Statistik IDTesis. Dasar regresinya ada di artikel analisis regresi linier, dan syarat yang perlu dipenuhi sebelum membaca uji t dan uji F ada di artikel uji asumsi klasik.
Perbedaan Uji t dan Uji F
| Aspek | Uji F (simultan) | Uji t (parsial) |
|---|---|---|
| Pertanyaan |
Apakah semua variabel bebas, bersama-sama, menjelaskan Y? |
Apakah satu variabel bebas berpengaruh terhadap Y, dengan variabel lain dianggap tetap? |
| Jumlah pengujian |
Satu untuk seluruh model |
Satu untuk setiap koefisien |
| Tabel di SPSS |
ANOVA |
Coefficients |
| Derajat bebas |
df1 = k, df2 = n ? k ? 1 |
df = n ? k ? 1 |
| Nama lain |
Uji serentak, uji kelayakan model |
Uji parsial, uji individual |
Keterangan: n = jumlah responden atau pengamatan, k = jumlah variabel bebas.
Hipotesis yang Diuji
Untuk model dengan tiga variabel bebas, hipotesis statistiknya sebagai berikut.
Uji F:
- H0: ?1 = ?2 = ?3 = 0, artinya tidak ada satu pun variabel bebas yang berpengaruh.
- H1: minimal satu ? tidak sama dengan nol.
Uji t (untuk setiap variabel, misalnya X1):
- H0: ?1 = 0, artinya X1 tidak berpengaruh terhadap Y setelah X2 dan X3 diperhitungkan.
- H1: ?1 ? 0 (dua arah), atau ?1 > 0 bila hipotesis penelitian Anda menyatakan arah positif.
Perhatikan bahwa H1 uji F hanya berarti “minimal satu”. Uji F yang signifikan tidak berarti semua variabel bebas berpengaruh.
Rumus Singkat
Statistik F membandingkan variasi Y yang dijelaskan model dengan variasi yang tidak terjelaskan:
Statistik t membandingkan koefisien regresi dengan standard error-nya:
Keterangan: JK adalah jumlah kuadrat (Sum of Squares di SPSS), b? adalah koefisien regresi variabel ke-i, dan SE(b?) adalah standard error koefisien tersebut. Semakin besar t, semakin jauh koefisien dari nol dibandingkan ketidakpastiannya.
Contoh: Membaca Output SPSS
Seorang peneliti menguji pengaruh Motivasi (X1), Kompensasi (X2), dan Lingkungan Kerja (X3) terhadap Kinerja Karyawan (Y) pada 100 karyawan. Setiap variabel diukur dengan skor total kuesioner. Angka di bawah berasal dari data ilustrasi.
1. Tabel ANOVA: Uji F
| Model | Sum of Squares | df | Mean Square | F | Sig. |
|---|---|---|---|---|---|
| Regression |
1.391,835 |
3 |
463,945 |
21,588 |
< 0,001 |
| Residual |
2.063,165 |
96 |
21,491 |
||
| Total |
3.455,000 |
99 |
Cara membacanya:
- Lihat kolom Sig. SPSS menampilkan .000, yang berarti p lebih kecil dari 0,0005. Karena p < 0,05, H0 ditolak.
- Atau bandingkan F hitung dengan F tabel. Dengan df1 = 3 dan df2 = 96, F tabel pada ? = 0,05 adalah 2,699. F hitung 21,588 lebih besar, sehingga kesimpulannya sama.
- Simpulkan. Motivasi, kompensasi, dan lingkungan kerja secara bersama-sama berpengaruh signifikan terhadap kinerja.
Tabel Model Summary di atasnya memberi R² = 0,403 dan Adjusted R² = 0,384. Artinya, ketiga variabel bebas menjelaskan sekitar 40% variasi kinerja. Cara membaca R² dijelaskan di artikel analisis regresi.
2. Tabel Coefficients: Uji t
| Variabel | B | Std. Error | Beta | t | Sig. |
|---|---|---|---|---|---|
| (Constant) | ?0,984 |
4,672 |
– |
?0,211 | 0,834 |
| Motivasi (X1) |
0,611 |
0,122 |
0,466 |
4,992 |
< 0,001 |
| Kompensasi (X2) |
0,309 |
0,114 |
0,235 |
2,716 |
0,008 |
| Lingkungan Kerja (X3) |
0,141 |
0,131 |
0,092 |
1,077 |
0,284 |
t tabel untuk df = 100 ? 3 ? 1 = 96, uji dua arah, ? = 0,05 adalah 1,985. Cara membacanya:
- Motivasi: t = 4,992 > 1,985 dan p < 0,001, jadi signifikan. Setiap kenaikan 1 poin motivasi diikuti kenaikan kinerja sebesar 0,611 poin, dengan kompensasi dan lingkungan kerja dianggap tetap.
- Kompensasi: t = 2,716 > 1,985 dan p = 0,008, jadi signifikan. Setiap kenaikan 1 poin kompensasi diikuti kenaikan kinerja 0,309 poin, dengan variabel lain dianggap tetap.
- Lingkungan Kerja: t = 1,077 < 1,985 dan p = 0,284, jadi tidak signifikan. Data ini belum memberi bukti cukup bahwa lingkungan kerja berpengaruh setelah motivasi dan kompensasi diperhitungkan.
- Konstanta biasanya tidak diuji sebagai hipotesis. Nilai ?0,984 adalah perkiraan kinerja bila semua X bernilai nol. Skor nol tidak mungkin terjadi pada kuesioner ini, jadi konstanta tidak perlu ditafsirkan.
Persamaan regresinya: Kinerja = ?0,984 + 0,611 Motivasi + 0,309 Kompensasi + 0,141 Lingkungan Kerja.
Untuk membandingkan variabel mana yang pengaruhnya paling kuat, gunakan kolom Beta (koefisien terstandar), bukan B. Kolom B bergantung pada satuan masing-masing variabel. Pada contoh ini, motivasi (Beta 0,466) memiliki pengaruh relatif paling besar.
Membaca Sig., t tabel, dan arah hipotesis sekaligus memang sering membingungkan. Jika Anda butuh teman diskusi untuk membaca output regresi Anda sendiri, tim IDTesis bisa membantu.
Cara Menentukan t Tabel dan F Tabel
Derajat bebas (df) untuk uji t regresi adalah n ? k ? 1, bukan n ? 1. Untuk uji F, df1 = k dan df2 = n ? k ? 1.
| Nilai | Rumus Excel | Hasil untuk contoh (n = 100, k = 3) |
|---|---|---|
| t tabel dua arah, ? = 0,05 |
=T.INV.2T(0,05; 96) |
1,985 |
| t tabel satu arah, ? = 0,05 |
=T.INV(0,95; 96) |
1,661 |
| F tabel, ? = 0,05 |
=F.INV.RT(0,05; 3; 96) |
2,699 |
Pemisah argumen di Excel bisa titik koma atau koma, tergantung pengaturan bahasa komputer Anda.
Membandingkan Sig. dengan ? dan membandingkan t hitung dengan t tabel selalu memberi kesimpulan yang sama. Pilih salah satu dan pakai secara konsisten di seluruh Bab 4.
Kapan memakai uji satu arah? Hanya jika hipotesis penelitian sudah menyatakan arah (misalnya “berpengaruh positif”) sejak Bab 2 atau Bab 3, sebelum data dianalisis. Nilai Sig. di SPSS adalah nilai dua arah. Nilai p satu arah adalah Sig. dibagi 2, dengan syarat tanda koefisien sesuai arah hipotesis. Jika tandanya berlawanan, hipotesis tidak didukung berapa pun nilai p-nya. Mengganti uji dua arah menjadi satu arah setelah melihat hasil adalah praktik yang keliru.
Uji F Signifikan, tetapi Ada Uji t yang Tidak Signifikan
Situasi ini wajar dan sering terjadi, seperti pada contoh di atas. Uji F hanya menyatakan bahwa minimal satu variabel bebas berpengaruh. Ada beberapa penyebab umum:
- Satu atau dua variabel memang membawa sebagian besar pengaruh, sedangkan variabel lain pengaruhnya kecil.
- Variabel bebas saling berkorelasi tinggi (multikolinearitas). Informasi yang sama terbagi ke beberapa variabel, sehingga masing-masing tampak tidak signifikan walaupun secara bersama-sama kuat. Periksa nilai VIF di artikel uji asumsi klasik.
- Ukuran sampel kecil, sehingga standard error besar dan nilai t mengecil.
Kebalikannya juga bisa terjadi walaupun jarang: satu variabel signifikan pada uji t, tetapi uji F tidak signifikan. Biasanya ini muncul pada model dengan banyak variabel bebas yang lemah, sehingga satu pengaruh yang nyata “tenggelam” dalam uji serentak. Laporkan keduanya apa adanya dan bahas di pembahasan.
Syarat Sebelum Membaca Uji t dan Uji F
Nilai t, F, dan Sig. hanya bisa dipercaya jika model memenuhi syarat regresi OLS. Sebelum menafsirkan, pastikan:
- Residual berdistribusi kurang lebih normal, terutama pada sampel kecil. Lihat artikel uji normalitas.
- Tidak ada multikolinearitas yang tinggi dan varians residual konstan (homoskedastis).
- Ukuran sampel cukup untuk jumlah variabel bebas. Patokan sederhana Green (1991) dibahas di artikel analisis regresi.
- Skala data Y minimal interval. Lihat artikel skala pengukuran.
Contoh Penulisan di Bab 4
Hasil uji F menunjukkan bahwa motivasi, kompensasi, dan lingkungan kerja secara bersama-sama berpengaruh signifikan terhadap kinerja karyawan, F(3, 96) = 21,59; p < 0,001; R² = 0,403. Secara parsial, motivasi berpengaruh positif dan signifikan terhadap kinerja (b = 0,611; t = 4,99; p < 0,001), demikian pula kompensasi (b = 0,309; t = 2,72; p = 0,008). Lingkungan kerja tidak berpengaruh signifikan (b = 0,141; t = 1,08; p = 0,284). Dengan demikian, H1 dan H2 didukung, sedangkan H3 tidak didukung.
Sesuaikan nomor hipotesis dengan Bab 2 Anda. Jika ada hipotesis simultan tersendiri (misalnya H4), tuliskan hasil uji F sebagai jawaban H4. Saat membahas H3 yang tidak didukung, bandingkan dengan penelitian terdahulu dan beri penjelasan yang masuk akal, misalnya kondisi lingkungan kerja yang sudah seragam di tempat penelitian.
Kesalahan yang Sering Terjadi
- Menulis p = 0,000. Nilai p tidak pernah benar-benar nol. Tulis p < 0,001.
- Menulis “H0 diterima”. Lebih tepat “H0 tidak ditolak”, atau “hipotesis penelitian tidak didukung”.
- Memakai df = n ? 1 atau n ? k untuk t tabel. Yang benar n ? k ? 1.
- Menyimpulkan semua variabel berpengaruh karena uji F signifikan.
- Menganggap “tidak signifikan” sebagai bukti tidak ada pengaruh sama sekali. Hasil tidak signifikan berarti bukti belum cukup, bukan bukti bahwa pengaruhnya nol.
- Membandingkan kekuatan pengaruh dengan kolom B padahal satuan variabelnya berbeda. Pakai Beta.
- Hanya melaporkan signifikansi. Laporkan juga besar koefisien dan R². Signifikan secara statistik belum tentu penting secara praktis (Wasserstein & Lazar, 2016).
Pertanyaan yang Sering Diajukan
Apakah uji F wajib ada di skripsi?
Jika rumusan masalah Anda menanyakan pengaruh secara bersama-sama, uji F wajib dilaporkan sebagai jawaban hipotesis. Jika tidak, uji F tetap dilaporkan sebagai bukti bahwa model regresi layak dipakai.
Apakah uji t regresi sama dengan uji t beda rata-rata?
Tidak. Keduanya memakai distribusi t, tetapi pertanyaannya berbeda. Uji t regresi menguji koefisien pengaruh, sedangkan uji t beda rata-rata membandingkan rata-rata dua kelompok. Yang kedua dibahas di artikel uji beda t-test.
Berapa t tabel jika sampel saya 60 orang dengan 2 variabel bebas?
df = 60 ? 2 ? 1 = 57. Untuk uji dua arah dengan ? = 0,05, t tabelnya sekitar 2,002. Hitung dengan rumus Excel di atas agar tepat.
Hasil saya tidak signifikan. Apakah penelitian saya gagal?
Tidak. Hasil tidak signifikan tetap temuan yang sah, asalkan prosedurnya benar. Yang penting adalah menjelaskannya dengan jujur di pembahasan: kemungkinan penyebabnya, keterbatasan penelitian, dan saran untuk penelitian berikutnya.
Bagaimana jika model saya punya variabel mediasi?
Uji t dan uji F hanya menguji pengaruh langsung. Pengaruh tidak langsung diuji dengan cara lain, yang dibahas di artikel uji Sobel dan PROCESS Hayes ?.
Butuh Teman Diskusi untuk Olah Data?
Masih ragu membaca hasil uji t dan uji F penelitian Anda? Tim IDTesis bisa menemani Anda memeriksa asumsi regresi, menjalankan analisis di SPSS, dan menjelaskan setiap angka di tabel ANOVA dan Coefficients dengan bahasa sederhana, sehingga Anda siap menjelaskannya di depan penguji. Ceritakan dulu kebutuhan Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Analisis Regresi Linier · Uji Asumsi Klasik · Metode Analisis Data
