Cara Mengatasi Persoalan Autokorelasi Dengan Uji Run Test Dalam Spss

Cara Mengatasi Masalah Autokorelasi dengan Uji Run Test dalam SPSS | Sebagaimana yang sudah kita pahami bahwa uji autokorelasi merupakan bab dari uji perkiraan klasik dalam analisis regresi linear untuk data time series yaitu data runtut waktu dan bukan menyerupai data primer hasil penyebaran kuesioner atau angket. Uji perkiraan klasik sendiri dimaknai sebagai syarat yang harus terpenuhi sebelum dilakukannya analisis regresi linear.

Sementara itu, analisis regresi linear bertujuan untuk mengetahui apakah terdapat efek yang signifikan antara variabel independent (X) terhadap variabel dependen (Y). Oleh alasannya yakni itu, uji autokorelasi sangat diharapkan alasannya yakni dengan adanya uji ini kita sanggup mengetahui apakah terdapat hubungan antara suatu periode t dengan periode t sebelumnya. Model regresi yang baik tidak terdapat problem autokorelasi. Contoh sederhana misal data keuangan rumah tangga. Pengeluaran belanja keluarga pada bulan kemudian sangat besar (bulan kemudian ada pengeluaran untuk membeli kendaraan beroda empat baru) sementara pengeluaran pada bulan ini relatif lebih kecil (karena dibulan ini tidak ada pengeluaran untuk membeli mobil) sehingga sanggup dikatakan bahwa terdapat hubungan atau hubungan yang cukup tinggi antara pengeluaran anggaran rumah tangga pada bulan kemudian dengan bulan sekarang, hal yang semacam inilah yang disebut dengan terjadi problem autokorelasi.

Dalam analisis statistik, uji autokorelasi sanggup dilakukan dengan beberapa metode antara lain seperi uji durbin watson dan uji run test. Dimana metode yang paling sering dipakai oleh para peneliti (dalam hal menuntaskan tugas, skripsi maupun tesis) yakni dengan metode durbin watson. Namun demikian, uji durbin watson memiliki kelemahan yakni jikalau nilai dubin watson terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang niscaya apakah terjadi tanda-tanda autokorelasi atau tidak. Jika demikian adanya, maka alternatif yang baik untuk mengatasi problem autokorelasi ini yakni dengan memakai metode lain menyerupai uji run test.

Untuk memperjelas bagaimana cara mengatasi problem autokorelasi dengan uji run test dalam SPSS, saya akan memperlihatkan contoh, simak data yang akan saya uji autokorelasi dibawah ini

[Download Data untuk Latihan]

Dari data di atas, model regresi linear yang saya ejekan yakni “Pengaruh Kurs [X1] dan SBI [X2] terhadap IHSG [Y] tahun 2013”. Sebelumnya saya telah melaksanakan uji autokelasi dengan uji durbin watson [Baca: Tutorial Uji Autokorelasi dengan Durbin Watson SPSS] dan diperoleh hasil sebagai berikut.

Berdasarkan output SPSS di atas, diketahui nilai Durbin Watson sebesar 1,072. Nilai ini terletak antara nilai dL 0,812 dan dU 1,579 sehingga tidak ada kesimpulan yang niscaya perihal ada atau tidaknya tanda-tanda autokorelasi dari data tersebut.

Jika menyerupai ini yang terjadi, maka anda tidak perlu cemas dan risau, langkah yang harus anda lakukan untuk mengatasi problem autokorelasi yakni dengan uji run test.

CARA UJI RUN TEST DENGAN SPSS

1. Buka kegiatan SPSS kemudian klik Variable View, kemudian pada kolom Name baris pertama ketikkan X1, baris kedua X2, dan baris ketiga Y. pada bab Label ketikkan Kurs untuk X1, SBI untuk X2, dan IHSG untuk Y. Abaikan kolom yang lain biarkan tetap default kemudian klik Data View

2. Pada bab ini, kita hanya perlu memasukkan data penelitian sesuai dengan nama variabelnya

3. Jika semua data sudah terinput dengan benar, selanjutnya dari sajian SPSS klik sajian Analyze – Regression – Linear…

4. Muncul kotak dialog, masukkan variabel IHSG [Y] ke kotak Dependent, masukkan variabel Kurs [X1] dan SBI [X2] ke kotak Independent(S) caranya dengan pengklik tombol panah, pada bab Method pilih Enter, kemudian klik Save

5. Muncul kotak obrolan Linear Regression; Save, berikan tanda centang (V) pada Unstandardized untuk Residuals, kemudian klik Continue dan klik Ok [Abaikan saja output yang keluar].

6. Perhatikan pada bab Data View muncul variabel gres dengan nama RES_1. Langkah selanjutnya yakni klik Analyze – Nonparametric Tests – Legacy Dialogs – Runs…

7. Muncul kotak obrolan Run Test, kemudian masukkan variabel Unstandardized Residual ke kotak Test Variable List, pada bab Cut Point berikan tanda centang (V) untuk Median

8. Jika sudah yakin benar, terakhir yakni klik Ok untuk mengakhiri perintah, maka akan muncul output Run Test sebagaimana gambar berikut

DASAR PENGAMBILAN KEPUTUSAN DALAM UJI RUN TEST

Sebelum kita menganalisa hasil output SPSS di atas, terlebih dahulu kita pahami dasar pengambilan keputusan dalam uji run test, yaitu:

1. Jika nilai Asymp. Sig. (2-tailed) lebih kecil < dari 0,05 maka terdapat tanda-tanda autokorelasi
2. Sebaliknya, jikalau nilai Asymp. Sig. (2-tailed) lebih besar > dari 0,05 maka tidak terdapat tanda-tanda autokorelasi.

INTERPRETASI OUTPUT UJI RUN TEST

Berdasarkan output SPSS diatas, diketahui nilai Asymp. Sig. (2-tailed) sebesar 0,762 lebih besar > dari 0,05, maka sanggup disimpulkan bahwa tidak terdapat tanda-tanda atau problem autokorelasi. Dengan demikian, problem autokorelasi yang tidak sanggup terlesaikan dengan durbin Watson sanggup teratasi melalui uji run test sehingga analisis regresi linear sanggup dilanjutkan.

Saya kira cukup hingga disini pembahasan kita perihal cara mengatasi problem autokorelasi dengan uji run test dalam SPSS, semoga bermanfaat lain waktu kita sambung lagi dengan uji-uji dan permasalahan statistik yang lainnya. Terimakasih semoga bermanfaat

[Search: Cara Mengatasi Masalah Autokorelasi dengan Uji Run Test dalam SPSS, Panduan Uji Run Test dengan Program SPSS, Cara Mendeteksi Gejala Autokorelasi dengan Uji Run Test Lengkap]
[Gambar: Screenshot SPSS versi 21]

Lihat Juga: VIDEO Uji Autokorelasi dengan Run Test SPSS

Read More

Tutorial Analisis Kekerabatan Rank Spearman Dengan Spss

Tutorial Analisis Korelasi Rank Spearman dengan SPSS | Jika uji pearson product momen yang telah kita dibahas pada artikel sebelumnya bertujuan untuk mengetahui hubungan dengan data kuantitatif (skala interval atau rasio), maka analisis hubungan rank spearman sanggup digunakan untuk menguji hubungan antara variable penelitian pada statistik non-parametrik (skala ordinal). Nilai koefisien dan kriteria keeratan hubungan dua variable yang digunakan dalam analisis ini sama dengan yang digunakan dalam hubungan pearson, hanya saja dalam hubungan rank spearman awalnya akan melaksanakan peringkatan (rangking) terhadap data yang ada, kemudian gres melaksanakan uji korelasi.

Sebagaimana yang sudah saya sampaikan di atas, bahwa hubungan rank spearman merupakan bab dari statistik non-parametrik, oleh alasannya ialah itu dalam analisis hubungan ini tidak diharapkan perkiraan adanya hubungan yang linear (uji linearitas) antara variabel penelitian. Jika data penelitian memakai skala likert, maka jarak yang digunakan harus sama dan data penelitian tidak harus berdistribusi normal (uji normalitas)

Dalam analisis hubungan tidak ada istilah variabel bebas (X) maupun variabel terikat (Y). Dengan demikian, sanggup diartikan bahwa kedua variabel yang dikorelasikan (dihubungkan) bersifat independen antara satu dengan yang lainnya, maksudnya ialah masing-masing variabel bangkit sendiri dan tidak tergantung satu sama lain. Misalkan saya memiliki variabel X dan Y, maka hubungan variabel X dan Y ialah sama dengan hubungan variabel Y dan X.

TUJUAN ANALISIS KORELASI RANK SPEARMAN

Tujuan analisis hubungan secara umum (korelasi pearson product momen maupun hubungan rank spearman) ialah untuk:

1. Melihat tingkat kekuatan (keeratan) hubungan dua variabel
2. Melihat arah (jenis) hubungan dua variabel
3. Melihat apakah hubungan tersebut signifikan atau tidak

KRITERIA TINGKAT KEKUATAN KORELASI

Dalam memilih tingkat kekuatan hubungan antar variabel, kita sanggup berpedoman pada nilai koefisien hubungan yang merupakan hasil dari output SPSS, dengan ketentuan:

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

KRITERIA ARAH KORELASI

Arah hubungan dilihat pada angka koefisien hubungan sebagaimana tingkat kekuatan korelasi. Besarnya nilai koefisien hubungan tersebut terletak antara + 1 hingga dengan -1. Jika koefisien hubungan bernilai positif, maka hubungan kedua variabel dikatakan searah. Maksud dari hubungan yang searah ini ialah kalau variabel X meningkat maka variabel Y juga akan meningkat. Sebaliknya, kalau koefisien hubungan bernilai negatif maka hubungan kedua variabel tersebut tidak searah. Tidak searah artinya kalau variabel X menigkat maka variabel Y akan menurun.

KRITERIA SIGNIFIKANSI KORELASI

Kekuatan dan arah hubungan (hubungan) akan memiliki arti kalau hubungan antar variabel tersebut bernilai signifikan. Dikatakan ada hubungan yang signifikan, kalau nilai Sig. (2-tailed) hasil perhitungan lebih kecil dari nilai 0,05 atau 0,01. Sementara itu, kalau nilai Sig. (2-tailed) lebih besar dari 0,05 atau 0,01, maka hubungan antar variabel tersebut sanggup dikatakan tidak signifikan atau tidak berarti.

CONTOH PENYELESAIAN KASUS KORELASI RANK SPEARMAN

Dalam pola kali ini, peneliti ingin mengetahui apakah terdapat hubungan antara kualitas produk dengan kepuasan konsumen. Untuk keperluan tersebut, peneliti menyebar 10 kuesioner disebuah toko furniture. Masalah yang akan diteliti ialah seberapa besar hubungan antara variabel kualitas produk dengan kepuasan konsumen. Berikut tanggapan 10 orang responden atau pengunjung yang diberikan kuesioner.

Untuk keperluan analisis data dalam SPSS, maka tanggapan responden tersebut kemudian diberi instruksi angka semoga sanggup dihitung:

Untuk data kualitas produk memakai kode:

1. Sangat tidak berkualitas (STB) diberi nilai 1
2. Tidak berkualitas (TB) diberi nilai 2
3. Cukup berkualitas (CB) diberi nilai 3
4. Berkualitas (B) diberi nilai 4
5. Sangat berkualitas (SB) diberi nilai 5

Untuk data kepuasan konsumen memakai kode:

1. Sangat tidak puas (STP) diberi nilai 1
2. Tidak puas (TP) diberi nilai 2
3. Cukup puas (CP) diberi nilai 3
4. Puas (P) diberi nilai 4
5. Sangat puas (SP) diberi nilai 5

Setelah dilakukan pengkodean, sebagaimana ketentuan di atas, maka bentuk data penelitian untuk hubungan variabel kualitas produk dengan kepuasan konsumen ialah sebagai berikut

[Download Data untuk Latihan]


LANGKAH-LANGKAH ANALISIS KORELASI RANK SPEARMAN DENGAN SPSS

1. Buka aktivitas SPSS (dalam hal ini saya memakai SPSS versi 21), kemudian klik Variable View, pada kolom Name baris pertama tuliskan X dan baris kedua tuliskan Y. Pada bab Label untuk X tuliskan Kualitas Produk dan untuk Y tuliskan Kepuasan Konsumen. Abaikan pilihan yang lainnya dan biarkan tetap default

2. Klik Data View, pada tampilan Data View terlihat ada dua buah variabel yakni variabel X dan Y, selanjutnya tuliskan atau masukkan data penelitian untuk masing-masing variabel

3. Jika data sudah di input dengan benar, lanjutnya klik sajian Analyze > Correlate > Bivariate....

4. Muncul kotak obrolan “Bivariate Correlations”, langkah berikutnya ialah masukkan variabel Kualitas Produk [X] dan Kepuasan Konsumen [Y] ke kolom Variable (s), kemudian pada bab “Correlation Coefficient” beri tanda centang (v) pada pilihan Spearman, pada bab “Test of Significance” pilih Two-tailed. Selanjutnya, beri tanda centang (v) pada Flag significant correlations, kemudian klik Options...

5. Maka muncul kotak obrolan “Bivariate Correlations: Options”, pada bab “Missing Values” pilih Exclude cases pairwise, kemudian klik Continue

6. Klik Ok, maka akan muncul output hubungan rank spearman, sebagai berikut

INTERPRETASI OUTPUT ANALISIS KORELASI RANK SPEARMAN

Supaya lebih gampang dipahami, maka interpretasi output uji hubungan rank spearman ini saya bagi menjadi tiga tahap interpretasi:

1. Melihat tingkat kekuatan (keeratan) hubungan antar variabel
2. Melihat arah (jenis) hubungan antar variabel
3. Melihat apakah hubungan tersebut signifikan atau tidak

Melihat Tingkat Kekuatan (Keeratan) Hubungan Variabel Kualitas Produk dengan Kepuasan Konsumen

Dari output di atas, diperolah angka koefisien hubungan sebesar 0,838**. Artinya, tingkat kekuatan hubungan (korelasi) antara variabel kualitas produk dengan kepuasan konsumen ialah sebesar 0,838 atau sangat kuat. Tanda bintang (**) artinya hubungan bernilai signifikan pada angka signifikansi sebesar 0,01.

Melihat Arah (Jenis) Hubungan Variabel Kualitas Produk dengan Kepuasan Konsumen

Angka koefisien hubungan pada hasil di atas, bernilai positif, yaitu 0,838, sehingga hubungan kedua variabel tersebut bersifat searah (jenis hubungan searah), dengan demikian sanggup diartikan bahwa kualitas semakin ditingkatkan kualitas produk maka kepuasan konsumen juga akan memingkat.

Melihat Signifikansi Hubungan Kedua Variabel

Berdasarkan output di atas, diketahui nilai signifikansi atau Sig. (2-tailed) sebesar 0,002, alasannya ialah nilai Sig. (2-tailed) 0,002 < lebih kecil dari 0,05 atau 0,01 maka artinya ada hubungan yang signifikan (berarti) antara variabel kualitas produk dengan kepuasan konsumen.

PEMBUATAN KESIMPULAN

Mengacu pada pembahasan di atas, maka kesimpulan dalam penelitian ini ialah ada hubungan signifikan yang sangat besar lengan berkuasa dan searah antara variabel kualitas produk dengan kepuasan pelanggan.

Saya kira hingga disini dulu pembahasan kita mengenai analisis hubungan rank spearman dengan spss, mudah-mudahan jelas.. terimakasih dan selamat mencoba..

[Search: Tutorial Analisis Korelasi Rank Spearman dengan SPSS, Langkah-Langkah Uji Korelasi Rank Spearman dengan SPSS Versi 21, Panduan Lengkap Cara Uji Hubungan Spearman’s rho dengan Program SPSS]
[Img: screenshot olah data SPSS versi 21]

Lihat Juga: Video Uji Analisis Korelasi Rank Spearman dengan SPSS

Read More

Panduan Lengkap Cara Melaksanakan Uji Wilcoxon Dengan Spss

Panduan Lengkap Cara Melakukan Uji Wilcoxon dengan SPSS | Uji wilcoxon sering kali dipakai sebagai alternatif dari uji paired sample t test. Hal ini tidaklah salah, lantaran jikalau data penelitian anda tidak berdistribusi normal [melalui uji normalitas] maka data tersebut dianggap tidak memenuhi syarat dalam pengujian statistik parametrik khususnya uji paired sample t test. Oleh lantaran itu, perlu adanya tindakan yang harus dilakukan peneliti biar data penelitian yang dikumpulkan masih tetap sanggup di uji atau di analisis, yakni dengan cara melaksanakan metode statistik non parametrik.

Sementara itu, sebagaimana uji paired sample t test, disini uji wilcoxon juga dipakai untuk mengetahui ada tidaknya perbedaan rata-rata dua sampel yang saling berpasangan. Data penelitian yang dipakai dalam uji ini idealnya yakni data yang berskala ordinal atau interval. Uji wilcoxon atau disebut juga dengan wilcoxon signed rank test merupakan bab dari metode statistik non parametrik. Kerena merupakan bab dari statistik non parametrik, maka dalam uji wilcoxon tidak dibutuhkan data penelitian yang berdistribusi normal. Dengan demikian sanggup dikatakan bahwa penggunaan uji wilcoxon sebagai pengganti uji paired sample t test dikala data penelitian tidak berdistribusi normal yakni langkah yang paling tepat.

CONTOH KASUS DALAM UJI WILCOXON

Peneliti ingin mengetahui apakah terdapat “pengaruh penggunaan metode pembelajaran kelompok terhadap hasil berguru matematika pada siswa Sekolah Menengah Pertama kelas 8A”. Untuk kebutuhan data, peneliti melaksanakan evaluasi atas hasil berguru siswa sebelum (pre test) dan sehabis (post test) metode pembelajaran kelompok diterapkan di kelas tersebut. Maka diperoleh data penelitian sebagai berikut.

[Download Data untuk Latihan]

Hipotesis yang diajukan dalam penelitian atau Ha = “ada perbedaan hasil berguru pre test dan post test, yang artinya ada efek penggunaan metode pembelajaran kelompok terhadap hasil berguru matematika pada siswa Sekolah Menengah Pertama kelas 8A”

Catatan: awalnya peneliti ingin menggunakan analisis statistik parametrik dengan uji paired sample t test untuk uji hipotesis di atas, namun lantaran data penelitian tersebut tidak berdistribusi normal (anggaplah demikian) maka peneliti menggunakan alterantif lain yakni dengan melaksanakan uji wilcoxon.

CARA MELAKUKAN UJI WILCOXON DENGAN SPSS

1. Seperti biasanya, langkah pertama buka aktivitas SPSS kemudian klik Variable View, pada tampilan ini kita akan memperlihatkan nama dan kelengkapan untuk variabel penelitian dengan ketentuan:

Variabel pertama “Pre Test”, maka isikan:
Name: ketik Pre
Type: pilih Numeric
Width: pilih 8
Decimal: Pilih 0
Label: ketik Pre Test
Value: pilih None
Missing: pilih None
Columns: pilih 8
Alilgn: pilih Scale

Variabel kedua “Post Test”, maka isikan:
Name: ketik Post
Type: pilih Numeric
Width: pilih 8
Decimal: Pilih 0
Label: ketik Post Test
Value: pilih None
Missing: pilih None
Columns: pilih 8
Alilgn: pilih Scale
Sehingga tampak di layar sebagai berikut:

2. Setelah penamaan variabel dibuat, langkah selanjutnya klik Data View, kemudian isikan data penelitian di atas, sehingga akan tampak di layar sebagai berikut:

3. Langkah berikutnya klik hidangan Analyze kemudian pilih Nonparametric Tests kemudian pilih Legacy Dialogs kemudian pilih 2 Related Samples…

4. Maka dilayar akan muncul kotak obrolan “Two-Related Sample Tests”, selanjutnya masukkan variabel Pre Test [Pre] dan Post Test [Post] ke kotak Test Pairs secara bersamaan, kemudian pada bab “Test Type” berikan tanda centang (v) pada pilihan Wilcoxon, kemudian klik Ok

5. Maka akan muncul output “Wilcoxon Signed Ranks Test” sebagai berikut:

INTERPRETASI OUTPUT UJI WILCOXON

Output Pertama “Ranks”

1. Negative Ranks atau selisih (negatif) antara hasil berguru matematika untuk Pre Test dan Post Test yakni 0, baik itu pada nilai N, Mean Rank, maupun Sum Rank. Nilai 0 ini memperlihatkan tidak adanya penurunan (pengurangan) dari nilai Pre Test ke nilai Post Test.
2. Positif Ranks atau selisih (positif) antara hasil berguru matematika untuk Pre Test dan Post Test. Disini terdapat 22 data faktual (N) yang artinya ke 22 sisiwa mengalamai peningkatan hasil berguru matematika dari nilai Pre Test ke nilai Post Test. Mean Rank atau rata-rata peningkatan tersebut yakni sebesar 11,50, sedangkan jumlah rangking faktual atau Sum of Ranks yakni sebesar 253,00.
3. Ties yakni kesamaan nilai Pre Test dan Post Test, disini nilai Ties yakni 0, sehingga sanggup dikatakan bahwa tidak ada nilai yang sama antara Pre Test dan Post Test.

UJI HIPOTESIS WILCOXON

Dalam uji hipotesis kita menggunakan output SPSS yang kedua yakni output “Test Statistics”. Namun sebelum kita masuk pada analisis terhadap hasil output di atas, maka terlebih dulu perlu kita ketahui dasar pengambilan keputusan yang dipakai dalam uji wilcoxon untuk kita jadikan pegangan atau pedoman.

Dasar Pengambilan Keputusan dalam Uji Wilcoxon

1. Jika nilai Asymp.Sig. (2-tailed) lebih kecil dari < 0,05, maka Ha diterima.
2. Sebaliknya, jikalau nilai Asymp.Sig. (2-tailed) lebih besar dari > 0,05, maka Ha ditolak.

PENGAMBILAN KEPUTUSAN DAN PEMBUATAN KESIMPULAN



Berdasarkan output “Test Statistics” di atas, diketahui Asymp.Sig. (2-tailed) bernilai 0,000. Karena nilai 0,000 lebih kecil dari < 0,05, maka sanggup disimpulkan bahwa “Ha diterima”. Artinya ada perbedaan antara hasil berguru matematika untuk Pre Test dan Post Test, sehingga sanggup disimpulkan pula bahwa “ada efek penggunaan metode pembelajaran kelompok terhadap hasil berguru matematika pada siswa Sekolah Menengah Pertama kelas 8A”.

Baiklah, saya kira hingga disini dulu pembahasan kita perihal uji wilcoxon pada kesempatan kali ini, semoga bermanfaat. Oh iya, jikalau anda mau menguji perbedaan rata-rata dua kelompok yang tidak berpasangan untuk metode statistik non parametrik, maka anda sanggup menggunakan Uji Mann Whitney

[Search: Panduan Lengkap Cara Melakukan Uji Wilcoxon dengan SPSS, Contoh Statistik Non Parametrik Uji Wilcoxon menggunakan Program SPSS, Langkah-Langkah Uji Wilcoxon Signed Rank Test pada Aplikasi SPSS]
[Img: screenshot olah data SPSS versi 21]

Lihat Juga: Video Uji Wilcoxon dengan SPSS

Read More

Contoh Kasus Uji Beda Mann Whitney Memakai Spss

Contoh Kasus Uji Beda Mann Whitney Menggunakan SPSS | Seperti halnya uji independen sample t test, uji mann whitney juga dipakai oleh para meneliti dalam rangka untuk mengetahui ada tidaknya perbedaan rata-rata (means) data dua sampel yang tidak berpasangan. Dalam uji beda ini sampel yang dipakai tidak harus sama jumlahnya. Sementara itu, perbedaan yang fundamental antar uji tersebut yaitu bahwa uji independen sample t test merupakan potongan dari metode statistik parametrik, sedangkan uji mann whitney yaitu potongan dari statistik non parametrik. Metode statistik parametrik atau dalam hal ini uji independen sample t test mensyaratkan data penelitian haruslah berdistribusi normal [uji normalitas], alasannya yaitu jikalau data penelitian tidak berdistribusi normal dan maka hasil dari analisis data dianggap tidak memenuhi syarat atau tidak kredibel. Sementara, kelebihan dari metode statistik non parametrik [uji mann whitney] yaitu tidak adanya sebuah syarat bahwa data penelitian haruslah berdistribusi normal. Dengan demikian sanggup kita simpulkan bahwa saat data penelitian yang hendak anda uji independen sample t test ternyata tidak normal, maka sebaiknya anda mengganti uji tersebut dengan uji mann whitney.

CONTOH KASUS UJI BEDA MANN WHITNEY

Seorang guru ingin mengetahui [rumusan masalah] “apakah ada dampak penggunaan metode diskusi tehadap hasil berguru pada mata pelajaran IPA kelas 9”. Untuk keperluan tersebut, guru tidak memakai metode diskusi pada kelas A dan menerapkan metode diskusi pada kelas B, kemudian guru tersebut memperlihatkan ulangan untuk masing-masing kelas dengan soal yang sama, maka diperoleh nilai [hasil belajar] sebagai berikut:



PEMBERIAN KODE DATA SEBELUM MENGOLAH DATA KE SPSS

Untuk akomodasi pengolahan data dengan SPSS maka, perlu adanya pengkodean pada hasil berguru tersebut. Dinama, untuk hasil berguru kelas A diberi isyarat 1 dan untuk kelas B diberi isyarat 2, sehingga tampak data penelitian sehabis diberi isyarat sebagai berikut ini



[Download Data untuk Latihan]

LANGKAH-LANGKAH UJI BEDA MANN WHITNEY MENGGUNAKAN SPSS

1. Buka lembar kerja gres SPSS, kemudian klik Variable View, pada kolom Name baris ke satu tuliskan Hasil, dan pada baris kedua tuliskan Kelompok, pada potongan Label untuk Hasil tuliskan Hasil Belajar IPA, dan untuk Kelompok tuliskan Kelas, kemudian klik kolom kedua dari Values (None)



2. Maka muncul kotak obrolan “Value Labels”, pada kotak Value ketikan “1” dan pada kotak Label ketikan “Kelas A” kemudian klik Add, masih di kotak obrolan “Value Labels”, selanjutnya pada kotak Value ketikan “2” dan pada kotak Label ketikan “Kelas B” kemudian klik Add, sehabis itu klik Ok



3. Langkah berkutnya klik Data View, terlihat dilayar ada dua variabel yakni Hasil dan kelompok. Maka masukkan data hasil berguru untuk kelas A dan kelas B ke kotak “Hasil” dimulai dari hasil berguru kelas A kemudian diikuti hasil berguru kelas B. Pada variabel Kelompok masukkan data isyarat untuk kelas A kemudian diikuti isyarat kelas B, sehingga tampak dilayar menyerupai gambar berikut



4. Setelah semua data terinput dengan benar, maka selanjutnya kli sajian Analyze kemudian klik Non Parametrik Tests kemudian klik Legacy Dialogs, kemudian klik 2 Independent Samples…



5. Maka muncul kotak obrolan “Two-Independent-Samples Tests”, kemudian masukkan variabel Hasil Belajar IPA [Hasil] ke kolom Test Variable List:, kemudian masukkan variabel Kelas [Kelompok] ke kotak Grouping Variable, selanjutnya pada potongan Test Type berikan tanda cek (v) pada pilihan Mann-Whitney U, kemudian klik tombol Define Grouping



6. Maka mucul kotak obrolan “Two-Independent-Samples:Define”, selanjutnya pada potongan Group 1 tuliskan angka 1 dan pada Group 2 tuliskan 2, kemudian klik Continue, dan klik Ok



7. Dengan begitu maka akan muncul Ouput Mann-Whitney Test sebagaimana gambar berikut:






PENGUJIAN HIPOTESIS PENELITIAN DALAM UJI MANN WHITNEY

Hipotesis didefinisikan sebagai kesimpulan sementara dalam sebuah penelitian. Hipotesis yang ejekan dalam penelitian ini yaitu Ha = ada perbedaan hasil berguru IPA antara kelas A dengan kelas B.

Dasar Pengambilan Keputusan dalam Uji Mann Whitney

Sebelum kita masuk pada potongan pengujian hipotesis, maka terlebih dahulu aku sampaikan dasar pengambilan keputusan yang dijadikan teladan dalam uji mann-whitney:

1. Jika nilai Signifikansi atau Asymp. Sig. (2-tailed) lebih kecil dari probabilitas 0,05 maka hipoteisis atau “Ha diterima”
2. Namun jikalau nilai Signifikansi atau Asymp. Sig. (2-tailed) lebih besar dari probabilitas 0,05 maka hipoteisis atau “Ha ditolak”

Berdasarkan output “Test Statistics” dalam uji mann-whitney di atas diketahui bahwa nilai Asymp. Sig. (2-tailed) sebesar 0,000 lebih kecil dari < nilai probabilitas 0,05. Oleh lantaran itu, sebagaimana dasar pengambilan keputusan uji mann-whitney di atas maka sanggup disimpulkan bahwa “Ha diterima.” Dengan demikian sanggup dikatakan bahwa ada perbedaan hasil berguru IPA antara kelas A dengan kelas B. Karena ada perbedaan yang signifikan maka rumusan problem penelitianpun juga sanggup terjawab yakni “ada dampak penggunaan metode diskusi terhadap hasil berguru pada mata pelajaran IPA kelas 9”.

Selesai sudah cara melaksanakan uji beda mann whitney memakai SPSS, selamat mencoba biar berhasil..

Catatan: untuk kasus perbedaan rata-rata dua sampel yang berpasangan maka metode statistik non parametrik yang dipakai yaitu Uji Wilcoxon

[Search: Contoh Kasus Uji Beda Mann Whitney Menggunakan SPSS, Cara Praktis melaksanakan Statistik non Parametrik Uji Mann Whitney U dengan Program SPSS, Panduan Lengkap Uji Perbedaan Rata-Rata Data Dua Sampel Tidak Berpasangan pada SPSS, Ouput Mann-Whitney Test]
[Img: screenshot olah data SPSS versi 21]

Lihat Juga: Video Uji Mann Whitney dengan SPSS

Read More

Cara Uji Kruskal Wallis Statistik Non Parametrik Dengan Spss

Cara Uji Kruskal Wallis Statistik Non Parametrik dengan SPSS | Uji Kruskal Wallis merupakan belahan dari statistik non parametrik untuk data lebih dari dua sampel yang tidak saling berafiliasi atau tidak berpasangan. Uji kruskal wallis umumnya dipakai oleh peneliti sebagai alternatif dari uji anova saat salah satu atau seluruh sebaran data tidak berdistribusi normal.

Oleh alasannya yaitu itu, sebelum kita menentukan uji kruskal wallis untuk menganalisis data penelitian, kita harus memastikan terlebih dahulu apakah sebaran data penelitian berdistribusi normal atau tidak. Jika data berdistribusi normal maka sebaiknya kita memakai statistik parametrik dengan Uji Anova. Sebaliknya, bila data penelitian tidak berdistribusi normal maka memakai uji kruskal wallis untuk analisis data yaitu pilihan yang tepat.

Baca: Cara Uji Normalitas untuk One Way Anova dengan SPSS

Contoh Soal Uji Kruskal Wallis

PT. Cahaya memproduksi empat buah lampu dengan merek A, B, C, dan D. Seorang manajer produksi ingin mengetahui apakah ada perbedaan mutu produksi yang faktual diantara keempat merek lampu tersebut. Untuk itu, diambil sejumlah sampel tertentu dari masing-masing merek lampu, kemudian diukur masa hidup lampu tersebut dengan cara menyalakan alat yang sama sampai lampu mati.

Adapun data merek lampu yang diteliti oleh menajer produksi PT. Cahaya yaitu sebagai berikut.

Keterangan: sebagai contoh, angka 400,5 pada baris 1 di atas menyatakan bahwa sampel nomor 1 lampu merek A memiliki masa hidup 400,5 jam. Demikian dan seterusnya untuk data yang lain.

Untuk kebutuhan uji kruskal wallis dengan SPSS, maka kita perlu mengkonversi keempat merek lampu di atas, ke dalam bentuk angka dengan ketentuan kode, merek A=1, merek B=2, merek C=3, dan merek D=4, karenanya tampak sebagaimana data di bawah ini.

[Download Data]

Langkah-langkah Uji Kruskal Wallis dengan SPSS

1. Buka lembar kerja gres SPSS, kemudian klik Variable View untuk mengisi nama dan property variabel dengan ketentuan sebagai berikut:

Variabel “Masa” maka isikan:
Name: saat Masa
Type: pilih Numeric
Width: pilih 8
Decimals: pilih 1
Label: ketik Masa (Jam)
Values: pilih None
Missing: pilih None
Columns: pilih 8
Align: pilih Right
Measure: Pilih Scale
Role: Pilih Input

Variabel “Merek” maka isikan:
Name: saat Merek
Type: pilih Numeric
Width: pilih 1
Decimals: pilih 0
Catatan: Desimals isikan 0 terlebih dahulu gres kemudian Width isikan 1
Label: ketik Merek Lampu
Values: pilihan ini untuk proses pertolongan kode. Maka klik kotak kecil di kanan sel, maka akan muncul kotak obrolan “Value Labels” sebagai berikut

Cara mengisinya:
Value: ketik 1
Label: ketik Merek A
Klik Add
Value: ketik 2
Label: ketik Merek B
Klik Add
Value: ketik 3
Label: ketik Merek C
Klik Add
Value: ketik 4
Label: ketik Merek D
Klik Add
Klik Ok

Missing: pilih None
Columns: pilih 8
Align: pilih Right
Measure: Pilih Scale
Role: Pilih Input

Jika anda sudah mengisi dengan benar maka dilayar akan tampak sebagaimana gambar di bawah ini.

2. Langkah berikutnya yaitu klik Data View, kemudian masukkan data Masa dan Merek sesuai dengan kolom yang tersedia

3. Dari sajian SPSS klik Analyze - Nonparemetric Tests - Legacy Dialogs - K Independent Samples… Tampak dilayar sebagai berikut

4. Muncul kotal obrolan ‘Tests for Saveral Independent Samples” masukkan variabel Masa (Jam) [Masa] ke kotak Test Variable List, kemudian masukkan variabel Merek ke kotak Grouping Variable. Untuk "Test Type" berikan tanda centang (V) pada Kruskal-Wills H, kemudian klik Define Range…

5. Muncul kotak obrolan “Saveral Independent Samples…” untuk Minimum isikan 1 dan untuk Maximum isikan 4, kemudian klik Continue

Catatan: Kerena dalam penelitian ini ada empat data merek lampu, maka isi minimum dengan 1 dan maximum dengan 4. Dalam perkara lain bila data ada 2 sampel, maka minimum tetap di isi 1 tapi maximum di isi dengan 2.

6. Terakhir yaitu klik Ok untuk mengakhiri perintah, dengan demikian akan muncul output uji kruskal wallis sebagai berikut

Rumusan Hipotesis Penelitian
H0: Tidak ada perbedaan masa antara merek A, merek B, merek C, dan merek D.
Ha: Ada perbedaan masa antara merek A, merek B, merek C, dan merek D.

Dasar Pengambilan Keputusan dalam Uji Kruskal Wallis

Untuk pengambilan keputusan dalam uji kruskal wallis sanggup dilakukan dengan dua cara: pertama, membandingkan nilai statistik hitung dengan nilai statistik tabel. Kedua, membandingkan nilai signifikansi (Asymp.Sig) dengan probabilitas 0,05.

Dalam artikel ini saya akan membahas pengambilan keputusan menurut cara yang kedua, yakni membandingkan nilai signifikansi (Asymp.Sig) dengan probabilitas 0,05. Adapun ketentuan pengambilan keputusannya yaitu sebagai berikut:

1. Jika nilai Asymp.Sig > 0,05, maka TIDAK ADA perbedaan atau H0 diterima.
2. Jika nilai Asymp.Sig < 0,05, maka ADA perbedaan atau H0 ditolak.

Pengambilan Keputusan dan Interpretasi Output Uji Kruskal Wallis

Berdasarkan output “Test Statistics” di atas, diketahui nilai Asymp.Sig yaitu sebesar 0,000 < 0,05. Dengan demikian, sanggup disimpulkan bahwa H0 ditolak dan Ha diterima yang berarti ADA PERBEDAAN yang faktual (signifikan) antara masa hidup keempat merek lampu. Dengan demikian, maka sanggup dikatakan pula bahwa daya tahan atau masa hidup lampu merek A, B, C dan D yaitu tidak sama alias berbeda.

Demikian pembahasan mengenai cara uji kruskal wallis statistik non parametrik dengan SPSS, supaya bermanfaat bagi kawan-kawan semua yang sedang berjuang untuk penelitiannya supaya sukses dan lancar. Owh iya bila ada pertayaan atau jawaban tetang paduan ini silahkan berkomentar, kritik dan saran yang membangun sangat kami harapkan. Terimakasih.

VIDEO: Panduan Uji Kruskal Wallis dengan SPSS Lengkap

[Kata Kunci Pencarian: Cara Uji Kruskal Wallis Statistik Non Parametrik dengan SPSS, Langkah-langkah Uji Kruskal Wallis dengan Program SPSS, Tutorial Uji Kruskal Wallis sebagai Alternatif Uji Anova dengan SPSS Versi 21]

Read More

Panduan Cara Uji Friedman Dengan Spss Interpretasi Lengkap

Panduan Cara Uji Friedman dengan SPSS Interpretasi Lengkap | Uji friedman merupakan pecahan dari statistik non parametrik yang digunakan untuk mengetahui atau menguji perbedaan dari tiga sampel atau lebih yang saling bekerjasama atau berkaitan satu sama lain. Sementara itu, jikalau jumlah sampel yang digunakan dalam penelitian hanya ada dua buah, maka analisis data akan lebih sempurna jikalau memakai uji wilcoxon

Dalam konteks analisis data statistik untuk sebuah penelitian, uji friedman ini digunakan sebagai alternatif dari Uji Repeated Measures Anova dalam statistik parametrik, hanya jikalau nilai Standardized Residual dari salah satu atau seluruh sampel data tidak berdistribusi normal. Karena merupakan pecahan dari statistik non parametrik, maka dalam uji friedman ini tidak ada persyaratan khusus untuk nilai Standardized Residual dari sampel data yang digunakan harus berdistribusi normal.

Contoh Kasus Uji Friedman pada Penelitian

Seorang mahasiswa jurusan gizi ingin mengetahui apakah susu debu merek SUBUR GEMUK benar-benar sanggup meningkatkan berat tubuh seseorang dalam kurun waktu tertentu? Guna keperluan penelitian, maka 15 orang yang hendak melaksanakan kegiatan peningkatan berat tubuh ditimbang untuk mengetahui berat tubuh awal, kemudian 15 orang tersebut diberi minum susu debu merek SUBUR GEMUK kemudian ditimbang kembali berat badannya sehabis seminggu minum, berat tubuh sebulan sehabis minum dan berat tubuh setahun sehabis minum. Adapun data berat tubuh ke-15 orang tersebut ialah sebagai berikut.

[Download Data excel, Input-Output SPSS]

Keterangan: pada baris pertama, responden nomor urut 1 mempunyai berat tubuh awal 42,2 kilogram, sehabis seminggu meminum susu debu merek SUBUR GEMUK mengalami peningkatan berat tubuh menjadi 42,4 kilogram, sehabis sebulan berat tubuh menjadi 43,4 kilogram, dan sehabis setahun berat tubuh menjadi 43,4 kilogram. Demikian seterusnya untuk responden yang lain.

Panduan Langkah-Langkah Cara Uji Friedman dengan SPSS

Tahapan analisis data dalam uji friedman ini dimulai dari memasukkan data penelitian ke kegiatan SPSS, kemudian melaksanakan uji normalitas, gres sehabis itu dilanjutkan dengan uji friedman.

1. Seperti biasa, langkah pertama buka lembar kerja gres SPSS, kemudian klik Variable View untuk mengisi Name, Decimals, Label, Measure dan lain-lain, ikuti ketentuan ibarat gambar bawah ini.

2. Setelah itu, klik Data View, kemudian masukkan data berat tubuh ke-15 orang responden tersebut sesuai dengan waktu berat tubuh mereka ditimbang.

*Melakukan Uji Normalitas Data Penelitian dengan SPSS

Selanjutnya saya akan melaksanakan uji normalitas pada nilai Standardized Residual untuk keempat variabel pengukuran berat tubuh tersebut. Uji normalitas ini hanya untuk mengetahui apakah nilai Standardized Residual dari keempat variabel di atas berdistribusi normal atau tidak.

Jika jadinya semua data normal maka penggunaan uji friedman untuk analisis data penelitian ini tidak sempurna [akan lebih sempurna jikalau memakai statistik parametrik dengan uji repeated measures anova]. Sementara jikalau nilai Standardized Residual dari salah satu atau semua variabel data tidak berdistribusi normal maka uji friedman sanggup kita dilanjutkan.

1. Untuk melaksanakan uji normalitas ini, maka langkah awal ialah dengan memunculkan nilai Standardized Residual dari keempat sampel data. Caranya klik sajian Analyze >> General Linear Model >> Repeated Measures…

2. Maka mucul kotak obrolan “Repeated Measures Define Factor(s)” pada pecahan Whithin-Subject Faktor Name: ganti goresan pena factor1 dengan Waktu. Pada kotak Number of Lavels: ketikkan 4 (karena terdapat 4 waktu pengukuran data berat badan)

3. Selanjutnya klik Add

4. Kemudian klik Define, maka muncul kotak obrolan “Repeated Measures” pindahkan variabel BB Awal, BB Seminggu, BB Sebulan, dan BB Setahun ke kolom Whithin-Subject Variables (Waktu)

5. Selanjutnya klik Save, muncul kotak obrolan “Repeated Measures: Save” berikan tanda centang (V) pada Standardized, kemudian klik Continue dan Ok

6. Abaikan output SPSS yang keluar, selanjutnya buka Data View maka disitu ada empat variabel gres berjulukan ZRE_1, ZRE_2, ZRE_3, dan ZRE_4 inilah yang disebut dengan nilai Standardized Residual

7. Kemudian klik sajian Analyze >>Descriptive Statistics >> Explore…

8. Maka muncul kotak obrolan “Explore” selanjutnya masukkan semua variabel Standardized Residual ke kotak Dependent List: kemudian klik Plots…

9. Maka muncul kotak obrolan “Explore Plots” kemudian beri tanda centang pada Normality plots with tests, selanjutnya klik Continue, kemudian klik Ok

10. Maka akan mucul output SPSS, cukup perhatikan output pada tabel “Tests of Normality” lihat gambar di bawah.

11. Pembahasan Uji Normalitas: sebab jumlah N yang digunakan dalam penelitian ini ada 15 atau df 15, maka pengambilan keputusan untuk uji normalitas pengacu pada nilai Sig. Shapiro-Wilk (sebaliknya jikalau jumlah N lebih dari 50 maka mengacu pada nilai Sig. Kolmogorov-Smirnov). Berdasarkan tabel di atas diketahui nilai Sig. Standardized Residual for Awal sebesar 0,012. Nilai Sig. Standardized Residual for Seminggu sebesar 0,003, dan nilai Sig. Standardized Residual for Sebulan sebesar 0,020. Karena nilai signifikansi (Sig) ketiga variabel tersebut < 0,05 maka sanggup disimpulkan bahwa ketiga variabel Standardized Residual for Awal, Seminggu, dan Sebulan ialah tidak berdistribusi normal. Sementara untuk nilai Sig. Standardized Residual for Setahun sebesar 0,380 > 0,05 maka berdistribusi normal.

12. Berdasarkan pembahasan uji normalitas di atas, diketahui bahwa ada tiga variabel yang mempunyai nilai Standardized Residual tidak normal. Oleh sebab itu, analisis data untuk penelitian ini sudah tepat, yakni memakai metode statistik non parametrik dengan Uji Friedman.

*Melakukan Uji Friedman dengan SPSS

1. Berikutnya saya akan melaksanakan uji friedman, caranya dari sajian SPSS klik Analyze >> Nonparametric Test >> Legacy Dialogs >> K Related Samples… Tampak dilayar sebagaimana gambar berikut.

2. Muncul kotak obrolan “Tests for Several Related Samples”

3. Selanjutnya, masukkan variabel BB Awal, BB Seminggu, BB Sebulan dan BB Setahun ke kotak Test Variables: pada pecahan “Test Type” beri tanda centang (V) untuk Friedman, kemudian klik Statistics…

4. Muncul kota diloag, kemudian berikan tanda centang (V) pada Descriptive dan Quartiles, kemudian klik Continue

5. Terakhir klik Ok. Maka akan muncul Output SPSS dengan judul “NPar Tests” yang akan saya interpretasikan.

Interpretasi Output Uji Friedman SPSS

Tabel Output Pertama “Descriptive Statistics”

Output di atas menawarkan deskripsi data penelitian dalam bentuk tabel ringkasan. Adapun info yang sanggup kita peroleh dari ringkasan tabel output di atas ialah sebagai berikut.

1. Nilai N atau banyaknya responden yang dipakai, dalam hal ini ada 15 orang yang ditimbang berat badannya dari Waktu Awal, Seminggu, Sebulan dan Setahun sehabis rutin mengkonsumsi susu debu merek SUBUR GEMUK.
2. Mean atau nilai rata-rata dari masing-masing pengukuran berat tubuh untuk empat waktu yang diteliti yaitu BB Awal 42,920 kilogram, BB Seminggu 43,380 kilogram, BB Sebulan 45,267 kilogram, dan BB Setahun 51,287 kilogram.
3. Nilai Std. Deviation atau Standar Deviasi untuk BB Awal sebesar 2,5468 kilogram, BB Seminggu 2,0616 kilogram, BB Sebulan 3,5294 kilogram, dan BB Setahun 6,5134 kilogram.
4. Ada juga info wacana berat tubuh Minimum (terikecil) dan Maximum (terbesar) untuk masing-masing waktu pengukuran.
5. Percentiles median untuk masing-masing waktu pengukuran berat badan.

Tabel Output Kedua “Ranks”

Tabel output Ranks ini menawarkan rata-rata berat tubuh dalam bentuk rangking. Dimana berat tubuh paling besar berada di waktu pengukuran BB Setahun sehabis rutin meminum susu debu merek SUBUR GEMUK.

Tabel Output Ketiga “Test Statistics”

Output di atas merupakan tabel terpenting dalam uji friedman, ada beberapa tahapan untuk melaksanakan interpretasi, yaitu menciptakan hipotesis (dugaan) penelitian, melihat dasar pengambilan keputusan dalam uji friedman dan menciptakan kesimpulan.

*Hipotesis Penelitian dalam Uji Friedman

1. H0: Tidak ada perbedaan rata-rata peningkatan berat tubuh pada keempat kelompok interval waktu pengukuran.
2. Ha: Ada perbedaan rata-rata peningkatan berat tubuh pada keempat kelompok interval waktu pengukuran.

*Dasar Pengambilan Keputusan dalam Uji Friedman

Ada dua kegiatan yang sanggup kita gunakan sebagai anutan untuk menciptakan keputusan dalam uji friedman ini, yaitu:

*Melihat Nilai Probabilitas atau Signifikansi (Asymp. Sig.)

1. Jika nilai Asymp. Sig. > 0,05, maka H0 diterima dan Ha ditolak.
2. Jika nilai Asymp. Sig. < 0,05, maka H0 ditolak dan Ha diterima.

Keputusan Uji Hipotesis: menurut tabel output Test Statistics di atas, diketahui nilai Asymp. Sig. sebesar 0,000 < 0,05. Maka H0 ditolak dan Ha diterima atau dengan kata lain ada perbedaan rata-rata peningkatan berat tubuh pada keempat kelompok interval waktu pengukuran. Dengan demikian sanggup disimpulkan bahwa susu debu merek SUBUR GEMUK benar-benar sanggup meningkatkan berat tubuh seseorang.

*Membandingkan Nilai Chi-Square Hitung dengan Tabel

1. Jika nilai Chi-Square Hitung < Chi-Square Tabel, maka H0 diterima dan Ha ditolak.
2. Jika nilai Chi-Square Hitung > Chi-Square Tabel, maka H0 ditolak dan Ha diterima.

Pengambilan Keputusan: Berdasarkan tabel output Test Statistics di atas, diketahui nilai Chi-Square Hitung sebesar 40,587. Sementara nilai Chi-Square Tabel ialah 7,815. Karena nilai Chi-Square Hitung 40,587 > Chi-Square Tabel 7,815, maka bahwa H0 ditolak dan Ha diterima atau dengan kata lain ada perbedaan rata-rata peningkatan berat tubuh pada keempat kelompok interval waktu pengukuran. Dengan demikian sanggup disimpulkan bahwa susu debu merek SUBUR GEMUK benar-benar sanggup meningkatkan berat tubuh seseorang.

*Rumus Mencari Nilai Chi-Square Tabel yaitu dengan mengacu pada nilai df (Derajat Kebebasan). Dari tabel output Test Statistics di atas diketahui nilai df ialah 3 dan tingkat signifikansi (a) yang digunakan ialah 5% atau 0,05. Maka kita tinggal melihat saja pada distribusi nilai Chi-Square Tabel untuk df; 5% (3; 0,05) maka ditemukan nilai Chi-Square Tabel ialah sebesar 7,815. Lihat gambar di bawah ini.

[Downlaod Distribusi Nilai Chi-Square Tabel]

Baik saya kira sudah selesai pembahasan kita pada kesempatan kali ini terkait analisis statistik non parametrik dengan uji friedman memakai kegiatan SPSS. Untuk selanjutnya silahkan dipraktekkan untuk data penelitian anda. Semoga berhasil dan terimakasih atas perhatiannya. Salam dari saya Sahid Raharjo.

VIDEO: Tutorial Uji Friedman dengan SPSS Serta Interpretasi Lengkap

[Kata Kunci Pencarian: Panduan Cara Uji Friedman dengan SPSS Interpretasi Lengkap, Langkah-langkah Statistik Non Parametrik dengan Uji Friedman memakai Program SPSS, Cara Uji Normalitas dalam Uji Friedman (Friedman Test) dengan SPSS Versi 21 Penjelasan Lengkap]

Read More