Perbedaan antara uji t dengan uji F dalam analisis regresi linear berganda adalah
terletak pada makna pengaruh yang diberikan variabel X terhadap variabel Y
apakah terpisah atau gabungan. Uji t berguna untuk mengetahui pengaruh variabel
X secara partial (sendiri-sendiri) terhadap variabel Y. Sementara uji F bertujuan
untuk mengetahui pengaruh variabel X secara simultan (bersama-sama atau
gabungan) terhadap variabel Y.
Agar kita lebih mudah membedakan antara uji t dengan uji F ini, maka kita akan
membahasnya dalam contoh kasus yang sudah kita praktekkan pada artikel
sebelumnya yakni "Analisis Regresi Multiples (Berganda)". Dalam artikel tersebut
kita ingin menguji apakah ada pengaruh motivasi dan minat terhadap prestasi.
Berdasarkan contoh soal di atas, maka uji t berguna untuk menguji apakah ada
pengaruh motivasi dan minat secara partial terhadap prestasi (artinya pengaruh
motivasi terhadap prestasi dan pengaruh minat terhadap prestasi secara terpisah).
Sementara uji F berguna untuk menguji apakah ada pengaruh motivasi dan minat
secara simultan terhadap prestasi (artinya pengaruh gabungan dari variabel
motivasi dan minat terhadap variabel prestasi).
Adapun hasil output SPSS dalam analisis regresi multiples (berganda) yang
dimaksud adalah sebagaimana gambar di bawah ini.
Catatan: Untuk melakukan uji F simultan dalam analisis regresi linear berganda,
maka kita cukup memperhatikan hasil yang terdapat dalam tabel output
"ANOVA".
Rumusan Hipotesis dalam Uji F Simultan
Adapun hipotesis (dugaan) yang di ajukan dalam uji F ini adalah "Ada pengaruh
motivasi (X1) dan minat (X2) secara simultan terhadap prestasi (Y).
Ada dua cara yang bisa kita gunakan sebagai acuan atau pedoman untuk
melakukan uji hipotesis dalam uji F. Pertama adalah membandingkan nilai
signifikansi (Sig.) atau nilai probabilitas hasil output Anova. Kedua adalah
membandingkan nilai F hitung dengan nilai F tabel.
1. Jika nilai Sig. < 0,05, maka hipotesis diterima. Maka artinya motivasi (X1)
dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
2. Jika nilai Sig. > 0,05, maka hipotesis ditolak. Maka artinya motivasi (X1)
dan minat (X2) secara simultan tidak berpengaruh terhadap prestasi (Y).
1. Jika nilai F hitung > F tabel, maka hipotesis diterima. Maka artinya motivasi
(X1) dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
2. Sebaliknya, Jika nilai F hitung < F tabel, maka hipotesis ditolak. Maka
artinya motivasi (X1) dan minat (X2) secara simultan tidak berpengaruh
terhadap prestasi (Y).
Berdasarkan tabel output SPSS di atas, diketahui nilai Sig. adalah sebesar 0,000.
Karena nilai Sig. 0,000 < 0,05, maka sesuai dengan dasar pengambilan keputusan
dalam uji F dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain
motivasi (X1) dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
Berdasarkan tabel output SPSS di atas, diketahui nilai F hitung adalah sebesar
23,450. Karena nilai F hitung 23,450 > F tabel 4,10, maka sebagaimana dasar
pengambilan keputusan dalam uji F dapat disimpulkan bahwa hipotesis diterima
atau dengan kata lain motivasi (X1) dan minat (X2) secara simultan berpengaruh
terhadap prestasi (Y).
Catatan: F tabel di cari pada distribusi nilai r tabel statistik pada signifikansi 5%
atau 0,05 dengan menggunakan rumus F tabel = (k ; n-k). Dimana "k" adalah
jumlah variabel independen (variabel bebas atau X) sementara "n" adalah jumlah
responden atau sampel penelitian. Dalam penelitian ini jumlah "k" adalah 2 yakni
variabel motivasi (X1) dan variabel minat (X2). Sementara jumlah "n " adalah 12
orang siswa (responden). Selanjutnya nilai ini kita masukkan ke dalam rumus,
maka menghasilkan angka (2 ; 12-2) = (2; 10), angka ini kemudian kita jadikan
acuan untuk mencari atau melihat nilai F tabel pada distribusi nilai F tabel statistik.
Maka ditemukan nilai F tabel adalah sebesar 4,10. Lihat gambar di bawah ini.
Kesimpulan: Berdasarkan kedua pembahasan dalam uji F di atas, maka kita dapat
membuat sebuah kesimpulan bahwa motivasi (X1) dan minat (X2) secara simultan
(bersama-sama) berpengaruh terhadap prestasi (Y).
Setelah kita mengetahui bahwa "ada pengaruh simultan" maka selanjutnya kita
akan mencari berapa % pengaruh yang diberikan kedua variabel tersebut secara
simultan. Adapun materi tentang ini akan kita bahas pada artikel: Makna Koefisien
Determinasi [R Square] dalam Analisis Regresi Linear Berganda