Panduan Analisis Faktor Dan Interpretasi Dengan Spss Lengkap

Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap | Secara umum analisis faktor ialah suatu teknik analisis yang memuat isu perihal pengelompokan variabel faktor dalam suatu penelitian. Analisis faktor bertujuan untuk menyaring variabel mana yang paling unggul atau paling lebih banyak didominasi dari beberapa variabel yang dipilih oleh peneliti. Hasil analisis faktor sanggup juga digunakan untuk membedakan komponen atau variabel prioritas menurut perangkingan yang ada.

Penting: Pembahasan perihal Analisis faktor dalam artikel ini cukup panjang, silahkan baca bagian-perbagian dengan cermat dan teliti supaya benar-benar paham ya. Ok silahkan lanjut…

Asumsi atau Persyaratan dalam Analisis Faktor

1. Data masing-masing variabel yang diteliti berdistribusi normal | Cara Uji Normalitas dalam Analisis Faktor dengan SPSS
2. Nilai Kaiser-Mayer-Olkin Measure of Sampling Adequacy (KMO MSA) lebih besar dari 0,50 dan nilai Bartlett's Test of Sphericity (Sig.) lebih kecil 0,05.
3. Ada hubungan atau hubungan yang berpengaruh antar variabel. Hal ini ditandai dengan nilai Anti-image Correlation antar variabel lebih besar dari 0,50.

Contoh Soal Analisis Faktor pada Penelitian (Skripsi)

Seorang mahasiswa semester final ingin melaksanakan penelitian perihal “Analisis Faktor-Faktor yang mepengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Ada 25 orang responden atau sampel dengan balasan 5 item pertanyaan kuesioner tentang: P1 (Keandalan), P2 (Ketanggapan), P3 (Keyakinan), P4 (Empati), dan P5 (Berwujud). Pertanyaan tersebut ialah jenis pertanyaan konkret (favorable) dimana setiap pertanyaan mempunyai lima pilihan balasan dengan penskorannya, sebagai berikut:

1. Sangat Tidak Puas (skor 1)
2. Kurang Puas (skor 2)
3. Cukup Puas (skor 3)
4. Puas (skor 4)
5. Sangat Puas (skor 5)

Adapun data penelitian yang akan dilakukan analisis faktor ialah sebagai berikut.

[Download Data Lengkap]

Langkah-Langkah Analisis Faktor dengan SPSS Versi 21

1. Buka lembar kerja gres SPSS, kemudian klik Variable View untuk mengisi Name, Decimals, Label dan Measure, dengan ketentuan sebagaimana gambar dibawah ini:

2. Selanjutnya klik Data View, kemudian masukkan data Keandalan ke kolom P1, data Ketanggapan kolom P2, data Keyakinan kolom P3, data Empati kolom P4, dan data Berwujud kolom P5.

3. Dari sajian SPSS klik Analyze >> Dimension Reduction >> Factor... Tampak dilayar sebagai berikut

4. Muncul kotak obrolan “Factor Analysis” selanjutnya, masukkan semua variabel ke kotak Variables: kemudian klik Descriptives…

5. Muncul kotak obrolan “Factor Analysis: Descriptives” kemudian berikan tanda centang (v) pada Initial solution, KMO and Bartlett’s test of sphericity, dan Anti-image, kemudian klik Continue

6. Selanjutnya klik Extraction… maka muncul kotak obrolan “Factor Analysis: Extraction” berikan tanda centang (v) pada Unrotated factor solution dan Scree plot, kemudian klik Continue

7. Berikutnya klik Rotation… maka muncul kotak obrolan “Factor Analysis: Rotation” kemudian aktifkan Varimax dan beri tanda centang (v) pada Rotated solution, kemudian klik Continue

8. Kemudian klik Scores… maka muncul kotak obrolan “Factor Analysis: Factor Scores” kemudian aktifkan Save as Variable, kemudian klik Continue

9. Terakhir ialah klik Ok. Maka akan muncul output Factor Analysis SPSS.

Interpretasi Analisis Faktor dengan SPSS Lengkap

Tabel Output Pertama “KMO and Bartlett's Test”

Tabel output KMO and Bartlett's Test berkhasiat mengetahui kelayakan suatu variabel, apakah sanggup di proses lebih lanjut memakai teknik analisis faktor ini atau tidak. Caranya dengan melihat nilai KMO MSA (Kaiser-Meyer-Olkin Measure of Sampling Adequacy). Jika nilai KMO MSA lebih besar dari 0,50 maka teknik analisis faktor sanggup di lanjutkan. Berdasarkan output di atas diketahui nilai KMO MSA sebesar 0,681 > 0,50 dan nilai Bartlett's Test of Sphericity (Sig.) 0,008 < 0,05, maka analisis faktor dalam penelitian ini sanggup dilanjutkan lantaran sudah memenuhi persyaratan pertama.

Tabel Output Kedua “Anti-image Matrices”

Anti-image Matrices berkhasiat untuk mengetahui dan memilih variabel mana saja yang layak pakai dalam analisis faktor. Perhatikan bab Anti-image Correlation, pada tabel tersebut terdapat arahan abjad (a) yang artinya tanda untuk Measure of Sampling Adequacy (MSA). Diketahui nilai MSA dari masing-masing yang diteliti ialah sebagai berikut:

1. Keandalan sebesar 0,693
2. Ketanggapan sebesar 0,721
3. Keyakinan sebesar 0,659
4. Empati sebesar 0,657
5. Berwujud sebesar 0,657

Persyaratan yang harus terpenuhi dalam analisis faktor ialah nilai MSA > 0,50. Dari hasil di atas diketahui bahwa nilai MSA untuk semua variabel yang diteliti ialah > 0,50, maka persyaratan kedua dalam analisis faktor ini pun terpenuhi.

Catatan: jikalau ada variabel yang mempunyai nilai MSA < 0,50 maka solusinya ialah dengan melaksanakan proses analisis ulang hanya untuk variabel yang mempunyai nilai MSA > 0,50.

Tabel Output Ketiga “Communalities”

Tabel Communalities ini mengatakan nilai variabel yang diteliti apakah bisa untuk menjelaskan faktor atau tidak. Variabel dianggap bisa menjelaskan faktor jikalau nilai Extraction lebih besar dari 0,50. Berdasarkan output di atas, diketahui nilai Extraction untuk semua variabel ialah lebih besar dari 0,50. Dengan demikian sanggup disimpulkan bahwa semua variabel sanggup digunakan untuk menjelaskan faktor.

Tabel Output Keempat “Total Variance Explained”

Tabel Total Variance Explained mengatakan nilai masing-masing variabel yang di analisis. Dalam penelitian ini ada 5 variabel berarti ada 5 Component yang di analisis. Ada dua macam analisis untuk menjelaskan suatu varian, yaitu Initial Eigenvalues dan Extraction Sums of Squared Loadings. Pada varian Initial Eigenvalues mengatakan faktor yang terbentuk. Apabila semua faktor dijumlahkan mengatakan jumlah variabel (yaitu 2,293 + 1,211 + 0,628 + 0,439 + 0,429 = 5 variabel). Sedangkan pada bab Extraction Sums of Squared Loadings mengatakan jumlah variasi atau banyaknya faktor yang sanggup terbentuk, pada hasil output di atas ada 2 (dua) variasi faktor, yaitu 2,293 dan 1,211.

Penjelasan Lain Kotak Warna Hijau: menurut tabel output Total Variance Explained pada bab “Initial Eigenvalues”, maka ada 2 (dua) faktor yang sanggup terbentuk dari 5 variabel yang di analisis. Dimana syarat untuk menjadi sebuah factor, maka nilai Eigenvalue harus lebih besar 1. Nilai Eigenvalue Component 1 sebesar 2,293 atau >1 maka menjadi faktor 1 dan bisa menjelaskan 45,870% variasi. Sedangkan nilai Eigenvalue Component 2 sebesar 1,211 atau >1 maka menjadi faktor 2 dan bisa menjelaskan 24,228% variasi. Jika faktor 1 dan faktor 2 dijumlahkan maka bisa menjelaskan 70,098% variasi.

Catatan: Nilai total Component 3, 4, dan 5 tidak dihitung lantaran nilai Eigenvalue Component 3, 4, dan 5 < 1 maka tidak menjadi faktor.

Output Kelima “Scree Plot”

Gambar Scree Plot ini sanggup juga mengatakan jumlah faktor yang terbentuk. Caranya dengan melihat nilai titik Component yang mempunyai nilai Eigenvalue > 1. Dari gambar Scree Plot di atas ada 2 titik Component yang mempunyai nilai Eigenvalue >1 maka sanggup diartikan bahwa ada 2 faktor yang sanggup terbentuk.

Tabel Output Keenam “Component Matrix”

Component Matrix ini mengatakan nilai hubungan atau hubungan antara masing-masing variabel dengan faktor yang akan terbentuk. Misal: dari output di atas terlihat pada variabel Keandalan, yakni nilai hubungan variabel ini dengan faktor 1 ialah sebesar 0,767, dan hubungan dengan faktor 2 ialah sebesar 0,315. Untuk variabel yang lain cara memaknainya sama menyerupai pada variabel Keandalan.

Tabel Output Ketujuh “Rotated Component Matrix”

Untuk memastikan suatu variabel masuk dalam kelompok faktor mana, maka sanggup ditentukan dengan melihat nilai hubungan terbesar antara variabel dengan faktor (Component) yang terbentuk. Cara membaca hasil analisis faktor model rotasi, sanggup mengikuti klarifikasi berikut ini.

1. Variabel Keandalan. Nilai hubungan variabel ini dengan faktor 1 = 0,351 dan faktor 2 = 0,751, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Keandalan termasuk kelompok faktor 2
2. Variabel Ketanggapan. Nilai hubungan variabel ini dengan faktor 1 = 0,417 dan faktor 2 = 0,685, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Ketanggapan termasuk kelompok faktor 2
3. Variabel Keyakinan. Nilai hubungan variabel ini dengan faktor 1 = -0,225 dan faktor 2 = 0,809, lantaran nilai hubungan faktor 2 > faktor 1 maka variabel Keyakinan termasuk kelompok faktor 2
4. Variabel Empati. Nilai hubungan variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, lantaran nilai hubungan faktor 1 > faktor 2 maka variabel Empati termasuk kelompok faktor 1
5. Variabel Berwujud. Nilai hubungan variabel ini dengan faktor 1 = 0,851 dan faktor 2 = 0,101, lantaran nilai hubungan faktor 1 > faktor 2 maka variabel Berwujud termasuk kelompok faktor 1

Dengan melihat pembahasan di atas maka kesimpulan yang sanggup kita ambil dalam analisis faktkor ini ialah sebagai berikut.

Tabel Output Ketujuh “Component Transformation Matrix”

Component Transformation Matrix mengatakan bahwa pada component 1 nilai korelasinya ialah sebesar 0,735 > 0,5, dan component 2 nilai korelasinya sebesar ,735 > 0,5. Karena nilai hubungan semua component > 0,5 maka kedua faktor yang terbentuk ini sanggup disimpulkan layak untuk merangkum kelima variabel yang dianalisis.

Terakhir, silahkan anda perhatikan pada tampilan Data View, maka disitu ada variabel gres dengan nama FAC1_1 dan FAC2_1

Penjelasan: Variabel gres FAC1_1 ialah faktor skor dari faktor 1, dan variabel FAC2_1 ialah faktor skor dari faktor 2.

VIDEO: Tutorial Analisis Faktor dengan SPSS + Interpretasi

Demikian Pembahasan perihal Panduan Analisis Faktor dan Interpretasi dengan SPSS, supaya bermanfaat bagi kita semua. Selamat mencoba dan terimakasih.

[Kata Kunci Pencarian: Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap, Langkah-Langkah Analisis Faktor Menggunakan Program SPSS, Cara Interpretasi Analisis Faktor- Factor Analysis dalam Aplikasi SPSS Versi 21]

Read More

Cara Melaksanakan Uji Normalitas Dalam Analisis Faktor Dengan Spss

Cara Melakukan Uji Normalitas dalam Analisis Faktor dengan SPSS | Normalitas data merupakan suatu hal yang penting dalam sebuah penelitian. Data yang normal akan bisa menghasil analisis statistik yang akurat. Dalam analisis faktor salah satu persyaratan yang harus terpenuhi yakni data dari masing-masing variabel faktor berdistribusi normal.

Mesikpun demikian, dalam beberapa perkara sering kita dijumpai data tidak berdistribusi normal, akan tetapi peneliti tetap melaksanakan analisis faktor. Terkait perkara ini, saya belum menemukan rujukan dan agumentasi pendukung untuk menguatkan teori tersebut. Oleh alasannya yakni itu, ada baiknya sebelum kita melaksanakan analisis faktor, kita melaksanakan uji normalitas terlebih dahulu untuk mengetahui apakah data penelitian kita berdistribusi normal atau tidak. Jika data penelitian sudah berdistribusi normal barulah analisis faktor sanggup kita lakukan.

Contoh Soal Uji Normalitas dalam Analisis Faktor

Seorang mahasiswa akan melaksanakan penelitian wacana “Analisis Faktor-Faktor yang mepengaruhi Kepuasan Pelanggan terhadap Pelayanan PT. Telkom Solo”. Ada 25 orang responden yang menjawab 5 item pertanyaan kuesioner tentang: P1 (Keandalan), P2 (Ketanggapan), P3 (Keyakinan), P4 (Empati), dan P5 (Berwujud). Pertanyaan tersebut yakni jenis pertanyaan positif, dimana setiap pertanyaan mempunyai lima pilihan balasan dengan kriteria skor, sebagai berikut ini:

1. Sangat Tidak Puas (skor 1)
2. Kurang Puas (skor 2)
3. Cukup Puas (skor 3)
4. Puas (skor 4)
5. Sangat Puas (skor 5)

Adapun data balasan ke-25 orang responden tersebut yakni sebagai berikut.

[Download Data Lengkap]

Dari data di atas saya akan melaksanakan uji normalitas terhadap kelima variabel faktor yang diteliti, adapun ke-5 variabel faktor tersebut adalah:

1. Keandalan
2. Ketanggapan
3. Keyakinan
4. Empati
5. Berwujud

Cara Uji Normalitas dalam Analisis Faktor dengan SPSS

1. Aktifkan lembar kerja gres SPSS, kemudian klik Variable View untuk mengisi Name, Decimals, Label dan Measure, dengan ketentuan sebagaimana gambar berikut.

2. Langkah selanjutnya klik Data View, kemudian masukkan data Keandalan ke kolom P1, data Ketanggapan kolom P2, data Keyakinan kolom P3, data Empati kolom P4, dan data Berwujud kolom P5. Tampak dilayar sebagaimana gambar berikut.

3. Setelah itu, dari hidangan SPSS klik Analyze >> Nonparametric Tests >> Legacy Dialogs >> 1-Sample K-S… Tampak dilayar sebagai berikut.

4. Muncul kotak obrolan “One-Sample Kolmogorov-Smirnov Test” kemudian masukkan kelima variabel faktor tersebut ke kotak Variables. Pada bab “Test Distribution” beritanda centang (v) pada Normal. Tampak dilayar sebagai berikut.

5. Langkah terkahir yakni klik Ok. Maka akan mucul output SPSS sebagai berikut.

Dasar Pengambilan Keputusan dalam Uji Normalitas

1. Jika nilai Asymp. Sig. (2-tailed) > 0,05 maka data berdistribusi Normal.
2. Jika nilai Asymp. Sig. (2-tailed) < 0,05 maka data tidak berdistribusi Normal.

Keputusan Uji Normalitas dalam Analisis Faktor

Berdasarkan output SPSS “One-Sample Kolmogorov-Smirnov Test” di atas diketahui nilai Asymp. Sig. (2-tailed) untuk masing-masing variabel yakni sebagai berikut:

1. Keandalan sebesar 0,108
2. Ketanggapan sebesar 0,068
3. Keyakinan sebesar 0,089
4. Empati sebesar 0,082
5. Berwujud sebesar 0,082

Karena nilai Asymp. Sig. (2-tailed) untuk ke-5 variabel di atas lebih besar dari 0,05 maka sanggup disimpulkan bahwa data dari ke-5 variabel tersebut yakni berdistribusi normal. Dengan demikian maka analisis faktor dalam penelitian ini sanggup dilanjutkan.

Buka: Panduan Analisis Faktor dan Interpretasi dengan SPSS Lengkap

Demikian pembahasan saya mengenai cara melaksanakan uji normalitas dalam analisis faktor dengan SPSS, terimakasih biar bermanfaat dan biar sukses dan lancar untuk penelitian anda.

[Kata Kunci Pencarian: Cara Melakukan Uji Normalitas dalam Analisis Faktor dengan SPSS, Uji Normalitas One-Sample Kolmogorov-Smirnov Test untuk Analisis Faktor Menggunakan SPSS, Langkah-Langkah Uji Normalitas Data dalam Analisis Faktor dengan Program SPSS]

Read More

Cara Melaksanakan Analisis Anova Satu Faktor Dengan Spss

Cara Melakukan Analisis Anova Satu Faktor dengan SPSS | Analisis one way ANOVA atau uji anova satu faktor intinya bertujuan untuk membandingkan nilai rata-rata yang terdapat pada variabel terikat di semua kelompok yang dibandingkan. Nilai masing-masing kelompok dilihat menurut pada variabel bebas yang berskala kategori. Fungsi variabel bebas disini tolong-menolong yaitu untuk mewakili kelompok-kelompok yang akan diteliti. Variabel bebas dalam analisis anova satu faktor disebut juga sebagai variabel faktor, sementara kelompok-kelompok yang dibandingkan disebut sebagai variabel tingkatan faktor.

Prosedur analisis Anova satu faktor sanggup menghasilkan analisis satu faktor untuk sebuah variabel terikat dengan sebuah variabel bebas. Seperti yang sudah saya utarakan di awal pembahasan ini, bahwa teknik analisis Anova satu faktor pada prinsipnya yaitu untuk menguji sebuah hipotesis yang akan mengambarkan nilai rata-rata masing-masing variabel tersebut sama atau tidak. Pertanyaan yang sering kali terbesit dibenak kita yaitu “lantas apa perbedaan antara uji analisis Anova satu faktor dengan uji independent sample t test, alasannya yaitu kedua uji tersebut sama-sama bertujuan untuk membandingkan nilai rata-rata?” Penjelasannya yaitu bahwa analisis Anova satu faktor yaitu ekspansi dari teknik uji independent sample t test. Perbedaan yang fundamental yaitu dimana uji independent sample t test sendiri dipakai untuk membandingkan nilai rata-rata variabel terikat pada dua kelompok saja, sedangkan lebih jauh dari itu analisis Anova satu faktor sanggup dipakai untuk kelompok yang berjumlah lebih dari 2 (dua) serta memiliki nilai rata-rata yang sama ataupun berbeda.


PERSYARATAN PENGUNAAN ANALISIS ANOVA

Dalam memakai Anova untuk menganalisis data penelitian, terdapat beberapa syarat yang harus terpenuhi. Adapun syarat-syaratnya antara lain:

1. Sebaran data untuk masing-masing kelompok harus berdistribusi normal [Cara Uji Normalitas untuk One Way Anova dengan SPSS Lengkap]
2. Variabel terikat harus memiliki kesamaan varian atau bersifat homogen, dengan demikian tentunya kita harus melaksanakan uji homogenitas terlebih dahulu.
3. Subjek dalam setiap kelompok harus dipilih secara random atau acak dengan memakai teknik probabilitas.
4. Data penelitian untuk variabel terikat idealnya berskala interval. Sementara, bila data penelitian yang diperoleh berskala ordinal maka sebaiknya ditransformasi atau di ubah menjadi skala interval terlebih dahulu. Transformasi data sanggup dilakukan dengan MSI atau metode suksesif interval.
5. Kelompok yang dibandingkan harus berasal dari sampel yang berbeda atau tidak berpasangan dengan kata lain responden penelitian untuk masing-masing kelompok haruslah berbeda.
6. Variabel bebas idealnya bersifat non metrik atau berskala ordinal.

CONTOH KASUS ANALISIS ANOVA SATU FAKTOR

Pada kempatan kali ini saya akan mempraktekkan cara melaksanakan analisis anova satu faktor dengan tumpuan kasus: “Seorang peneliti ingin membandingkan penjualan handphone dengan merek Samsung, Oppo, Vivo, dan Lenovo”. Dimana para pembeli handphone di toko-toko tertentu hanya dihadapkan pada keempat merek tersebut, kemudian akan diteliti tentang:

1. Berapa rata-rata penjualan keempat handphone tersebut?
2. Apakah terdapat perbedaan rata-rata dalam penjualan keempat handphone tersebut?
3. Rata-rata penjualan handphone mana saja yang sama atau berbeda penjualannya?

Penelitian ini dilakukan selama 10 minggu, adapun data penelitian yang terkumpul sebagaimana table data di bawah ini.

Sebelum kita melaksanakan analisis terhadap data di atas dengan aktivitas SPSS, maka sebaiknya bentuk tabel di atas kita dimodifikasi terlebih dahulu menjadi dua buah tabel. Sebab dalam dalam analisis anova satu faktor dengan SPSS, kita hanya sanggup memasukkan dua variabel saja. Oleh alasannya yaitu itu, tabel di atas kita ubah menjadi menyerupai tabel data di bawah ini.

Download Data Lengkap


CARA MELAKUKAN ANALISIS ANOVA SATU FAKTOR DENGAN SPSS

Langkah-langkah dalam melaksanakan analisis anova satu faktor dengan SPSS dimulai dengan:

1. Buka aktivitas SPSS, kemudian klik Variable View, kemudian untuk memasukkan nama dan mendefinisikan varabel, maka:

Variabel pertama: Merek (X), isikan dengan:
Name: ketikkan X
Type: pilih Numeric
Width: pilih 8
Decimals: pilih 0
Label: tuliskan Merek
Value: klik pada pecahan none, maka akan muncul kotak obrolan “Value Labels” untuk kotak Value isikan 1, kemudian pada kotak Label isikan Samsung, kemudian klik Add. Kemudian isikan lagi 2 untuk kotak Value dan isikan Oppo untuk kotak Label, kemudian klik Add. Begitu seterusnya hingga keempat merek handphone terinput pada kotak Value Labels.

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

Variabel kedua: Penjualan (Y), maka isikan dengan:
Name: ketikkan Y
Type: pilih Numeric
Width: pilih 8
Decimals: pilih 0
Label: tuliskan Penjualan
Value: pilih None
Missing: pilih None
Columns: pilih 8
Align: pilih Right
Measure: pilih Scale
Role: pilih Input

Sehingga di layar akan tampak, sebagai berikut:

2. Jika semua nama variabel sudah ditulis dengan benar, selanjutnya klik Data View, kemudian input data variabel Merek ke kotak X dan variabel Penjualan ke kotak Y

3. Jika data sudah lengkap, maka klik sajian Analyze – Compare Means – One-Way ANOVA

4. Maka muncul kotak obrolan “One-Way ANOVA”, selanjutnya pindahkan variabel Penjualan (Y) ke kolom Dependent List, kemudian pindahkan variabel Merek (X) ke kolom Factor

5. Langkah berikutnya klik Post Hoc, maka muncul kotak obrolan “One-Way ANOVA: Post Hoc Multiple Comparisons”. Pilih Tukey, kemudian klik Continue

6. Kemudian klik Options, maka muncul kotak obrolan “One-Way ANOVA: Options” berikan tanda centang pada Descriptive dan Homogenity of variance test, kemudian klik Continue

7. Langkah terakhir yaitu klik Ok, maka akan muncul Ouput SPSS yang kita butuhkan dalam Analisis Anova Satu Faktor


INTERPRETASI OUTPUT ANALISIS ANOVA SATU FAKTOR DENGAN SPSS

Pembahasan mengenai output SPSS dalam analisis Anova satu faktor akan saya bagi menjadi 5 tahap pembahasan supaya lebih detail dan sistematis. Kita mulai dari:

A. Melihat Perbedaan Rata-Rata Penjualan Empat Merek Handphone

Berdasarkan output SPSS di atas, kita sanggup melihat perbedaan rata-rata penjualan dari keempat merek handphone dengan rincian sebagai berikut:

1. Rata-rata penjualan handphone Samsung sebesar 45,30.
2. Rata-rata penjualan handphone Oppo sebesar 41,10.
3. Rata-rata penjualan handphone Vivo sebesar 39,00.
4. Rata-rata penjualan handphone Lenovo sebear 35,70.

Dengan demikian maka secara deskriptif sanggup disimpulkan bahwa rata-rata penjualan paling tinggi yaitu handphone Samsung yakni sebesar 45,30.


B. Menguji Kesamaan Varian (Uji Homogenitas)

Berdasarkan output SPSS di atas, diperoleh angka Levene Statistic sebesar 2,508 dengan signifikansi atau probabilitas (Sig) sebesar 0,074. Karena nilai signifikansi 0,074 lebih besar dari 0,05, maka sanggup disimpulkan bahwa varian keempat kelompok penjualan handphone yang kita bandingkan tersebut yaitu sama atau homogen.

Baca: Cara Melakukan Uji Homogenitas dengan SPSS

C. Menguji Apakah Keempat Sampel Mempuyai Rata-Rata yang Sama atau Berbeda (Analisis Anova)

Dasar pengambilan keputusan dalam Analisis Anova:

1. Jika nilai signifikansi (Sig) > 0,05 maka rata-rata sama.
2. Jika nilai signifikansi (Sig) < 0,05 maka rata-rata berbeda.

Berdasarkan output Anova di atas, diketahui nilai sig sebesar 0,009 < 0,05, sehingga sanggup disimpulkan bahwa rata-rata keempat penjualan merek handphone tersebut “BERBEDA” secara signifikan.


D. Mencari Kelompok Mana Saja yang Rata-Rata Penjualannya Sama dan Tidak Sama (Tes Post-Hoc)

Pengujian Tukey HSD yaitu pengujian perbandingan jamak untuk memilih apakah tiga rata-rata atau lebih berbeda secara signifikan dalam jumlah analisis varian. Sebagai contoh, kita akan membadingkan rata-rata penjualan handphone Samsung dengan Oppo. Angka perbedaan rata-rata untuk penjualan merek handphone tersebut yaitu 4,200. Angka ini diperoleh dari nilai rata-rata (pada output deskriptif) untuk penjualan Samsung (45,30) dikurangi dengan rata-rata penjualan Oppo (41,10). Sementara itu, perbedaan rata-rata penjualan berkisar antara -3,06 (Lower Bound) hingga dengan 11,46 (Upper Bound) pada tingkat kepercayaan 95%. Untuk menguji apakah terdapat perbedaan rata-rata kedua merek handphone tersebut, maka kita harus melihat apakah nilai signifikansi hasil output SPSS lebih besar atau lebih kecil dari 0,05. Berdasarkan output di atas diketahui nilai Sig sebesar 0,415 > 0,05, maka sanggup disimpulkan bahwa penjualan handphone Samsung dan Oppo yaitu sama dan perbedaan rata-rata penjualan secara deskriptif antara kedua handphone tersebut tidaklah signifikan. Selanjutnya untuk membandingkan kelompok yang lainnya dilakukan dengan cara yang sama sebagaimana cara di atas.


E. Melihat Kesamaan Rata-Rata Penjualan Keempat Merek Handphone

Untuk melihat kesamaan rata-rata, maka kita akan memakai output Tukey HSD. Berikut interpretasi tabel di atas:

1. Pada subset 1 terdapat data penjualan Lenovo, Vivo, dan Oppo. Artinya rata-rata penjualan ketiga merek handphone tersebut tidak memiliki perbedaan yang signifikan. Dengan kata lain, rata-rata penjualan Lenovo, Vivo, dan Oppo yaitu sama.
2. Pada subset 2 terdapat data penjualan Vivo, Oppo, dan Samsung. Artinya rata-rata penjualan ketiga merek handphone tidak memiliki perbedaan yang signifikan. Dengan kata lain, rata-rata penjualan Vivo, Oppo, dan Samsung yaitu sama.

PEMBUATAN KESIMPULAN DALAM ANALISIS ANOVA SATU FAKTOR

Dalam riset eksperimen ini hanya rata-rata penjualan Samsung dengan Lenovo saja yang berbeda, sedangkan rata-rata penjualan handphone merek lainnya yaitu sama. Dengan demikian, variabel merek hanya kuat secara signifikan terhadap perbedaan rata-rata penjualan handphone merek Samsung dan Lenovo.

Tonton: Bimbingan Kilat Uji One Way Anova dengan SPSS bagi Pemula

Demikian serangkain pembahasan kita wacana cara melaksanakan analisis anova satu faktor dengan SPSS, supaya sanggup bermanfaat bagi pembaca semua. Terimakasih atas perhatian kawan-kawan. Salam…

Catatan: Solusi alternatif dikala data penelitian dalam uji one way anova tidak berdistribusi normal yaitu memakai statistik non paramtrik yakni dengan Uji Kruskal Wallis

[Search: Cara Melakukan Analisis Anova Satu Faktor dengan SPSS, Persyaratan Pengunaan Analisis Anova Satu Faktor, Panduan Langkah-langkah Uji Anova Satu Faktor memakai SPSS Interpretasi, Prosedur Analisis one way ANOVA SPSS]

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