MANOVA DALAM SPSS (UJI F & UJI T)

Tutorial Uji Manova dalam SPSS

Manova adalah Multivariat Analisis Jalur atau disebut juga Multivariat Analysis Of Variance. Manova hampir sama dengan One Way Anova, letak perbedaannya adalah pada jumlah variabel dependen atau variabel terikat yang diuji di dalam model. Kalau One Way Anova, hanya ada 1 variabel dependen, sedangkan pada Manova ada lebih dari 1 variabel dependen.

Agar anda lebih memahami apa itu Uji Manova, alangkah lebih baiknya anda mempelajari artikel kami sebelumnya yang membahas tentang ANOVA, antara lain:

• One Way Anova dalam SPSS
• One Way Anova dalam Excel
• Two Way Anova dalam SPSS
• Two Way Anova dalam Excel
• Two Way Anova Tanpa Replikasi dalam Excel
• Uji Anova Dalam SPSS

Setelah anda mempelajari artikel-artikel di atas, kami yakin anda akan memahami apa yang disebut dengan Manova.

Langsung saja kita mulai bahasan bagaimana melakukan Uji Manova Dalam SPSS. 

Agar lebih mudah bagi anda, silahkan download terlebih dahulu file kerja uji ini di Mediafire:

Manova.sav

(Apabila muncul jendela Adf.ly, tunggu 5 detik kemudian klik lewati)

Contoh: Kita akan melakukan penelitian yang berjudul "Pengaruh Pekerjaan Orang Tua Terhadap Nilai Ujian Matematika, Fisika dan Biologi Siswa Kelas 6 SD A".

Perhatikan judul penelitian di atas, semuanya ada 4 variabel yang diteliti:

1. Pekerjaan Orang Tua
2. Nilai Ujian Matematika
3. Nilai Ujian Fisika
4. Nilai Ujian Biologi

Pekerjaan merupakan variabel independen, yang bertipe kategorik atau skala data nominal atau kualitatif. Terdiri dari 3 kategori: Tani, Buruh dan PNS.

Nilai Ujian semuanya variabel dependen yang bertipe numerik atau kuantitatif atau skala data interval/Rasio.

Berdasar contoh di atas, maka jelas harus anda pahami kembali bahwa uji Manova harus terdiri dari 1 variabel independen berskala kualtitatif dan lebih dari 1 variabel dependen berskala data kuantitatif berdistribusi normal.

(Pelajari juga tentang skala data dan Transformasi Data).

Buatlah hasil penelitian pada 4 variabel ke dalam bentuk data sebagai berikut:

Responden	Pekerjaan	Matematika	Fisika	Biologi
1	1	35	36	38
2	2	54	58	60
3	1	31	33	34
4	2	58	62	64
5	1	35	37	38
6	2	62	66	68
7	1	39	41	42
8	1	41	43	44
9	2	68	72	74
10	1	45	47	48
11	1	47	49	50
12	2	74	78	80
13	1	51	53	54
14	2	78	82	84
15	3	75	81	87
16	1	57	59	60
17	3	79	85	91
18	1	61	63	64
19	2	88	92	76
20	3	85	91	97
21	3	87	93	99
22	2	94	98	82
23	1	71	73	74
24	2	98	82	86

Keterangan:

Pekerjaan: 1= Tani, 2=Buruh dan 3=PNS

Buka SPSS dan Buat 4 variabel seperti di atas.

1. Pekerjaan: Type Numeric, Decimals 0, Label Pekerjaan, Measure Nominal. Value: 1= Tani, 2=Buruh dan 3=PNS.
2. Matematika: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.
3. Fisika: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.
4. Biologi: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.

Kopi paste data dalam tabel di atas: Pekerjaan, Matematika, Fisika dan Biologi.

Langkah berikutnya adalah: pada menu di SPSS, klik Analyze, General Linear Model, Multivariate:

Lihat Tabel di bawah ini: Lalu masukkan variabel Matematika, Fisika dan Biologi ke kotak "Dependent Variables". Masukkan Variabel Pekerjaan ke dalam kotak Fixed Factor (s).

Klik Tombol Model. Anda bisa menggunakan nilai bawaan (default) yaitu Full Factorial atau menggunakan nilai Custom, yaitu dengan memilih Custom dan memasukkan Pekerjaan ke dalam kotak Model dan mengubah Type ke Main Effects.

Klik Continue.

Klik Tombol Post Hoc. Maka akan muncul jendela seperti di bawah ini: Lalu masukkan Factor Pekerjaan ke kotak Post Hoc Test For, pada Equal Variances Assumed centang Bonferroni dan pada Equal Variances Not Assumed centang Games-Howell. (Ingat artikel sebelumnya, bahwa uji Bonferroni dipakai untuk membedakan kategori mana yang berbeda pada variabel independen apabila hasil uji homogenitas test pada Levene's Test menunjukkan memiliki varians yang berbeda dengan nilai sig. > 0,05. Sedangkan Games-Howell dipakai apabila sig. <0,05).

Klik Continue

Kemudian anda tekan tombol options. Lalu masukkan factor Pekerjaan ke dalam kotak Display Means for. Pada display, centang Descriptive Statistics, Observed Power dan Homogenty Tests. Dan biarkan Significance Level 0,05.

Klik Continue dan Lihat hasilnya pada jendela Output.

Demikian tutorial langkah demi langkah Uji Manova dalam SPSS. Untuk Interprestasi Output dan cara menarik kesimpulannya serta cara menjawab hipotesis akan dibahas pada artikel berikutnya yang berjudul "Interprestasi Output  Uji Manova dalam SPSS".

Read More

ONE WAY ANOVA DALAM EXCEL (UJI F & UJI T)

Tutorial One Way Anova dalam Excel

Artikel kali ini melanjutkan artikel sebelumnya yang berjudul "One Way Anova dalam SPSS". Pada bahasan tersebut, dijelaskan bagaimana langkah demi langkah melakukan uji One Way Anova dengan menggunakan aplikasi atau software SPSS beserta dengan pengertian dan interprestasi hasilnya. Sedangkan pada bahasan ini, hanya kan dijelaskan cara melakukan uji One Way Anova dengan menggunakan software yang banyak beredar, yaitu MS Excel 2007 atau di atasnya. Tentunya hasil dengan menggunakan excel tidaklah sebaik menggunakan SPSS, tetapi dengan menggunakan Excel tentunya lebih mudah dan program excel ini biasanya banyak dimiliki oleh setiap pengguna komputer.

Sebelum memulai tutorial, anda terlebih dahulu harus mengaktifkan Add Inn dalam Aplikasi Excel anda, yaitu Add inn "Analysis Toolpak". Cara mengaktifkannya, baca artikel kami tentang "Cara Mengaktifkan Add Inn Analysis toolpak di Excel".

Setelah anda mengaktifkannya, langsung saja lihat file di bawah ini, atau anda mendownloadnya di:

One Way Anova.xlsx

(Apabila mucul jendela Adf.ly, tunggu 5 detik lalu klik Lewati)

Berikut Tahapan Langkahnya:

• Buka MS Excel
• Jika belum mengaktifkan "Analysis Toolpak", maka aktifkan!
• Buat 3 kolom dari cell A5 s/d C12 seperti contoh dan isi datanya
• Kolom pertama adalah data pendapatan pekerja Tani, kolom kedua adalah pendapatan Buruh dan ketiga adalah pendapatan Lainnya.
• Data berisi 8 responden per kolom
• Setelah data terisi, pada Menu klik Data, pada Data Ribbon kanan sendiri, pilih "Data Analysis" lalu klik

Read More

ANOVA (UJI F & UJI T)

One Way Anova dalam SPSS

Uji One Way Anova

Pada artikel kali ini, kita akan membahas tentang melakukan uji One Way Anova atau Anova Satu Jalur dengan menggunakan software SPSS For Windows.

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. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata IQ antara siswa kelas SLTP kelas I, II, dan kelas III.

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 satu faktor.

Untuk melakukan uji Anova, harus dipenuhi beberapa asumsi, yaitu:

1. Sampel berasal dari kelompok yang independen
2. Varian antar kelompok harus homogen
3. Data masing-masing kelompok berdistribusi normal (Pelajari juga tentang uji normalitas)

Asumsi yang pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.

Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi di dalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan.

Setelah kita pahami sedikit tentang One Way Anova, maka mari kita lanjutkan dengan mempelajari bagaimana melakukan uji One Way Anova dengan SPSS.

Sebagai bahan uji coba, maka kita gunakan contoh sebuah penelitian yang berjudul "Perbedaan Pendapatan Berdasarkan Pekerjaan". Di mana pendapatan sebagai variabel terikat bertipe data kuantitatif atau numerik sedangkan pekerjaan sebagai variabel bebas berskala data kualitatif atau kategorik, yaitu dengan 3 kategori: Tani, Buruh dan Lainnya. (Ingat bahwa uji One Way Anova dilakukan apabila variabel terikat adalah interval dan variabel bebas adalah kategorik). (Pelajari juga tentang Pengertian Data)

Langsung Saja:

Tutorial One Way Anova

• Buka SPSS
• Buka Tab Variable View, buat 2 variabel: Pekerjaan dan Pendapatan
• Ubah Type Pekerjaan ke "Numeric", Decimals "0", beri label "Pekerjaan", ubah measure menjadi "Nominal" dan isi value dengan kategori: 1 = Tani, 2 = Buruh dan 3 = Lainnya
• Ubah Type Pendapatan ke "Numeric", Decimals "0", beri label "Pendapatan", ubah measure menjadi "Scale".

• Buka Data View dan isikan data sebanyak 24 responden sebagai berikut:

• Pada menu, pilih Analyze, Compare Means, One-Way ANOVA, sampai muncul jendela One-Way ANOVA seperti di bawah ini:

• Pilih variabel "Pendapatan" lalu masukkan ke kotak "Dependent List:" Kemudian pilih variabel "Pekerjaan" lalu masukkan ke kotak "Factor:" Sehingga nampak seperti di bawah ini:

• Klik tombol Options, akan muncul jendela ini: Centang "Descriptive" dan "Homogenity of variance test"

• Klik Continue
• Masih dijendela One Way ANOVA, klik tombol Post Hoc, sampai muncul jendela ini: Centang Bonferroni dan Games-Howell serta biarkan significance level = 0,05.

• Klik Continue
• Lalu Klik OK dan Lihatlah hasil!

Hasil terilhat sebagai berikut:

Interprestasi Baca adalah sebagai berikut:

• Dari tabel Descriptives nampak bahwa responden yang bekerja sebagai Tani rata-rata berpendapatan sebesar 195497,50, Buruh rata-rata berpendapatan sebesar 265080,75  dan Lainnya rata-rata berpendapatan 326423,25. Selanjutnya untuk melihat uji kita lihat di tabel ANOVA.
• Sebelum melanjutkan uji perlu  diingat bahwa salah satu asumsi uji Anova adalah variansnya sama. Dari tabel Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan bahwa varian ketiga kelompok tersebut sama (P-value = 0,357), sehingga uji Anova valid untuk menguji hubungan ini.
• Selanjutnya untuk melihat apakah ada perbedaan pendapatan dari ketiga kelompok pekerja tersebut, kita lihat  tabel ANOVA , dari tabel itu pada kolom Sig. diperoleh nilai P (P-value) = 0,037. Dengan demikian pada taraf nyata = 0,05 kita menolak Ho, sehingga kesimpulan yang didapatkan adalah  ada perbedaan yang bermakna rata-rata pendapatan berdasarkan ketiga kelompok pekerjaan tersebut.
• Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji lanjut (Post Hoc Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan Ho ditolak (ada perbedaan), maka uji lanjut (Post Hoc Test) harus dilakukan.
• Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna, maka uji selanjutnya adalah melihat kelompok mana saja yang berbeda. 
• Untuk menentukan uji lanjut mana yang digunakan, maka kembali kita lihat tabel Test of Homogeneity of Variances, bila hasil tes menunjukan varian sama, maka uji lanjut yang digunakan adalah uji Bonferroni. Namun bilai hasil tes menunjukan varian tidak sama, maka uji lanjut yang digunakan adalah uji Games-Howell.
• Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok tersebut sama, maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji Bonferroni.
• Dari tabel Post Hoc Test di atas memperlihatkan bahwa  kelompok yang menunjukan adanya perbedaan rata-rata pendapatan (ditandai dengan tanda bintang "*") adalah Kelompok "Tani" dan "Lainnya".

Pelajari juga cara melakukan uji One Way Anova dengan menggunakan software MS Excel dengan membaca artikel "One Way Anova dalam Excel"

Demikian Ulasang Singkat Tutorial Uji One Way Anova dalam SPSS. Kami anjurkan anda juga membaca artikel yang berkaitan erat dengan uji ini, yaitu Uji MANOVA.

DOWNLOAD

Bagi Anda yang ingin mendownload file SPSS uji One Way Anova ini, silahkan download di link berikut:

• Data: One Way Anova.sav
• Output: One Way Anova.spv

Read More

SPSS (UJI F & UJI T)

IBM SPSS Versi 20

Untuk Mendapatkan Software IBM SPSS Versi 20, Download di sini: SPSS Statistics 20

Untuk petunjuk lebih jelas perihal instalasi silahkan hubungi admin blog ini melalui:

1. Email: atutupohos@ymail.com
2. SMS: 081247466675

Learn SPSS With Me.......

Read More

VARIABEL (UJI F & UJI T)

Variabel Penelitian

1. Pengertian Variabel

Ada beberapa definisi tentang variabel. Diantaranya adalah sebagai berikut:

a. Variabel adalah segala sesuatu yang akan menjadi objek pengamatan penelitian. Pengertian yang dapat diambil dari definisi tersebut ialah bahwa dalam penelitian terdapat sesuatu yang menjadi sasaran, yaitu variabel, sehingga variabel merupakan fenomena yang menjadi pusat perhatian penelitian untuk diobservasi atau diukur.

b. Variabel adalah konsep yang memiliki variasi nilai.

Definisi di atas mengandung makna bahwa sesuatu atau konsep dapat disebut variabel jika konsep tersebut memiliki variabilitas atau dapat dibedakan menjadi beberapa jenis atau kategori.

2. Klasifikasi Variabel

Variabel dapat diklasifikasikan berdasarkan skala pengukurannya, konteks hubungannya, dan dapat tidaknya variabel dimanipulasi.

a. Berdasarkan skala pengukurannya

1) Variabel nominal

Variabel nominal merupakan variabel dengan skala paling sederhana karena fungsinya hanya untuk membedakan atau memberi label suatu subjek atau kategori. Contoh variabel nominal : jenis kelamin (laki-laki dan perempuan).

2) Variabel ordinal

Variabel ordinal adalah variabel yang dibedakan menjadi beberapa secara bertingkat, contoh status sosial ekonomi : rendah, sedang, tinggi.

3) Variabel interval

Variabel interval adalahvariabel yang selain dimaksudkan untuk membedakan, mempunyaitingkatan, juga mempunyai jarak yang pasti atau satu kategori dengan kategori lainnya, contoh prestasi belajar : 5, 6, 7, 8, dst.

4) Variabel rasio

Variabel rasio merupakan variabel selain berisfat membedakan, mempunyai tingkatan yang jaraknya pasti, dan setiap nilai kategori diukur dari titik yang sama, contoh : berat badan, tinggi badan, dst.

b. Berdasarkan konteks hubungannya

Variabel dalam suatu penelitian jumlahnya bisa lebih dari satu. Variabel-variabel tersebut saling berhubungan dan jika ditinjau dari konteks ini variable dibedakan menjadi :

1) Variabel bebas atau independent variables

Variabel bebas adalah variabel yang nilainya mempengaruhi variabel lainnya, yaitu variable terikat.

2) Variabel terikat atau dependent variabel

Variabel terikat merupakan variabel yang nilainya tergantung dari nilai vaiabel lainnya.

3) Variabel moderator atau variable intervening

Variabel moderator merupakan variable yang juga mem-pengaruhi variabel terikat, namun dalam penelitian penga-ruhnya tidak diutamakan.

4) Variabel perancu (confuding variable)

Variabel perancu merupakan variabel yang berhubungan variabel bebas dan variabel terikat, tetapi bukan variable antara.

5) Variabel kendali

Variabel kendali merupakan variabel yang juga mem-pengaruhi variabel terikat, tetapi dalam penelitian keberadaannya dijadikan netral.

6) Variabel rambang

Variabel rambang merupakan variabel yang juga ikut mempengaruhi variabel terikat namun pengaruhnya tidak begitu berarti, sehingga keberadaan variabel ini dalam penelitian diabaikan.

c. Berdasarkan dapat tidaknya variabel dimanipulasi

Ada variabel di mana peneliti dapat melakukan intervensi dan ada pula variable di mana peneliti tidak dapat melakukan intervensi. Atas dasar tinjauan ini, variabel dibedakan menjadi:

1) Variabel dinamis, adalah variabel yang dapat dimanipulasi atau diintervensi oleh peneliti, contoh : metoda mengajar, teknik pelatihan, strategi pembiasaan, dst.

2) Variabel statis, merupakan variabel yang tidak dapat diintervensi atau dimanipulasi oleh peneliti, contoh : jenis kelamin, umur, status perkawinan, dst.

3. Hubungan Antar Variabel

Hubungan antar variable dibedakan menjadi tiga jenis, yaitu : hubungan asimetris, hubungan simetris, dan hubungan timbal balik (Machfoedz, 2007: 29).

a. Hubungan asimetris

Pada hubungan asimetris, suatu variabel atau variabel-variabel bebas berhubungan dengan variabel atau variabel-variabel terikat.

Hubungan variabel asimetris dibedakan menjadi dua, yaitu:

1) Hubungan variabel bivariat: hubungan antara dua variabel.

Contoh hubungan asimetris bivariat : hubungan kecerdasan intelektual (X) dengan prestasi belajar (Y). Siswa yang mempunyai kecerdasan intelektual yang tinggi, presteasi belajarnya juga tinggi.

Secara visual hubungan tersebut dapat digambarkan sebagai berikut:

2) Hubungan variabel multivariat: hubungan antara tiga variabel atau lebih.

Contoh hubungan asimetris multivariate:

Hubungan kecerdasan intelektual (X₁), kecerdasan emosional

(X₂), dan motivsi belajar (X₃) dengan prestasi belajar (Y).

Secara visual hubungan tersebut dapat digambarkan sebagai

berikut:

b. Hubungan simetris

Hubungan variable secara simetris artinya ada hubungan antara dua variabel, tetapi variabel yang satu tidak disebabkan atau dipengaruhi oleh variable lainnya.

Contoh hubungan variable secara simetris:

Variabel tinggi badan (Y₁) dan variable berat badan (Y₂) merupakan variable terikat yang dipengaruhi oleh variabel pertumbuhan (X). Kedua variable terikat berhubungan tetapi variable yang satu tidak diengaruhi variable lainnya. Secara visual hubungan tersebut dapat digambarkan sebagai berikut:

c. Hubungan timbal balik

Hubungan variabel dikatakan bersifat timbal balik jika variabel yang satu mempengaruhi variabel lainnya dan

sebaliknya.

Contoh hubungan variabel secara timbal balik: Variabel rasa percaya diri (X) mempengaruhi prestasi belajar (Y) dan sebaliknya, prestasi belajar juga mempengaruhi rasa percaya diri.

Hubungan semacam ini dapat digambarkan sebagai berikut:

4. Pendefinisian Variabel Secara Operasional

a. Pengertian definisi operasional

Definisi operasional adalah definisi yang didasarkan atas sifat-sifat hal yang didefinisikan yang dapat diamati (Sumadi Suryabrata, 2000 76). Lain halnya dengan definisi konseptual, definisi konseptual lebih bersifat hipotetikal dan “tidak dapat diobservasi”. Karena definisi konseptual merupakan suatu konsep yang didefinisikan dengan referensi konsep yang lain. Definisi konseptual bermanfaat untuk membuat logika proses perumusan hipotesa (Sarwono, 2006).

b. Pentingnya operasionalisasi variabel

Variabel harus didefinisikan secara operasional agar lebih mudah dicari hubungannya antara satu variabel dengan lainnya dan pengukurannya. Tanpa operasionalisasi variabel, peneliti akan mengalami kesulitan dalam menentukan pengukuran hubungan antar variable yang masih bersifat konseptual.

Operasionalisasi variabel bermanfaat untuk: 1) mengidentifikasi kriteria yang dapat diobservasi yang sedang didefinisikan; 2) menunjukkan bahwa suatu konsep atau objek mungkin mempunyai lebih dari satu definisi operasional; 3) mengetahui bahwa definisi operasional bersifat unik dalam situasi dimana definisi tersebut harus digunakan (Sarwono, 2006).

c. Cara-Cara Menyusun Definisi Operasional

Ada tiga pendekatan untuk menyusun definisi operasional yaitu: 1) yang menekankan kegiatan apa yang perlu dilakukan, 2) yang menekankan pada bagaimana kegiatan itu dilakukan, dan 3) yang menekankan sifat-sifat statis yang didefinisikan. Ketiga cara menyusun definisi operasional tersebut dapat disebut sebagai definisi operasional tipe A atau pola I, definisi operasional pola B atau tipe II, dan definisi operasional tipe C atau pola III (Sumadi Suryabrata, 2000: 76-77; Sarwono, 2006).

1) Definisi Operasional Tipe A atau Pola I

Definisi operasional Tipe A dapat disusun didasarkan pada operasi yang harus dilakukan, sehingga menyebabkan gejala atau keadaan yang didefinisikan menjadi nyata atau dapat terjadi. Dengan menggunakan prosedur tertentu peneliti dapat membuat gejala menjadi nyata. Contoh: “Konflik” didefinisikan sebagai keadaan yang dihasilkan dengan menempatkan dua orang atau lebih pada situasi dimana masing-masing orang mempunyai tujuan yang sama, tetapi hanya satu orang yang akan dapat mencapainya.

2) Definisi Operasional Tipe B atau Pola II

Definisi operasional Tipe B dapat disusun didasarkan pada bagaimana objek tertentu yang didefinisikan dapat dioperasi-onalisasikan, yaitu berupa apa yang dilakukannya atau apa yang menyusun karaktersitik-karakteristik dinamisnya. Contoh: “Orang pandai” dapat didefinisikan sebagai seorang yang mendapatkan nilai-nilai tinggi di sekolahnya.

3) Definisi Operasional Tipe C atau Pola III

Definisi operasional Tipe C dapat disusun didasarkan pada penampakan seperti apa objek atau gejala yang didefinisikan tersebut, yaitu apa saja yang menyusun karaktersitik-karaktersitik statisnya. Contoh: “Orang pandai” dapat didefinisikan sebagai orang yang mempunyai ingatan kuat, menguasai beberapa bahasa asing, kemampuan berpikir baik, sistematis dan mempunyai kemampuan menghitung secara cepat.

d. Kriteria Keunikan

Dalam menyusun definisi operasional, definisi tersebut sebaiknya dapat mengidentifikasi seperangkat kriteria unik yang dapat diamati. Semakin unik suatu definisi operasional, maka semakin bermanfaat. Karena definisi tersebut akan banyak memberikan informasi kepada peneliti, dan semakin menghilangkan objek-objek atau pernyataan lain yang muncul dalam mendefinisikan sesuatu hal yang tidak kita inginkan tercakup dalam definisi tersebut secara tidak sengaja dan dapat meningkatkan adanya kemungkinan makna variable dapat direplikasi. Sekalipun demikian, keunikan / kekhususan tersebut tidak menjadi penghalang keberlakuannnya secara umum suatu konsep yang merupakan ciri validitas eksternal bagi desain penelitian yang kita buat.

Read More

REGRESI LINIER SEDERHANA DENGAN SPSS (UJI F & UJI T)

Blog ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data regresi menggunakan 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 + e.

Read More