UJI REGRESI pada SPSS

UJI REGRESI pada SPSS

Uji regresi berganda banyak sekali dipakai dalam penelitian.

Pemakaian baik untuk keperluan skripsi ataupun penelitian

sehari-hari. Kelebihan uji regresi adalah kemampuannya

melakukan prediksi. Bagi kalangan guru sekolah atau dosen, uji

regresi bisa dipakai untuk memprediksi perilaku siswa, baik

dalam hal nilai atau perilaku-perilaku lainnya.

Regresi Berganda Simultan atau Standar adalah kembangan

lebih lanjut dari Penelitian Korelasional. Lewat Uji Regresi

hendak dilihat bagaimana suatu variabel mempengaruhi variabel

lain. Regresi Berganda Simultan atau Standar juga kerap disebut

Standard Multiple Regression atau Simultaneous Multiple

Regression).

Dalam uji regresi berganda simultan, seluruh variabel prediktor

(bebas) dimasukkan ke dalam perhitungan regresi secara

serentak. Jadi, peneliti bisa menciptakan persamaan regresi

guna memprediksi variabel terikat dengan memasukkan, secara

serentak, serangkaian variabel bebas. Persamaan regresi

kemudian menghasilkan konstanta dan koefisien regresi bagi

masing-masing variabel bebas.

Selain Regresi Berganda Simultan atau Standar, ada pula

Regresi Berganda Stepwise dan Regresi Berganda Hirarki.

Tulisan ini hanya hendak mendalami Regresi Berganda Simultan

atau Standar saja.

Regresi Berganda dengan SPSS

Regresi Berganda sangat mudah dilakukan dengan SPSS. Julie

Pallant menginstruksikan dilakukannya langkah-langkah berikut

ini :

1. Klik Analyze --> Regression --> Linear. 2. Klik variabel terikat --> Pindahkan ke kotak Dependent. 3. Klik variabel bebas --> Pindahkan ke kotak Independent(s). 4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar). 5. Klik tombol Statistics, lalu lakukan : 6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics. 7. Pada bagian Residual, ceklis Casewise diagnostics dan

Outliers outside 3 standard deviations. 8. Klik Continue. 9. Klik tombol Options. Pada bagian Missing Values ceklis

Exclude cases pairwise. 10. Klik tombol Plots, lakukan : 11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis. 12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis. 13. Klik Next 14. Klik *SRESID dan tombol panah untuk memindahkannya ke

kotak y-axis (untuk melihat homoskedastisitas) 15. Klik *ZPRED dan tombol panah untuk memindahkannya ke

kotak x-axis (untuk melihat homoskedastisitas) 16. Pada bagian Standardized Residual Plots, ceklis pilihan

Normal probability plot. 17. Klik Continue. 18. Klik tombol Save. 19. Pada bagian Predicted Values, ceklis Unstandardized, Standardized, Adjusted 20. Pada bagian Residuals, ceklis Standardized, Deleted, dan Studentized deleted.

21. Pada bagian Distances, ceklis Mahalanobis, Cook’s, dan Leverage values. 22. Pada bagian Influence Statistics, ceklis Standardized

dfBeta(s) dan Standardized DiFit 23. Klik Continue. 24. Klik OK.

Asumsi Uji Regresi Berganda (Multiple Regression)

Menurut Julie Pallant dan Andy Field, Uji Regresi Berganda

punya sejumlah asumsi yang tidak boleh dilanggar.

Asumsi-asumsi Uji Regresi Berganda adalah:

1. Ukuran Sampel

Masalah berkenaan ukuran sampel di sini adalah

generabilitas. Dengan sampel kecil anda tidak bisa

melakukan generalisasi (tidak bisa diulang) dengan sampel

lainnya. Berbeda penulis berbeda berapa sampel yang

seharusnya dalam uji Regresi Berganda. Stevens (1996,

p.72) merekomendasikan bahwa “untuk penelitian ilmu

sosial, sekitar 15 sampel per prediktor (variabel bebas)

dibutuhkan untuk mengisi persamaan uji regresi.”

Tabachnick and Fidell (1996, p.132) memberi rumus guna

menghitung sampel yang dibutuhkan uji Regresi, berkaitan

dengan jumlah variabel bebas yang digunakan:

n > 50 + 8m

Dimana :

n = Jumlah Sampel

m = Jumlah Variabel Bebas

Jika peneliti menggunakan 5 variabel bebas, maka jumlah

sampel yang dibutuhkan adalah 90 orang, dalam mana 50

ditambah ( 5 x 8) = 50 + 40 = 90.

2. Outlier

Regresi Berganda sangat sensitif terhadap Outlier (skor

terlalu tinggi atau terlalu rendah). Pengecekan terhadap

skor-skor ekstrim seharusnya dilakukan sebelum

melakukan Regresi Berganda. Pengecekan ini dilakukan

baik terhadap variabel bebas maupun terikat. Outlier bisa

dihapus dari data atau diberikan skor untuk variabel

tersebut yang tinggi, tetapi tidak terlampau beda dengan

kelompok skor lainnya. Prosedur tambahan guna

mendeteksi outlier juga terdapat pada program SPSS file

mah_1. Outlier pada variabel terikat dapat diidentifikasi

dari Standardised Residual plot yang dapat disetting.

Tabachnick and Fidell (1996, p. 139) menentukan outlier

adalah nilai-nilai Standardised Residual di atas 3,3 (atau <

- 3,3).

Outlier juga bisa dicek menggunakan jarak Mahalanobis

yang tidak diproduksi oleh program Regresi Berganda SPSS

ini. Ia tidak terdapat dalam output SPSS. Untuk

mengidentifikasi sampel mana yang merupakan Outlier,

anda perlu menentukan nilai kritis Chi Square, dengan

menggunakan jumlah variabel bebas yang digunakan

dalam penelitian sebagai “degree of freedom-nya” atau

derajat kebebasan. Pallant menggunakan Alpha 0,001 agar

lebih meyakinkan, yang rinciannya sebagai berikut:

--image--

Untuk menggunakan tabel kritis Chi Square, lakukan

langkah berikut:

1. Tentukan variabel bebas yang digunakan dalam

analisis;

2. Temukan nilai di atas pada salah satu kolom

berbayang; dan

3. Baca melintasi kolom untuk menemukan nilai kritis

yang dikehendaki.

3. Normalitas Residu

Normalitas adalah residu yang seharusnya terdistribusi

normal seputar skor-skor variabel terikat. Residu adalah

sisa atau perbedaan hasil antara nilai data pengamatan

variabel terikat terhadap nilai variabel terikat hasil prediksi.

Untuk melihat apakah residu normal atau tidak, dapat

dilakukan dengan cara berikut:

1. Melihat grafik Normal P-P Plot, dan

2. Uji Kolmogorov-Smirnov

Pada grafik Normal P-P Plot, residu yang normal adalah

data memencar mengikuti fungsi distribusi normal yaitu

menyebar seiring garis z diagonal. Residu normal dari uji

Kolmogorov-Smirnov adalah diperolehnya nilai p > 0,05.

Linieritas adalah residual yang seharusnya punya hubungan

dalam bentuk “straight-line” dengan skor variabel terikat

yang diprediksi. Homoskedastisitas adalah varians residual

seputar skor-skor variabel terikat yang diprediksi

seharusnya sama bagi skor-skor yang diprediksi secara

keseluruhan.

4. Multikolinieritas

Uji Regresi mengasumsikan variabel-variabel bebas tidak

memiliki hubungan linier satu sama lain. Sebab, jika

terjadi hubungan linier antarvariabel bebas akan membuat

prediksi atas variabel terikat menjadi bias karena terjadi

masalah hubungan di antara para variabel bebasnya.

Dalam Regresi Berganda dengan SPSS, masalah

Multikolinieritas ini ditunjukkan lewat tabel Coefficient,

yaitu pada kolom Tolerance dan kolom VIF (Variance

Inflated Factors). Tolerance adalah indikator seberapa

banyak variabilitas sebuah variabel bebas tidak bisa

dijelaskan oleh variabel bebas lainnya. Tolerance dihitung

dengan rumus 1 – R2 untuk setiap variabel bebas. Jika

nilai Tolerance sangat kecil (< 0,10), maka itu

menandakan korelasi berganda satu variabel bebas sangat

tinggi dengan variabel bebas lainnya dan mengindikasikan

Multikolinieritas. Nilai VIF merupakan invers dari nilai

Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka

itu mengindikasikan terjadinya Multikolinieritas.

Hipotesis untuk Multikolinieritas ini adalah:

5. Autokorelasi

Autokorelasi juga disebut Independent Errors. Regresi

Berganda mengasumsikan residu observasi seharusnya

tidak berkorelasi (atau bebas). Asumsi ini bisa diuji dengan

teknik statistik Durbin-Watson, yang menyelidiki korelasi

berlanjut antar error (kesalahan). Durbin-Watson menguji

apakah residual yang berdekatan saling berkorelasi.

Statistik pengujian bervariasi antara 0 hingga 4 dengan

nilai 2 mengindikasikan residu tidak berkorelasi. Nilai > 2

mengindikasikan korelasi negatif antar residu, di mana

nilai < 2 mengindikasikan korelasi positif. >

Cara melakukan uji Durbin-Watson adalah, nilai

Durbin-Watson hitung harus lebih besar dari batas atas

Durbin-Watson tabel. Syarat untuk mencari Durbin-Watson

tabel adalah Tabel Durbin-Watson. Untuk mencari nilai

Durbin-Watson tabel:

1. tentukan besar n (sampel) dan k (banyaknya

variabel bebas).

2. Tentukan taraf signifikansi penelitian yaitu 0,05.

Durbin-Watson hitung dapat dicari dengan SPSS. Nilai

Durbin-Watson hitung terdapat dalam output SPSS,

khususnya pada tabel Model Summary. Hipotesis untuk

Autokorelasi ini adalah:

Pengambilan keputusannya adalah:

Dengan kurva normal pengambilan Durbin-Watson:

● Terima H0 jika Durbin-Watson hitung lebih besar dari

..... dan Durbin-Watson hitung lebih kecil dari 4 -

.....; Artinya tidak ada Autokorelasi.

● Tolak H0 jika Durbin-Watson hitung lebih kecil dari

..... atau 4 - ..... lebih kecil dari .....; Artinya ada

Autokorelasi.

6. Homoskedastisitas

Uji Regresi bisa dilakukan jika data bersifat

Homoskedastisitas bukan Heteroskedastisitas.

Homoskedastisitas adalah kondisi dalam mana varians dari

data adalah sama pada seluruh pengamatan. Terdapat

sejumlah uji guna mendeteksi gejala heteroskedastisitas

misalnya uji Goldfeld-Quandt dan Park. Namun, Wang and

Jain beranggapan bahwa Uji Park dapat lebih teliti dalam

memantau gejala heteroskedastisitas ini. Dengan demikian,

penelitian ini akan menggunakan Uji Park guna menentukan

gejala heteroskedastisitas variabel-variabelnya.

Uji Park dilakukan dengan meregresikan nilai residual (Lne2)

dengan masing-masing variabel independent. “The Park test

suggests that if heteroscedasticity is present, the

heteroscedastic varianc eσ_i^2 may be systematically related to

one or more of the explanatory variables.” Rumus uji Park

sebagai berikut:

Cara melakukan Uji Park adalah sebagai berikut:

1. Dengan SPSS klik Analyze -->Regression --> Linear -->

Masukkan variabel y ke Dependent --> Masukkan variabel x1,

x2, x3, x4 ke Independent(s) --> Klik Save --> Pada Residual

klik Unstandardized --> Continue --> OK

2. Pada SPSS klik Data View --> Cek bahwa ada satu variabel

baru bernama res_1. Ini merupakan nilai ε_i^ . Nilai ini harus

dikuadratkan dengan cara (pada SPSS) klik Transform -->

Compute --> Isi Target Variable dengan ε_i^2 --> Pada

operasi hitung kalikan nilai ε_i^ dengan ε_i^ . Pada Variable

View SPSS muncul variabel baru bernama ε_i^2.

3. Dengan SPSS, tepatnya menu Transform --> Compute lakukan

perubahan nilai ε_i^2, X1, X2, X3, X4 ke dalam bentuk

logaritma natural (Ln) [caranya dengan Klik Ln lalu pindahkan

variabel] Ln(ε_i^2 ) yaitu regresi unstandardized residual pada

Target Variable dinamai Lnei2; X1 yaitu variabel x1 pada

Target Variable dinamai Lnx1; X2 yaitu variabel x2 pada Target

Variable dinamai Lnx2; x3 yaitu variabel x3 pada Target

Variable dinamai Lnx3; x4 yaitu variabel x4 pada Target

Variable dinamai Lnx4.

4. Setelah diperoleh nilai variabel-variabel baru Lnei2, LnX1,

LnX2, LnX3, dan LnX4.

5. Lakukan uji regresi kembali secara satu per satu.

6. Pertama, klik Analyze --> Regression>Linear --> Masukkan

variabel Lnei2 ke kotak Dependent --> Masukkan variabel LnX1

ke Independent(s) --> OK. Sementara hasil belum dihiraukan.

7. Kedua, klik Analyze --> Regression --> Linear --> Variabel

Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX1 dan

masukkan LnX2 ke Independent(s) > OK. Sementara hasil

belum dihiraukan.

8. Ketiga, klik Analyze --> Regression --> Linear --> Variabel

Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX2 dan

masukkan LnX3 ke Independent(s) > OK. Sementara hasil

belum dihiraukan.

9. Keempat, klik Analyze --> Regression --> Linear --> Variabel

Lnei2 masih ada di Dependent, biarkan > Keluarkan LnX3 dan

masukkan LnX4 ke Independent(s) > OK. Sementara hasil

belum dihiraukan.

10. Perhatikan Output SPSS. Pada output, terdapat hasil

perhitungan Park bagi variabel x1, x2, x3 dan x4, tepatnya

adalah hasil uji Lnei2 dengan LnX1, dan uji Lnei2 dengan LnX2,

uji Lnei2 dengan LnX3, dan uji Lnei2 dengan LnX4.

11. Peneliti akan memperbandingkan apa yang tertera di tabel

Coefficients, yaitu nilai t.

12. Guna memastikan apakah ada gejala heteroskedastisitas,

peneliti akan memperbandingkan nilai thitung dengan ttabel.

Nilai ttabel dapat dicari pada Tabel t, yaitu dengan

menentukan df = n - 4 . n adalah jumlah sampel dan 4 karena

jumlah variabel independen penelitian adalah 4. Sehingga nilai

df = 48 – 4 = 44. Dalam taraf 0,05 uji yang dilakukan adalah 2

sisi sehingga singnifikansi pada tabel adalah 0,025.

Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada

taraf 95% (0,025) pada Tabel t diperoleh nilai t tabel penelitian

sebesar ......

Hipotesis yang diajukan mengenai masalah homoskedastisitas

ini sebagai berikut:

Alternatif Uji Homoskedastisitas Jika Uji Park dianggap

Terlampau Rumit

Jika uji Park dianggap terlampau rumit, maka pengujian

alternatif dapat ditempuh guna melihat apakah terjadi

Homoskedastisitas atau Heteroskedastisitas.

Caranya dengan melihat grafik persilangan SRESID dengan

ZPRED pada output hasil SPSS. Caranya sebagai berikut:

1. Klik Analyze --> Regression --> Linear

2. Klik Plot.

3. Isikan SRESID pada y-axis dan ZPRED pada x-axis.

4. Klik Continue. Perhatikan grafik scatterplot. Ingat,

Homoskedastisitas terjadi jika varians dari residual

satu pengamatan ke pengamatan lain tetap atau sama.

Heteroskedastisitas terjadi jika varians dari residual

satu pengamatan ke pengamatan lain tidak sama atau

tidak tetap.

Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang

jelas, serta titik-titik menyebar di atas dan di bawah angka 0

pada sumbu Y. Heteroskedastisitas terjadi jika terdapat titik-titik

memili pola tertentu yang teratur seperti bergelombang,

melebar kemudian menyempit.

Interpretasi Hasil Uji Regresi Berganda

Setelah uji Regresi Berganda selesai dilakukan, peneliti harus

melakukan interpretasi. Rumus Regresi Berganda (standar)

adalah sebagai berikut:

Setelah pengujian Regresi Berganda dengan SPSS selesai,

hal-hal penting untuk interpretasi adalah apa yang tercantum

pada tabel-tabel pada output SPSS.

Tabel Descriptives

Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai

ini terdapat pada kolom Std. Deviation. Nilai ini nanti akan

diperbandingkan dengan nilai Std. Error of the Estimate.

Tabel Model Summary

Tabel ini memberi informasi seberapa baik model analisis kita

secara keseluruhan, yaitu bagaimana 4 variabel bebas mampu

memprediksikan 1 variabel terikat, dengan rincian sebagai

berikut ini:

Kolom Model. Menunjukkan berapa buah model analisis yang

kita bentuk.

Kolom R. Menunjukkan seberapa baik variabel-variabel bebas

memprediksikan hasil (multiple correlation coefficient). Kisaran

nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1,

maka semakin kuat variabel-variabel bebas memprediksikan

variabel terikat. Namun, ketepatan nilai R ini lebih

disempurnakan oleh kolom Adjusted R Square yang merupakan

koreksi atas nilai R.

Kolom Adjusted R Square. Fungsinya menjelaskan apakah

sampel penelitian mampu mencari jawaban yang dibutuhkan

dari populasinya. Kisaran nilai Adjusted R Square adalah 0

hingga 1. Pedoman interpretasi atas nilai Adjusted R Square

adalah sebagai berikut:

Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa

% varians tiap sampel pada variabel terikat bisa diprediksi oleh

variabel-variabel bebas secara bersama-sama (simultan).

Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat

variabel-variabel bebas bisa memprediksi variabel terikat. Nilai

Std. Error of the Estimate diperbandingkan dengan nilai Std.

Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error

of the Estimate < Std. Deviation, maka Std. Error of the

Estimate baik untuk dijadikan prediktor dalam menentukan

variabel terikat. Jika Std. Error of the Estimate > Std. Deviation,

maka Std. Error of the Estimate tidak baik untuk dijadikan

prediktor dalam mementukan variabel terikat.

Durbin-Watson. Kolom ini digunakan untuk mengecek uji

asumsi Autokorelasi. Bagaimana variabel bebas yang satu

berkorelasi dengan variabel bebas lainnya. Durbin-Watson ini

digunakan dalam uji asumsi Regresi sebelumnya.

Tabel Coefficients

Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai

yang tertera pada kolom-kolom berikut ini:

● Model. Kolom ini menjelaskan berapa banyak model

analisis yang dibuat peneliti. Pada kolom ini juga terdapat

nama-nama variabel bebas yang digunakan dalam

penelitian. Variabel-variabel tersebut diberi label

“Constant” yaitu nilai konstanta yang digunakan dalam

persamaan uji Regresi Berganda (a).

● Unstandardized Coefficient. Kolom ini terdiri atas b dan

Std. Error. Kolom b menunjukkan Koefisien b, yaitu nilai

yang menjelaskan bahwa Y (variabel terikat) akan berubah

jika X (variabel bebas) diubah 1 unit.

● Standardized Coefficients. Pada kolom ini terdapat Beta.

Penjelasan sebelumnya mengenai nilai b punya masalah

karena variabel-variabel kerap diukur menggunakan

skala-skala pengukuran yang berbeda. Akibatnya, kita tidak

bisa menggunakan nilai b guna melihat variabel-variabel

bebas mana yang punya pengaruh lebih kuat atas variabel

terikat. Misalnya, jika variabel yang diteliti adalah jenis

kelamin yang punya skala minimal 1 dan maksimal 2 dan

pengaruhnya terhadap sikap yang skalanya minimal 1 dan

maksimal 6, nilai b diragukan efektivitas prediksinya. Ini

akibat nilai yang diperolehnya rendah atas pengaruh

perbedaan skala pengukuran. Untuk memastikan pengaruh

inilah maka nilai Beta dijadikan patokan. Nilai Beta punya

kisaran 0 hingga 1, di mana semakin mendekati 1 maka

semakin berdampak besar signifikansinya.

● Sig. Kolom ini menjelaskan tentang signifikansi hubungan

antar variabel bebas dengan variabel terikat. Nilai Sig. ini

sebaiknya adalah di bawah 0,05 (signifikansi penelitian).

● Tolerance. Kolom ini menjelaskan banyaknya varians pada

suatu variabel yang tidak bisa dijelaskan oleh variabel

prediktor lainnya. Kisarannya 0 hingga 1, di mana semakin

mendekati 1 maka semakin mengindikasikan

prediktor-prediktor lain tidak bisa menjelaskan varians di

variabel termaksud. Nilai yang semakin mendekati 0

artinya hampir semua varians di dalam variabel bisa

dijelaskan oleh variabel prediktor lain. Nilai Torelance

sebaiknya ada di antara 0,10 hingga 1.

Tabel ANOVA

Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas

atau signifikansi pada perhitungan ANOVA. Nilai yang tertera

digunakan untuk uji kelayanan Model Analisis [dimana sejumlah

variabel x mempengaruhi variabel y] dengan ketentuan angka

probabilitas yang baik untuk digunakan sebagai model regresi

harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. <

0,05, maka Model Analisis dianggap layak. Jika Sig. > 0,05,

maka Model Analisis dianggap tidak layak.

Pengambilan Keputusan dengan Tabel ANOVA

Dalam Regresi Berganda, hal utama yang hendak dilihat adalah

apakah serangkaian variabel bebas secara serentak

mempengaruhi variabel terikat. Dalam output SPSS ini bisa

ditentukan lewat tabel ANOVA.

Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada

kolom F tersebut disebut sebagai F hitung. F hitung ini

diperbandingkan dengan F tabel. Peraturannya:

Persoalannya, bagaimana menentukan F tabel? F tabel dapat

ditentukan dengan cara:

1. Tentukan signifikansi penelitian yaitu 0,05 (uji 2 sisi

jadi 0,025.

2. Tentukan df1. Df1 diperoleh dari jumlah variabel

bebas

3. Tentukan df2. Df2 diperoleh dari n – k – 1 = 48 – 4 –

1 = 43.

4. Cari angka 43 dan 4 dalam tabel F untuk signifikansi

0,025.

5. Dengan Excel, ketikkan rumus =FINV(0,05;4;43)

Selain perbandingan nilai F, penerimaan atau penolakan

Hipotesis juga bisa menggunakan nilai Sig. pada tabel ANOVA.

Peraturannya:

Koefisien Determinasi

Dalam uji Regresi Berganda, Koefisien Determinasi digunakan

untuk mengetahui persentase sumbangan pengaruh serentak

variabel-variabel bebas terhadap variabel terikat. Untuk itu,

digunakan angka-angka yang ada pada Tabel Model Summary.

Cara menentukan Koefisien Determinasi sangatlah mudah.

Peneliti tinggal melihat nilai pada kolom R2 dikalikan 100%.

Misalnya nilai R2 adalah 0,7777. Dengan demikian Koefisien

Determinasinya = 0,7777 x 100% = 77,77%. Jadi, secara

serentak variabel-variabel bebas mempengaruhi variabel terikat

sebesar 77,77%. Sisanya, yaitu 100 – 77,77% = 22,23%

ditentukan oleh variabel-variabel lain yang tidak disertakan di

dalam penelitian.

Koefisien Regresi Parsial

Koefisien Regresi Parsial menunjukkan apakah variabel-variabel

bebas punya pengaruh secara parsial (terpisah atau

sendiri-sendiri) terhadap variabel terikat?

Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji

hipotesis dilakukan dengan menggunakan Uji t. Pernyataan

Hipotesis yang hendak diuji sebagai berikut:

Nilai t hitung bisa dilihat pada kolom t bagi masing-masing

variabel bebas.

Nilai t tabel bisa dicari dengan cara berikut ini:

1. α = 0,05; untuk uji 2 sisi = 0,025

2. Degree of Freedom (df) = jumlah sampel – jumlah

variabel bebas – 1 (angka 1 adalah konstanta) = 48 – 4 –

1 = 43.

3. Cari persilangan antara df = 43 dan 0,025.

4. Pencarian nilai t tabel dengan Excel mudah sekali.

Ketik rumus =tinv(0,05;43).