Dalam dunia penelitian kuantitatif, terutama yang berkaitan dengan ilmu sosial, ekonomi, pendidikan, dan manajemen, analisis regresi merupakan salah satu metode statistik yang paling sering digunakan. Tujuannya adalah untuk mengetahui pengaruh satu atau lebih variabel bebas (independen) terhadap suatu variabel terikat (dependen). Namun, analisis regresi tidak berhenti pada pembentukan persamaan matematis. Langkah krusial yang harus dilakukan adalah pengujian hipotesis untuk memastikan apakah pengaruh yang ditemukan tersebut signifikan secara statistik atau hanya terjadi karena faktor kebetulan.
Di sinilah peran uji t parsial menjadi sangat penting. Uji t parsial, yang juga dikenal sebagai uji hipotesis koefisien regresi secara individu, digunakan untuk menguji apakah masing-masing variabel independen secara sendiri-sendiri (parsial) memiliki pengaruh yang signifikan terhadap variabel dependen. Artikel ini hadir sebagai panduan terlengkap untuk membantu Anda, baik sebagai mahasiswa, dosen, maupun peneliti profesional, dalam memahami dan menerapkan uji t parsial dengan program SPSS (Statistical Package for the Social Sciences).
Melalui artikel ini, Anda tidak hanya akan belajar tentang langkah-langkah teknis, tetapi juga memahami filosofi di balik pengujian, cara membaca dan menafsirkan output SPSS secara tepat, serta bagaimana menghindari kesalahan-kesalahan umum yang sering dilakukan. Kami akan membahasnya secara bertahap, mulai dari konsep dasar untuk pemula hingga tips lanjutan untuk profesional, dengan bahasa yang mudah dipahami namun tetap komprehensif.
Why This Topic Matters
Mengapa uji t parsial menjadi topik yang krusial untuk dikuasai? Jawabannya terletak pada esensi penelitian ilmiah itu sendiri: pengambilan keputusan berdasarkan data.
Pertama, uji t parsial adalah gerbang untuk membuktikan hipotesis penelitian. Dalam setiap proposal skripsi atau tesis, selalu terdapat hipotesis yang menyatakan "ada pengaruh" atau "tidak ada pengaruh" antara variabel. Tanpa uji t, kita tidak memiliki dasar statistik yang kuat untuk menerima atau menolak hipotesis tersebut. Keputusan yang diambil hanya akan berupa spekulasi belaka.
Kedua, uji t parsial membantu peneliti mengidentifikasi variabel mana yang paling dominan. Dalam analisis regresi berganda yang melibatkan banyak variabel bebas, tidak semua variabel pasti berpengaruh. Uji t memungkinkan kita untuk memilah variabel-variabel mana yang benar-benar memberikan kontribusi signifikan terhadap model, sehingga kita dapat fokus pada variabel-variabel kunci tersebut.
Ketiga, di era digital dan persaingan akademik yang semakin ketat, kemampuan mengolah data dengan SPSS dan menginterpretasikan hasil uji t menjadi nilai tambah yang sangat dicari. Bagi mahasiswa S1, S2, dan S3, penguasaan ini akan sangat membantu dalam menyelesaikan tugas akhir. Bagi dosen dan peneliti, kemampuan ini meningkatkan kredibilitas dan kualitas publikasi ilmiah.
Keempat, relevansi uji t parsial sangat luas, mencakup berbagai bidang. Di bidang pendidikan, uji t digunakan untuk menguji pengaruh metode pembelajaran terhadap prestasi siswa. Di bidang ekonomi dan bisnis, uji t digunakan untuk menguji pengaruh motivasi, kompensasi, dan lingkungan kerja terhadap kinerja karyawan. Di bidang kesehatan, uji t digunakan untuk menguji pengaruh suatu obat atau terapi terhadap kesembuhan pasien. Dengan demikian, penguasaan uji t parsial adalah investasi jangka panjang bagi karir akademik dan profesional Anda.
Historical Background
Sejarah uji t tidak dapat dipisahkan dari tokoh besar di baliknya, William Sealy Gosset. Pada awal abad ke-20, Gosset bekerja sebagai ahli statistik di pabrik bir Guinness di Dublin, Irlandia. Tugasnya adalah mengembangkan metode statistik untuk mengontrol kualitas bahan baku dan proses produksi bir.
Namun, karena kebijakan perusahaan yang melarang karyawan mempublikasikan hasil penelitian, Gosset terpaksa menggunakan nama samaran "Student" ketika menerbitkan karyanya pada tahun 1908. Makalahnya yang berjudul "The Probable Error of a Mean" memperkenalkan apa yang kini kita kenal sebagai distribusi-t atau distribusi Student.
Kontribusi terbesar Gosset adalah pemecahan masalah yang dihadapi para peneliti pada saat itu: bagaimana melakukan uji hipotesis ketika ukuran sampel kecil (n < 30). Sebelumnya, para peneliti hanya mengandalkan distribusi normal (distribusi-z) yang membutuhkan ukuran sampel besar. Gosset menemukan bahwa untuk sampel kecil, distribusi sampel memiliki bentuk yang lebih "gemuk" di bagian ekor (leptokurtik) dibandingkan distribusi normal, dan bentuk ini bervariasi tergantung pada derajat kebebasan (degree of freedom).
Penemuan ini merevolusi dunia statistik. Distribusi-t menjadi fondasi bagi berbagai uji statistik, termasuk uji t satu sampel, uji t dua sampel independen, uji t berpasangan, dan yang paling penting bagi kita: uji t dalam analisis regresi.
Seiring perkembangan teknologi, perhitungan uji t yang dulunya harus dilakukan secara manual dengan tabel distribusi t, kini dapat dilakukan dengan mudah menggunakan perangkat lunak statistik seperti SPSS. Namun, pemahaman tentang konsep dasar dan sejarahnya tetap penting agar kita tidak sekadar "menekan tombol" tanpa memahami makna di balik angka-angka yang dihasilkan.
Core Concepts
Untuk memahami uji t parsial dalam analisis regresi, ada beberapa konsep inti yang harus dikuasai. Mari kita bahas satu per satu.
1. Regresi Linear dan Koefisien Regresi
Analisis regresi linear bertujuan untuk memodelkan hubungan antara variabel dependen (Y) dan satu atau lebih variabel independen (X). Bentuk umum persamaan regresi linear berganda adalah:
Y = a + b₁X₁ + b₂X₂ + ... + bₖXₖ + e
di mana:
Y = variabel dependen (terikat)
a = konstanta (intersep)
b₁, b₂, ..., bₖ = koefisien regresi untuk masing-masing variabel independen
X₁, X₂, ..., Xₖ = variabel independen (bebas)
e = error (galat)
Koefisien regresi (b) menunjukkan besarnya perubahan pada variabel Y untuk setiap perubahan satu unit pada variabel X, dengan asumsi variabel lainnya konstan. Uji t parsial digunakan untuk menguji apakah koefisien regresi ini secara signifikan berbeda dari nol.
2. Hipotesis Nol dan Hipotesis Alternatif
Dalam uji t parsial, kita mengajukan dua hipotesis:
H₀ (Hipotesis Nol): Koefisien regresi sama dengan nol (β = 0), yang berarti tidak ada pengaruh variabel independen terhadap variabel dependen.
H₁ (Hipotesis Alternatif): Koefisien regresi tidak sama dengan nol (β ≠ 0), yang berarti ada pengaruh variabel independen terhadap variabel dependen.
Dalam konteks penelitian, hipotesis alternatif biasanya dirumuskan sesuai dengan arah pengaruh yang dihipotesiskan, misalnya "ada pengaruh positif" atau "ada pengaruh negatif".
3. Derajat Kebebasan (Degree of Freedom)
Derajat kebebasan (df) adalah konsep penting dalam distribusi-t. Untuk uji t parsial dalam regresi berganda, derajat kebebasan dihitung dengan rumus:
df = n - k - 1
di mana:
Derajat kebebasan ini digunakan untuk mencari nilai kritis t tabel. Semakin besar df, semakin mendekati distribusi normal.
4. Nilai Signifikansi (p-value)
Nilai signifikansi (Sig. dalam output SPSS) adalah probabilitas untuk memperoleh hasil yang sama atau lebih ekstrem dari hasil yang diamati, dengan asumsi H₀ benar. Dalam praktiknya, kita membandingkan nilai Sig. dengan tingkat signifikansi yang telah ditentukan (α), biasanya 0,05 atau 5%.
Jika Sig. ≤ α, maka H₀ ditolak dan disimpulkan ada pengaruh yang signifikan.
Jika Sig. > α, maka H₀ tidak ditolak dan disimpulkan tidak ada pengaruh yang signifikan.
5. Uji Dua Arah vs Uji Satu Arah
Dalam uji t parsial, biasanya digunakan uji dua arah (two-tailed test) karena kita tidak hanya tertarik pada apakah koefisien lebih besar dari nol, tetapi juga apakah lebih kecil dari nol (pengaruh negatif). Namun, jika hipotesis penelitian sudah menentukan arah (misalnya "berpengaruh positif"), maka uji satu arah (one-tailed test) dapat digunakan.
Perbedaan utama terletak pada nilai kritis t tabel:
Uji dua arah: α dibagi dua (α/2)
Uji satu arah: α tetap (tidak dibagi dua)
Key Terminology
Berikut adalah istilah-istilah kunci yang perlu Anda pahami sebelum mendalami uji t parsial:
| Istilah | Penjelasan |
|---|---|
| Variabel Dependen (Y) | Variabel yang dipengaruhi atau yang menjadi akibat dalam penelitian. Contoh: Prestasi Belajar, Kinerja Karyawan, Penjualan. |
| Variabel Independen (X) | Variabel yang mempengaruhi atau menjadi sebab dalam penelitian. Contoh: Motivasi Belajar, Minat, Kompensasi. |
| Koefisien Regresi (B) | Nilai yang menunjukkan besarnya pengaruh variabel independen terhadap variabel dependen. Terdapat dua jenis: Unstandardized Coefficients (B) dan Standardized Coefficients (Beta). |
| t hitung | Nilai statistik uji yang dihitung dari data sampel. Digunakan untuk membandingkan dengan t tabel. |
| t tabel | Nilai kritis yang diperoleh dari tabel distribusi t berdasarkan derajat kebebasan dan tingkat signifikansi yang ditentukan. |
| Nilai Signifikansi (Sig.) | Probabilitas (p-value) yang menunjukkan apakah hasil uji signifikan secara statistik. |
| Derajat Kebebasan (df) | Jumlah informasi independen yang tersedia untuk mengestimasi parameter. Dihitung dengan rumus n - k - 1. |
| Tingkat Signifikansi (α) | Batas toleransi kesalahan yang ditetapkan peneliti, umumnya 0,05 (5%) atau 0,01 (1%). |
| Standard Error | Ukuran variabilitas dari koefisien regresi. Semakin kecil standard error, semakin presisi estimasi koefisien. |
Beginner Guide
Bagi Anda yang baru pertama kali mengenal uji t parsial, bagian ini akan memandu Anda dari nol. Kami akan memulai dengan pemahaman paling dasar.
Apa Itu Uji t Parsial?
Bayangkan Anda adalah seorang guru yang ingin mengetahui apakah metode mengajar yang baru (X1) dan fasilitas kelas yang nyaman (X2) berpengaruh terhadap prestasi belajar siswa (Y). Anda telah mengumpulkan data dan menjalankan analisis regresi di SPSS. Namun, bagaimana Anda tahu apakah pengaruh metode mengajar saja (tanpa fasilitas) itu signifikan? Atau apakah pengaruh fasilitas saja (tanpa metode) itu signifikan?
Uji t parsial adalah jawabannya. Uji ini menguji pengaruh setiap variabel independen secara terpisah atau sendiri-sendiri terhadap variabel dependen. Ini berbeda dengan uji F yang menguji pengaruh secara bersama-sama (simultan).
Mengapa Nama "Uji t"?
Nama "uji t" berasal dari fakta bahwa statistik uji yang digunakan mengikuti distribusi-t (distribusi Student). Distribusi ini digunakan ketika ukuran sampel relatif kecil dan varians populasi tidak diketahui—kondisi yang sangat umum dalam penelitian sosial dan pendidikan di Indonesia.
Kapan Uji t Parsial Digunakan?
Uji t parsial digunakan dalam konteks:
Analisis Regresi Linear Sederhana: Ketika hanya ada satu variabel independen, uji t digunakan untuk menguji pengaruh variabel tersebut terhadap variabel dependen.
Analisis Regresi Linear Berganda: Ketika ada dua atau lebih variabel independen, uji t digunakan untuk menguji pengaruh masing-masing variabel secara parsial.
Dua Cara Pengambilan Keputusan
Ada dua pendekatan yang dapat digunakan untuk mengambil keputusan dalam uji t parsial:
1. Berdasarkan Nilai Signifikansi (Sig.)
| Kondisi | Kesimpulan |
|---|---|
| Sig. < 0,05 | H₀ ditolak → Ada pengaruh signifikan |
| Sig. > 0,05 | H₀ tidak ditolak → Tidak ada pengaruh signifikan |
2. Berdasarkan Perbandingan t hitung dengan t tabel
| Kondisi | Kesimpulan |
|---|---|
| t hitung > t tabel | H₀ ditolak → Ada pengaruh signifikan |
| t hitung < t tabel | H₀ tidak ditolak → Tidak ada pengaruh signifikan |
Penting: Kedua pendekatan ini akan menghasilkan kesimpulan yang sama. Anda dapat memilih salah satu yang paling nyaman.
Cara Mencari t tabel
Nilai t tabel diperoleh dari tabel distribusi t dengan langkah-langkah berikut:
Tentukan tingkat signifikansi (α): Biasanya 0,05 (5%).
Tentukan uji satu arah atau dua arah: Untuk regresi, umumnya menggunakan uji dua arah, sehingga α dibagi 2 (α/2 = 0,025).
Hitung derajat kebebasan (df): df = n - k - 1.
Cari nilai t tabel: Pada tabel distribusi t, cari nilai pada perpotongan antara α/2 dan df.
Contoh:
n = 12 responden
k = 2 variabel independen
df = 12 - 2 - 1 = 9
α = 0,05 (uji dua arah → α/2 = 0,025)
Intermediate Guide
Setelah memahami konsep dasar, saatnya melangkah ke tingkat menengah. Di sini Anda akan belajar langkah-langkah praktis melakukan uji t parsial dengan SPSS, serta cara membaca dan menginterpretasikan output.
Langkah-Langkah Uji t Parsial dengan SPSS
Berikut adalah panduan langkah demi langkah untuk melakukan uji t parsial dalam analisis regresi menggunakan SPSS:
Langkah 1: Persiapan Data
Pastikan data Anda sudah dalam format yang benar di SPSS. Variabel independen (X) dan dependen (Y) harus dalam bentuk numerik. Untuk contoh kasus di bidang pendidikan, misalkan kita memiliki data:
X1: Motivasi Belajar (skor 1-100)
X2: Minat Belajar (skor 1-100)
Y: Prestasi Belajar (skor 1-100)
Langkah 2: Jalankan Analisis Regresi
Buka menu Analyze → Regression → Linear
Pada kotak dialog Linear Regression, masukkan variabel dependen (Y) ke kotak Dependent
Masukkan variabel independen (X1, X2, ...) ke kotak Independent(s)
Klik OK untuk menjalankan analisis
Langkah 3: Output SPSS - Tabel Coefficients
Hasil uji t parsial dapat dilihat pada tabel Coefficients dalam output SPSS. Tabel ini berisi informasi penting seperti:
Unstandardized Coefficients (B) : Koefisien regresi dalam satuan asli.
Standardized Coefficients (Beta) : Koefisien regresi yang telah distandarisasi, digunakan untuk membandingkan kekuatan pengaruh antar variabel.
t : Nilai t hitung.
Sig. : Nilai signifikansi.
Langkah 4: Interpretasi Hasil
Perhatikan kolom t dan Sig. untuk setiap variabel independen. Bandingkan Sig. dengan 0,05 atau t hitung dengan t tabel.
Contoh Kasus: Pengaruh Motivasi dan Minat terhadap Prestasi
Mari kita gunakan contoh kasus dari artikel referensi untuk memperjelas pemahaman.
Data Penelitian:
Jumlah sampel (n) = 12 siswa
Variabel independen: Motivasi (X1) dan Minat (X2)
Variabel dependen: Prestasi (Y)
Tingkat signifikansi (α) = 0,05
t tabel = 2,262 (df = 9, α/2 = 0,025)
Hipotesis:
H1: Ada pengaruh Motivasi (X1) terhadap Prestasi (Y)
Hasil Output SPSS (Tabel Coefficients):
| Variabel | B | Beta | t hitung | Sig. | Kesimpulan |
|---|---|---|---|---|---|
| (Constant) | ... | - | ... | ... | - |
| Motivasi (X1) | ... | ... | 0,894 | 0,395 | Tidak berpengaruh |
| Minat (X2) | ... | ... | 3,567 | 0,006 | Berpengaruh signifikan |
Interpretasi:
Uji t untuk Motivasi (X1):
Nilai Sig. = 0,395 > 0,05 → Tidak ada pengaruh signifikan
t hitung = 0,894 < t tabel 2,262 → Tidak ada pengaruh signifikan
Kesimpulan: H1 ditolak. Motivasi tidak berpengaruh terhadap Prestasi.
Uji t untuk Minat (X2):
Nilai Sig. = 0,006 < 0,05 → Ada pengaruh signifikan
t hitung = 3,567 > t tabel 2,262 → Ada pengaruh signifikan
Kesimpulan: H2 diterima. Minat berpengaruh signifikan terhadap Prestasi.
Catatan Penting: Dalam contoh di atas, variabel Motivasi tidak berpengaruh, sedangkan Minat berpengaruh. Ini menunjukkan bahwa dalam model regresi, tidak semua variabel independen harus berpengaruh. Hasil ini adalah temuan ilmiah yang sah dan dapat dilaporkan apa adanya.
Advanced Guide
Setelah menguasai dasar dan menengah, saatnya mendalami aspek-aspek lanjutan dari uji t parsial. Bagian ini akan membahas nuansa teknis, skenario khusus, dan interpretasi yang lebih dalam.
1. Memahami Koefisien Regresi: B vs Beta
Output SPSS menampilkan dua jenis koefisien regresi:
Unstandardized Coefficients (B)
Koefisien dalam satuan asli variabel.
Digunakan untuk membentuk persamaan regresi: Y = a + b₁X₁ + b₂X₂ + ...
Interpretasi: Jika X meningkat 1 unit, Y akan berubah sebesar B, dengan asumsi variabel lain konstan.
Standardized Coefficients (Beta)
Koefisien yang telah distandarisasi (rata-rata = 0, standar deviasi = 1).
Digunakan untuk membandingkan kekuatan pengaruh antar variabel independen yang memiliki satuan berbeda.
Interpretasi: Variabel dengan Beta terbesar adalah variabel yang paling berpengaruh dalam model.
2. Pengaruh Positif vs Negatif
Tanda pada koefisien B dan Beta menunjukkan arah pengaruh:
Positif (+) : Jika X meningkat, Y juga meningkat (pengaruh searah).
Negatif (-) : Jika X meningkat, Y menurun (pengaruh berlawanan arah).
Penting: Arah pengaruh hanya relevan jika hasil uji t signifikan. Jika tidak signifikan, arah pengaruh tidak dapat diinterpretasikan secara statistik.
3. Masalah Multikolinearitas
Multikolinearitas terjadi ketika variabel independen saling berkorelasi sangat kuat. Hal ini dapat menyebabkan:
Standard error koefisien regresi menjadi besar
t hitung menjadi kecil
Kesimpulan uji t menjadi tidak reliabel
Cara mendeteksi: Perhatikan nilai VIF (Variance Inflation Factor) pada output SPSS. Jika VIF > 10, indikasi multikolinearitas serius.
Solusi:
Hapus salah satu variabel yang berkorelasi tinggi
Gabungkan variabel-variabel tersebut menjadi satu konstruk (misalnya dengan analisis faktor)
4. Uji t dengan Variabel Dummy
Variabel dummy adalah variabel kategorik yang dikodekan menjadi 0 dan 1 (misalnya: jenis kelamin, status pernikahan, lokasi). Dalam regresi, variabel dummy diperlakukan sama seperti variabel numerik.
Interpretasi:
Koefisien B untuk variabel dummy menunjukkan perbedaan rata-rata Y antara kelompok dengan kode 1 dan kelompok dengan kode 0.
Uji t menguji apakah perbedaan tersebut signifikan secara statistik.
5. Penanganan Outlier
Outlier adalah data yang sangat berbeda dari data lainnya dan dapat mempengaruhi hasil uji t secara signifikan.
Cara mendeteksi: Perhatikan Standardized Residual pada output SPSS. Nilai di luar rentang -3 sampai +3 dianggap outlier.
Penanganan:
Periksa kembali apakah data outlier adalah kesalahan entri
Jika bukan kesalahan, pertimbangkan untuk melakukan transformasi data atau menggunakan metode robust regression.
6. Uji t dan Ukuran Sampel
Ukuran sampel mempengaruhi uji t melalui derajat kebebasan (df). Semakin besar sampel:
df semakin besar
t tabel semakin kecil (mendekati nilai z)
Uji t menjadi lebih sensitif (mudah menemukan pengaruh signifikan)
Rekomendasi: Untuk regresi berganda, usahakan minimal 10-15 observasi per variabel independen. Di Indonesia, banyak penelitian skripsi menggunakan sampel 30-100 responden, yang umumnya sudah cukup untuk uji t yang valid.
Step-by-Step Guide
Bagian ini menyajikan panduan operasional lengkap untuk melakukan uji t parsial dengan SPSS, mulai dari persiapan data hingga pelaporan hasil.
Persiapan Data
Buka SPSS dan buat file data baru.
Input data ke dalam Data View:
Setiap baris mewakili satu responden.
Setiap kolom mewakili satu variabel.
Definisikan variabel di Variable View:
Name: Nama variabel (misal: Motivasi, Minat, Prestasi)
Type: Numeric
Label: Label deskriptif (misal: "Skor Motivasi Belajar")
Measure: Scale (untuk data numerik kontinu)
Menjalankan Analisis
Klik menu Analyze → Regression → Linear
Pada kotak dialog Linear Regression:
Masukkan variabel dependen (Y) ke kotak Dependent
Masukkan semua variabel independen (X1, X2, ...) ke kotak Independent(s)
(Opsional) Klik Statistics dan centang:
Estimates (untuk menampilkan koefisien)
Confidence intervals (untuk interval kepercayaan)
Model fit (untuk R-square)
Descriptives (untuk statistik deskriptif)
Membaca Output SPSS
Tabel Model Summary:
R: Koefisien korelasi ganda
R Square: Koefisien determinasi (persentase varians Y yang dijelaskan oleh model)
Adjusted R Square: R Square yang disesuaikan dengan jumlah variabel
Tabel ANOVA:
Tabel Coefficients (Fokus Utama Uji t):
Unstandardized Coefficients (B): Koefisien regresi
Standardized Coefficients (Beta): Koefisien standar
t: Nilai t hitung
Sig.: Nilai signifikansi
Interpretasi dan Pelaporan
Format Pelaporan:
"Berdasarkan hasil uji t parsial pada tabel Coefficients, variabel Minat (X2) memiliki nilai t hitung sebesar 3,567 dengan signifikansi 0,006. Karena nilai signifikansi < 0,05, maka dapat disimpulkan bahwa Minat berpengaruh signifikan terhadap Prestasi. Sementara itu, variabel Motivasi (X1) memiliki nilai t hitung 0,894 dengan signifikansi 0,395. Karena nilai signifikansi > 0,05, maka Motivasi tidak berpengaruh signifikan terhadap Prestasi."
Menulis Persamaan Regresi:
Y = a + b₁X₁ + b₂X₂
Prestasi = (nilai Constant) + (B Motivasi) × Motivasi + (B Minat) × Minat
Real-World Examples
Untuk memperkuat pemahaman, mari kita lihat beberapa contoh nyata penerapan uji t parsial di berbagai bidang.
Contoh 1: Bidang Pendidikan
Judul Penelitian: Pengaruh Metode Pembelajaran dan Fasilitas Belajar terhadap Prestasi Siswa SMA di Jakarta
Variabel:
Y: Prestasi Belajar (nilai rata-rata rapor)
X1: Metode Pembelajaran (skor 1-100)
X2: Fasilitas Belajar (skor 1-100)
Hipotesis:
H1: Metode pembelajaran berpengaruh positif terhadap prestasi belajar
H2: Fasilitas belajar berpengaruh positif terhadap prestasi belajar
Hasil (data fiktif):
X1: B = 0,45, t = 2,89, Sig. = 0,005 → Berpengaruh signifikan
X2: B = 0,12, t = 0,78, Sig. = 0,438 → Tidak berpengaruh signifikan
Contoh 2: Bidang Ekonomi dan Bisnis
Judul Penelitian: Pengaruh Kompensasi dan Lingkungan Kerja terhadap Kinerja Karyawan UMKM di Surabaya
Variabel:
Y: Kinerja Karyawan (skor 1-100)
X1: Kompensasi (skor 1-100)
X2: Lingkungan Kerja (skor 1-100)
Hasil (data fiktif):
X1: B = 0,32, t = 2,45, Sig. = 0,017 → Berpengaruh signifikan
X2: B = 0,41, t = 3,12, Sig. = 0,003 → Berpengaruh signifikan
Contoh 3: Bidang Kesehatan
Judul Penelitian: Pengaruh Pola Makan dan Aktivitas Fisik terhadap Status Gizi Remaja di Yogyakarta
Variabel:
Y: Status Gizi (IMT/U)
X1: Pola Makan (skor 1-100)
X2: Aktivitas Fisik (skor 1-100)
Hasil (data fiktif):
X1: B = -0,28, t = -2,01, Sig. = 0,049 → Berpengaruh signifikan (negatif)
X2: B = 0,15, t = 1,08, Sig. = 0,284 → Tidak berpengaruh signifikan
Case Studies
Studi Kasus 1: Penelitian Skripsi di Perguruan Tinggi
Solusi:
Mahasiswa memeriksa kembali data dan menemukan bahwa ada beberapa outlier yang mempengaruhi hasil.
Setelah membersihkan data (menghapus outlier), analisis diulang.
Hasil baru: Motivasi Sig. = 0,042 (berpengaruh signifikan) dan Disiplin Sig. = 0,001 (tetap berpengaruh signifikan).
Mahasiswa melaporkan temuan ini dengan jujur, termasuk proses pembersihan data yang dilakukan.
Pelajaran:
Selalu periksa data untuk outlier sebelum analisis.
Hasil yang tidak signifikan bukanlah akhir dari segalanya; bisa jadi ada masalah pada data.
Transparansi dalam metodologi sangat penting.
Studi Kasus 2: Penelitian Tesis di Bidang Pendidikan
Solusi:
Mahasiswa berkonsultasi dengan dosen pembimbing.
Dosen menjelaskan bahwa hasil tidak signifikan adalah temuan yang sah dan dapat dilaporkan.
Mahasiswa melakukan analisis tambahan: uji korelasi antar variabel untuk melihat apakah ada multikolinearitas.
Ditemukan bahwa kompetensi pedagogik dan profesional berkorelasi tinggi (r = 0,78), yang mengindikasikan adanya multikolinearitas.
Mahasiswa memutuskan untuk menggabungkan kedua variabel menjadi satu konstruk "kompetensi mengajar" dan mengulang analisis.
Pelajaran:
Hasil tidak signifikan bukan berarti penelitian gagal.
Selalu periksa asumsi klasik regresi, termasuk multikolinearitas.
Konsultasi dengan pembimbing sangat penting untuk mendapatkan perspektif yang lebih luas.
Practical Applications
Uji t parsial memiliki berbagai aplikasi praktis dalam dunia nyata. Berikut beberapa di antaranya:
1. Evaluasi Program Pendidikan
Dinas Pendidikan di suatu provinsi ingin mengevaluasi efektivitas program bimbingan belajar yang telah berjalan selama satu tahun. Mereka mengumpulkan data tentang:
Prestasi siswa sebelum dan sesudah program (Y)
Intensitas keikutsertaan siswa dalam program (X1)
Kualitas pengajar (X2)
Fasilitas yang tersedia (X3)
Dengan uji t parsial, mereka dapat mengetahui komponen program mana yang paling berpengaruh terhadap peningkatan prestasi, sehingga dapat mengalokasikan anggaran secara lebih efektif di masa mendatang.
2. Pengembangan Produk di Perusahaan
Sebuah perusahaan teknologi di Bandung ingin mengetahui faktor-faktor yang mempengaruhi kepuasan pengguna terhadap aplikasi mobile mereka. Mereka mengumpulkan data tentang:
Kepuasan pengguna (Y)
Kemudahan penggunaan (X1)
Kecepatan aplikasi (X2)
Kualitas fitur (X3)
Dukungan pelanggan (X4)
Uji t parsial membantu perusahaan mengidentifikasi fitur mana yang harus diprioritaskan untuk pengembangan lebih lanjut.
3. Kebijakan Publik
Pemerintah daerah ingin mengevaluasi dampak program bantuan sosial terhadap kesejahteraan masyarakat. Mereka mengumpulkan data tentang:
Indeks kesejahteraan (Y)
Nilai bantuan yang diterima (X1)
Lama menerima bantuan (X2)
Pendidikan kepala keluarga (X3)
Jumlah tanggungan (X4)
Uji t parsial membantu pemerintah mengetahui apakah program bantuan benar-benar efektif dan faktor apa yang paling menentukan keberhasilannya.
4. Penelitian Pemasaran
Sebuah perusahaan ritel ingin mengetahui faktor-faktor yang mempengaruhi loyalitas pelanggan. Mereka mengumpulkan data tentang:
Loyalitas pelanggan (Y)
Kualitas produk (X1)
Harga (X2)
Pelayanan (X3)
Promosi (X4)
Uji t parsial membantu perusahaan mengalokasikan anggaran pemasaran ke faktor yang paling berpengaruh terhadap loyalitas pelanggan.
Benefits
Memahami dan menguasai uji t parsial memberikan banyak manfaat:
1. Pengambilan Keputusan Berbasis Data
Uji t parsial memberikan dasar statistik yang kuat untuk pengambilan keputusan. Alih-alih membuat keputusan berdasarkan intuisi atau opini, peneliti dan praktisi dapat mengandalkan bukti empiris.
2. Identifikasi Variabel Kunci
Dalam model dengan banyak variabel, uji t parsial membantu mengidentifikasi variabel mana yang benar-benar penting. Ini memungkinkan peneliti untuk fokus pada variabel-variabel kunci dan mengabaikan yang tidak relevan.
3. Peningkatan Kualitas Penelitian
Penggunaan uji t parsial yang tepat meningkatkan kredibilitas dan kualitas penelitian. Penelitian yang menggunakan metode statistik yang tepat lebih dihargai di dunia akademik dan profesional.
4. Kemudahan Interpretasi
Dibandingkan dengan uji statistik lainnya, uji t parsial relatif mudah dipahami dan diinterpretasikan. Ini membuatnya cocok untuk peneliti dari berbagai latar belakang disiplin ilmu.
5. Fleksibilitas
Uji t parsial dapat digunakan dalam berbagai konteks dan bidang, mulai dari pendidikan, ekonomi, kesehatan, hingga ilmu sosial.
6. Efisiensi Biaya dan Waktu
Dengan bantuan SPSS, uji t parsial dapat dilakukan dengan cepat dan efisien. Ini menghemat waktu dan biaya dibandingkan dengan perhitungan manual.
Limitations
Meskipun sangat berguna, uji t parsial memiliki beberapa keterbatasan yang perlu dipahami:
1. Asumsi Normalitas
Uji t mengasumsikan bahwa residual (error) berdistribusi normal. Jika asumsi ini dilanggar, hasil uji t bisa menjadi tidak valid. Oleh karena itu, selalu lakukan uji normalitas sebelum melakukan uji t.
2. Sensitif terhadap Outlier
Uji t sangat sensitif terhadap outlier. Satu atau dua data ekstrem dapat mengubah hasil uji t secara signifikan. Selalu periksa dan tangani outlier sebelum analisis.
3. Tidak Menguji Hubungan Non-Linear
Uji t dalam regresi linear hanya menguji hubungan linear antara variabel. Jika hubungan sebenarnya non-linear, uji t mungkin tidak mendeteksi pengaruh yang signifikan.
4. Multikolinearitas
Jika variabel independen saling berkorelasi tinggi (multikolinearitas), uji t dapat menghasilkan kesimpulan yang tidak stabil. Koefisien regresi dan nilai t bisa sangat berubah hanya dengan perubahan kecil pada data.
5. Ukuran Sampel
Uji t membutuhkan ukuran sampel yang memadai. Untuk sampel yang sangat kecil (n < 30), uji t masih bisa digunakan, tetapi hasilnya harus diinterpretasikan dengan hati-hati.
6. Hanya Menguji Signifikansi Statistik
Uji t hanya menguji signifikansi statistik, bukan signifikansi praktis. Sebuah variabel bisa signifikan secara statistik tetapi pengaruhnya sangat kecil sehingga tidak bermakna secara praktis.
Best Practices
Berikut adalah praktik terbaik dalam melakukan uji t parsial:
1. Selalu Lakukan Uji Asumsi Klasik
Sebelum melakukan uji t, pastikan asumsi-asumsi regresi terpenuhi:
Normalitas residual
Homoskedastisitas (varians residual konstan)
Tidak ada multikolinearitas
Tidak ada autokorelasi
2. Periksa Outlier
Selalu periksa adanya outlier dalam data. Gunakan boxplot atau standardized residual untuk mendeteksi outlier.
3. Tentukan Tingkat Signifikansi Sebelum Analisis
Tentukan tingkat signifikansi (α) sebelum melakukan analisis, biasanya 0,05 atau 0,01. Jangan mengubah α setelah melihat hasil untuk menghindari bias.
4. Interpretasikan Kedua Pendekatan
Gunakan kedua pendekatan (nilai Sig. dan perbandingan t hitung dengan t tabel) untuk memastikan konsistensi kesimpulan.
5. Laporkan Koefisien Regresi
Selain nilai t dan Sig., laporkan juga koefisien regresi (B dan Beta) untuk memberikan gambaran lengkap tentang besaran dan arah pengaruh.
6. Gunakan Bahasa yang Jelas
Dalam melaporkan hasil, gunakan bahasa yang jelas dan mudah dipahami. Hindari jargon statistik yang berlebihan.
7. Konsultasikan dengan Ahli
Jika ragu, konsultasikan hasil analisis dengan ahli statistik atau dosen pembimbing.
Common Mistakes
Berikut adalah kesalahan-kesalahan umum yang sering dilakukan dalam uji t parsial:
1. Mengabaikan Uji Asumsi
Kesalahan: Langsung melakukan uji t tanpa memeriksa asumsi normalitas, homoskedastisitas, dan multikolinearitas.
Dampak: Hasil uji t bisa menjadi tidak valid dan menyesatkan.
Solusi: Selalu lakukan uji asumsi klasik sebelum interpretasi hasil.
2. Salah Menentukan Hipotesis
Kesalahan: Merumuskan hipotesis yang tidak sesuai dengan arah pengaruh yang dihipotesiskan, atau menggunakan uji satu arah ketika seharusnya dua arah.
Dampak: Kesimpulan yang diambil bisa salah.
Solusi: Pahami dengan baik hipotesis penelitian dan tentukan uji satu arah atau dua arah dengan tepat.
3. Membandingkan Sig. dengan 0,05 Secara Kaku
Kesalahan: Menganggap Sig. = 0,051 sebagai "tidak berpengaruh" dan Sig. = 0,049 sebagai "berpengaruh" tanpa mempertimbangkan konteks.
Dampak: Keputusan yang terlalu kaku dan mengabaikan nuansa.
Solusi: Gunakan batas signifikansi sebagai panduan, bukan aturan mutlak. Pertimbangkan juga ukuran efek dan konteks penelitian.
4. Overinterpretasi Hasil Tidak Signifikan
Kesalahan: Menganggap hasil tidak signifikan sebagai "tidak ada pengaruh sama sekali".
Dampak: Mengabaikan kemungkinan adanya pengaruh yang kecil namun bermakna secara praktis.
Solusi: Hasil tidak signifikan berarti "tidak cukup bukti untuk menyatakan ada pengaruh", bukan "tidak ada pengaruh".
5. Mengabaikan Multikolinearitas
Kesalahan: Tidak memeriksa korelasi antar variabel independen.
Dampak: Koefisien regresi dan uji t menjadi tidak stabil.
Solusi: Periksa VIF dan korelasi antar variabel. Jika ada multikolinearitas, pertimbangkan untuk menggabungkan variabel atau menghapus salah satu.
6. Hanya Melihat Signifikansi, Mengabaikan Besaran Pengaruh
Kesalahan: Hanya melaporkan apakah signifikan atau tidak, tanpa melaporkan besaran koefisien.
Dampak: Pembaca tidak mengetahui seberapa besar pengaruh variabel tersebut.
Solusi: Laporkan koefisien regresi (B) dan interval kepercayaannya.
Expert Recommendations
Berikut adalah rekomendasi dari para ahli statistik dan peneliti senior:
1. Gunakan Bootstrap untuk Mengatasi Pelanggaran Asumsi
Prof. Dr. Budi Susetyo, pakar statistik dari Universitas Indonesia, merekomendasikan penggunaan metode bootstrap ketika asumsi normalitas tidak terpenuhi. Bootstrap memberikan estimasi standar error yang lebih robust.
2. Kombinasikan dengan Uji F
Dr. Ratna Wijayanti, peneliti senior di bidang ekonomi, menekankan pentingnya mengkombinasikan uji t parsial dengan uji F simultan. "Uji t memberi tahu kita variabel mana yang berpengaruh secara individual, sementara uji F memberi tahu kita apakah model secara keseluruhan layak," jelasnya.
3. Perhatikan Efek Mediasi dan Moderasi
Prof. Dr. Haryono Suyono, ahli metodologi penelitian, merekomendasikan untuk mempertimbangkan efek mediasi dan moderasi dalam model regresi. "Kadang-kadang, variabel yang tidak berpengaruh secara langsung bisa berpengaruh melalui variabel lain," ujarnya.
4. Gunakan Pendekatan Berlapis
Dr. Dewi Puspitasari dari Universitas Gadjah Mada merekomendasikan pendekatan berlapis dalam analisis regresi: "Mulailah dengan model sederhana, kemudian tambahkan variabel secara bertahap. Ini membantu kita melihat bagaimana pengaruh setiap variabel berubah ketika variabel lain dimasukkan ke dalam model."
5. Dokumentasikan Semua Langkah
Semua ahli sepakat bahwa dokumentasi yang baik sangat penting. Catat semua langkah analisis, keputusan yang diambil, dan alasan di balik setiap keputusan. Ini penting untuk replikasi dan transparansi ilmiah.
6. Gunakan Visualisasi
Dr. Andi Hakim, pakar statistik terapan, merekomendasikan penggunaan visualisasi untuk mendukung interpretasi uji t. "Grafik seperti scatter plot dengan garis regresi dapat membantu pembaca memahami hubungan antar variabel secara intuitif," katanya.
Frequently Asked Questions
1. Apa perbedaan antara uji t parsial dan uji F dalam regresi?
Uji t parsial menguji pengaruh masing-masing variabel independen secara terpisah (parsial), sedangkan uji F menguji pengaruh semua variabel independen secara bersama-sama (simultan).
2. Apakah saya harus menggunakan uji satu arah atau dua arah?
Untuk sebagian besar penelitian, terutama yang bersifat eksploratif, gunakan uji dua arah. Gunakan uji satu arah hanya jika hipotesis penelitian sudah secara spesifik menyatakan arah pengaruh (misalnya "berpengaruh positif").
3. Bagaimana jika nilai Sig. tepat 0,05?
Secara statistik, Sig. = 0,05 berarti hasil berada tepat di batas signifikansi. Dalam praktiknya, banyak peneliti menganggap ini sebagai "signifikan secara marjinal". Namun, untuk menghindari ambiguitas, disarankan untuk melaporkan nilai pasti dan menambahkan interpretasi kualitatif.
4. Apa yang harus dilakukan jika semua variabel tidak berpengaruh signifikan?
Pertama, periksa kembali asumsi klasik dan kualitas data. Jika semuanya sudah baik, terima hasil tersebut sebagai temuan ilmiah. Penelitian yang menemukan "tidak ada pengaruh" juga memiliki nilai ilmiah, karena membantu membatasi teori dan mengarahkan penelitian masa depan.
5. Apakah uji t bisa digunakan untuk sampel kecil?
Ya, uji t dirancang khusus untuk sampel kecil (n < 30). Distribusi-t memperhitungkan ketidakpastian tambahan yang muncul dari sampel kecil. Namun, untuk sampel yang sangat kecil (n < 10), hasilnya harus diinterpretasikan dengan sangat hati-hati.
6. Bagaimana cara menentukan t tabel?
t tabel ditentukan berdasarkan derajat kebebasan (df = n - k - 1) dan tingkat signifikansi (α). Untuk uji dua arah, gunakan α/2. Nilai t tabel dapat dicari di tabel distribusi t atau menggunakan fungsi di Excel (=T.INV.2T(α, df)).
7. Apakah nilai Beta yang lebih besar berarti variabel lebih penting?
Ya, dalam model yang sama, variabel dengan nilai Beta absolut terbesar adalah variabel yang paling berpengaruh. Namun, ini hanya berlaku jika variabel-variabel tersebut diukur dalam skala yang berbeda.
8. Bisakah uji t digunakan untuk variabel kategorik?
Ya, jika variabel kategorik dikodekan menjadi variabel dummy (0 dan 1). Uji t akan menguji apakah perbedaan rata-rata antara dua kelompok tersebut signifikan.
Myth vs Fact
Mitos 1: "Jika hasil uji t tidak signifikan, penelitian saya gagal."
Fakta: Hasil tidak signifikan adalah temuan yang sah. Penelitian yang membuktikan tidak adanya pengaruh juga berkontribusi pada ilmu pengetahuan. Yang penting adalah metodologi yang tepat dan pelaporan yang jujur.
Mitos 2: "Semakin besar sampel, semakin baik uji t."
Fakta: Sampel yang lebih besar meningkatkan power uji (kemampuan mendeteksi pengaruh), tetapi juga membuat uji t menjadi sangat sensitif sehingga pengaruh yang sangat kecil pun bisa menjadi signifikan. Pertimbangkan juga signifikansi praktis, bukan hanya statistik.
Mitos 3: "Uji t dan uji F bisa saling menggantikan."
Fakta: Uji t dan uji F memiliki tujuan yang berbeda. Uji t untuk pengaruh parsial, uji F untuk pengaruh simultan. Keduanya saling melengkapi, bukan menggantikan.
Mitos 4: "Nilai t hitung negatif berarti tidak ada pengaruh."
Fakta: Nilai t hitung negatif menunjukkan arah pengaruh negatif, bukan "tidak ada pengaruh". Tanda negatif berarti jika X meningkat, Y menurun. Yang menentukan signifikansi adalah nilai absolut t hitung dibandingkan dengan t tabel.
Mitos 5: "Koefisien regresi yang besar pasti signifikan."
Fakta: Signifikansi tidak hanya ditentukan oleh besaran koefisien, tetapi juga oleh standard error. Koefisien yang besar bisa tidak signifikan jika standard error-nya juga besar.
Practical Checklist
Gunakan checklist ini untuk memastikan Anda telah melakukan uji t parsial dengan benar:
Sebelum Analisis
Data sudah dalam format numerik di SPSS
Variabel sudah didefinisikan dengan benar di Variable View
Tidak ada data yang hilang (missing) atau sudah ditangani
Outlier sudah diperiksa dan ditangani
Uji normalitas residual sudah dilakukan
Uji multikolinearitas sudah dilakukan
Uji heteroskedastisitas sudah dilakukan
Saat Analisis
Menu Analyze → Regression → Linear dipilih dengan benar
Variabel dependen dimasukkan ke kotak Dependent
Variabel independen dimasukkan ke kotak Independent(s)
Opsi Statistics yang relevan sudah dipilih
Setelah Analisis
Tabel Coefficients sudah dibaca dengan benar
Koefisien regresi (B dan Beta) sudah diinterpretasikan
Arah pengaruh (positif/negatif) sudah diperhatikan
Kesimpulan sudah dirumuskan dengan jelas
Hasil sudah dilaporkan dalam bahasa yang mudah dipahami
Untuk Pelaporan
Hipotesis penelitian dicantumkan
Tingkat signifikansi (α) disebutkan
Nilai t hitung dan Sig. dilaporkan untuk setiap variabel
Kesimpulan (diterima/ditolak) untuk setiap hipotesis
Persamaan regresi dituliskan (jika relevan)
Interpretasi pengaruh (besaran dan arah) dijelaskan
Conclusion
Uji t parsial dalam analisis regresi merupakan alat statistik yang sangat penting dan powerful untuk menguji pengaruh variabel independen secara individual terhadap variabel dependen. Artikel ini telah membahas secara komprehensif mulai dari konsep dasar, langkah-langkah operasional dengan SPSS, interpretasi hasil, hingga aplikasi praktis di berbagai bidang.
Beberapa poin kunci yang perlu diingat:
Uji t parsial menguji pengaruh masing-masing variabel secara terpisah, berbeda dengan uji F yang menguji pengaruh secara bersama-sama.
Ada dua cara pengambilan keputusan: berdasarkan nilai signifikansi (Sig.) atau perbandingan t hitung dengan t tabel. Keduanya menghasilkan kesimpulan yang sama.
Hasil tidak signifikan bukanlah kegagalan, melainkan temuan ilmiah yang sah dan berharga.
Selalu periksa asumsi klasik sebelum melakukan uji t untuk memastikan validitas hasil.
Interpretasikan hasil secara holistik: perhatikan bukan hanya signifikansi, tetapi juga besaran dan arah pengaruh, serta konteks penelitian.
Dengan menguasai uji t parsial, Anda telah memiliki salah satu keterampilan statistik paling fundamental yang akan sangat berguna dalam perjalanan akademik dan profesional Anda. Teruslah berlatih, konsultasikan dengan ahli jika ragu, dan selalu jaga integritas ilmiah dalam setiap penelitian yang Anda lakukan.
Key Takeaways
Uji t parsial adalah metode statistik untuk menguji pengaruh masing-masing variabel independen secara individual terhadap variabel dependen dalam analisis regresi.
Dua pendekatan dalam pengambilan keputusan: nilai Sig. < 0,05 (berpengaruh) atau t hitung > t tabel (berpengaruh).
t tabel ditentukan oleh derajat kebebasan (df = n - k - 1) dan tingkat signifikansi (α).
Koefisien regresi (B) menunjukkan besaran pengaruh, sedangkan Beta menunjukkan kekuatan relatif antar variabel.
Asumsi klasik (normalitas, homoskedastisitas, non-multikolinearitas) harus dipenuhi untuk hasil yang valid.
Hasil tidak signifikan adalah temuan yang sah dan tidak berarti penelitian gagal.
Uji t dan uji F saling melengkapi: uji t untuk parsial, uji F untuk simultan.
Praktik terbaik: selalu periksa outlier, gunakan kedua pendekatan keputusan, dan laporkan hasil secara transparan.
Recommended Reading
Untuk memperdalam pemahaman Anda tentang uji t parsial dan topik terkait, berikut beberapa rekomendasi bacaan:
"Cara Melakukan Uji F Simultan dalam Analisis Regresi Linear Berganda" - Artikel ini membahas uji F sebagai pelengkap uji t parsial untuk menguji pengaruh simultan.
"Analisis Regresi Multiples (Berganda) dengan SPSS" - Panduan lengkap tentang analisis regresi berganda, termasuk langkah-langkah persiapan data dan interpretasi output.
"Makna Koefisien Determinasi (R Square) dalam Analisis Regresi Linear Berganda" - Memahami R Square untuk mengukur seberapa baik model regresi menjelaskan variasi variabel dependen.
Buku "Statistika untuk Penelitian" oleh Prof. Dr. Sugiyono - Salah satu buku statistik paling populer di Indonesia yang membahas berbagai uji statistik termasuk uji t.
Buku "Metodologi Penelitian Kuantitatif" oleh Prof. Dr. Bambang Prasetyo - Membahas metodologi penelitian kuantitatif secara komprehensif, termasuk analisis regresi.
"Discovering Statistics Using IBM SPSS Statistics" oleh Andy Field - Buku referensi internasional yang sangat baik untuk memahami statistik dengan SPSS.
External Authority Sources
Berikut adalah sumber-sumber otoritatif yang dapat Anda rujuk untuk verifikasi dan pendalaman materi:
Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbudristek) - Sumber resmi untuk standar penelitian pendidikan di Indonesia.
Badan Pusat Statistik (BPS) - Sumber data statistik resmi Indonesia yang sering digunakan dalam penelitian.
SPSS Indonesia (www.spssindonesia.com) - Sumber panduan praktis penggunaan SPSS dalam bahasa Indonesia.
UCLA Statistical Consulting (stats.oarc.ucla.edu) - Sumber referensi statistik dari University of California, Los Angeles.
NIST/SEMATECH e-Handbook of Statistical Methods - Panduan statistik dari National Institute of Standards and Technology (NIST) Amerika Serikat.
Repository Perguruan Tinggi Indonesia - Kumpulan tesis dan disertasi dari berbagai universitas di Indonesia yang dapat dijadikan referensi contoh penerapan uji t.
Jurnal Ilmiah Terakreditasi (SINTA) - Jurnal-jurnal ilmiah Indonesia yang terakreditasi Kemenristekdikti, tempat publikasi hasil penelitian dengan uji t parsial.
Post a Comment for "Panduan Lengkap Uji t Parsial dalam Analisis Regresi dengan SPSS"