Program Studi Bisnis Digital • FEB UNDIP
Statistika Bisnis
Pertemuan 13 — Statistik Inferensial: Uji Kelayakan Model dan Hipotesis Menguji apakah model regresi berganda kita layak dipakai (uji F) dan apakah tiap variabel prediktor benar-benar berpengaruh (uji t) — langkah terakhir sebelum menyimpulkan hasil regresi.
RPS minggu $14 \cdot 2x50$ menit
Selamat datang kembali, Anda sudah sampai di titik penting semester ini. Dua pertemuan lalu Anda belajar membangun regresi berganda dan mengecek asumsi klasiknya seperti normalitas dan homoskedastisitas; hari ini kita akan menjawab pertanyaan yang paling ditunggu manajer: apakah model yang sudah kita bangun ini layak dipercaya, dan variabel mana saja yang benar-benar berpengaruh terhadap keputusan bisnis. Bayangkan Anda seorang analis di Tokopedia yang diminta membuktikan ke atasan bahwa biaya promosi digital dan jumlah follower Instagram benar-benar mendorong omzet UMKM mitra, bukan sekadar kebetulan pada data yang Anda kumpulkan. Uji kelayakan model (uji F) dan uji hipotesis parsial (uji t) adalah alat statistik yang akan menjawab pertanyaan itu secara meyakinkan, dengan angka yang bisa dipertanggungjawabkan. Siapkan kalkulator Anda, karena hari ini kita akan menghitung semuanya dari nol, langkah demi langkah, memakai satu kasus UMKM yang sama dari awal sampai akhir. Bagian 1 dari 3
Kerangka Uji Hipotesis
Sebelum menghitung, kita perlu sepakat: apa itu H0, H1, tingkat signifikansi, dan dua jenis kesalahan yang bisa terjadi saat menyimpulkan.
Sebelum kita masuk ke rumus uji F dan uji t, Anda perlu paham dulu kerangka berpikirnya, sebab semua uji statistik inferensial di pertemuan ini memakai logika yang sama. Anggap ini seperti persidangan di pengadilan: kita mulai dengan asumsi "tidak bersalah" atau dalam istilah statistik disebut hipotesis nol, lalu kita kumpulkan bukti dari data untuk melihat apakah asumsi itu masih bisa dipertahankan atau harus ditolak. Konsep tingkat signifikansi, p-value, dan risiko salah simpulan akan menjadi bahasa yang terus kita pakai sampai pertemuan terakhir semester ini. Mari kita bangun fondasinya dulu di tiga slide berikut sebelum masuk ke perhitungan uji F dan uji t yang sesungguhnya. Tujuan Pembelajaran Hari Ini Setelah pertemuan ini, Anda mampu:
Kelayakan Model
Uji F
Simultan — seluruh variabel bersama
Menghitung dan menginterpretasikan uji F untuk menjawab: apakah model regresi secara keseluruhan layak dipakai untuk menjelaskan variabel Y?
Signifikansi Parsial
Uji t
Individual — satu variabel per satu
Menghitung dan menginterpretasikan uji t untuk menjawab: apakah masing-masing variabel prediktor (X1, X2, dst.) berpengaruh signifikan terhadap Y?
Kedua uji ini adalah langkah wajib setelah model regresi berganda selesai dibangun dan lolos uji asumsi klasik — tanpa keduanya, kesimpulan regresi belum bisa dipercaya.
Ada dua kemampuan konkret yang ingin Anda kuasai setelah kuliah ini selesai. Pertama, Anda bisa menghitung dan membaca hasil uji F untuk menyimpulkan apakah model regresi Anda, secara keseluruhan, layak digunakan sebagai alat prediksi bisnis. Kedua, Anda bisa menghitung dan membaca hasil uji t untuk menyimpulkan variabel mana saja di antara prediktor Anda yang benar-benar berpengaruh signifikan, dan mana yang ternyata hanya kebetulan. Ini penting sekali karena banyak laporan riset pasar atau skripsi mahasiswa berhenti di angka R-squared saja tanpa pernah menguji apakah angka itu meyakinkan secara statistik. Setelah hari ini, Anda akan bisa membaca output SPSS atau Excel Data Analysis dengan mata seorang analis, bukan sekadar menyalin angka. Di Mana Posisi Kita dalam Alur Semester? Perjalanan Anda menuju kesimpulan regresi yang bisa dipertanggungjawabkan:
P10-11 Regresi Sederhana & Berganda P12 Uji Asumsi Klasik P13 Uji F & Uji t (hari ini) P14 Rangkuman & UAS Model regresi yang lolos uji asumsi klasik (P12) belum tentu layak dipakai — kelayakan itu baru ditentukan lewat uji F dan uji t hari ini.
Mari kita samakan peta perjalanan kita. Dua pertemuan lalu Anda belajar membangun regresi sederhana lalu regresi berganda, memasukkan beberapa variabel prediktor sekaligus ke dalam satu model. Pertemuan lalu Anda menguji apakah model itu memenuhi asumsi klasik seperti data berdistribusi normal dan variansnya konsisten atau homoskedastis, supaya hasil regresinya tidak menyesatkan. Nah, hari ini kita masuk ke tahap yang sering dilewatkan orang yang buru-buru: menguji apakah model itu benar-benar layak dan signifikan secara statistik, bukan cuma "kelihatan cocok" di atas kertas. Minggu depan, pertemuan terakhir sebelum UAS, kita akan merangkum seluruh perjalanan semester ini menjadi satu kerangka besar yang bisa Anda pakai kapan pun butuh mengambil keputusan bisnis berbasis data. Hipotesis Nol (H0) vs Hipotesis Alternatif (H1) Setiap uji statistik dimulai dari dua pernyataan yang saling bertentangan:
Pernyataan "status quo" — tidak ada pengaruh/hubungan . Kita anggap benar sampai data membuktikan sebaliknya.
Uji F: semua koefisien regresi = 0 (model tidak layak) Uji t: satu koefisien tertentu = 0 (variabel itu tidak berpengaruh) Pernyataan yang kita duga benar dan ingin dibuktikan lewat data.
Uji F: minimal satu koefisien $\neq 0$ (model layak) Uji t: koefisien itu $\neq 0$ (variabel itu berpengaruh signifikan) Kita tidak pernah "membuktikan H0 benar" — kita hanya bisa menolak H0 (ada cukup bukti) atau gagal menolak H0 (bukti belum cukup).
Bayangkan Anda seorang jaksa di persidangan: asas praduga tak bersalah membuat Anda harus menganggap terdakwa tidak bersalah, yaitu H0, sampai Anda punya bukti kuat untuk membalikkannya menjadi H1 atau bersalah. Dalam uji F, H0 mengatakan seluruh variabel prediktor kita sama sekali tidak menjelaskan apa-apa tentang omzet UMKM; dalam uji t, H0 mengatakan satu variabel spesifik, misalnya biaya promosi digital, koefisiennya nol alias tidak berpengaruh. Perhatikan bahasa yang tepat: kita tidak pernah bilang "H0 terbukti benar", karena statistik hanya memberi kita bukti yang cukup atau tidak cukup untuk menolaknya, mirip putusan "tidak terbukti bersalah" bukan "terbukti tidak bersalah". Pemahaman kerangka H0-H1 ini akan Anda pakai berulang-ulang di slide berikutnya, jadi pastikan konsepnya sudah lekat sebelum kita lanjut ke angka. Tingkat Signifikansi $(\alpha), p-$value, dan Aturan Keputusan Tingkat Signifikansi
$\alpha = 5\%$
Standar riset bisnis (umum: 1%, 5%, 10%)
Batas toleransi risiko salah menolak H0 padahal H0 sebenarnya benar. Ditetapkan peneliti sebelum menguji data.
p-value
$\leq \alpha?$
Peluang hasil seekstrem ini terjadi jika H0 benar
Dihitung dari data. Jika p-value lebih kecil dari $\alpha$, hasilnya dianggap "terlalu ekstrem untuk kebetulan$" \to$ tolak H0.
$$\text{Jika} F-hitung > F-tabel (\text{atau} t-hitung > t-tabel) \to \text{tolak} H0 \to \text{signifikan}$$
Sepanjang deck ini kita pakai $\alpha = 5\% (0,05)$ — konvensi paling umum dalam riset bisnis dan sosial di Indonesia maupun internasional.
Alpha atau tingkat signifikansi adalah batas toleransi kesalahan yang kita tetapkan sebelum melihat data sama sekali, dan yang paling lazim dipakai di riset bisnis Indonesia adalah lima persen. Artinya, kita rela salah menolak H0 padahal sebenarnya H0 benar, maksimal lima kali dari seratus kali pengujian serupa. P-value adalah angka yang dihasilkan dari data Anda sendiri, menunjukkan seberapa "aneh" atau ekstrem hasil yang Anda dapat, seandainya H0 memang benar; kalau p-value ini lebih kecil dari alpha, artinya hasil Anda terlalu aneh untuk dianggap kebetulan, sehingga kita berani menolak H0. Karena software statistik seperti SPSS langsung menampilkan p-value, sementara perhitungan manual di kelas ini memakai tabel F dan tabel t, kita akan pakai aturan yang setara: kalau nilai hitung lebih besar dari nilai tabel, itu tanda p-value-nya lebih kecil dari alpha, dan H0 kita tolak. Aturan sederhana ini, "hitung lebih besar dari tabel berarti signifikan", adalah kunci yang akan Anda pakai berulang kali di dua slide "Hitung dari Nol" nanti. Dua Jenis Kesalahan: Error Tipe I dan Tipe II Kondisi Sebenarnya Kita Gagal Tolak H0 Kita Tolak H0 H0 sebenarnya BENAR Keputusan tepat Error Tipe $I (\alpha)$ — "false positive" H0 sebenarnya SALAH Error Tipe $II (\beta)$ — "false negative" Keputusan tepat
Contoh bisnis: menyimpulkan promosi digital berpengaruh terhadap omzet (tolak H0), padahal sebenarnya tidak — perusahaan lanjut boros anggaran promosi berdasarkan kesimpulan yang keliru. Itulah Error Tipe I.
Setiap kali kita mengambil keputusan statistik, ada dua cara kita bisa salah, dan penting bagi Anda sebagai calon analis bisnis untuk membedakan keduanya. Error Tipe I terjadi kalau kita menolak H0 padahal H0 sebenarnya benar, contohnya kita simpulkan biaya promosi digital berpengaruh signifikan terhadap omzet, padahal kenyataannya tidak ada pengaruh sama sekali, dan risikonya perusahaan terus membakar anggaran promosi tanpa hasil nyata. Error Tipe II sebaliknya, kita gagal menolak H0 padahal H0 sebenarnya salah, misalnya kita simpulkan follower Instagram tidak berpengaruh terhadap omzet, padahal sebenarnya berpengaruh, dan risikonya perusahaan kehilangan peluang strategi pemasaran yang sebenarnya efektif. Alpha lima persen yang kita pilih tadi sebenarnya adalah batas toleransi kita terhadap Error Tipe I; semakin ketat alpha yang kita pilih, semakin kecil risiko Tipe I tapi semakin besar risiko Tipe II, jadi keduanya selalu tarik-menarik dan tidak bisa ditekan ke nol bersamaan. Bagian 2 dari 3
Uji Kelayakan Model — $R^{2}$ dan Uji F
Kasus kita: model omzet UMKM dari biaya promosi digital dan jumlah follower Instagram, n = 25 UMKM mitra Tokopedia. Apakah modelnya layak secara keseluruhan?
Sekarang kita masuk ke bagian inti pertemuan hari ini: menguji kelayakan model regresi secara keseluruhan. Kasus yang akan kita pakai konsisten sampai akhir kuliah: seorang analis mengumpulkan data dari dua puluh lima UMKM mitra Tokopedia, mencatat biaya promosi digital bulanan dan jumlah follower Instagram sebagai dua variabel prediktor, lalu omzet bulanan sebagai variabel yang ingin diprediksi. Pertanyaannya sederhana tapi krusial: apakah dua variabel ini, secara bersama-sama, benar-benar menjelaskan variasi omzet UMKM, atau hasil regresi yang kita lihat cuma kebetulan pada sampel dua puluh lima UMKM ini saja? Uji F akan menjawab pertanyaan itu, dan R-squared akan memberi tahu kita seberapa besar porsi variasi omzet yang berhasil dijelaskan model. Koefisien Determinasi $(R^{2})$ dan Adjusted $R^{2}$ $R^{2}$ (R-squared) mengukur persentase variasi Y yang dijelaskan model. Adjusted $$R^{2}$$ mengoreksi $R^{2}$ agar tidak "menggembung palsu" saat variabel prediktor ditambah.
$$R^{2} = SSR \div SST | Adj. R^{2} = 1 - (1-R^{2}) \times (n-1)/(n-k-1)$$
$R^{2}$ Kasus Kita
80,0%
SSR $680 \div$ SST 850
Model menjelaskan 80% variasi omzet UMKM; sisa 20% dijelaskan faktor lain di luar model (SSE = 170).
Adjusted $R^{2}$
78,2%
n=25, k=2 prediktor
Sedikit lebih rendah dari $R^{2}$ biasa — angka inilah yang lebih jujur dipakai saat model punya lebih dari satu prediktor.
R-squared adalah angka yang paling sering Anda dengar saat orang membahas hasil regresi, dan artinya sederhana: berapa persen variasi variabel Y, dalam kasus kita omzet UMKM, yang berhasil dijelaskan oleh variabel-variabel prediktor di dalam model. Di kasus kita, total variasi omzet atau SST sebesar 850 satuan, dan model kita berhasil menjelaskan 680 satuan darinya atau disebut SSR, sehingga R-squared-nya 680 dibagi 850 sama dengan 80 persen, angka yang cukup tinggi untuk riset bisnis. Tapi hati-hati, R-squared punya kelemahan: dia akan selalu naik atau minimal tidak turun setiap kali kita menambah variabel baru ke model, bahkan kalau variabel itu sebenarnya tidak relevan sama sekali, sehingga bisa menyesatkan kalau kita membandingkan model dengan jumlah variabel berbeda. Adjusted R-squared memberi "hukuman" untuk setiap variabel tambahan yang tidak benar-benar membantu, sehingga di kasus kita turun sedikit menjadi 78,2 persen; semakin banyak variabel prediktor yang Anda tambahkan tanpa manfaat nyata, semakin lebar jarak antara R-squared biasa dan Adjusted R-squared-nya. Logika Uji F: Membandingkan Variasi Terjelaskan vs Tak Terjelaskan Uji F membandingkan rata-rata variasi yang dijelaskan model (MSR) dengan rata-rata variasi yang tidak terjelaskan (MSE). Kerangka ini disebut tabel ANOVA (Analysis of Variance).
$$F = MSR \div MSE = (SSR/df_{regresi}) \div (SSE/df_{residual})$$
Sumber Variasi df Arti Regresi (SSR) k = 2 Jumlah variabel prediktor (X1, X2) Residual (SSE) n-k-1 = 22 Sisa data setelah dikurangi prediktor & konstanta Total (SST) n-1 = 24 n = 25 UMKM - 1
Semakin besar F-hitung, semakin dominan variasi yang berhasil dijelaskan model dibanding variasi yang tersisa sebagai "kebetulan" (residual/galat/error).
Cara termudah memahami uji F adalah membayangkannya sebagai pertandingan tarik tambang antara dua kekuatan: di satu sisi ada variasi omzet yang berhasil dijelaskan model kita, disebut SSR, dan di sisi lain ada variasi yang gagal dijelaskan dan tersisa sebagai residual atau galat, disebut SSE. Karena kedua sisi punya jumlah data yang berbeda, kita tidak bisa membandingkan totalnya begitu saja, makanya masing-masing dibagi dengan derajat bebas atau df-nya, menghasilkan rata-rata yang disebut MSR untuk sisi regresi dan MSE untuk sisi residual. Derajat bebas regresi sama dengan jumlah variabel prediktor kita, yaitu dua, biaya promosi dan follower Instagram, sementara derajat bebas residual adalah jumlah sampel dikurangi jumlah prediktor dikurangi satu, yaitu 25 dikurangi 2 dikurangi 1 sama dengan 22. F-hitung nantinya adalah rasio MSR dibagi MSE; kalau rasio ini besar, artinya variasi yang dijelaskan model jauh lebih dominan dibanding sisa yang tak terjelaskan, dan itu pertanda kuat bahwa model kita layak dipakai, bukan sekadar kebetulan pada sampel yang kita ambil. Coba Sendiri: Uji F dan Uji t untuk Regresi Berganda Lihat bagaimana uji F (kelayakan model keseluruhan) dan uji t (signifikansi tiap koefisien) bekerja berdampingan dalam output regresi.
Uji F menjawab 'apakah model ini secara keseluruhan bermanfaat?', sedangkan uji t menjawab 'prediktor mana yang signifikan?'. Model bisa F-signifikan tapi beberapa prediktor t-tidak-signifikan (mis. karena multikolinearitas). Alat ini menjelaskan kedua uji secara paralel, lengkap dengan distribusi pembanding F dan t, dan kapan masing-masing dipakai. Hitung dari Nol #1: Uji F Kelayakan Model Kasus: n = 25 UMKM, k = 2 prediktor (biaya promosi digital, follower Instagram), SST = 850, SSE $= 170, \alpha = 5\%$.
Langkah Perhitungan Nilai 1. Variasi terjelaskan (SSR) SST - SSE = 850 - 170 680 2. Rata-rata kuadrat regresi (MSR) SSR $\div df_{$regresi$} = 680 \div 2$ 340 3. Rata-rata kuadrat residual (MSE) SSE $\div df_{$residual$} = 170 \div 22$ $\approx 7,73$ 4. F-hitung MSR $\div$ MSE $= 340 \div 7,73$ $\approx 44,0$ 5. Bandingkan dengan F-tabel F-tabel $(\alpha=5\%, df 2,22)$ $\approx 3,44$
Kesimpulan
Model Layak
F-hitung (44,0) > F-tabel $(\approx3,44) \to$ tolak H0
Sekarang kita hitung sendiri langkah demi langkah, jangan hanya menghafal rumusnya. Pertama kita cari SSR dengan mengurangkan SST 850 dengan SSE 170, hasilnya 680, ini variasi omzet yang berhasil dijelaskan model kita. Kedua, kita ubah SSR jadi rata-rata dengan membaginya dengan derajat bebas regresi yaitu 2, menghasilkan MSR 340; ketiga, kita lakukan hal serupa untuk SSE, dibagi derajat bebas residual 22, menghasilkan MSE kira-kira 7,73. Keempat, kita bagi MSR dengan MSE untuk mendapat F-hitung sebesar kira-kira 44,0, angka yang jauh lebih besar dari F-tabel pada alpha lima persen dengan derajat bebas 2 dan 22 yaitu sekitar 3,44 yang bisa Anda cari di tabel distribusi F di lampiran buku Lind, Marchal, dan Wathen. Karena F-hitung jauh melampaui F-tabel, kita punya cukup bukti untuk menolak H0, artinya secara statistik, biaya promosi digital dan follower Instagram bersama-sama benar-benar menjelaskan variasi omzet UMKM, model kita layak dipakai untuk pengambilan keputusan bisnis. Membaca Keputusan Uji F dengan Benar F-tabel ≈ 3,44 F-hitung ≈ 44,0 Daerah gagal tolak H0 Daerah tolak H0 (model layak) Kalau F-hitung jatuh di kanan F-tabel $\to H0$ ditolak $\to$ model layak secara simultan.
Uji F hanya bicara "keseluruhan model" — belum tahu variabel mana yang berpengaruh. Itu tugas uji t di bagian berikutnya.
Perhatikan diagram ini baik-baik, karena ini yang akan Anda gambar sendiri saat mengerjakan ujian. Kurva ini menunjukkan distribusi F di bawah asumsi H0 benar; F-tabel yang kita cari tadi, sekitar 3,44, adalah garis batas, dan area di sebelah kanannya disebut daerah penolakan H0. F-hitung kita, 44,0, jatuh jauh di kanan garis itu, bahkan hampir di luar skala gambar, yang menunjukkan betapa kuatnya bukti untuk menolak H0. Tapi ada satu hal penting yang sering disalahpahami mahasiswa: uji F ini hanya menjawab pertanyaan "apakah modelnya secara keseluruhan layak", dia tidak memberi tahu kita variabel mana di antara biaya promosi dan follower Instagram yang sebenarnya paling berperan. Untuk menjawab pertanyaan itu, kita perlu turun satu level lebih detail, menguji tiap koefisien satu per satu, dan itulah yang akan kita pelajari di bagian ketiga kuliah hari ini. Coba Sendiri: Pahami Uji F dan Power Statistik Hubungkan uji F kelayakan model dengan konsep power statistik dan ukuran efek seperti R².
Signifikansi F tidak otomatis berarti model praktis berguna. Dengan sampel besar, model dengan R² kecil tetap bisa F-signifikan. Alat ini mengingatkan trade-off signifikansi statistik vs makna praktis: selalu laporkan R² dan adjusted R² bersama F, bukan hanya p-value. Diskusikan: kapan 'signifikan' menyesatkan? Bagian 3 dari 3
Uji Hipotesis Parsial — Uji t dan Interpretasi Koefisien
Model sudah terbukti layak secara keseluruhan. Sekarang: variabel mana yang benar-benar berpengaruh terhadap omzet UMKM?
Bagian terakhir kuliah hari ini menjawab pertanyaan yang lebih spesifik dan biasanya paling dicari manajer: dari sekian variabel yang kita masukkan ke model, mana yang benar-benar berpengaruh dan layak jadi dasar keputusan bisnis? Uji F tadi sudah memberi lampu hijau bahwa model kita secara keseluruhan layak, tapi seperti sebuah tim sepak bola yang menang pertandingan, kita masih perlu tahu pemain mana yang benar-benar mencetak gol dan mana yang cuma menonton dari lapangan. Uji t akan menguji setiap koefisien regresi satu per satu, dan kita akan pakai variabel biaya promosi digital sebagai contoh perhitungan lengkap. Setelah ini Anda akan bisa membaca kolom "Sig." atau signifikansi di output SPSS dengan penuh percaya diri, bukan sekadar mengecek apakah angkanya di bawah 0,05 tanpa tahu maknanya. Logika Uji t: Menguji Satu Koefisien Regresi Uji t membandingkan besarnya koefisien (b) dengan standard error -nya (Se) — seberapa besar koefisien itu relatif terhadap "ketidakpastian" pengukurannya.
$$t_{hitung} = b_{i} \div Se(b_{i}) | df = n - k - 1$$
$H0: b_{1} = 0$ (biaya promosi tidak berpengaruh) $H1: b_{1} \neq 0$ (biaya promosi berpengaruh) $|t_{$hitung}| > $t_{$tabel$} \to$ tolak H0 (signifikan) $|t_{$hitung$}| \leq t_{$tabel$} \to$ gagal tolak H0 Logika uji t mirip uji F, tapi fokusnya menyempit ke satu koefisien saja. Standard error, atau Se, adalah ukuran seberapa "goyang" estimasi koefisien kita kalau kita mengulang studi ini dengan sampel UMKM lain; koefisien yang besar tapi Se-nya juga besar bisa jadi tidak meyakinkan, sementara koefisien sedang dengan Se kecil justru sangat meyakinkan. T-hitung adalah rasio antara besarnya koefisien dan Se-nya, semacam "skor keyakinan" seberapa jauh koefisien itu dari nol dibanding ketidakpastiannya sendiri. Untuk variabel biaya promosi digital, X1, hipotesis nolnya adalah koefisiennya sama dengan nol alias tidak berpengaruh terhadap omzet, dan hipotesis alternatifnya koefisiennya tidak sama dengan nol. Karena kita tidak tahu arah pengaruhnya sebelum melihat data, kita pakai uji dua-arah, artinya kita bandingkan nilai mutlak t-hitung dengan t-tabel, dan kalau lebih besar, kita tolak H0 dan simpulkan variabel itu berpengaruh signifikan. Coba Sendiri: Baca Output Regresi Lengkap dengan Tepat Bedah tabel output regresi standar (SPSS/R): koefisien, standard error, t, p, dan interval kepercayaan per prediktor.
Inilah keterampilan ujian: membaca tabel regresi. Alat ini menjelaskan setiap kolom (B, Std. Error, Beta, t, Sig., 95% CI) dan apa yang dilihat dulu. T-tidak-signifikan pada satu prediktor sementara model F-signifikan menunjukkan kemungkinan multikolinearitas. Latih peserta menarik kesimpulan lengkap dari satu tabel output. Hitung dari Nol #2: Uji t untuk Biaya Promosi Digital (X1) Dari output regresi: koefisien $b_{1} = 2,5$ (setiap Rp1 juta promosi $\to$ omzet naik Rp2,5 juta)$, Se(b_{1}) = 0,5, n = 25, k = 2, \alpha = 5\%$.
Langkah Perhitungan Nilai 1. Koefisien regresi $(b_{1})$ dari output regresi 2,5 2. Standard error $(Se b_{1})$ dari output regresi 0,5 3. t-hitung $b_{1} \div Se(b_{1}) = 2,5 \div 0,5$ 5,0 4. Derajat bebas (df) n - k - 1 = 25 - 2 - 1 22 5. Bandingkan dengan t-tabel t-tabel $(\alpha=5\%$ dua-arah, df=22) $\approx 2,074$
Kesimpulan
Signifikan
|t-hitung| (5,0) > t-tabel $(\approx2,074) \to$ tolak H0
Mari kita praktikkan dengan angka nyata. Dari hasil regresi kita, koefisien biaya promosi digital adalah 2,5, artinya setiap tambahan Rp1 juta biaya promosi diasosiasikan dengan kenaikan omzet Rp2,5 juta, dan standard error-nya, ukuran ketidakpastiannya, adalah 0,5. Kita bagi koefisien dengan standard error-nya, 2,5 dibagi 0,5, menghasilkan t-hitung sebesar 5,0, angka yang cukup besar. Derajat bebasnya kita hitung sama seperti tadi, jumlah sampel 25 dikurangi jumlah prediktor 2 dikurangi 1, hasilnya 22, dan dari tabel distribusi t untuk uji dua-arah pada alpha lima persen dengan df 22, kita dapatkan t-tabel sekitar 2,074. Karena t-hitung 5,0 jauh lebih besar dari t-tabel 2,074, kita tolak H0 dan simpulkan bahwa biaya promosi digital memang berpengaruh signifikan terhadap omzet UMKM, bukan sekadar kebetulan pada dua puluh lima UMKM yang kita amati; di rumah, coba Anda ulangi perhitungan yang sama untuk variabel follower Instagram sebagai latihan. Setelah Signifikan: Membaca Arah dan Besaran Koefisien Tanda Koefisien
+ / -
Arah hubungan dengan Y
Positif (+): X naik $\to Y$ naik. Negatif (-): X naik $\to Y$ turun. Contoh kita: $b_{1}=2,5$ (positif) $\to$ promosi menaikkan omzet.
Besaran Koefisien
Rp2,5 jt
Interpretasi praktis, bukan cuma statistik
Signifikan secara statistik BELUM TENTU besar secara bisnis. Selalu tanyakan: apakah dampak Rp2,5 juta ini berarti bagi keputusan manajerial?
Jebakan umum: signifikansi statistik $\neq$ signifikansi praktis . Sampel besar bisa membuat koefisien kecil sekalipun jadi "signifikan" secara statistik.
Setelah kita tahu satu variabel signifikan, pekerjaan belum selesai, karena angka koefisien itu sendiri punya cerita yang harus kita baca. Tanda positif pada koefisien biaya promosi kita, 2,5, menunjukkan arah hubungan yang masuk akal secara bisnis, semakin besar biaya promosi, semakin besar pula omzet yang diprediksi, dan besarannya memberi tahu kita seberapa besar dampaknya, yaitu setiap kenaikan Rp1 juta promosi diasosiasikan dengan Rp2,5 juta kenaikan omzet. Tapi di sinilah letak jebakan yang sering dilupakan mahasiswa maupun praktisi: signifikan secara statistik tidak otomatis berarti penting secara bisnis. Kalau sampel Anda sangat besar, misalnya ribuan transaksi, bahkan koefisien yang secara praktis kecil dan tidak berarti bagi keputusan manajer bisa saja lolos uji t dan dianggap "signifikan". Jadi sebagai analis yang baik, setelah lolos uji statistik, Anda tetap wajib bertanya ke diri sendiri: apakah besaran dampak ini cukup besar untuk benar-benar mengubah keputusan bisnis, misalnya menambah anggaran promosi tahun depan? Coba Sendiri: Koefisien Determinasi R² Lagi Konsolidasi pemahaman R² dan adjusted R² dalam konteks uji kelayakan model.
Setelah keputusan signifikansi, pertanyaan praktis berikutnya: 'seberapa baik model ini menjelaskan variasi y?'. R² dan adjusted R² menjawabnya. Alat ini mengonsolidasikan pemahaman: adjusted R² menghukum penambahan prediktor tidak berguna, sehingga selalu ≤ R². Model dengan banyak prediktor tapi adjusted R² rendah adalah sinyal overfitting. Studi Kasus Terintegrasi: Membaca Output Regresi Lengkap UMKM fesyen mitra Tokopedia, n=25. Model: Omzet $= a + b_{1}$(Promosi) $+ b_{2}$(Follower). Hasil olah data (SPSS/Excel):
Bagian Output Angka Kesimpulan $R^{2} /$ Adj. $R^{2}$ 80,0% / 78,2% Model menjelaskan porsi besar variasi omzet Uji F (kelayakan model) F=44,0 > F-tabel $\approx3,44$ Model layak (H0 ditolak) Uji t — Promosi (X1) t=5,0 > t-tabel $\approx2,074$ Signifikan, arah positif Uji t — Follower (X2) t=1,3 < t-tabel $\approx2,074$ Tidak signifikan pada $\alpha=5\%$
Kesimpulan bisnis: model layak dipakai, dan biaya promosi digital adalah pendorong omzet yang terbukti signifikan — follower Instagram saja belum cukup meyakinkan pada data ini.
Sekarang mari kita gabungkan semua yang sudah Anda pelajari hari ini dalam satu tabel, persis seperti yang akan Anda temui saat membaca output SPSS di dunia kerja nanti. R-squared 80 persen memberi tahu kita model ini cukup kuat menjelaskan variasi omzet; uji F dengan F-hitung 44,0 memberi lampu hijau bahwa modelnya secara keseluruhan layak dipakai. Untuk uji t, variabel biaya promosi digital tadi kita hitung sendiri dan terbukti signifikan dengan t-hitung 5,0, tapi perhatikan variabel kedua, follower Instagram, yang t-hitungnya hanya 1,3, lebih kecil dari t-tabel 2,074, sehingga secara statistik kita gagal menolak H0 untuk variabel ini pada alpha 5 persen. Ini adalah temuan yang sangat umum dalam riset bisnis nyata: model secara keseluruhan bisa saja layak dan signifikan lewat uji F, tapi tidak semua variabel di dalamnya otomatis ikut signifikan lewat uji t. Sebagai analis, rekomendasi Anda ke manajemen menjadi jelas dan berbasis bukti: fokuskan anggaran pada biaya promosi digital, sementara strategi follower Instagram perlu dikaji ulang atau diukur dengan indikator lain sebelum dijadikan dasar keputusan besar. Jebakan Umum yang Harus Anda Hindari Kalau X1 dan X2 saling berkorelasi tinggi (mis. biaya promosi dan follower sama-sama naik bersamaan), uji t bisa "menyembunyikan" pengaruh sebenarnya — koefisien jadi tidak stabil meski model tetap layak (uji F tetap tinggi).
$R^{2}$ tinggi tidak menjamin hubungan itu kausal (sebab-akibat), dan tidak menjamin variabel yang dipilih relevan secara teori bisnis — tetap perlu logika & domain knowledge.
Uji F & uji t adalah alat konfirmasi statistik , bukan pengganti logika bisnis. Selalu kombinasikan hasil angka dengan pemahaman konteks industri Anda.
Sebelum kita tutup bagian teknis hari ini, ada dua jebakan yang wajib Anda waspadai supaya tidak salah menyimpulkan di lapangan nanti. Pertama, multikolinearitas, yaitu ketika dua variabel prediktor kita ternyata saling berkorelasi tinggi, misalnya UMKM yang biaya promosinya besar biasanya juga follower Instagram-nya besar; dalam situasi ini, uji t untuk masing-masing variabel bisa menjadi tidak stabil dan seolah-olah tidak signifikan, padahal keduanya sama-sama penting kalau dilihat bersama, sementara uji F tetap menunjukkan model secara keseluruhan layak. Kedua, jangan pernah tergoda menyimpulkan R-squared tinggi berarti hubungan sebab-akibat yang pasti benar; R-squared hanya mengukur seberapa cocok data dengan model, bukan membuktikan logika bisnisnya. Sebagai contoh ekstrem yang sering dipakai dalam kelas statistik, jumlah kapal yang tenggelam dan konsumsi es krim bisa sama-sama naik di bulan yang sama karena keduanya dipengaruhi musim panas, tapi itu bukan berarti es krim menyebabkan kapal tenggelam. Karena itu, hasil uji F dan uji t harus selalu dipadukan dengan pengetahuan industri dan akal sehat bisnis, bukan dibaca sebagai kebenaran mutlak dari angka semata. Latihan Kelas: Uji Kelayakan Model Anda Sendiri Kerjakan berpasangan (10 menit), gunakan data hipotetis berikut untuk model Penjualan Toko Online $= a + b_{1}$(Rating Toko) $+ b_{2}$(Jumlah Ulasan) , n = 20:
SST = 500, SSE = 125 $b_{1}$ (Rating) $= 3,0, Se(b_{1}) = 0,9$ $\alpha = 5\%, k = 2$ prediktor Hitung $R^{2}$ dan F-hitung — apakah model layak? Hitung t-hitung untuk Rating Toko — signifikankah? Tuliskan satu kesimpulan bisnis untuk manajer toko Petunjuk: $df_{$regresi$} = k = 2; df_{$residual} = n-k-1 = 17; F-tabel$(2,17,5\%) \approx 3,59; t-$tabel(17,5% dua-arah) $\approx 2,110$.
Sekarang giliran Anda mempraktikkan sendiri apa yang sudah kita hitung bersama tadi, silakan berpasangan dengan teman sebangku dan kerjakan dalam waktu sepuluh menit. Kasusnya mirip dengan yang tadi tapi datanya sedikit berbeda, tentang toko online dengan rating dan jumlah ulasan sebagai prediktor penjualan, sebuah kasus yang relevan buat Anda yang mungkin punya toko di Shopee atau Tokopedia sendiri. Ikuti langkah yang sama persis seperti dua tabel "Hitung dari Nol" yang baru saja kita kerjakan bersama: cari SSR dulu, lalu MSR dan MSE untuk uji F, kemudian t-hitung untuk uji t memakai koefisien dan standard error yang sudah diberikan. Setelah waktu habis, saya akan minta dua atau tiga pasangan membacakan kesimpulan bisnis mereka ke depan kelas, jadi pastikan jawaban Anda tidak berhenti di angka saja, tapi juga punya satu kalimat rekomendasi yang bisa dipahami seorang pemilik toko online yang awam statistik. Rangkuman Hari Ini & Persiapan Minggu Depan Uji Menjawab Pertanyaan Aturan Keputusan Uji F Apakah model layak secara keseluruhan? F-hitung > F-tabel $\to$ layak Uji t Apakah variabel ini berpengaruh? |t-hitung| > t-tabel $\to$ signifikan
Rangkuman satu semester penuh: dari probabilitas, regresi, sampai uji hipotesis — peta besar untuk persiapan UAS.
Tugas Sebelum Minggu Depan
Latihan #19
Lengkapi & kumpulkan via portal kelas
Mari kita rangkum perjalanan kita hari ini dalam dua kalimat kunci yang saya minta Anda hafal, bukan sekadar dicatat. Uji F menjawab pertanyaan besar "apakah model saya secara keseluruhan layak dipakai", dan aturannya sederhana, kalau F-hitung lebih besar dari F-tabel, model kita layak; sementara uji t menjawab pertanyaan lebih spesifik "apakah variabel ini secara individu berpengaruh", dengan aturan serupa memakai nilai mutlak t-hitung dibanding t-tabel. Minggu depan, di pertemuan terakhir sebelum UAS, kita akan menengok kembali seluruh perjalanan semester ini, mulai dari teori probabilitas di pertemuan pertama, distribusi normal, ANOVA, sampai regresi dan uji hipotesis hari ini, supaya Anda punya satu peta besar yang utuh untuk persiapan ujian akhir semester. Sebelum itu, tolong selesaikan latihan kelas nomor 19 tadi kalau belum tuntas, dan kumpulkan lewat portal kelas sebelum pertemuan berikutnya dimulai. Terima Kasih atas partisipasi Anda hari ini, sampai jumpa minggu depan untuk sesi rangkuman yang akan membantu Anda melihat statistika bisnis sebagai satu kesatuan yang utuh, bukan potongan-potongan materi terpisah.