Uji Validitas Instrumen dengan Excel

Uji Validitas Instrumen dengan Excel

Uji validitas dapat dilakukan dengan berbagai cara, termasuk penggunaan software. Software yang digunakan banyak sekali, tetapi di sini kita akan menjelaskan bagaimana cara melakukan uji validitas instrumen dengan menggunakan Program Microsoft Office Excel. Misalkan Anda sedang melakukan sebuah penelitian mengenai tingkat kepuasan pelanggan di salah satu rumah sakit. Sebelum instrumen penelitian ini digunakan pada penelitian sesungguhnya, maka dilakukan terlebih dahulu uji instrumen. Satu cara yang sering digunakan untuk uji instrumen ini adalah uji validitas. Uji validitas ini dilakukan untuk memastikan bahwa instrumen yang dibuat sudah tepat dan sesuai dengan penelitian yang kita lakukan. Instrumen penelitian memiliki format dan bentuk yang beraneka ragam. Pada contoh yang kita bahas, instrumen yang digunakan diasumsikan menggunakan angket dengan tipe data ordinal dengan skala 1 sampai 5. Angket instrumen model seperti ini biasanya sering digunakan oleh peneliti untuk mendapatkan data responden berupa pertanyaan skala sikap. Perhitungan validitas dari sebuah instrumen dapat menggunakan rumus korelasi product moment atau dikenal juga dengan Korelasi Pearson. Adapun rumusnya adalah sebagai berikut:

dengan keterangan : rxy = koefisien korelasi n = jumlah responden uji coba X = skor tiap item Y = skor seluruh item responden uji coba Kemudian, untuk menguji signifikan hasil korelasi kita gunakan uji-t. Adapun kriteria untuk menentukan signifikan dengan membandingkan nilai t-hitung dan t-tabel. Jika t-hitung > ttabel, maka dapat kita simpulkan bahwa butir item tersebut valid. Rumus mencari t-hitung yang digunakan adalah :

Jadi butir item soal instrumen ini dapat kita gunakan pada penelitian.

Perhitungan validitas dengan menggunakan SPSS dapat anda baca pada artikel kami: Validitas dan Reliabilitas SPSS. Perhitungan validitas dan uji-t menggunakan software MS Excel dapat dilakukan dengan cara yang mudah. Adapun langkah-langkahnya dapat kita lakukan sebagai berikut : Input data hasil angket instrumen dalam worksheet (lembar kerja) 2. Pada kolom paling kanan, jumlahkan skor setiap responden dengan menggunakan fungsi yang ada diexcel, menggunakan syntax/perintah [=sum(range cell)]. 3. Range cell diisi dengan rentang sel mulai dari item soal pertama sampai dengan item soal terakhir instrumen angket. 4. Pada baris paling bawah, untuk setiap kolom item butir soal kita hitung nilai korelasi pearson dengan fungsi excel yang memiliki syntax [=pearson(array cell1; array cell2)]. 5. Array cell1 berisikan rentang sel item soal yang akan dihitung dan array cell2 berisikan rentang sel jumlah skor sebagaimana yang telah dihitung sebelumnya. 6. Pada baris setelah korelasi pearson, cari nilai t-hitung dengan mendefinisikan sebuah fungsi di excel hasil interpretasi terhadap rumus t, syntax-nya dapat dituliskan sebagai [=SQRT(n-2)*rxy/SQRT(1-rxy^2)]. 7. nilai n diisi dengan jumlah responden instrumen angket dan nilai rxy diisi dengan nilai korelasi yang telah dihitung pada baris sebelumnya. 8. Nilai t-tabel dapat kita hitung menggunakan fungsi excel dengan menuliskan syntax[=tinv(probability;degree of freedom)]. 9. Probability diisi dengan taraf signifikansi yang kita inginkan, misalnya jika kita menggunakan alpha=0,05 dengan dua arah, dan degree of freedom diisi dengan derajat kebebasan yang nilainya = n-2. 10. Penentuan signifikansi validitas dapat menggunakan perintah yang kita tulis pada baris dibawah perhitungan t-hitung yaitu [=IF(p>q;"valid";"tdk valid")]. 11. p berisikan nilai t-hitung dan q nilai t-tabel. 12. Sebagai pelengkap jika kita ingin menghitung berapa jumlah item yang valid, kita gunakan rumus dengan perintah [=COUNTIF(range cell3;"valid")]. 13. Range cell3 diisi dengan rentang cell yang berisikan hasil penentuan signifikansi validitas yang dihitung pada baris sebelumnya.
1.

Contoh perhitungan menggunakan Excel ini dapat juga anda pelajari secara langsung dengan melihat file excel di bawah ini. Jika anda ingin mendapatkan contoh langsung, silahkan anda buka file excel di bawah ini dengan mengklik Unduh (Download). Demikian perhitungan mudah validitas dengan Excel untuk keperluan uji instrumen atau uji asumsi penelitian. Tanpa perlu alat software khusus, kita dapat menghitungnya dan mendapatkan hasil dengan cepat. Kelebihan dari metode perhitungan validitas dengan excel ini adalah kepraktisannya dalam melakukan perubahan data item instrumen angket.

Jika Anda masih mengalami kesulitan dalam prakteknya, silakan ajukan pertanyaan dengan mengirimkan komentar kepada kami melalui cara klik Add Comment di bawah ini.

Regresi Linear Sederhana dengan SPSS

Contoh Regresi Linier Sederhana dengan SPSS

Artikel ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data regresimenggunakan data yang dipakai seperti pada perhitungan korelasi. Analisis regresi sederhana merupakan salah satu metode uji regresi yang dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen) terhadap variabel terikat (dependen). Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu: 1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel bebas. 2. Menguji hipotesis karakteristik dependensi 3. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample. Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah : 1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0, 2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata, 3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05, Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation, 4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis), 5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik, 6. Data harus berdistribusi normal, 7. Data berskala interval atau rasio, 8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel response) Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 20. Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas) lalu klik tombol OK,

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu; 1. Tabel variabel penelitian, 2. Ringkasan model (model summary), 3. Tabel Anova, dan 4. Tabel Koefisien.

Cara membaca output spss hasil uji regresi linier tersebut adalah : 1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat. 2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1. 3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas. 4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.

Regresi Logistik Ganda dalam SPSS

Tutorial Regresi Logistik Ganda

Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila variabel dependen berskala dikotom (nominal dengan 2 kategori). ( Untuk lebih jelasnya dengan Tipe Data, Baca Artikel kami berjudul "Pengertian Data")

Tentunya semua variabel independen haruslah berskala data dikotom juga, tetapi apabila skalanya kategorik nominal lebih dari 2 kategori, masih dapat dilakukan uji regresi logistik ganda dengan cara melakukan dummy.

Bahasan tentang dummy akan kita bahas pada artikel berikutnya. Pada bahasan kali ini khusus akan membahas tutorial melakukan uji regresi logistik ganda dengan menggunakan software SPSS For Windows.

Langsung saja, buka Aplikasi SPSS!

Kita buat 6 variabel dengan definisi sebagai berikut:

Variabel Independen:

1. 2. 3. 4. 5.

Tekanan Kandung Kemih: Kategori "Ya" dan "Tidak" Pruritus: Kategori "Ya" dan "Tidak" Kram Kaki: Kategori "Ya" dan "Tidak" Gerak Janin: Kategori "Aktif" dan "Pasif" Heart Burn: Kategori "Ya" dan "Tidak"

Variabel Dependen:

1.

Gangguan Tidur: Kategori "Ya" dan "Tidak"

Ubah Value pada tab Variable View di SPSS sebagai berikut: Ya/Aktif = 1, Tidak/Pasif = 2. Ubah Measure menjadi "Nominal". Ubah Decimals menjadi "0". Ubah Type menjadi "Numeric"

Langkah berikutnya adalah isi data dengan nilai 1 atau 2. 1 apabila jawaban "Ya" atau "Aktif" dan 2 apabila "Tidak" atau "Pasif". Ebagai contoh gunakanlah 30 responden.

Setelah data terisi, maka kita mulai melakukan tahapan uji regresi logistik ganda yang sesungguhnya.

Ada beberapa metode atau teknik dalam melakukannya, yaitu antara lain: "Enter", "Stepwise", "Forward", "Backward" di mana masing-masing punya maksud yang berbeda. Dalam bahasan ini akan kita lakukan secara "stepwise" dengan proses manual, agar mudah memahami maksudnya.

Langkah Pertama adalah seleksi kandidat.

Seleksi Kandidat
Dalam langkah ini kita akan menyeleksi, variabel independen manakah yang layak masuk model uji multivariat. Di mana yang layak adalah yang memiliki tingkat signifikansi (sig.) atau p value < 0,025 dengan metode "Enter" dalam regresi logistik sederhana. Yaitu dengan melakukan satu persatu regresi sederhana antara masing-masing variabel independen terhadap variabel dependen.

Caranya adalah sebagai berikut: Klik Analyze, Regression, Binary Logistic

Masukkan variabel independen pertama yaitu "tekanan kandung kemih" ke dalam kotak Covariate. Masukkan variabel dependen ke kotak Dependent.

Klik Options, Centang "CI For Exp (B)"

Klik OK

Lihat hasilnya!

Dari hasil di atas, lihat tabel "variables in the equation" dan lihat nilai "sig." . Didapat nilai signifikan <0,25, yang berarti variabel "tekanan kandung kemih" layak masuk model multivariat.

Lakukan dengan cara di atas pada empat variabel independen lainnya. Apabila signifikansi > 0,25 maka variabel independen yang bersangkutan tidak layak masuk model multivariat.

Setelah dilakukan seleksi kandidat, inventarisir variabel mana yang layak masuk model dan urutkan dalam tabel dimulai dari yang nilai signifikansinya terbesar.

Sebelum diurutkan (Semua)

Subvariabel

P value

Tekanan Kandung Kemih Pruritus Kram kaki Gerak janin Heart burn

0,377 0,041 0,045 0,088 0,244

Hasil analisis menunjukkan nilai p value subvariabel tekanan kandung kemih (0,377) dan heart burn (0,244) sehingga tidak masuk ke uji multivariat karena p valuenya > 0,25. Sedangkan pruritus (0,041), kram kaki (0,045), gerak janin (0,088) masuk ke uji multivariate karena p valuenya < 0,25.

Diurutkan (Hanya yang masuk model)

Subvariabel

P value

Gerak janin Kram kaki Pruritus

0,088 0,045 0,041

Berarti ada 3 variabel yang akan diuji, yaitu: gerak janin, kram kaki dan pruritus.

Langkah berikutnya adalah masukkan ketiga variabel di atas dalam regresi logistik ganda dengan cara:

Analisis Multivariat
klik analyze, regression, binary logistic. Masukkan ketiga variabel independen ke dalam kotak Covariate. Masukkan variabel dependen ke kotak Dependent. Klik Options, centang CI For Exp (B)

Klik OK.

Lihat Hasilnya!

No 1 2 3

Subvariabel Pruritus Kram kaki Gerak janin

B 2,035 2,800 3,278

Wald 3,508 4,428 6,268

Sig. 0,061 0,035 0,012

OR 7,651 16,447 26,525

CI 95% 0,910 - 64,342 1,212 223.242 2,038 345,305

Subvariabel kram kaki dan gerak janin memiliki p value < 0,05 yaitu kram kaki (0,035) dan gerak janin (0,012). Sedangkan subvariabel pruritus memiliki p value > 0,05 yaitu 0,061. Langkah berikutnya, subvariabel yang memiliki p value terbesar yaitu pruritus (0,061) dikeluarkan dari model.

Cek Apakah setelah satu variabel pruritus dikeluarkan, ada perubahan ODDS Ratio (Exp (B)) > 10%? Apabila ada, kembalikan variabel yang dikeluarkan kembali pada model dan ulangi dengan mengeluarkan yang terbesar selain yang dimasukkan kembali. Ulangi Terus hingga hanya tertinggal satu variabel atau tidak ada yang bisa dikeluarkan lagi karena perubahan ODDS Ratio > 10%.

Pada SPSS, gunakan cara yang sama dengan cara di atas!

Lihat contoh uraian langkah sebagai berikut!

No 1 2

Subvariabel Kram kaki Gerak janin

B 2,003 2,852

Wald 2,951 5,536

Sig. 0,086 0,019

OR 7,409 17,319

CI 95% 0,754 - 72,812 1,610 186,288

Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:

Subvariabel

OR pruritus ada

OR pruritus tidak ada 7,409 17,319

Perubahan OR (%) 54 34

Pruritus Kram kaki Gerak janin

7,651 16,447 26,252

Hasil analisis multivariat menunjukkan bahwa setelah subvariabel pruritus dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel kram kaki (54%) dan subvariabel gerak janin (34%) sehingga subvariabel pruritus dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

No 1 2 3

Subvariabel Pruritus Kram kaki Gerak janin

B 2,035 2,800 3,278

Wald 3,508 4,428 6,268

Sig. 0,061 0,035 0,012

OR 7,651 16,447 26,525

CI 95% 0,910 - 64,342 1,212 223.242 2,038 345,305

Langkah selanjutnya adalah pengeluaran subvariabel kram kaki (0,035) karena memiliki p value terbesar kedua setelah pruritus (0,061).

No 1 2

Subvariabel Pruritus Gerak janin

B 1,179 2,218

Wald 1,759 0,963

Sig. 0,185 0,021

OR 3,252 9,192

CI 95% 0,569 - 18,570 1,391 60,723

Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut :

Subvariabel

OR kram kaki ada

OR kram kaki tidak ada 3,252 9,192

Perubahan OR (%) 57,4 65,3

Pruritus Kram kaki Gerak janin

7,651 16,447 26,252

Hasil analisis multivariate menunjukkan bahwa setelah subvariabel kram kaki dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel pruritus (57,4%) dan subvariabel gerak janin (65,3%) sehingga subvariabel kram kaki dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

Model Akhir Multivariat No Subvariabel

1 2 3 Pruritus Kram kaki Gerak janin

B 2,035 2,800 3,278

Wald 3,508 4,428 6,268

Sig. 0,061 0,035 0,012

OR 7,651 16,447 26,525

CI 95% 0,910 - 64,342 1,212 223.242 2,038 345,305

Hasil analisis: dapat disimpulkan bahwa dari keseluruhan variabel independen yang diduga mempengaruhi gangguan tidur (insomnia) pada ibu hamil trimester ketiga terdapat satu subvariabel (gerak janin) yang paling berpengaruh terhadap gangguan tidur dengan p value 0,012 < 0,05. Nilai OR terbesar yang diperoleh yaitu 26,252 artinya gerak janin aktif yang dirasakan responden mempunyai peluang 26,252 kali menyebabkan adanya gangguan tidur (insomnia).

Kesimpulan Akhir: Semua variabel yang masuk model atau yang lolos seleksi kandidat, berarti memiliki pengaruh terhadap variabel dependen. 2. Apabila setelah diuji dalam model akhir multivariat, yang tersisa dalam model berarti terbukti sebagai variabel independen yang secara bermakna atau signifikan mempengaruhi variabel dependen. Sedangkan yang tidak masuk model akhir, berarti sebagai variabel perancu atau counfounding yang artinya menjadi variabel yang mempengaruhi hubungan variabel independen dan dependen. 3. Variabel dengan ODDS Ratio terbesar dalam model akhir multivariat, menjadi variabel yang paling dominan mempengaruhi variabel dependen.
1.

ANALISIS REGRESI KORELASI

ANALISIS REGRESI KORELASI

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah bebas (X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya peubah yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah diukur maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan berat badan dimasukkan peubah tak bebas (Y). sedangkan peubah tak bebas (Y) dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X). misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat ayam pada umur tertentu dan sebagainya. Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinim derajat tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial,logaritma,sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis regresi-korelasi biasanya ditransformasi supaya menjadi bentuk polinom.

Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu peubah tak bebas (Y) mempunyai persamaan : Y =a +bx Disini a disebut intersep dan b koefisien arah Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk dari dua buah titik dengan koordinat yang berbeda yaitu ( X 1, Y1) dan X2,Y2). Hal ini berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik yang berbeda koordinatnya/tidak berimpit.

Persamaan garis melalui dua buah titik dirumuskan sebagai berikut:

Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan gais linear yang dapat dibuat adalah:

Dalam bentuk matrik bisa kita buat persaman sebagai berikut:

Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X Jika jumlah data sebanyak n maka persamaannya sebagai berikut:

disini o adalah penduga a, 1 adlah penduga b dan i merupakan besarnya simpangan persamaan garis penduga. Semakin kecil nilai i persamaan regresi yang diperoleh akan semakin baik. Jadi kita dapat menuliskan pengamatan kita menjadi:

Dengan notasi matrik dapat ditulis sebagi berikut:

Jadi kita peroleh matrik Y,X, dan dengan dimensi sebagi berikut :

Jika diasumsikan E() = 0 maka E(Y) = X Bila modelnya benar merupakan enduga terbaik yaitu dengan jalan melakukan penggadaaan awal dengan X sehingga diperoleh persamaan normal sebagai berikut:

Jadi =(XX) XY -1 Disini(XX) adalah kebalikan (inverse)dari matrik XX

-1

Contoh : Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu denagn jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam dan ditemukan sebagai berikut :

Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras am buras.

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Total rataan

Jumlah Cacing ( Xi) 12 14 13 12 15 16 13 11 10 11 12 13 17 19 13 11 16 12 14 15 269 13,45

Jumlah telurnya (Yi) 45 50 51 43 61 62 50 43 40 44 48 52 70 76 53 43 60 48 53 63 1055 52,75

Dari data diatas kita bisa menghitung:

Bila kita duga bentuk hubungan antara jumlah cacing (X)dan jumlah telurnya (Y) adalah:

Jadi =-2,442 + 4,103 Xi, Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk persamaan 2 1 Yi=o+1Xi+2Xi ,Yi=oXi ( dalam bentuk linear LnYi=Ln o+iLnXi) dan masih banyak lagi bentuk yang lainnya

Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan antara peubah bebas (X) dengan peubah tak bebas(Y) dapat dilakukan pengujian bentuk model yang digunakan dan keeratan hubungannya (korelasinya) untuk menyatakan ketepatan dan ketelitian persamaan garis regresi yang diperoleh.

KORELASI
KORELASI
Merupakan teknik statistik yang digunakan untuk meguji ada/tidaknya hubungan serta arah hubungan dari dua variabel atau lebih Korelasi yang akan dibahas dalam pelatihan ini adalah : Korelasi sederhana pearson & spearman Korelasi partial Korelasi ganda

KOEFISIEN KORELASI
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut Koefisien Korelasi diuji Besarnya Koefisien korelasi antara -1 0 +1 Besaran koefisien korelasi -1 & 1 adalah korelasi yang sempurna Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua variabel yang

ARAH HUBUNGAN
Positif (Koefisien 0 s/d 1) Negatif (Koefisien 0 s/d -1)

Nihil (Koefisien 0)

PEARSON CORRELATION
Digunakan untuk data interval & rasio Distribusi data normal Terdiri dari dua variabel 1 Variabel X (Independen) 1 Variabel Y (dependen)

CONTOH

Judul: Hubungan antara intensitas belajar dengan prestasi mata kuliah statistik Variabel X : Intensitas belajar (diukur dari lamanya belajar dalam satu minggu) Variabel Y : Prestasi matakuliah statistik (diukur dari nilai ujian akhir semester)

Hipotesa: H0: Tidak ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik Ha: Ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik

INPUT DATA KE SPSS

SPSS
Ada dua view dalam SPSS

Data View : digunakan untuk memasukkan data yang akan dianalisis Variabel View : digunakan untuk memberi nama variabel dan pemberian koding

UJI NORMALITAS

INTERPRETASI NORMALITAS

TAHAP ANALISIS

INTERPRETASI
Untuk pengambilan keputusan statistik, dapat digunakan 2 cara: 1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel) Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan (Ha Diterima) Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang signifikan (H0 Diterima)

2. Melihat Sig. Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (Ha Diterima) Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0 Diterima)

Arah hubungan: Dilihat dari tanda koefisien korelasi Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi

SPEARMAN
Digunakan untuk jenis data ordinal Cara analisis dan interpretasi sama dengan Pearson. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box spearman.

KORELASI PARTIAL
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan satu variabel dependen dan dilakukan pengendalian pada salah satu variabel independennya

CONTOH Judul: Hubungan antara biaya promosi dan penjualan dengan mengendalikan jumlah outlet Variabel X1: Biaya Promosi Variabel X2: Jumlah outlet (dikendalikan) Variabel Y: Penjualan

Hipotesa: H0: Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan Ha: Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan

CONTOH Buka data : Korelasi ganda dan partial.sav Data ANALISIS

KORELASI PARTIAL

OUTPUT PARTIAL

KORELASI GANDA
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan satu variabel dependen secara bersamaan.

CONTOH Judul: Hubungan antara biaya promosi dan jumlah outlet dengan penjualan Variabel X1: Biaya Promosi Variabel X2: Jumlah outlet Variabel Y: Penjualan

Hipotesa: H0: Tidak ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan Ha: Ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan

CONTOH Buka data : Korelasi ganda dan partial.sav Data

KORELASI GANDA

INTERPRETASI KORELASI GANDA

 Untuk menginterpretasi korelasi ganda lihat nilai R, semakin mendekati 1 maka korelasi semakin kuat Guna memperkaya analisis, sebelum dianalisis korelasi ganda dapat juga ditambahkan analisis korelasi pada masing-masing variabel independen dengan variabel dependen (caranya sama dengan analisis korelasi pearson.

REGRESI
Analisis regresi adalah analisis lanjutan dari korelasi

Menguji sejauh mana pengaruh variabel independen terhadap variabel dependen setelah diketahui ada hubungan antara variabel tersebut Data harus interval/rasio Data Berdistribusi normal.

Yang akan dibahas dalam pelatihan ini adalah: Regresi sederhana: yaitu regresi untuk 1 variabel independen dengan 1 variabel dependen Regresi ganda: yaitu regresi untuk lebih dari satu variabel independen dengan 1 variabel dependen.

REGRESI SEDERHANA
Buka data : Pearson.sav Data

INTERPRETASI REGRESI SEDERHANA

Output 1

Lihat nilai R = 0,843 ini berarti bahwa korelasi antara variabel X dengan Y adalah 0,843

INTERPRETASI REGRESI SEDERHANA OTPUT 2

Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 81,329 dan dibandingkan dengan F tabel Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk prediksi Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi

Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila nilai Sig. < 0,05 INTERPRETASI REGRESI SEDERHANA OUTPUT 3

Untuk membuat persamaan garis regresi dapat dilihat dari kolom B. Constan = 38,481 dan intensitas belajar= 2,978 Berarti persamaan garisnya adalah: Y=38,481 + 2,978 X.

REGRESI GANDA Digunakan untuk analisis regresi dengan jumlah variabel independen lebih dari satu dengan satu variabel dependen Ada tambahan asumsi yang harus dipenuhi, yaitu tidak boleh ada korelasi antar variabelvariabel independennya (multikolinearitas) CONTOH Buka data : Korelasi ganda dan partial.sav

INTERPRETASI REGRESI GANDA Output 1

Lihat nilai R = 0,976 ini berarti bahwa korelasi antara variabel X1dan X2secara bersamaan dengan Y adalah 0,976.

INTERPRETASI REGRESI GANDA Output 2

Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 118,294 dan dibandingkan dengan F tabel Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk prediksi Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi

Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila nilai Sig. < 0,05

INTERPRETASI REGRESI GANDA Output 3

Untuk membuat persamaan garis regresi dapat dilihat dari kolom B.

Constan = 64,639 Biaya promosi= 2,342 Jumlah Outlet= 0,535 Berarti persamaan garisnya adalah: Y=64,639 + 2,342 biaya promosi + 0,535 Jumlah Outlet

INTERPRETASI REGRESI GANDA Output 4

Identifikasi kolinieritas dapat dilakukan dengan melihat: Output 3, Kolom VIF. : terjadi kolinearitas apabila nilai VIF > 5 Output 4, Kolom eugenvalue: terjadi kolinearitas apabila nilai eugenvalue mendekati 0

Output 4, Kolom condition index: terjadi kolinearitas apabila nilai condition index > 15. Dikatakan parah apabila > 30

Two Way Anova dalam SPSS

Two Way Anova

Two-Way Anova disebut juga dengan Anova 2 Arah atau Analisis Varian 2 Faktor. ANOVA dua arah membandingkan perbedaan rata-rata antara kelompok yang telah dibagi pada dua variabel independen (disebut faktor). Anda perlu memiliki dua variabel independen berskala data kategorik dan satu variabel terikat berskala data kuantitatif/numerik (interval atau rasio).

Anova merupakan singkatan dari "analysis of varian" adalah salah satu uji komparatif yang digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan analisis varian dua faktor (two ways anova). Pada artikel ini hanya akan dibahas analisis varian dua faktor. Untuk melakukan uji Anova, harus dipenuhi beberapa asumsi, yaitu: 1. Sampel berasal dari kelompok yang independen 2. 3. Varian antar kelompok harus homogen Nilai Residual berdistribusi normal (Pelajari juga tentang uji normalitas)

Untuk lebih jelasnya tentang ANOVA, anda pelajari artikel kami yang berjudul "One Way Anova dalam SPSS". Berikut akan kami jelaskan tutorial Two Way Anova dalam SPSS. Kita ambil contoh penelitian yang berjudul "Pengaruh Gender dan Pendidikan Terhadap Nilai Ujian Fisika". Agar lebih mudah, sebaiknya anda download contoh file SPSS (.sav) yang akan digunakan dalam uji coba ini di link berikut: Two Way Anova.sav (Apabila muncul jendela Adf.ly, tunggu 5 detik kemudian klik Lewati) Langkah pertama adalah siapkan dulu data sebagai berikut:

Gender 1 2 1 2 1 2 2 2 1 2 1 2 1 2 1 2 2 2 1 2 1 2 1 2 1 2 1 2 1 2 1

Pekerjaan 2 2 2 3 1 2 3 1 2 2 1 2 3 2 2 3 3 2 1 2 1 2 3 2 1 2 3 2 1 3 2

Ujian 45 87 65 55 24 53 76 68 43 76 35 66 87 67 45 66 86 65 44 65 35 66 84 56 34 66 76 67 44 65 35

2 1 2 1 2 1 2 1 2

2 3 2 3 2 3 3 1 2

66 99 56 45 66 76 70 11 55

Buka Aplikasi SPSS For Windows Buka Tab Variable View: Buat 3 variabel dengan ketentuan sebagai berikut: Variabel independen: 1. "Gender" dengan kategori Pria dan Wanita. Measure Nominal, Decimals=0, Type Numeric dan isi value: 1= Pria, 2=Wanita. Variabel independen: 2. "Pendidikan" dengan kategori SLTP, SLTA dan PT. Measure Nominal, Decimals=0, Type Numeric dan isi value: 1= SLTP, 2=SLTA, 3=PT. Variabel dependen: "Ujian", Decimals=0, Measure Scale, Type Numeric.

Buka Tab Data View: Isi data seperti di bawah ini:

 Setelah data terisi, pada menu, Klik Analyze, General Linear Model, Univariate. Maka akan mucul jendela sbb: Masukkan Ujian ke kotak Dependent Variable, masukkan Gender dan Pendidikan ke kotak Fixed factor(s). (Kotak Random factor (s) dan Covariate(s) tidak akan kita gunakan dalam Two Ways Anova, kotak tersebut akan digunakan pada "Uji Ancova").

Klik Plot, maka akan muncul jendela seperti di bawah ini: Masukkan Gender ke kotak Horizontal Axis dan Pendidikan ke kotak Separate Lines.

Klik Add, maka akan tampak sbb:

Klik Continue. Hoc, maka muncul jendela sbb: Masukkan Pendidikan ke kotak Post Hoc Test

Klik Post for.Centang Tukey

Klik Continue

Klik Options, maka akan muncul jendela sbb: Masukkan Gender, Pendidikan, danGender*Pendidikan ke dalam kotak Display Means for. Pada Display centang Descriptive statisticsdan Homogentity test.

Klik Continue Klik OK Lihat Hasil!

Artikel ini hanya menjelaskan langkah demi langkah melakukan uji two way anova, sedangkan membaca output dan interprestasinya akan dijelaskan dalam artikel berikutnya yang berjudul : "Interprestasi Output Two Way Anova Dalam SPSS".

Uji F dan Uji T

Uji F dan Uji T

Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat baik/signifikan atau tidak baik/non signifikan.

Jika model signifikan maka model bisa digunakan untuk prediksi/peramalan, sebaliknya jika non/tidak signifikan maka model regresi tidak bisa digunakan untuk peramalan.

Uji F dapat dilakukan dengan membandingkan F hitung dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode Enter/Full Model ). Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar dari alpha.

Uji t dikenal dengan uji parsial, yaitu untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Uji ini dapat dilakukan dengan mambandingkan t hitung dengan t tabel atau dengan melihat kolom signifikansi pada masing-masing t hitung, proses uji t identik dengan Uji F (lihat perhitungan SPSS pada Coefficient Regression Full Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.

Untuk mempelajari tentang bagaimana melakukan uji F dan uji t parsial, baca artikel kami yang berjudul: "Analisis Regresi Korelasi", "Analisis Regresi dalam Excel" dan "Regresi Linear Sederhana dengan SPSS".