Cara Melaksanakan Uji Linearitas Dengan Aktivitas Spss

Cara Melakukan Uji Linearitas dengan Program SPSS | Sebelum kita mulai pembahasan dalam uji linearitas ini, kami mengingatkan kembali kepada kawan-kawan semua bahwa sebelumnya kita sudah berguru ihwal cara melakukan uji normalitas kolmogorov-smirnov dengan SPSS.

Secara umum uji linearitas bertujuan untuk mengetahui apakah dua variabel memiliki korelasi yang linear secara signifikan atau tidak. Korelasi yang baik seharusnya terdapat korelasi yang linear antara variabel predictor atau independent (X) dengan variabel kriterium atau dependent (Y). Dalam beberapa rujukan dinyatakan bahwa uji linearitas ini merupakan syarat atau perkiraan sebelum dilakukannya analisis regresi linear.

Contoh sederhana korelasi linear contohnya seorang sarjana pendidikan matematika menjadi guru matematika di sekolah tertentu. Maka korelasi antara keilmuan sarjana pendidikan matematika dengan menjadi guru matematika yaitu linear. Sementara jikalau sarjana pendidikan matematika tersebut menjadi guru bahasa inggris di sekolah, maka korelasi yang terbentuk yaitu tidak linear.

Dasar Pengambilan Keputusan dalam Uji Linearitas

Suatu uji atau analisis yang dilakukan dalam penelitian harus berpedoman pada dasar pengambilan keputusan yang jelas. Dasar pengambilan keputusan dalam uji linearitas sanggup dilakukan dengan dua cara, yaitu:

*Membandingkan Nilai Signifikansi (Sig.) dengan 0,05

1. Jika nilai Deviation from Linearity Sig. > 0,05, maka ada korelasi yang linear secara signifikan antara variabel independent dengan variabel dependent.
2. Jika nilai Deviation from Linearity Sig. < 0,05, maka tidak ada korelasi yang linear secara signifikan antara variabel independent dengan variabel dependent.

*Membandingkan Nilai F hitung dengan F tabel

1. Jika nilai F hitung < F tabel, maka ada korelasi yang linear secara signifikan antara variabel independent dengan variabel dependent.
2. Jika nilai F hitung > F tabel, maka tidak ada korelasi yang linear secara signifikan antara variabel independent dengan variabel dependent.

Contoh Praktek Uji Linearitas dalam Penelitian

Setelah mengetahui konsep dasar ihwal uji linearitas, maka selanjutnya kita akan mempraktekan cara melaksanakan uji linearitas dengan agenda SPSS. Data yang kita gunakan yaitu data variabel Motivasi Belajar (X) dan variabel Prestasi Belajar (Y) dengan banyaknya sampel atau N=12. Dari kedua variabel yang ada kita hendak melaksanakan uji linearitas untuk mengetahui apakah ada korelasi yang linear secara signifikan antara motivasi berguru dengan prestasi belajar. Adapun rincian datanya, dilihat pada gambar tabel di bawah ini.

[Download Data excel, Input-Output SPSS]

Langkah-langkah Uji Linearitas dengan Program SPSS

1. Buka agenda SPSS, klik Variable View. Selanjutnya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals ubah semua menjadi angka 0, pada bab Label tuliskan Motivasi Belajar kemudian Prestasi belajar, abaikan yang lainnnya. Tampak di layar.

2. Setelah itu, klik Data View, kemudian masukkan data Motivasi Belajar dan Prestasi Belajar yang sudah dipersiapkan tadi, sanggup dengan cara copy-paste. Tampak di layar.

3. Berikutnya, dari sajian utama SPSS pilih Analyze, kemudian klik Compare Means, dan pilih Means...

4. Muncul kotak dengan nama "Means". Kemudian, masukkan variabel Motivasi Belajar ke kotak Independent List: dan variabel Prestasi Belajar ke kotak Dependent List:

5. Selanjutnya, klik Options, pada bab "Statistics for First Layer" pilih Test of Linearity kemudian klik Continue

6. Langkah terakhir yaitu klik Ok untuk mengakhiri perintah. Maka akan muncul output SPSS. Dalam hal ini kita cukup memperhatikan pada tabel output "ANOVA Table"

Interpretasi Output Uji Linearitas dengan SPSS

Seperti yang sudah saya jelaskan di awal, bahwa dasar pengambilan keputusan dalam uji linearitas sanggup dilakukan dengan dua cara yakni melihat nilai signifikansi dan nilai F.

1. Berdasarkan Nilai Signifikansi (Sig): dari output di atas, diperoleh nilai Deviation from Linearity Sig. adalah 0,721 lebih besar dari 0,05. Maka sanggup disimpulkan bahwa ada korelasi linear secara signifikan antara variabel Motivasi Belajar (X) dengan variabel Prestasi Belajar (Y).

2. Berdasarkan Nilai F: dari output di atas, diperoleh nilai F hitung yaitu 0,457 < F tabel 4,35. Karena nilai F hitung lebih kecil dari nilai F tabel maka sanggup disimpulkan bahwa ada korelasi linear secara signifikan antara variabel Motivasi Belajar (X) dengan variabel Prestasi Belajar (Y).

Catatan: Nilai F tabel dicari dengan rumus (df) Deviation from Linearity ; Within Gorups. Berdasarkan output SPSS di atas diketahui nilai df yaitu (3 ; 7). Kemudian kita tinggal melihat distribusi nilai F tabel pada signifikansi 5% atau 0,05 dengan berpedoman pada nilai df tersebut. Maka ditemukan nilai F tabel yaitu sebesar 4,35. Lihat gambar di bawah ini.

[Download Distribusi Nilai F Tabel Lengkap]

Demikian artikel tutorial dengan judul cara melaksanakan uji linearitas dengan Program SPSS yang sanggup kami bagikan pada kesempatan kali ini. Semoga bermanfaat dan selamat mencoba. Jika ada yang kurang terang dari panduan di atas silahkan berkomentar. Selanjutnya akan dibahas: Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS

UPDATE INFO: SABTU, 26 JANUARI 2019

[Kata Kunci Pencarian: Cara Melakukan Uji Linearitas dengan Program SPSS, Uji Linearitas Data Statistik dengan SPSS versi 21, langkah-langkah Melakukan Uji Linearitas, Tutorial Melakukan Uji Linearitas dengan Software SPSS] [Img: Dokumen hasil olah data dengan pemberian agenda SPSS versi 21]

Lihat Juga: VIDEO Uji Linearitas dengan SPSS Lengkap

Read More

Cara Melaksanakan Analisis Korelasi Bivariate Pearson Dengan Spss

Cara Melakukan Analisis Korelasi Bivariate Pearson dengan SPSS | Analisis korelasi  merupakan studi pembahasan perihal derajad keeratan hubungan antar variabel yang dinyatakan dengan nilai koefisien korelasi. Hubungan antara variabel tersebut sanggup bersifat bersifat positif dan negatif. Dalam analisis hubungan bersama-sama tidak ada istilah variabel independent (X) dan variabel dependent (Y). Karena intinya hubungan antara variabel independent dengan variabel dependent, akan bermakna sama dengan hubungan variabel dependent dengan variabel independent. Namun demikian dalam prakteknya banyak kita jumpai peneliti memperlihatkan nama untuk hubungan variabel independent dengan variabel dependent. Hal ini bukan sebuah masalah, lantaran penamaan tersebut tujuan bersama-sama hanya sebagai alat bantu saja supaya pembaca lebih gampang memahami arah hubungan yang ingin disampaikan oleh peneliti dalam penelitiannya.

Derajad hubungan biasanya dinyatakan dengan karakter "r" atau disebut juga dengan koefisien hubungan sampel yang merupakan penduga bagi koefisien populasi. Sedangkan r2 atau r square disebut dengan koefisien determinasi (koefisien penentu). Kekuatan hubungan linear antara variabel yang dihubungkan sanggup disajikan dengan rxy yang didefinisikan dengan rumus:

Formula tersebut disebut merupakan formula koefisien hubungan momen produk (product moment karl pearson). Dalam penelitian analisis hubungan bivariate pearson digunakan untuk menguji hubungan antara dua varaibel yang menggunakan data terjadwal rasio atau interval. Sementara untuk data ordinal pakai Uji Korelasi Rank Spearman

Peryaratan dalam Analisis Korelasi Bivariate Pearson

Ada beberapa persyaratan atau perkiraan dasar yang harus terpenuhi dikala kita hendak menggunakan analisis hubungan bivariate pearson untuk menguji hipotesis penelitian kita.

1. Data penelitian untuk masing-masing variabel setidak-tidaknya berskala rasio atau interval (yaitu data yang berbentuk angka sesungguhnya atau data metrik (data kuantitatif). Namun demikian analisis ini sanggup juga digunakan untuk data kuesioner dengan skala likert.
2. Data untuk masing-masing variabel yang dihubungkan berdistribusi normal.
3. Terdapat hubungan yang linear antar variabel penelitian. Baca: Cara Melakukan Uji Linearitas dengan Program SPSS

Arti Angka Korelasi (Pearson Correlations)

Koefisien hubungan atau Pearson Correlations mempunyai nilai paling kecil -1 dan paling besar 1.

1. Berkenaan dengan besaran angka ini, bila 0 maka artinya tidak ada hubungan sama sekali sementara bila hubungan 1 berarti ada hubungan sempurna. Hal ini memperlihatkan bahwa semakin nilai pearson correlations mendekati 1 atau -1 maka hubungan antara dua variabel yaitu semakin kuat. Sebaliknya, bila nilai r atau pearson correlations mendekati 0 berarti hubungan dua variabel menjadi semakin lemah. Sebenarnya tidak ada ketentuan yang benar-benar tepat mengenai apakah angka hubungan tertentu memperlihatkan tingkat hubungan yang tinggi atau lemah. Namun, hal berikut ini sanggup kita dijadikan anutan sederhana bahwa bila angka hubungan di atas 0,5 maka memperlihatkan hubungan yang cukup kuat sedangkan bila di bawah 0,5 maka memperlihatkan hubungan yang lemah.
2. Selain besarnya korelasi, tanda hubungan juga kuat pada penafsiran hasil dalam analisis ini. Dimana, tanda negatif (-) pada tabel output SPSS memperlihatkan adanya arah yang berlawanan, sedangkan tanda positif (+) memperlihatkan arah yang sama atau hubungan searah.

Mungkin anda masih sedikit galau dengan klarifikasi yang saya sampaikan di atas, lantaran bahasanya yang agak terlalu formal (tapi tidak apa-apa, nanti akan saya perjelas kembali dalam praktek analisis hubungan bivariate pearson dengan kegiatan SPSS menggunakan bahasa yang lebih sederhana). Baik kalau begitu disini saya akan memberikan dasar pengambilan keputusan dalam analisis korelasi. Simak dasar pengambilan keputusan di bawah ini dengan seksama biar nanti anda tidak salah faham.

Dasar Keputusan dalam Analisis Korelasi Bivariate Pearson

Ada tiga cara yang sanggup kita gunakan sebagai anutan atau dasar pengambilan keputusan dalam analisis hubungan bivariate pearson ini yaitu pertama dengan melihat nilai signifikansi Sig. (2-tailed). Kedua membandingkan nilai r hitung (Pearson Correlations) dengan nilai r tabel product moment. Ketiga yaitu dengan melihat tanda bintang (*) yang terdapat pada output kegiatan SPSS.

1. Berdasarkan Nilai Signifikansi Sig. (2-tailed): Jika nilai Sig. (2-tailed) < 0,05 maka terdapat hubungan antar variabel yang dihubungkan. Sebaliknya bila nilai Sig. (2-tailed) > 0,05 maka tidak terdapat korelasi.
2. Berdasarkan Nilai r hitung (Pearson Correlations): Jika nilai r hitung > r tabel maka ada hubungan antar variabel. Sebaliknya bila nilai r hitung < r tabel maka artinya tidak ada hubungan antar variabel.
3. Berdasarkan Tanda Bintang (*) yang diberikan SPSS: Jika terdapat tanda bintang (*) atau (**) pada nilai pearson correlation maka antara variabel yang di analisis terjadi korelasi. Sebaliknya bila tidak terdapat tanda bintang pada nilai pearson correlation maka antara variabel yang di analisis tidak terjadi korelasi.

Catatan: Tanda bintang satu (*) menujukkan hubungan pada signifikansi 1% atau 0,01. Sedangkan tanda bintang dua (**) memperlihatkan hubungan pada signifikansi 5% atau 0,05.

Untuk lebih jelas, kita pribadi praktekkan saja cara melakukan analisis hubungan bivariate pearson dengan kegiatan SPSS. Misalkan saya ingin menguji apakah ada hubungan yang signifikan antara Motivasi dan Minat dengan Prestasi berguru siswa. Adapun detail data penelitiannya sanggup anda lihat di bawah ini.

[Download Data excel, Input-Output SPSS]

Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS

1. Buka kegiatan SPSS, klik Variable View. Selanjutnya, pada bab Name tulis saja X1, X2 dan Y, pada Decimals ubah semua menjadi angka 0, pada bab Label tuliskan Motivasi, Minat dan Prestasi. Pada bab Measure ganti menjadi Scale

2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y) yang sudah dipersiapkan tadi ke kegiatan SPSS.

3. Selanjutnya, dari sajian utama SPSS, pilih sajian Analyze, kemudian klik Correlate, dan klik Bivariate...

4. Muncul kotak obrolan dengan nama "Bivariate Correlations". Masukkan variabel Motivasi (X1), Minat (X2) dan Prestasi (Y) pada kotak Variables:. Selanjutnya, pada kolom "Correlation Coefficient" pilih Pearson, kemudian untuk kolom "Test of Significant" pilih Two-tailed, dan centang pada Flag Significant Correlations, terakhir klik Ok untuk mengakhiri perintah.

Setelah selasai, maka akan muncul tampilan output SPSS "Correlations" tinggal kita interpretasikan saja.

Interpretasi Analisis Korelasi Bivariate Pearson

Berdasarkan tabel output di atas, kita akan melaksanakan pernarikan kesimpulan dengan merujuk pada ke-3 dasar pengambilan keputusan dalam analisis hubungan bivariate pearson di atas.

1. Berdasarkan Nilai Signifikansi Sig. (2-tailed): Dari tabel output di atas diketahui nilai Sig. (2-tailed) antara Motivasi (X1) dengan Prestasi (Y) yaitu sebesar 0,002 < 0,05, yang berarti terdapat hubungan yang signifikan antara variabel Motivasi dengan variabel Prestasi. Selanjutnya, hubungan antara Minat (X2) dengan Prestasi (Y) mempunyai nilai Sig. (2-tailed) sebesar 0,000 < 0,05, yang berarti terdapat hubungan yang signifikan antara variabel Minat dengan variabel Prestasi.

2. Berdasarkan Nilai r hitung (Pearson Correlations): Diketahui nilai r hitung untuk hubungan Motivasi (X1) dengan Prestasi (Y) yaitu sebesar yaitu sebesar 0,796 > r tabel 0,576, maka sanggup disimpulkan bahwa ada hubungan atau hubungan antara variabel Motivasi dengan variabel Prestasi. Selanjutnya, diketahui nilai r hitung untuk hubungan Minat (X2) dengan Prestasi (Y) adalah sebesar yaitu sebesar 0,908 > r tabel 0,576, maka sanggup disimpulkan bahwa ada hubungan atau hubungan antara variabel Minat dengan variabel Prestasi. Karena r hitung atau Pearson Correlations dalam analisis ini bernilai positif maka itu artinya hubungan antara kedua variabel tersebut bersifat positif atau dengan kata lain semakin meningkatnya Motivasi dan Minat maka akan meningkat pula Prestasi berguru siswa.

Catatan: Rumus menghitung nilai r tabel product moment yaitu dengan melihat nilai N pada distribusi nilai r tabel product moment statistik. Karena N atau jumlah sampel yang digunakan dalam analisis ini ada 12 orang siswa dengan signifikansi 5% maka ketemu nilai r tabel yaitu sebesar 0,576. lihat gambar di bawah ini.

[Download Distribusi Nilai r tabel Sig. 1% dan 5%]

3. Berdasarkan Tanda Bintang (*) SPSS: Dari output di atas diketahui bahwa nilai Pearson Correlation antara masing-masing variabel yang dihubungkan mempunyai dua tanda bintang (**), ini berarti terdapat hubungan antara variabel yang dihubungkan dengan taraf signifikansi 1%.

Demikian pembahasan mengenai cara melaksanakan analisis hubungan bivariate pearson dengan SPSS. Jika artikel ini bermanfaat silahkan anda dibagikan ke media umum anda supaya ilmu ini sanggup mempunyai kegunaan bagi banyak orang yang belum mengetahuinya. Terimakasih.

Artikel Selanjutnya: Cara Melakukan Analisis Regresi Multiples dengan SPSS

[Kata Kunci Pencarian: Cara Melakukan Analisis Korelasi Bivariate Pearson dengan SPSS, Cara Melakukan Analisis Korelasi dengan SPSS, Uji Korelasi Rumus Pearson Correlation dengan Program SPSS versi 21 Lengkap dengan Gambar dan Interpretasi][Img: Dokumen Program SPSS versi 21]

UPDATE INFO: 14 Januari 2019

Lihat Juga: VIDEO Analisis Korelasi Pearson dengan SPSS Lengkap

Read More

Cara Uji Relasi Parsial Dengan Spss Serta Interpretasi Lengkap

Cara Uji Korelasi Parsial dengan SPSS Serta Interpretasi Lengkap | Secara umum uji hubungan bertujuan untuk mengetahui keeratan hubungan antar variabel yang diteliti (yakni hubungan antara variabel X dengan variabel Y). Korelasi atau hubungan yang terbentuk antar variabel ini sanggup bersifat hubungan postif ataupun hubungan negatif. Hal ini sanggup dilihat menurut nilai koefisein hubungan dari hasil analisis apakah bernilai plus (+) atau minus (-). Jika plus (+) maka hubungan yang terbentuk antar variabel bersifat positif. Sementara kalau koefisein hubungan bernilai minus (-) maka artinya hubungan yang terbentuk antar variabel tersebut ialah hubungan negatif. Hubungan positif bermakna bahwa kalau variabel X mengalami peningkatan maka variabel Y juga akan mengalami peningkatan. Sementara hubungan negatif bermakna bahwa kalau variabel X mengalami penurunan maka variabel Y akan mengalami peningkatan.

Uji hubungan sanggup dilakukan dengan beberapa teknik atau metode analisis statistik tergantung dari skala data dari masing-masing variabel yang digunakan dalam penelitian. Misalnya: uji hubungan koefisien cramer lambda digunakan untuk data berskala nominal. Sementara uji hubungan kendall dan rank spearman cocok digunakan untuk data berskala ordinal. Sedangkan untuk data berskala rasio atau interval memakai uji hubungan pearson

Uji hubungan parsial disebut juga dengan analisis hubungan pearson dengan variabel kontrol atau variabel pengendali yang diasumsikan nilainya tetap atau konstan. Penggunaan variabel kontrol dalam analisis korelasi bertujuan untuk mengetahui apakah hubungan yang sudah terbentuk antara variabel X dengan variabel Y dipengaruhi oleh variabel kontrol tersebut atau tidak.

Derajad Keearatan Hubungan dalam Uji Korelasi

Dalam bukunya [V. Wiratna Sujarweni. 2014. SPSS untuk Penelitian. Yogyakarta: Pustaka Baru Press. Hal-127] menjelaskan bahwa keeratan hubungan atau koefisien hubungan antar variabel sanggup dikelompokkan sebagai berikut:

1. Nilai koefisien hubungan 0,00 hingga 0,20 berarti hubungan sangat lemah.
2. Nilai koefisien hubungan 0,21 hingga 0,40 berarti hubungan lemah.
3. Nilai koefisien hubungan 0,41 hingga 0,70 berarti hubungan kuat.
4. Nilai koefisien hubungan 0,71 hingga 0,90 berarti hubungan sangat kuat.
5. Nilai koefisien hubungan 0,91 hingga 0,99 berarti hubungan berpengaruh sekali.
6. Nilai koefisien hubungan 1,00 berarti hubungan sempurna.

Persyaratan Uji Korelasi Parsial untuk Analisis Data

Asumsi dasar atau persyaratan yang harus terpenuhi saat kita memakai uji hubungan parsial untuk menganalisis data penelitian ialah sebagai berikut:

1. Masing-masing variabel penelitian memakai data berskala rasio atau interval.
2. Karena uji hubungan parsial merupakan bab dari statistik parametrik maka data penelitian harus berdistribusi normal.

Contoh Soal Uji Korelasi Parsial dalam Penelitian

Seorang dosen ingin mengetahui apakah ada hubungan antara IQ (Intelligence Quotient) dengan nilai IPK (Indeks Prestasi Kumulatif) mahasiswa dengan Motivasi Berprestasi sebagai variabel Kontrol. Guna keperluan penelitian ini maka dosen tersebut mengumpulkan data-data yang diharapkan memakai kuesioner untuk 12 orang sampel atau responden penelitian. Adapun tabulasi data penelitian yang dimaksud sanggup anda lihat pada tabel berikut ini.

[Download Data excel, Input-Output SPSS]

Langkah-Langkah Cara Uji Korelasi Parsial dengan SPSS

Tahapan-tahapan analisis data dalam uji hubungan parsial ini dimulai dari memasukkan atau menginput data penelitian ke kegiatan SPSS, selanjutnya melaksanakan uji normalitas data terlebih dahulu, gres kemudian melaksanakan analisis data dengan uji hubungan parsial.

1. Langkah pertama buka lembar kerja gres SPSS, kemudian klik Variable View, selanjutnya anda cukup mengisi pada kolom Name, Decimals, Label, dan Measure, sementara untuk pilihan yang lain biarkan tetap default. Tampak di layar SPSS sebagaimana gambar bawah ini.

2. Jika sudah, langkah berikutnya klik Data View, kemudian masukkan data IQ, IPK dan Motivasi ke-12 orang responden tersebut sesuai dengan judul kolom yang ada di layar SPSS.

*Melakukan Uji Normalitas Data Penelitian dengan SPSS

Karena persyaratan atau perkiraan dasar yang harus terpenuhi dalam penggunaan uji hubungan parsial ini ialah data berdistribusi normal, maka terlebih dahulu kita akan melaksanakan uji normalitas untuk variabel IQ, IPK dan Motivasi. Adapun caranya sebagai berikut ini.

1. Dari hidangan utama SPSS klik hidangan Analyze >> Descriptive Statistics >> Explore…

2. Maka muncul kotak obrolan “Explore” selanjutnya masukkan semua variabel penelitian ke kotak Dependent List: kemudian pada bab “Display” pilih Both, setelah itu klik Plots…

3. Maka muncul kotak obrolan “Explore Plots” kemudian beri tanda ceklist (v) pada Normality plots with tests, selanjutnya klik Continue, kemudian klik Ok

4. Maka akan mucul output SPSS, kita cukup perhatikan pada tabel output “Tests of Normality” tampak dilayar menyerupai gambar di bawah ini.

*Pembahasan Uji Normalitas untuk Uji Korelasi Parsial dengan SPSS

Untuk mengetahui apakah variabel IQ, IPK dan Motivasi yang digunakan dalam penelitian berdistribusi normal atau tidak, maka terlebih dahulu kita harus mengetahui teori wacana dasar pengambilan keputusan untuk uji normalitas. Adapun dasar pengambilan keputusan dalam uji normalitas ialah sebagai berikut.

1. Jika nilai Signifikansi (Sig.) < 0,05, maka variabel tidak berdistribusi normal.
2. Jika nilai Signifikansi (Sig.) > 0,05, maka variabel berdistribusi normal.

Berdasarkan tabel output SPSS “Tests of Normality” di atas, diketahui bahwa nilai Sig. dalam uji normalitas Shapiro-Wilk ialah sebagai berikut.

1. Nilai IQ Sig. ialah sebesar 0,932
2. Nilai IPK Sig. ialah sebesar 0,152
3. Nilai Motivasi Sig. ialah sebesar 0,066

Karena nilai signifikansi (Sig.) untuk semua variabel penelitian di atas > 0,05 maka sanggup disimpulkan variabel IQ, IPK dan Motivasi ialah berdistribusi normal. Dengan demikian, perkiraan dasar atau persyaratan dalam uji hubungan parsial sudah terpenuhi.

Catatan: metode Shapiro-Wilk digunakan untuk sampel < 50. Sementara metode Kolmogorov-Smirnov digunakan untuk sampel > 50.

*Melakukan Uji Korelasi Parsial dengan SPSS

1. Selanjutnya kita akan melaksanakan Uji Korelasi Parsial dengan SPSS, caranya klik hidangan Analyze >> Correlate >> Partial… Tampak dilayar.

2. Muncul kotak obrolan “Partial Correlations” Selanjutnya, masukkan variabel IQ dan IPK ke kotak Variables: kemudian masukkan variabel Motivasi ke kotak Controlling for, pada bab “Test of Significance” pilih Two-tailed dan beri tanda ceklist (v) untuk Display actual significance level, kemudian klik Options…

3. Muncul kotak diloag “Partial Correlations: Options”, kemudian pada bab “Statistics” berikan tanda ceklist (v) untuk Means and standard deviations dan Zero-order correlations. Selanjutnya pada bab “Missing Values” aktifkan pilihan Exclude cases pairwise, kemudian klik Continue

4. Kemudian klik Ok untuk mengakhiri perintah. Maka muncul Output SPSS dengan judul “Partial Corr” selanjutnya tinggal interpretasikan saja tabel output tersebut.

Interpretasi Output Uji Korelasi Parsial dengan SPSS

Tabel Output “Descriptive Statistics”

Tabel output SPSS di atas, menawarkan info kepada kita wacana ringkasan nilai statistik deskriptif atau citra data untuk ketiga variabel (IQ, IPK dan Motivasi) meliputi Mean atau nilai rata-rata, Std. Deviation (Standar Deviasi), dan N atau jumlah sampel yang digunakan dalam penelitian ini.

Tabel Output “Correlations”

Tabel output SPSS ini menawarkan info mengenai hubungan yang terbentuk antar variabel sebelum dan sehabis dimasukkannya variabel kontrol dalam analisis korelasi. Untuk memaknai tabel output Correlations di atas, maka ada 3 tahapan yang harus kita lalui, yaitu: (1) Menentukan rumusan hipotesis penelitian. (2) Melihat teori wacana dasar pengambilan keputusan dalam uji hubungan parsial. (3) Manafsirkan hasil analisis dan menciptakan kesimpulan.

*Rumusan Hipotesis Penelitian dalam Uji Korelasi Parsial

1. H0: Hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol tidak signifikan.
2. Ha: Hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol signifikan.

*Dasar Pengambilan Keputusan dalam Uji Korelasi Parsial Sig. (2-tailed)

1. Jika nilai Significance (2-tailed) > 0,05, maka H0 diterima dan Ha ditolak.
2. Jika nilai Significance (2-tailed) < 0,05, maka H0 ditolak dan Ha diterima.

*Pembahasan Output Uji Korelasi Parsial dengan SPSS

Tabel output pertama “-none-a” memperlihatkan nilai hubungan atau hubungan antara variabel IQ dengan IPK sebelum dimasukkannya variabel kontrol (Motivasi) dalam analisis. Dari output di atas diketahui nilai koefisien hubungan (Correlations) sebesar 0,832 (positif) dan nilai Significance (2-tailed) ialah 0,001 < 0,05, maka sanggup disimpulkan bahwa ada hubungan yang positif dan signifikan antara IQ dengan IPK mahasiswa tanpa adanya variabel kontrol (Motivasi). Sementara nilai Correlations sebesar 0,832 ini masuk dalam kategori hubungan sangat kuat.

Tabel output kedua “Motivasi” menujukkan nilai hubungan atau hubungan antara variabel IQ dengan IPK setelah memasukkan Motivasi sebagai variabel kontrol dalam analisis. Dari tabel output di atas terlihat bahwa terjadi penurunan nilai koefisien hubungan (Correlations) menjadi 0,626 (bernilai positif dan kategori hubungan kuat) dengan nilai Significance (2-tailed) sebesar 0,039 < 0,05, maka H0 ditolak dan Ha diterima yang berarti bahwa hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol ialah signifikan (nyata).

*Kesimpulan Penelitian

Berdasarkan pembahasan dalam uji hubungan parsial di atas diketahui bahwa kehadiran variabel motivasi berprestasi sebagai variabel kontrol akan menawarkan dampak terhadap hubungan antara variabel IQ dengan variabel IPK. Dengan demikian maka sanggup disimpulkan bahwa variabel IQ (Intelligence Quotient) bukanlah satu-satunya variabel yang memilih nilai IPK mahasiswa, alasannya ialah ada variabel lain juga yang bekerjasama dengan nilai IPK yaitu variabel Motivasi berprestasi.

Catatan: selain mengacu pada nilai Significance (2-tailed) dari output SPSS, pengambilan keputusan dalam uji hubungan parsial ini sanggup pula menurut pada perbandingan nilai nilai koefisien hubungan (Correlations) atau r hitung dengan nilai r table pearson product moment. Pembahasan lebih detail wacana hal ini saya rangkum dalam bentuk video panduan SPSS, silahkan anda saksikan videonya melalui link di bawah ini.

VIDEO: Tutorial Uji Korelasi Parsial dengan SPSS + Interpretasi

Sekian pembahasan kita mengenai cara melaksanakan analisis data penelitian dengan uji hubungan parsial memakai kegiatan SPSS beserta interpretasinya. Bagi anda merasa terbantu dengan panduan ini, silahkan dibagikan ke media umum supaya panduan ini sanggup bermanfaat bagi banyak orang. Terimakasih, semoga sukses untuk penelitian anda. Salam dari saya Sahid Raharjo

[Kata Kunci Pencarian: Cara Uji Korelasi Parsial dengan SPSS Serta Interpretasi Lengkap, Langkah-langkah Analisis Korelasi Parsial (Partial Correlations) memakai Program SPSS, Tutorial Uji Korelasi Parsial dengan SPSS dilengkapi Penjelasan]

Read More

Cara Membaca Distribusi Nilai R Tabel Product Moment Lengkap

Cara Membaca Distribusi Nilai r Tabel Product Moment Lengkap | Assalamu'alaikum warahmatullahhi wabarakatuh. Baik, pada kesempatan kali ini kami admin akan membagikan isu mengenai cara membaca ataupun melihat distribusi nilai r tabel product moment dalam analisis data statistik untuk penelitian kuantitatif. Namun sebelum kita masuk pada pembahasan utama dalam artikel ini, saya sarankan bagi anda yang belum mempunyai distribusi nilai r tabel product moment semoga mendownloadnya terlebih dahulu melalui link berikut ini: Download Distribusi Nilai Tabel Statistik Lengkap

Seperti yang kita ketahui, bahwa nilai r tabel product moment dalam analisis hubungan atau analisis hubungan digunakan sebagai pembanding untuk nilai r hitung atau nilai koefisien korelasi. Dengan membandingkan nilai r hitung dengan r tabel, maka kita sanggup menciptakan sebuah keputusan atau kesimpulan dari hasil analisis yang telah dilakukan.

Dasar Pengambilan Keputusan dalam Analisis Korelasi

Pedomanan atau dasar pengambilan keputusan dalam analisis hubungan sanggup dilakukan melalui beberapa cara, diantaranya:

*Membandingkan Nilai r hitung dengan Nilai r tabel

1. Jika nilai r hitung > r tabel, maka artinya ada hubungan antar variabel yang dihubungkan.
2. Jika nilai r hitung < r tabel, maka artinya tidak ada hubungan antar variabel yang dihubungkan.

*Membandingkan Nilai Signifikansi (Sig.) dengan Nilai Alpha 0,05

1. Jika nilai Signifikansi (Sig.) < 0,05, maka artinya ada hubungan antar variabel yang dihubungkan.
2. Jika nilai Signifikansi (Sig.) > 0,05, maka artinya tidak ada hubungan antar variabel yang dihubungkan.

Catatan Penting: Kedua teori dasar pengambilan keputusan dalam analisis hubungan di atas akan menghasilkan kesimpulan yang sama atau dengan kata lain kesimpulan yang dihasilkan tidak akan berbeda atau berselisih satu sama lain).

Kemudian, untuk membaca nilai r tabel product moment, maka contoh utama yang kita gunakan yaitu dengan melihat banyaknya jumlah sampel atau N ataupun anda sanggup juga mengacu pada nilai df (derajad kebebasan) dari hasil output SPSS. Agar kita lebih gampang memahami kapan nilai N atau df digunakan, maka anda sanggup menyimak pembahasan dalam contoh-contoh perkara di bawah ini.

Cara Membaca Nilai r Tabel dalam Uji Validitas Pearson

Uji validitas bertujuan untuk mengetahui apakah butir atau item soal dalam suatu kuesioner sanggup digunakan sebagai alat mengumpul data yang akurat. Item soal yang valid ditandai dengan adanya hubungan antara item soal dengan skor totalnya. Adapun contoh hasil uji validitas dengan SPSS sanggup anda lihat pada tabel output di bawah ini.

Misalnya kita ingin mengetahui apakah item soal nomor 1 valid atau tidak. Maka mengacu pada output uji validitas di atas, diketahui jumlah sampel atau N yaitu 20 dengan nilai koefisien hubungan (Pearson Correlation) antara Item_1 dengan Skor_total yaitu sebesar 0,461 atau r hitung sebesar 0,461 dan nilai Sig. (2-taild) sebesar 0,041.

Langkah berikutnya yaitu melihat dan membaca nilai r tabel untuk N 20 dengan signifikansi 5% (tingkat dogma 95% atau alpha 0,05) pada distribusi nilai r tabel product moment. Maka ditemukan nilai r tabel yaitu sebesar 0,444. Lihat gambar di bawah ini.

Oleh lantaran nilai r hitung 0,461 > r tabel 0,444, dan nilai Sig. (2-tailed) 0,041 < 0,05, maka menurut dasar pengambilan keputusan dalam analisis hubungan di atas sanggup disimpulkan bahwa ada hubungan atau hubungan antara Item_1 dengan Skor_total. Dengan demikian sanggup diartikan bahwa item soal nomor 1 pada kuesioner tersebut yaitu valid.

Catatan: ada pendapat yang menyatakan bahwa rumus membaca r tabel yaitu mengacu pada nilai N-2. Hal ini tidaklah sepenuhnya salah, namun dalam konteks uji validitas pearson, maka nilai N ini tidak perlu kita kurangi 2. Sebab, kalau kita memakai rumus N-2, maka dalam perkara tertentu sanggup terjadi kesimpulan yang berbeda antara perbandingan nilai r hitung dengan r tabel dan perbandingan nilai Signifikansi atau Sig. (2-tailed) dengan alpha 0,05.

Pembuktian: Mari kita lihat apakah ada perbedaan kesimpulan validitas kalau kita membaca nilai r tabel dengan memakai rumus N-2. Sehingga contoh dalam membaca nilai r tabel pada signifikansi 5% yaitu 20-2=18. Maka ketemu nilai r tabel sebesar 0,468. Lihat gambar di bawah ini.

Berdasarkan output uji validitas diketahui r hitung 0,461 < r tabel 0,468, maka sanggup disimpulkan item soal nomor 1 yaitu tidak valid. Sementara kalau kita berpedoman pada pengambilan keputusan menurut nilai signifikansi maka kesimpulannya item soal nomor 1 yaitu valid, lantaran nilai Sig. (2-tailed) 0,041 < 0,05. Dengan demikian kesimpulan yang dihasilkan dalam uji validitas yaitu tidak konsisten. Oleh kerena itu, dalam konteks uji validitas pearson, contoh yang digunakan membaca r tabel yaitu nilai N tidak perlu dikurangi 2.

Cara Membaca Nilai r Tabel dalam Uji Korelasi Parsial

Adapun contoh hasil output uji hubungan parsial dengan SPSS, sanggup anda lihat pada gambar berikut.

Berdasarkan tabel output Descriptives Statistics di atas, diketahui nilai N yaitu 12 sampel.

Tabel output “-none-a” menunjukkan nilai hubungan antara variabel IQ dengan IPK. Dari output di atas diketahui nilai r hitung (Correlations) sebesar 0,832 > r tabel 0,632 dan nilai Significance (2-tailed) yaitu 0,001 < 0,05, maka sanggup disimpulkan bahwa ada hubungan antara IQ dengan IPK.

Keterangan: Nilai r tabel dilihat pada distribusi nilai r tabel product moment dengan signifikansi 5% pada df 10 atau rumusnya yaitu (N-2=12-2=10). Maka ditemukan nilai r tabel yaitu sebesar 0,632. Lihat gambar berikut.

Selanjutnya, tabel output “Motivasi” menujukkan nilai hubungan antara variabel IQ dengan IPK sehabis memasukkan Motivasi sebagai variabel kontrol ke dalam analisis.

Dari tabel output di atas diketahui nilai r hitung (Correlations) sebesar 0,832 > r tabel 0,666, maka sanggup disimpulkan bahwa ada hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol.

Keterangan: Nilai r tabel dilihat pada distribusi nilai r tabel dengan signifikansi 5% pada df 9 atau (N-k-1= 12-2-1=9). Keterangan: “k” yaitu jumlah variabel di hubungkan. Maka ditemukan nilai r tabel yaitu sebesar 0,666 [lihat pada distribusi nilai r tabel product moment].

Cara Membaca Nilai r Tabel Ketika r hitung Bernilai Negatif

Adapun contoh hasil output uji hubungan bivariate pearson dengan SPSS, sanggup dilihat pada gambar berikut.

Berdasarkan tabel output di atas, diketahui jumlah sampel atau N yaitu 12 dengan nilai koefisien hubungan (Pearson Correlation) antara variabel Stres Kerja dengan variabel kinerja pegawai yaitu sebesar -0,813 atau r hitung sebesar -0,813 dan nilai Sig. (2-taild) sebesar 0,001.

Langkah selanjutnya yaitu melihat dan membaca nilai r tabel untuk N=12 dengan signifikansi 5% pada distribusi nilai r tabel product moment. Maka ketemu nilai r tabel yaitu sebesar 0,576. Lihat pada gambar di bawah ini.

Dalam perkara r hitung bernilai negatif (-) maka nilai r tabel ini sanggup menjelma negatif yakni menjadi -0,576. Untuk membandingkan nilai r hitung dengan r tabel yang bernilai negatif, maka caranya yaitu dengan memakai kurva korelasi. Adapun gambar kurva perbandingan antara nilai r hitung dengan nilai r tabel sanggup dilihat di bawah ini.

Berdasarkan kurva di atas terlihat bahwa nilai r hitung sebesar -0,813 berada pada area hubungan negatif atau r hitung -0,813 > r tabel -0,576 dan nilai Sig. (2-tailed) 0,001 < 0,05. Maka sanggup disimpulkan bahwa ada hubungan negatif antara variabel Stres Kerja dengan variabel Kinerja Pegawai. Hubungan negatif ini bermakna bahwa kalau Stres Kerja meningkat maka Kinerja Pegawai mengalami penurunan.

Catatan: perhitungan memakai kurva dalam perkara r hitung bernilai negatif ini, tidak berlaku untuk uji validitas pearson. Sebab dalam uji validitas pearson kalau r hitung bernilai negatif maka item soal dinyatakan atau dianggap tidak valid.

Sekian pembahasan kita mengenai cara membaca dan melihat distribusi nilai r tabel product moment dalam analisis statistik untuk penelitian. Semoga bermanfaat dan kalau anda suka dengan panduan ini silahkan anda bagikan ke media sosial, sehingga ilmu ini sanggup mempunyai kegunaan bagi banyak orang yang membutuhkannya. Terimakasih.

[Kata Kunci Pencarian: Cara Membaca Distribusi Nilai r Tabel Product Moment Lengkap, Cara Melihat Distribusi Nilai r Tabel Product Moment pada Signifikansi 5% dan 1%, Cara mencari Nilai r Tabel Product Moment Statistik]

VIDEO: Rumus Mencari dan Membaca Nilai r Tabel Product Moment Lengkap

Read More

Cara Uji Kekerabatan Kendall's Tau-B (Data Ordinal) Dengan Spss Lengkap

Cara Uji Korelasi Kendall's tau-b (Data Ordinal) dengan SPSS Lengkap | Dalam analisis data penelitian uji hubungan kendall's tau-b digunakan untuk mengetahui hubungan antara dua variabel berskala ordinal atau sanggup juga salah satu data berskala ordinal sementara data yang lainnya terpola nominal maupun rasio.

Seperti halnya uji hubungan rank spearman, uji hubungan kendall's tau-b merupakan bab dari statistik non parametrik. Oleh alasannya ialah itu, tidak ada perkiraan atau persyaratan khusus yang mewajibkan bahwa data penelitian harus berdistribusi normal dan hubungan yang terbentuk antar variabel harus linear. Artinya data penelitian yang digunakan dalam uji hubungan kendall's tau-b boleh tidak normal dan tidak linear. Hal ini berbeda dengan uji hubungan pearson (statistik parametrik) yang mensyaratkan bahwa data penelitian harus berdistribusi normal dan linear.

“Walaupun pada prinsipnya sama, namun ada perbedaan yang fundamental antara uji hubungan kendall's tau-b dan uji hubungan rank spearman. Dimana uji hubungan kendall's tau-b merupakan suatu penduga tidak bias untuk parameter populasi, sementara uji hubungan rank spearman tidak menawarkan dugaan untuk koefisien peringkat suatu populasi” (Singgih Santoso, 2014: 323).

Contoh Kasus Uji Korelasi Kendall's tau-b pada Penelitian

Seorang peneliti ingin mengetahui apakah ada hubungan atau hubungan antara Lokasi (tempat) dengan Kepuasan Nasabah pada Koperasi Simpan Pinjam (KSP) Citra Dana. Untuk itu peneliti membagikan kuesioner atau pertanyaan kapada 10 orang nasabah yang dipilih secara acak. Adapun tabulasi data balasan 10 orang responden tersebut sanggup dilihat pada tabel di bawah ini.

[Download Data excel, Input-Output SPSS]

Keterangan: Kriteria penskoran balasan responden untuk pertanyaan kuesioner pada variabel lokasi dan kepuasan nasabah ialah sebagai berikut:

1. Sangat Tidak Puas diberi skor 1
2. Tidak Puas diberi skor 2
3. Cukup Puas diberi skor 3
4. Puas diberi skor 4
5. Sangat Puas diberi skor 5

Langkah-langkah Uji Korelasi Kendall's tau-b dengan SPSS

1. Langkah pertama yang harus kita lakukan ialah buka aktivitas SPSS, kemudian klik Variable View. Selanjutnya, untuk mendefinisikan atau mengisi identitas variabel penelitian dengan ketentuan menyerupai gambar di bawah ini.

2. Setelah itu, klik Data View kemudian ketikkan skor balasan ke-10 orang nasabah tersebut ke kolom yang tersedia untuk variabel Lokasi dan Kepuasan. Tampak di layar.

3. Selanjutnya, klik hidangan Analyze >> Correlate >> Bivariate…

4. Maka muncul kotak diloag “Bivariate Correlations” kemudian pindahkan variabel Lokasi dan Kepuasan ke kotak Variables: kemudian pada bab “Correlations Coeffients” hilangkan tanda ceklist (v) pada Pearson, selanjutnya berikan tanda ceklist (v) pada Kendall's tau-b. Pada bab “Test of Significance” pilih Two-tailed, dan beri tanda ceklist (v) pada Flag significant correlations. Tampak dilayar.

5. Jika sudah, kemudian klik Ok untuk mengakhiri perintah. Maka muncul output SPSS dengan judul “Nonparametric Correlations” yang selanjutnya akan kita tafsirkan maknanya.

Interpretasi Output Uji Korelasi Kendall's tau-b dengan SPSS

Untuk melaksanakan interpretasi terhadap hasil output SPSS di atas, ada beberapa cara yang perlu kita lakukan, antara lain: (1) Melihat hubungan antar variabel menurut nilai signifikansi. (2) Melihat tingkat keeratan hubungan antar variabel. Dan (3) Melihat arah hubungan antar variabel. Adapun interpretasi ketiga cara di atas, sanggup kita simak dalam pembahasan di bawah ini.

1. Melihat Hubungan antar Variabel Berdasarkan Nilai Signifikansi (Sig.)

Berdasarkan output uji hubungan kendall's tau-b di atas, diketahui nilai signifikansi atau Sig. (2-tailed) antara variabel Lokasi dengan Kepuasan Nasabah ialah sebesar 0,013 < 0,05, maka sanggup disimpulkan bahwa ada hubungan yang signifikan (nyata) antara variabel Lokasi dengan Kepuasan Nasabah.

Catatan: bila nilai Sig. (2-tailed) > 0,05 maka artinya hubungan antar variabel tidak signifikan atau dengan kata lain tidak ada hubungan antar variabel.

2. Keeratan Hubungan antar Variabel dalam Korelasi Kendall's Tau-b

Untuk memaknai tingkat keeratan atau kekuatan hubungan antar variabel ini, maka terlebih dahulu kita harus mengetahui kriteria tingkat keeratan hubungan dalam analisis korelasi. Menurut Jonathan Sarwono, (2015: 93) kriteria tingkat keeratan hubungan (koefisien korelasi) antar variabel dalam analisis hubungan sanggup dikategorikan sebagai berikut:

1. Nilai koefisien hubungan sebesar 0,00 s/d 0,25 artinya hubungan sangat lemah.
2. Nilai koefisien hubungan sebesar 0,26 s/d 0,50 artinya hubungan cukup.
3. Nilai koefisien hubungan sebesar 0,51 s/d 0,75 artinya hubungan kuat.
4. Nilai koefisien hubungan sebesar 0,76 s/d 0,99 artinya hubungan sangat kuat.
5. Nilai koefisien hubungan sebesar 1,00 artinya hubungan sempurna.

Berdasarkan tabel output uji hubungan kendall's tau-b di atas, diketahui nilai koefisien hubungan (Correlation Coefficient) antara variabel Lokasi dengan Kepuasan Nasabah ialah sebesar 0,743*. Dengan demikian, maka sanggup disimpulkan bahwa hubungan antara variabel Lokasi dengan Kepuasan Nasabah ialah “kuat”. Sementara tanda bintang (*) memperlihatkan hubungan yang terbentuk ialah signifikan pada angka signifikansi sebesar 0,05.

Catatan: bila ada dua tanda bintang (**) maka artinya hubungan yang terbentuk signifikan pada angka signifikansi sebesar 0,01.

3. Melihat Arah Hubungan antar Variabel dalam Analisis Korelasi

Arah hubungan dilihat dari angka koefesien hubungan apakah alhasil bernilai positif atau negatif. Berdasarkan tabel output di atas, diketahui koefisien hubungan (Correlation Coefficient) antara variabel Lokasi dengan Kepuasan Nasabah bernilai positif yakni sebesar 0,743. Maka sanggup disimpulkan bahwa ada hubungan yang “positif” antara variabel Lokasi dengan Kepuasan Nasabah. Hubungan positif atau searah bermakna bahwa bila Lokasi semakin nyaman (memadai) maka kepuasan nasabah akan semakin meningkat.

Mengacu pada ketiga interpretasi dalam uji hubungan kendall's tau-b di atas, maka kita sanggup menciptakan sebuah kesimpulan bahwa “hubungan antara Lokasi dengan Kepuasan Nasabah pada Koperasi Simpan Pinjam (KSP) Citra Dana ialah signifikan, kuat, dan searah.

Demikian pembahasan kita mengenai cara melaksanakan uji hubungan kendall's tau-b untuk data ordinal dengan aktivitas SPSS. Selanjutnya, bila anda mendapat manfaat dari panduan ini silahkan anda bagikan ke media sosial, supaya ilmu ini sanggup bermanfaat bagi banyak orang yang membutuhkan. Terimakasih dan biar sukses untuk penelitiannya. Salam dari saya – Sahid Raharjo.

[Kata Kunci Pencarian: Cara Uji Korelasi Kendall's tau-b (Data Ordinal) dengan SPSS Lengkap, Langkah-langkah Analisis Statistik non Parametrik dengan Uji Korelasi Kendall's tau-b memakai Program SPSS, Interpretasi Output Uji Korelasi Kendall's tau-b dengan SPSS]

VIDEO: Cara Uji Korelasi Kendall's tau-b dengan SPSS

Read More