Cara Melaksanakan Uji Normalitas Kolmogorov-Smirnov Dengan Spss

Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS | Selamat pagi, berjumpa lagi dengan blog yaitu blog panduan analisis data dengan jadwal SPSS. Sekedar mengingatkan bahwa sehabis kita bisa mempraktekkan uji validitas product moment dan uji reliabilitas alpha cronbach’s terhadap angket atau kuesioner penelitian, sekarang saatnya kita berlatih lagi ketingkatan uji persyaratan atau uji perkiraan analisis data yakni uji normalitas.

Jika dilihat dari kata dasarnya “normal” niscaya anda sudah memiliki citra menyerupai apakah kegunaan uji normalitas itu? Ya benar sekali, uji normalitas bertujuan untuk menguji apakah data yang dipakai dalam penelitian berdistribusi yang normal atau tidak.

Uji normalitas merupakan salah satu cuilan dari uji persyaratan analisis data atau uji perkiraan klasik, artinya sebelum kita melaksanakan analisis statistik untuk uji hipotesis dalam hal ini yaitu analisis regresi, maka data penelitian tersebut harus di uji kernormalan distribusinya. Tentunya kita juga sudah tahu, kalau data yang baik itu yaitu data yang berdistribusi normal.

Dasar Pengambilan Keputusan dalam Uji Normalitas K-S

1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05 maka data penelitian berdistribusi normal. 
2. Sebaliknya, jikalau nilai signifikansi (Sig.) lebih kecil dari 0,05 maka data penelitian tidak berdistribusi normal.

Semoga cukup terperinci ya kawan-kawan mengenai konsep dasar mengenai uji normalitas di atas, selanjutnya kita akan masuk ke cuilan cara melaksanakan uji normalitas kolmogorov-smirnov dengan SPSS. Sebagai rujukan saya memiliki data Motivasi Belajar (X) dan Prestasi Belajar (Y). Dalam konteks ini kita akan melaksanakan uji normalitas kolmogorov-smirnov pada nilai unstandardized residual (RES_1) untuk pesamaan regresi imbas motivasi berguru terhadap prestasi belajar. Adapun data penelitian yang dimaksud sanggup anda lihat gambar di bawah ini.

[Download Data excel, Input SPSS]

Langkah-langkah Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS

1. Langkah pertama yaitu persiapkan data yang hambar di uji dalam file doc, excel, atau yang lainnya untuk mempermudah tahapannya nanti. Setelah itu, buka jadwal SPSS pada komputer anda, kemudian klik Variable View, dibagian pojok kiri bawah. Selanjutnya, pada bagian Name tulis saja Motivasi kemudian Prestasi, pada Decimals ubah semua menjadi angka 0, untuk bagian Label tuliskan Motivasi Belajar kemudian Prestasi Belajar, abaikan yang lainnnya (biarkan tetap default).

2. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang sudah dipersiapkan tadi ke jadwal SPSS sesuai nama variabel, bisa dengan cara copy-paste. Maka tampak di layar.

3. Langkah berikutnya, kita akan memunculkan nilai unstandardized residual (RES_1) yang selanjutnya akan kita uji normalitasnya. Caranya adalah: dari sajian SPSS pilih sajian Analyze, kemudian klik Regression lalu pilih Linear

4. Muncul kotak obrolan dengan nama "Linear Regression", selanjutnya masukkan variabel Prestasi Belajar (Y) ke Dependent: lalu masukkan variabel Motivasi Belajar (X) ke kotak Independent(s), kemudian klik Save

5. Maka mucul lagi kotak obrolan dengan nama "Linear Regression: Save", pada cuilan "Residuals", centang (v) Unstandardized (abaikan kolom dan pilihan yang lain). Selanjutnya, klik Continue lalu klik Ok

6. Abaikan saja output yang muncul dari jadwal SPSS. Perhatikan pada tampilan Data View, maka akan muncul variabel gres dengan nama RES_1. Maka tampak di layar SPSS.

7. Langkah selanjutnya untuk melaksanakan uji normalitas kolmogorov-smirnov, pilih menu Analyze, kemudian pilih Nonparametric Tests, klik Legacy Dialogs, kemudian pilih submenu 1-Sample K-S...

8. Muncul kotak obrolan lagi dengan nama "One-Sample Kolmogorov-Smirnov Test". Selanjutnya, masukkan variabel Unstandardized Residuals ke kotak Test Variable List: pada "Test Distribution" aktifkan atau centang (v) pilihan Normal

9. Langkah terkahir yakni klik Ok untuk mengakhiri perintah. Selanjutnya, lihat tampilan tabel output yang muncul di SPSS "One-Sample Kolmogorov-Smirnov Test", maka tinggal kita interpretasikan supaya maknanya lebih terperinci lagi.

Interpretasi Uji Normalitas Kolmogorov-Smirnov dengan SPSS

Berdasarkan tabel output SPSS tersebut, diketahui bahwa nilai signifikansi Asiymp.Sig (2-tailed) sebesar 0,993 lebih besar dari 0,05. Maka sesuai dengan dasar pengambilan keputusan dalam uji normalitas kolmogorov-smirnov di atas, sanggup disimpulkan bahwa data berdistribusi normal. Dengan demikian, perkiraan atau persyaratan normalitas dalam model regresi sudah terpenuhi.

Catatan: selain membandingkan nilai Asiymp.Sig (2-tailed) dengan 0,05, ada cara lain untuk mengetahui apakah model regresi berdistribusi normal atau tidak yakni dengan membandingkan nilai Z hitung hasil SPSS dengan nilai Z tabel.

Demikian panduan mengenai cara melaksanakan uji normalitas kolmogorov-smirnov dengan jadwal SPSS, jikalau kita teliti dan jeli saya yakin anda sanggup dengan gampang mempraktekkan langkah-langkah di atas. Selanjutnya, jikalau masih ada yang merasa tutorial di atas terlalu rumit atau bagaimana silahkan berkomentar? Rekomendasi artikel selanjutnya: Cara Melakukan Uji Linearitas dengan Program SPSS

Tambahan: cara lain mendeteksi kenormalan model regresi yaitu dengan memakai Uji Normal Probability Plot dalam Model Regresi dengan SPSS

UPDATE INFO: JUM'AT 25 JANUARI 2019

[Kata Kunci Pencarian: Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS, Langkah-langkah Uji Normalitas dengan Program SPSS, Tutotial Uji Normalitas Kolmogorov-Smirnov dengan SPSS, Panduan Uji Normalitas dengan Software SPSS] [Img: Dokumen hasil olah data dengan pertolongan jadwal SPSS versi 21]

Lihat Juga: VIDEO Uji Normalitas Kolmogorov-Smirnov dengan SPSS

Read More

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

Uji Multikolinearitas Dengan Melihat Nilai Tolerance Dan Vif Spss

Uji Multikolinearitas dengan Melihat Nilai Tolerance dan VIF SPSS | Uji multikolinearitas merupakan bab dari uji perkiraan klasik (normalitas dan heteroskedastisitas) dalam analisis regresi linear berganda. Tujuan digunakannya uji multikolinearitas dalam penelitian yakni untuk menguji apakah model regresi ditemukan adanya hubungan (hubungan kuat) antar variabel bebas atau variabel independent. Model regresi yang baik seharusnya tidak terjadi hubungan diantara variabel bebas atau tidak terjadi tanda-tanda multikolinearitas.

Untuk mendeteksi ada tidaknya tanda-tanda multikolinearitas dalam model regresi, maka sanggup dilakukan dengan beberapa cara, yaitu: (1) Melihat nilai hubungan antar variabel independent. (2) Melihat nilai condition index dan eigenvalue. (3) Melihat nilai tolerance dan variance inflating factor (VIF). Dalam kesempatan kali ini kita akan memprektekkan cara melaksanakan uji multikolinearitas dengan melihat nilai tolerance dan VIF memakai kegiatan SPSS.

Dasar Pengambilan Keputusan dalam Uji Multikolinearitas (Tolerance dan VIF)

Seperti yang kita ketahui, bahwa setiap uji statistik yang dilakukan niscaya ada dasar pengambilan keputusannya. Adapun dasar pengambilan keputusan pada uji multikolinearitas dengan Tolerance dan VIF yakni sebagai berikut:

Pedoman Keputusan Berdasarkan Nilai Tolerance

1. Jika nilai Tolerance lebih besar dari 0,10 maka artinya tidak terjadi multikolinieritas dalam model regresi.
2. Jika nilai Tolerance lebih kecil dari 0,10 maka artinya terjadi multikolinieritas dalam model regresi.

Pedoman Keputusan Berdasarkan Nilai VIF (Variance Inflation Factor)

1. Jika nilai VIF < 10,00 maka artinya tidak terjadi multikolinieritas dalam model regresi.
2. Jika nilai VIF > 10,00 maka artinya terjadi multikolinieritas dalam model regresi.

Catatan: kedua dasar pengambilan keputusan dalam uji multikolinearitas di atas akan menghasilkan kesimpulan yang sama (tidak akan bertentangan).

Contoh Kasus Uji Multikolinearitas dalam Model Regresi

Sebagai contoh, kita akan mendeteksi apakah ada tanda-tanda multikolinearitas untuk model regresi efek Motivasi (X1) dan Minat (X2) terhadap Prestasi Belajar (Y). Adapun data penelitian yang akan kita uji sanggup dilihat pada gambar tabel di bawah ini.

[Download Data excel, Input-Output SPSS]

Keterangan: data variabel motivasi dan minat di peroleh dari penyebaran kuesioner, sementara data variabel prestasi mencar ilmu diperoleh dari nilai ulangan. Adapun jumlah sampel yang dipakai dalam penelitian ini yakni 12 orang siswa.

Langkah-Langkah Uji Multikolinearitas Tolerance dan VIF dengan SPSS

Selanjutnya, kita masuk kebagian langkah-langkah melaksanakan uji multikolinearitas dengan melihat nilai Tolerance dan VIF memakai kegiatan SPSS. Adapun urutan langkah-langkah tersebut sanggup anda simak pada pembahasan di bawah ini.

1. Persiapkan data tabulasi untuk masing-masing variabel penelitian yang akan di uji. Buka kegiatan SPSS, kemudian klik Variable View. Selanjutnya, pada bab Name tuliskan Motivasi, Minat dan Prestasi, pada bagian Decimals ubah semua menjadi angka 0, pada bab Label tuliskan Motivasi (X1), Minat (X2) dan Prestasi (Y), pada bab Measure ubah menjadi Scale. Abaikan pilihan lainnnya, maka tampak dilayar.

2. Setelah itu, klik Data View, kemudian masukkan data Motivasi, Minat dan Prestasi yang sudah dipersiapkan tadi, sanggup dengan cara copy-paste atau ditulis satu persatu.

3. Selanjutnya, dari sajian SPSS pilih sajian Analyze, kemudian submenu Regression, kemudian pilih Linear...

4. Muncul kotak gres dengan nama "Linear Regression", selanjutnya masukkan variabel Motivasi (X1) dan Minat (X2) pada kotak Independent(s): kemudian masukkan variabel Prestasi (Y) pada kotak Dependent: kemudian pada bab "Method" pilih Enter, kemudian klik Statistics...

5. Dilayar akan muncul tampilan obrolan "Linear Regression: Statistics". Aktifkan pilihan dengan cara mecentang (v) pada Covariance matrix dan Collinierity Diagnostics. Abaikan pilihan lain atau biarkan tetap defauld kemudian klik Continue

6. Terakhir klik Ok, maka muncul output SPSS dengan judul "Regression". Untuk melihat ada tidaknya tanda-tanda multikolinearitas dalam model regresi, maka kita cukup memperhatikan tabel output "Coefficients". Adapun pembahsannya sanggup dilihat pada interpretasi berikut.

Interpretasi Output Uji Multikolinearitas Tolerance dan VIF

Sekangan saatnya kita untuk menginterpretasi atau menafsirkan hasil output SPSS di atas. Seperti yang sudah saya jelaskan pada bab sebelumnya, bahwa dasar pengambilan keputusan dalam uji multikolinearitas ini, sanggup dilakukan dengan cara melihat nilai Tolerance dan VIF. Berdasarkan tabel output "Coefficients" pada bab "Collinearity Statistics" diketahui nilai Tolerance untuk variabel Motivasi (X1) dan Minat (X2) yakni 0,394 lebih besar dari 0,10. Sementara, nilai VIF untuk variabel Motivasi (X1) dan Minat (X2) yakni 2,537 < 10,00. Maka mengacu pada dasar pengambilan keputusan dalam uji multikolinearitas sanggup disimpulkan bahwa tidak terjadi tanda-tanda multikolineritas dalam model regresi.

Catatan: jikalau jumlah variabel independent (X) yang dipakai dalam analisis regresi hanya ada 2 buah, maka otomatis hasil Tolerance dan VIF untuk kedua variabel tersebut akan bernilai sama.

Tips Tambahan: solusi alternatif untuk mengatasi tanda-tanda multikolinearitas dalam model regresi antara lain:

1. Melakukan alternatif uji lain untuk mendeteksi tanda-tanda multikolinearitas. (seperti: uji korelasi, uji condition index dan eigenvalue).
2. Melakukan transformasi data (missal: Ln, Log, Lag, dll).
3. Mengeluarkan variabel yang berkorelasi tinggi.
4. Melakukan outlier terhadap data ekstrim atau jikalau dibutuhkan maka boleh menambah sampel gres supaya sebaran data menjadi lebih bervariasi.

Demikian artikel pembahasan mengenai cara melaksanakan uji multikolinearitas dengan melihat nilai tolerance dan VIF memakai kegiatan SPSS versi 21 semoga bermanfaat dan terimakasih. Pada artikel berikutnya akan dibahas mengenai Tutorial Uji Heteroskedastisitas dengan Glejser SPSS

VIDEO Cara Uji Multikolinearitas Tolerance dan VIF dengan SPSS *UPDATE

[Kata Kunci Pencarian: Uji Multikolinearitas dengan Melihat Nilai Tolerance dan VIF SPSS, Cara Melakukan Uji Multikolinearitas dengan Program SPSS, Langkah-langkah Melakukan Uji Multikolinearitas, Tutorial Uji Multikolinearitas dengan Software SPSS | Img: Dokumen hasil olah data dengan pemberian kegiatan SPSS versi 21]

UPDATE INFO: SELASA, 29 JANUARI 2019

Read More

Tutorial Uji Heteroskedastisitas Dengan Glejser Spss

Tutorial Uji Heteroskedastisitas dengan Glejser SPSS | Selamat pagi bapak-bapak, ibu-ibu dan kawan-kawan semua yang sedang bersibuk-sibuk ria mengerjakan skripsi, tesis, maupun kiprah lainnya. Setelah sebelumnya kita membahas mengenai uji normalitas dan uji multikolinearitas, maka pada kesempatan kali ini kita melanjutkan ke tahap berikutnya yakni cara melaksanakan uji heteroskedastisitas.

Sebelum saya mulai tutorial pada pembahasan artikel ini, terlebih dahulu kita harus tahu ihwal konsep dasar dalam uji heteroskedastisitas. Uji heteroskedastisitas merupakan bab dari uji perkiraan klasik dalam analisis regresi yang bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance (variasi) dari nilai residual satu pengamatan ke pengamatan yang lain. Jika variance dari nilai residual satu pengamatan ke pengamatan lain bersifat tetap, maka disebut homoskedastisitas, namun jikalau variance dari nilai residual satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Model regresi yang baik seharusnya tidak terjadi tanda-tanda heteroskedastisitas.



Salah satu cara mendeteksi ada tidaknya tanda-tanda heteroskedastisitas dalam model regresi yaitu dengan melaksanakan uji glejser. Prinsip kerja uji heteroskedastisitas memakai uji glejser ini yaitu dengan cara meregresikan variabel independent terhadap nilai Absolute residual atau Abs_RES dengan rumus persamaan regresinya adalah: |Ut| =a + BXt + vt

Dasar Pengambilan Keputusan Uji Heteroskedastisitas (Glejser)

Seperti yang telah kita ketahui bersama bahwa setiap uji dalam statistik niscaya mempunyai dasar pengambilan keputusan. Dasar pengambilan keputusan mempunyai kegunaan sebagai aliran atau pola dalam memilih sebuah kesimpulan atau keputusan atas hasil analisis yang telah dilakukan. Adapun dasar pengambilan keputusan dalam uji heteroskedastisitas dengan memakai uji glejser yaitu sebagai berikut:

1. Jika nilai signifikansi (Sig.) lebih besar dari 0,05, maka kesimpulannya yaitu tidak terjadi tanda-tanda heteroskedastisitas dalam model regresi.
2. Sebaliknya, jikalau nilai nilai signifikansi (Sig.) lebih kecil dari 0,05, maka kesimpulannya yaitu terjadi tanda-tanda heteroskedastisitas dalam model regresi.

Contoh Soal Uji Heteroskedastisitas dengan Uji Glejser

Selanjutnya kita masuk kebagian contoh perkara uji heteroskedastisitas dengan uji glejser dalam penelitian. Perlu saya informasikan bahwa model regresi yang kita uji kali ini yaitu efek Motivasi (X1) dan Minat (X2) terhadap Prestasi Belajar (Y). Adapun data untuk masing-masing variabel penelitian sanggup dilihat pada gambar dibawah ini.

[Download Data excel, Input-Output SPSS]

Cara Uji Heteroskedastisitas dengan Uji Glejser Menggunakan Program SPSS Versi 21

1. Setelah kita mempersiapkan data yang akan di uji glejser, maka langkah selanjutnya buka kegiatan SPSS, kemudian menyerupai biasa klik Variable View. Kemudian, pada bagian Name tulis saja Motivasi dan Minat dan Prestasi, pada bagian Decimals ubah semua menjadi angka 0, pada bab Label tuliskan Motivasi (X1), Minat (X2) dan Prestasi (Y), pada bab Measure ganti menjadi Scale. Abaikan yang lainnnya, maka tampak di layar sebagai berikut.

2. Setelah itu, klik Data View lalu masukkan data penelitian untuk variabel Motivasi, Minat dan Prestasi yang sebelumnya sudah dipersiapkan (bisa dengan cara copy-paste atau ditulis satu persatu ke SPSS). Tampak dilayar.

3. Langkah selanjutnya, kita akan menciptakan persamaan regresi untuk variabel penelitian dan memunculkan variabel gres yakni variabel Unstandardized residual atau RES_1. Caranya dari hidangan SPSS pilih Analyze, kemudian klik Regression, kemudian klik Linear...

4. Maka muncul kotak obrolan dengan nama "Linear Regression" selanjutnya masukkan variabel Prestasi (Y) ke kolom Dependent: kemudian masukkan variabel Motivasi (X1) dan Minat (X2) ke kolom Independent(s): sehabis itu klik Save...

5. Muncul obrolan dengan nama "Linear Regression: Save" selanjutnya pada bab "Residuals", berikan tanda centang (v) pada Unstandardized (abaikan pilihan lain), kemudian klik Continue

6. Selanjutnya klik Ok (abaikan saja ada output SPSS yang muncul) kemudian buka Data View maka perhatikan disitu muncul variabel gres dengan nama RES_1. Tampak dilayar.

7. Kemudian kita akan menciptakan variabel Abs_RES yang akan kita gunakan dalam uji glejser ini. Caranya, dari hidangan utama SPSS pilih Transform, kemudian klik Compute Variable...

8. Maka muncul dialog "Compute Variable" selanjutnya pada kotak "Target Variable" tuliskan Abs_RES kemudian pada kotak "Numeric Expression" ketikkan ABS(RES_1). Tampak dilayar.

9. Kemudian klik Ok (abaikan saja ada output SPSS yang muncul), lihat di bagian Data View maka muncul variabel gres dengan nama Abs_RES. Tampak dilayar.

10. Selanjuntya kita akan melaksanakan uji glejser untuk persamaan regresi Motivasi (X1) dan Minat (X2) terhadap variabel Absolute residual atau Abs_RES. Caranya dari hidangan utama SPSS pilih Analyze, kemudian pilih Regression, kemudian klik Linear...

11. Muncul kotak obrolan dengan nama "Linear Regression", selanjutnya keluarkan variabel Prestasi (Y) yang terdapat pada kolom Dependent: lalu ganti dengan variabel Abs_RES, kemudian klik Save...

12. Mucul kotak dengan nama "Linear Regression: Save", selanjutnya pada bab "Residuals", hilangkan tanda centang (v) pada Unstandardized (abaikan pilihan yang lain), kemudian klik Continue...

13. Langkah yang terakhir yaitu klik Ok untuk mengakhiri perintah. Maka kita akan sanggup melihat Output SPSS dan selanjutnya tinggal kita interpretasikan saja.

Interpretasi Output Uji Heteroskedastisitas (Glejser) dengan SPSS

Untuk memaknai hasil uji heteroskedastisitas dengan uji glejser ini, maka kita cukup melihat tabel output "Coefficients" dengan variabel Abs_RES berperan sebagai variabel dependent. Berdasarkan output di atas diketahui nilai signifikansi (Sig.) untuk variabel Motivasi (X1) yaitu 0,004. Sementara, nilai signifikansi (Sig.) untuk variabel Minat (X2) yaitu 0,007. Karena nilai signifikansi kedua variabel di atas lebih kecil dari 0,05 maka sesuai dengan dasar pengambilan keputusan dalam uji glejser, sanggup disimpulkan bahwa terjadi tanda-tanda heteroskedastisitas dalam model regresi.

Mengatasi Gejala Heteroskedastisititas dalam Model Regresi

Dalam perkara menyerupai di atas, maka ada beberapa cara yang perlu kita lakukan semoga model regresi terbebas dari tanda-tanda heteroskedastisitas. Adapun solusi yang sanggup kita jadikan alternatif yaitu sebagai berikut:

1. Melakukan alternatif uji lain untuk mendeteksi ada tidaknya tanda-tanda heteroskedastisitas. (seperti: uji heteroskedastisitas dengan gambar scatterplot, uji rank spearman, uji park dan uji white).
2. Melakukan transformasi data penelitian (missal: Ln, Log10, Lag, dll).
3. Melakukan outlier terhadap data ekstrim atau jikalau diharapkan maka kita boleh menambah sampel gres supaya sebaran data menjadi lebih bervariasi atau beragam.

Demikain panduan ihwal cara melaksanakan uji heteroskedastisitas dengan uji glejser dalam model regresi memakai kegiatan SPSS versi 21. Semoga sanggup bermanfaat bagi anda yang sedang mengerjakan tugas. Artikel berikutnya akan dibahas tentang: Tutorial Uji Autokorelasi dengan Durbin Watson SPSS

UPDATE INFO: RABU, 30 JANUARI 2019

[Kata Kunci Pencarian: Tutorial Uji Heteroskedastisitas dengan Glejser SPSS, Cara melaksanakan Uji Heteroskedastisitas dengan Uji Glejser pada Program SPSS versi 21, Langkah-langkah Uji Heteroskedastisitas Glejser dengan software SPSS serta Interpretasi] [Img: Dokumen hasil olah data dengan pertolongan kegiatan SPSS versi 21]

VIDEO: Cara Uji Heteroskedastisitas dengan Uji Glejser SPSS

Read More

Tutorial Uji Autokorelasi Dengan Durbin Watson Spss

Tutorial Uji Autokorelasi dengan Durbin Watson SPSS | Sebelum saya membahas mengenai Uji Autokorelasi, sekedar mengigatkan kembali bahwa sebelumnya telah dibahas mengenai Tutorial Uji Heteroskedastisitas dengan Glejser SPSS. Uji Autokorelasi bertujuan menguji apakah dalam model regresi linear ada hubungan antara kesalahan penganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada duduk perkara autokorelasi.

Autokorelasi muncul alasannya ialah observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul alasannya ialah residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) alasannya ialah “gangguan” pada seseorang individu atau kelompok cenderung mempengaruhi “gangguan” pada individu atau kelompok yang sama atau pada periode berikutnya.

Model regresi yang baik ialah regresi yang bebas dari autokorelasi. Ada beberapa cara yang sanggup dipakai untuk mendeteksi ada atau tidaknya autokorelasi. Dalam postingan kali ini akan saya bahas mengenai Uji Autokorelasi dengan Durbin Watson (DW test). Uji Durbin Watson hanya dipakai untuk autokorelasi tingkat satu dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen.

Dasar Pengambilan Keputusan
Metode pengujian yang sering dipakai ialah dengan uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut :

1. Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol ditolak, yang berarti terdapat autokorelasi.
2. Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi.
3. Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti.

Setelah teman mengetahui dasar-dasar pada Uji Autokorelasi, sekarang kita masuk pada bab praket pengolahan datanya dengan SPSS versi 21. Perlu saya informasikan terlebih dahulu bahwa data yang akan diuji ialah data Motivasi (X1), Minat (X2), dan Prestasi (Y) dengan jumlah N=12. Adapun rincian datanya sanggup dilihat pada gambar dibawah ini.

1. Setelah data yang ingin di uji sudah dipersiapkan, selanjutnya buka kegiatan SPSS, kemudian menyerupai biasa, 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 ,dam Prestasi, abaikan yang lainnnya.



2. Setelah itu, klik Data View, dan masukkan data Motivasi (X1), Minat (X2) dan Prestasi (Y) yang sudah dipersiapkan tadi, sanggup dengan cara copy-paste.

3. Langkah selanjunya, dari hidangan SPSS pilih Analyze, kemudian klik Regression, selanjutnya klik Linear

4. Kemudian, muncul kotak obrolan dengan nama Linear Regression, maka masukkan variabel Prestasi (Y) ke Dependent, masukkan variabel Motivasi (X1) dan Minat (X2) ke Independent (s), laris klik Statistics

5. Muncul kotak dengan nama Linear Regression : Statistics, pada bab ini kemudian centang (v) Durbin-Watson (abaikan centangan yang lain).

6. Langkah yang terakhir ialah klik Ok. Hasil outputnya lihat dibawah ini.

Berdasarkan output di atas, diketahui nilai DW 2,115, selanjutnya nilai ini akan kita bandingkan dengan nilai table signifikansi 5%, jumlah sampel N=12 dan jumlah variabel independen 2 (K=2) = 2.12 (Cari pada tabel Durbin Watson) maka diperoleh nilai du 1,579.

Nilai DW 2,115 lebih besar dari batas atas (du) yakni 1,579 dan kurang dari (4-du) 4-1,579 = 2,421 sehingga sanggup disimpulkan bahwa tidak terjapat autokorelasi.

Demikain tadi serangkaian Tutorial Uji Autokorelasi dengan Durbin Watson SPSS cukup mudah dan gampang untuk dipraktekkan, jikalau teman masih resah sanggup menentukan alternatif lain yakni : Jasa Olah Data Statistik SPSS Terpercaya

Artikel selanjutnya : Cara Melakukan Analisis Regresi Berganda dengan SPSS

[Search : Tutorial Uji Autokorelasi dengan Durbin Watson SPSS, Cara melaksanakan Uji Autokorelasi dengan Uji Durbin Watson (DW test) kegiatan SPSS versi 21, Langkah-langkah Uji Autokorelasi lengkap dengan gambar]
[Img : Dokumen olah data SPSS versi 21]

Read More