Apa Itu Uji t, Uji F, dan Koefisien Determinasi (R²)? Cara Membaca Hasil Uji Hipotesis Regresi untuk BAB IV Skripsi, Lengkap dengan Contoh Output SPSS/R

Output regresi baru saja keluar dari SPSS. Uji F signifikan, R Square tembus 0,842, dan rasanya BAB IV sudah di depan mata. Namun begitu tabel Coefficients dibuka, satu dari dua hipotesis ternyata ditolak karena Sig-nya 0,347. Banyak mahasiswa langsung panik dan mengira datanya salah, padahal kombinasi seperti ini justru sangat wajar dalam regresi linear berganda.

Kebingungan itu ternyata biasanya muncul karena uji t, uji F, dan koefisien determinasi dibaca sebagai resep "Sig di bawah 0,05 berarti diterima" tanpa memahami pertanyaan apa yang dijawab tiap angka. Artikel ini membedah ketiganya memakai satu contoh nyata dengan 12 responden, lengkap dengan padanan output R, cara mencari t tabel dan F tabel, serta kalimat interpretasi yang aman ditulis di BAB IV.

Uji t menguji pengaruh parsial, yaitu apakah satu variabel bebas berpengaruh signifikan terhadap Y saat variabel bebas lain dikendalikan. Uji F menguji pengaruh simultan, yaitu apakah semua variabel bebas bersama-sama berpengaruh terhadap Y. Koefisien determinasi (R²) menunjukkan proporsi variasi Y yang dijelaskan model, dan untuk regresi berganda yang dijadikan dasar tafsir adalah Adjusted R². Keputusan diambil bila Sig < 0,05 atau nilai hitung melebihi nilai tabel, dengan derajat bebas n - k - 1 untuk uji t serta k dan n - k - 1 untuk uji F.

Daftar Isi

• Pengertian uji t, uji F, dan R²
• Urutan membaca output SPSS dan R
• Kenapa F signifikan tapi t tidak
• Mencari t tabel dan F tabel
• Tabel ringkas keputusan
• Salah kaprah yang sering ditegur
• Contoh kalimat BAB IV
• FAQ

Apa itu uji t, uji F, dan koefisien determinasi dalam regresi skripsi?

Ketiganya adalah alat uji hipotesis yang membaca model regresi dari tiga sudut berbeda. Analogi paling mudah adalah tim futsal yang baru selesai bertanding: uji F menjawab apakah timnya menang, uji t menjawab pemain mana yang benar-benar menyumbang gol, sedangkan R² menjawab berapa bagian skor yang bisa dijelaskan oleh susunan pemain itu.

Modul Uji Regresi dengan Aplikasi SPSS karya Robert Marbun dari Laboratorium Jurusan Ilmu Ekonomi FEB Universitas Cenderawasih (2019) merumuskan ketiganya dengan cara serupa, lalu memberi contoh dengan 12 responden, dua variabel bebas (X1 desain produk dan X2 kualitas produk), serta satu variabel terikat (Y loyalitas pelanggan). Redaksi menghitung ulang data mentah dari modul tersebut, dan hasilnya ternyata identik, sehingga angka di artikel ini bisa kamu cocokkan sendiri di SPSS atau R.

Bagaimana urutan membaca output regresi di SPSS dan R?

Di SPSS, regresi dijalankan lewat menu Analyze, Regression, Linear. Urutan membaca outputnya dimulai dari koefisien determinasi, lalu uji F, baru kemudian uji t. Urutan ini dipakai dalam buku Statistik Deskriptif dan Regresi Linier Berganda dengan SPSS karya Dyah Nirmala Arum Janie dari Fakultas Ekonomi Universitas Semarang (Semarang University Press, 2012).

Tabel pertama adalah Model Summary. Di contoh tadi, R Square bernilai 0,842, sedangkan Adjusted R Square bernilai 0,807. Janie bahkan mengingatkan satu kolom yang sering dilewati mahasiswa di tabel yang sama, yaitu Std. Error of the Estimate (SEE). Di contoh kita nilainya 3,421, artinya prediksi model rata-rata meleset sekitar 3,4 poin skor loyalitas.

"Makin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel dependen," tulis Dyah Nirmala Arum Janie dari Fakultas Ekonomi Universitas Semarang dalam bukunya.

Tabel kedua adalah ANOVA, tempat uji F berada. Contoh modul menghasilkan F hitung 23,978 dengan Sig 0,000, yang di naskah sebaiknya ditulis p < 0,001 (hitungan ulang memberi p sekitar 0,00025).

Tabel ketiga, Coefficients, memuat kolom B dan Std. Error (unstandardized), Beta (standardized), t, dan Sig untuk tiap variabel bebas. Di sinilah uji t dibaca baris demi baris dengan H0 bahwa koefisien variabel itu sama dengan nol, dan t hitung tidak lain adalah B dibagi Std. Error, misalnya 0,864 / 0,251 = 3,441 untuk X2.

Di R, ketiganya muncul sekaligus lewat summary(lm(y ~ x1 + x2, data = df)). Menurut dokumentasi resmi fungsi summary.lm, tabel koefisien memuat estimate, std. error, t value, dan p-value dua sisi (kolom Pr(>|t|)). Baris paling bawah berisi Multiple R-squared, Adjusted R-squared, dan F-statistic beserta derajat bebasnya, misalnya "on 2 and 9 DF". Interval kepercayaan 95% tiap koefisien bisa diminta lewat confint(lm(y ~ x1 + x2, data = df)), atau di SPSS lewat tombol Statistics dengan mencentang Confidence intervals.

Kenapa uji F signifikan tapi uji t tidak semua signifikan?

Jawabannya justru sederhana: kedua uji menjawab pertanyaan yang berbeda. Uji F bertanya apakah model secara keseluruhan lebih baik daripada tanpa variabel bebas sama sekali (H0: semua koefisien variabel bebas sama dengan nol), sementara uji t bertanya apakah satu variabel masih menyumbang informasi setelah variabel lain ikut diperhitungkan.

Salah satu contohnya ada di data tadi. Kualitas produk (X2) punya t hitung 3,441 dengan Sig 0,007, jauh melewati t tabel 2,262. Sebaliknya, desain produk (X1) hanya mencatat t hitung 0,992 dengan Sig 0,347. Hasilnya, model tetap signifikan secara simultan karena X2 sudah cukup kuat menopang seluruh model sendirian.

Situasi ini bukan tanda data rusak. Bahkan buku Janie menampilkan pola serupa pada model dengan 5 variabel bebas, ketika hanya 3 variabel yang signifikan pada alpha 5%. Sementara itu, kalau dua variabel bebas saling berkorelasi tinggi, uji t keduanya bisa sama-sama melemah. Di contoh ini korelasi X1 dan X2 memang cukup tinggi (0,79), tetapi VIF-nya baru 2,63, masih jauh di bawah ambang 10. Itulah alasan uji asumsi klasik seperti VIF perlu dikerjakan sebelum uji hipotesis.

Bagaimana cara mencari t tabel dan F tabel dengan derajat bebas yang benar?

Untuk t tabel, derajat bebasnya adalah n - k - 1, dengan n jumlah sampel dan k jumlah variabel bebas. Contoh kita punya 12 responden dan 2 variabel bebas, jadi df = 12 - 2 - 1 = 9. Dengan alpha 5% dua sisi, Excel versi Indonesia memakai =TINV(0,05; 9) dan R memakai qt(0.975, 9), keduanya menghasilkan 2,262.

F tabel justru memakai dua derajat bebas, yaitu k untuk pembilang dan n - k - 1 untuk penyebut. Rumusnya di Excel adalah =FINV(0,05; 2; 9), sedangkan di R adalah qf(0.95, 2, 9), dan hasilnya sekitar 4,26. Salah satu kekeliruan yang sering lolos adalah memakai penyebut n - k, sehingga yang terbaca F(2; 10) = 4,10.

Alhasil, pada contoh ini kesimpulannya tidak berubah karena F hitung 23,978 jauh di atas keduanya. Namun pada model yang F hitungnya tipis, misalnya 4,15, salah derajat bebas bisa membalik keputusan: dengan F(2; 9) hasilnya tidak signifikan (4,15 < 4,26), sedangkan dengan F(2; 10) yang keliru hasilnya tampak signifikan (4,15 > 4,10). Makanya, tuliskan rumus df di BAB III supaya penguji bisa menelusurinya.

Tabel ringkas: kapan hipotesis dinyatakan diterima?

Salah kaprah apa yang paling sering ditegur dosen penguji?

Salah kaprah pertama adalah membaca R² 0,842 sebagai "pengaruh X terhadap Y sebesar 84,2%". Padahal dokumentasi R mendefinisikan R² sebagai proporsi varians yang dijelaskan model, dan Janie pun menulisnya sebagai persentase variasi Y yang dijelaskan variabel bebas. Kalimat yang lebih tepat: setelah dikoreksi jumlah variabel (Adjusted R² 0,807), sekitar 80,7% variasi loyalitas pelanggan dijelaskan oleh desain dan kualitas produk, sedangkan sisanya oleh faktor di luar model. R² yang tinggi juga bukan bukti sebab-akibat, dan bukan pula bukti bahwa model sudah benar.

Kedua, memilih R² biasa untuk regresi berganda, padahal R² tidak pernah turun setiap kali variabel ditambahkan, bahkan variabel yang tidak relevan sekalipun, sehingga Adjusted R² memberi penalti atas jumlah parameter. Selisih 0,842 dan 0,807 di contoh kita cukup lebar karena sampelnya hanya 12 orang, dan selisih semacam itu cenderung menyusut pada sampel yang jauh lebih besar.

Ketiga, menafsirkan koefisien sebagai persen. Hitungan ulang data modul menghasilkan persamaan Y = 2,971 + 0,212X1 + 0,864X2. Artinya, setiap kenaikan 1 poin skor kualitas produk diikuti kenaikan rata-rata 0,864 poin skor loyalitas, dengan desain produk dianggap tetap. Kata "1%" hanya tepat kalau datanya memang dalam bentuk persen atau logaritma.

Keempat, menganggap Sig 0,000 berarti pengaruhnya paling kuat. Padahal, untuk membandingkan kekuatan antarvariabel, lihat kolom Beta (standardized): X2 bernilai 0,740 dan X1 hanya 0,213. Kecilnya nilai p tidak mengukur besar pengaruh, dan itu prinsip kelima dari 6 prinsip dalam pernyataan American Statistical Association (ASA) tentang p-value yang dirilis 7 Maret 2016.

"Nilai p tidak pernah dimaksudkan sebagai pengganti penalaran ilmiah," kata Ron Wasserstein, direktur eksekutif ASA, dalam siaran pers pernyataan tersebut (diterjemahkan dari bahasa Inggris).

Kelima, mengganti alpha setelah melihat hasil. Buku Janie memang mencontohkan variabel dengan Sig 0,068 yang dinyatakan signifikan pada alpha 10%, tetapi alpha itu harus ditetapkan sejak BAB III. Menggesernya dari 5% ke 10% hanya supaya hipotesis lolos termasuk praktik p-hacking yang disorot ASA.

"Seiring waktu, nilai p tampaknya telah menjadi penjaga gerbang apakah sebuah karya layak terbit, setidaknya di sebagian bidang," ujar Jessica Utts, presiden ASA saat pernyataan itu dirilis (diterjemahkan dari bahasa Inggris).

Satu catatan teknis lagi: Sig di SPSS dan Pr(>|t|) di R adalah p-value dua sisi. Kalau hipotesis berarah dan pedoman prodi mengizinkan uji satu sisi, p satu sisi bisa dihitung sebagai Sig dibagi 2 bila tanda koefisien sesuai arah hipotesis, dengan t tabel satu sisi untuk df 9 sebesar 1,833.

Bagaimana contoh kalimat interpretasi uji t, uji F, dan R² di BAB IV?

Berikut templat yang bisa disesuaikan dengan variabel penelitianmu, memakai angka contoh di atas. Istilah "H ditolak/diterima" masih umum dipakai kampus, meski sebagian dosen lebih suka "H0 gagal ditolak", jadi ikuti pedoman prodi.

"Hasil uji t menunjukkan kualitas produk berpengaruh positif dan signifikan terhadap loyalitas pelanggan (t = 3,441; p = 0,007 < 0,05), sehingga H2 diterima. Sebaliknya, desain produk tidak berpengaruh signifikan (t = 0,992; p = 0,347 > 0,05), sehingga H1 ditolak. Uji F menunjukkan kedua variabel secara simultan berpengaruh signifikan (F = 23,978; p < 0,001). Nilai Adjusted R² sebesar 0,807 berarti 80,7% variasi loyalitas pelanggan dijelaskan oleh model."

Sebelum sampai ke tahap ini, rantai datanya dimulai dari rumus Slovin, skala Likert, uji validitas dan reliabilitas, lalu statistik deskriptif. Kalau kuesionernya dibuat lewat kakak.ai form langsung dari chat, data bisa diunduh sebagai CSV, Excel, paket SPSS, atau paket R sesuai panduan resmi formulir.

Kini, setelah output keluar, tabel Model Summary, ANOVA, dan Coefficients bisa ditempel ke chat kakak.ai atau dibahas lewat skill Pendamping Analisis Data di agen Tugas Akhir Mahasiswa untuk dibantu membaca dan menyusun draf narasi. kakak.ai tidak menjalankan regresinya sendiri, jadi setiap angka tetap wajib dicocokkan dengan output asli. Draf akhirnya lalu bisa dirapikan di Editor Dokumen kakak.ai sesuai template kampus.

FAQ seputar uji t, uji F, dan R²

Kalau uji F signifikan tapi semua uji t tidak signifikan, apa artinya?

Pola ini sering menandakan multikolinearitas: variabel bebas saling tumpang tindih sehingga bersama-sama kuat tetapi sendiri-sendiri lemah. Cek nilai VIF di tabel Coefficients, dan bila di atas 10, diskusikan dengan pembimbing apakah ada variabel yang perlu digabung atau dikeluarkan dengan alasan teoretis.

R² hanya 0,20, apakah penelitian saya gagal?

Tidak. R² tidak punya ambang lulus, dan contoh regresi sederhana di modul FEB Universitas Cenderawasih pun hanya mencatat R Square 0,215 dengan uji F tetap signifikan (F = 13,951). Laporkan apa adanya, tulis 80% variasi lainnya dijelaskan faktor di luar model, dan bahas di bagian keterbatasan penelitian.

Sig 0,051 atau 0,068, bolehkah dianggap signifikan?

Hanya kalau alpha 10% sudah ditetapkan sejak BAB III. Kalau sejak awal memakai alpha 5%, Sig 0,051 tetap tidak signifikan. Mengubah alpha setelah melihat hasil adalah praktik yang tidak dianjurkan dalam pernyataan ASA tahun 2016.

Pakai R Square atau Adjusted R Square?

Untuk regresi linear berganda, jadikan Adjusted R Square dasar tafsir karena sudah dikoreksi atas jumlah variabel bebas, dan tetap tampilkan R Square di tabelnya. R Square biasa cukup untuk regresi linear sederhana dengan 1 variabel bebas.

Apakah kakak.ai bisa menghitung uji t dan uji F, dan apakah gratis?

Perhitungan tetap dilakukan di SPSS atau R. kakak.ai membantu di sisi data dan penulisan: menyiapkan kuesioner lewat kakak.ai form, mengunduh data dalam paket SPSS atau R, lalu membantu membaca output yang kamu tempel ke chat. Akun gratis mendapat kredit harian untuk mencobanya, sedangkan detail paket ada di halaman harga kakak.ai.

Di ruang sidang, penguji jarang terkesan oleh deretan tabel yang semuanya "diterima". Justru mahasiswa yang bisa menjelaskan kenapa satu hipotesis ditolak, dengan angka dan alasan yang runtut, biasanya pulang dengan revisi paling sedikit.

Coba kakak.ai Sekarang, Gratis