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

Jasa Olah Data Statistik Spss Terpercaya

Jasa Olah Data Statistik SPSS Terpercaya | Bismillaahirrohmaanirrohiim... yaitu blog langsung yang membahas perihal cara melaksanakan analisis data dengan jadwal SPSS. Selanjutnya, untuk memfasilitasi tutorial yang diberikan, kami membuka Jasa Olah Data Statistik SPSS bagi anda yang sedang kesulitan dalam megerjakan tugas, skripsi, maupun tesis. Adapun olah data yang kami layani meliputi :

Kategori Analisis dan Harga yang Ditawarkan :

N0	Kategori	Biaya
1	Uji Validitas	Kontak Admin
2	Uji Reliabilitas	Kontak Admin
3	Analisis Deskriptif	Rp.20.000
4	Uji Normalitas	Rp.20.000
5	Uji Linearitas	Rp.20.000
6	Uji Independent	Rp.20.000
7	Uji Homogenitas	Rp.20.000
8	Uji Multikolonieritas	Rp.20.000
9	Uji Autokorelasi	Rp.20.000
10	Uji Heteroskedastisitas	Rp.20.000
11	One Sample t Test	Rp.25.000
12	Paired Sample t Test	Rp.30.000
13	Independent Sample t Test	Rp.30.000
14	One Way ANOVA	Rp.25.000
15	Two Way ANOVA	Rp.30.000
16	Analisis Korelasi	Rp.25.000
17	Analisis Regresi Sederhana	Rp.30.000
18	Analisis Regresi Ganda	Rp.35.000
19	Uji lainnya	Kontak Admin

Catatan : Harga di atas hanya berlaku untuk data penelitian dengan jumlah N = < 50, jumlah variabel bebas atau predictor (X) = 1 buah, dan jumlah variabel terikat atau Kriterium (Y) = 1 buah. Untuk data yang jumlahnya lebih dari ketentuan di atas, maka biaya yang dibebankan dilakukan melalui jalur negosiasi

Info dan Kontak Admin :

Jika anda berminat untuk melaksanakan pemesanan olah data kepada kami, anda sanggup menghubungi kami di :

1. Nama : Sahid Raharjo, S.Pd
2. Alamat : Bolo Kidul RT 06 / 04, Taji, Juwiring, Klaten, Jawa Tengah
3. Kode Pos : 57472
4. No. Hp : -
5. Email : sahidraharjo14@gmail.com

Prosedur Pemesanan :

Prosedur pemesanan olah data sanggup anda lakukan dengan tahapan-tahapan sebagai berikut :

1. Menghubungi kami untuk pemesanan olah data melalui SMS
2. Melakukan kesepakatan-kesepakatan
3. Anda mengirim data penelitian kepada kami melalui email
4. Proses olah data dilakukan (biasanya waktu pengerjaan selama 1 x 24 jam)
5. Kami mengirim hasil olah data kepada anda melalui email
6. Anda melaksanakan pembayaran. Selesai…

Data-data yang Harus Anda Kirim mencakup:

1. Judul Penelitian, Rumusan Masalah Penelitian, dan Hipotesis Penelitian
2. Data Rekapitulasi angket dalam format Microsoft Word atau Microsoft Excel Download Contoh
3. Menginformasikan uji analisis yang di inginkan
4. Semua Data di atas selanjutnya dikirim ke email saya

Hasil Olah Data yang Kami Kirim meliputi :

1. Hasil analisis data lengkap dan akurat dalam format Microsoft Word
2. Data interpretasi atau klarifikasi dari hasil analisis yang sudah dilakukan
3. Tabel-tabel yang diharapkan untuk lampiran penelitian
4. Output SPSS lengkap
5. Bonus Ebook “Belajar Praktek Analisis Multivariate dengan SPSS” oleh Sahid Raharjo, S,Pd – Bagi yang biaya pengerjaannya lebih dari Rp.50.000

Meode dan Tatacara Pembayaran :

Pembayaran atas hasil olah data yang sudah anda terima sanggup dikirim melalui :

1. Rekening BCA | No Rek. 3930479976 | Atas Nama : Sahid Raharjo
2. Pulsa untuk biaya kurang dari Rp.50.000
3. Kesalahan transfer dana alasannya yaitu salah menuliskan nama dan no rekening akseptor transfer bukan merupakan tanggung jawab kami
4. Dana yang sudah ditransfer tidak sanggup ditarik kembali kalau hasil analisis data sudah dikirimkan oleh admin, kecuali kalau data yang dikirimkan salah alamat yang artinya data yang dikirimkan bukan merupakan data hasil analisis dari data mentah pelanggan yang bersangkutan

Alasan-alasan kenapa anda mengolahkan data kepada kami :

1. Biaya yang dibebankan kepada anda relatif murah
2. Biodata admin terperinci dan lengkap
3. Pengerjaan dilakukan secara cepat dan akurat yakni 1 X 24 jam tergantung jumlah order pelanggan
4. Pembayaran dilakukan sehabis anda mendapatkan hasil olah data, hal ini dilakukan biar anda tidak merasa dirugikan. Hati-hati dengan jasa online alasannya yaitu sering terjadi penipuan!
5. Konsultasi dilayani secara gratis jam 08.00-21.00 WIB
6. Bonus Ebook untuk berlatih Analisis data SPSS secara mandiri

Download :  Contoh Hasil Olah Kami

Demikian tadi serangkaian klarifikasi perihal Jasa Olah Data Statistik SPSS Terpercaya, semoga sanggup bermanfaat. Jika klarifikasi di atas belum cukup terperinci anda sanggup sms ke nomor hp saya atau berkomentar melalui blog ini

Search : Jasa Olah Data Statistik SPSS Terpercaya, Bantuan Olah Data Penelitian dengan Program SPSS, Jasa Olah Data Kunatitafit dengan Software SPSS versi 21
Img : Dokumen Admin

UPDATE : LIBUR DULU KARENA ADA TUGAS LAIN

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

Cara Melaksanakan Analisis Korelasi Bivariate Pearson Dengan Spss

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

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

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

Peryaratan dalam Analisis Korelasi Bivariate Pearson

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

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

Arti Angka Korelasi (Pearson Correlations)

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

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

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

Dasar Keputusan dalam Analisis Korelasi Bivariate Pearson

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

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

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

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

[Download Data excel, Input-Output SPSS]

Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS

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

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

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

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

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

Interpretasi Analisis Korelasi Bivariate Pearson

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

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

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

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

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

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

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

Artikel Selanjutnya: Cara Melakukan Analisis Regresi Multiples dengan SPSS

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

UPDATE INFO: 14 Januari 2019

Lihat Juga: VIDEO Analisis Korelasi Pearson dengan SPSS Lengkap

Read More

Panduan Uji Heteroskedastisitas Dengan Gambar Scatterplots Spss

Panduan Uji Heteroskedastisitas dengan Gambar Scatterplots SPSS | Seperti yang kita ketahui bersama bahwa uji heteroskedastisitas merupakan bab dari uji perkiraan klasik dalam model regresi. Dimana, salah satu persyaratan yang harus terpenuhi dalam model regresi yang baik yaitu tidak terjadi gelaja heteroskedastisitas. Sementara itu, terjadinya tanda-tanda atau duduk kasus heteroskedastisitas ini akan berakibat pada sebuah keraguan [ketidak akuratan] pada suatu hasil analisis regresi yang dilakukan.

Uji heteroskedastisitas berfungsi untuk menguji terjadinya perbedaan variance dari nilai residual pada suatu periode pengamatan ke periode pengamatan yang lainnya. Dalam analisis statistik ada beberapa cara untuk yang sanggup kita lakukan sebagai upaya untuk mendeteksi ada tidaknya tanda-tanda heteroskedastisitas, antara lain dengan melakukan:

1. Uji Glejser
2. Uji Koefisien Korelasi Spearman
3. Melihat Pola Gambar Scatterplots
4. Uji Park

Ok lanjut, sebagaimana judul tutorial SPSS di atas, disini saya akan mempraktekkan cara melaksanakan uji heteroskedastisitas dengan melihat pola gambar scatterplots hasil dari output SPSS. Adapun aliran yang kita gunakan untuk meprediksi atau mendeteksi ada tidaknya tanda-tanda heteroskedastisitas tersebut dilakukan dengan cara melihat pola gambar scatterplots, dengan ketentuan:

TIDAK TERJADI GELAJA ATAU MASALAH HETEROSKEDASTISITAS JIKA:

1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data dihentikan membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data tidak berpola.

CONTOH KASUS UJI HETEROSKEDASTISITAS

Data penelitian yang akan saya gunakan dalam uji heteroskedastisitas untuk pola kali ini yakni data “Pengaruh Profesionalisme [X1] dan Motivasi [X2] terhadap Kinerja [Y]”



Karena jumlah sampel sebanyak 72 sehingga gambar akan terlalu besar jikalau di tampilkan diblog ini, maka untuk latihan silahkan anda[Download Data Saja]

LANGKAH-LANGKAH MENDETEKSI HETEROSKEDASTISITAS DENGAN GAMBAR SCATTERPLOTS SPSS

1. Seperti biasa buka kegiatan SPSS kemudian klik Variable View, pada kolom Name baris pertama tuliskan X1, baris kedua X2, baris ketiga Y. Selanjutnya, pada bab Label untuk baris pertama tuliskan Profesionalisme, baris kedua Motivasi dan baris ketiga Kinerja [abaikan kolom yang lain]



2. Jika sudah, selanjutnya klik Data View kemudian masukkan data penelitian sesuai dengan nama variabel yang ada pada tampilan Data View tersebut



3. Selanjutnya klik sajian Analyze –Regression –Linear…



4. Maka keluar kotak obrolan “Linear Regression”, selanjutnya masukkan variabel Profesionalisme [X1] dan Motivasi [X2] ke kotak Independent(s), dan masukkan variabel Kinerja [Y] ke kotak Dependent, dengan cara klik tanda panah [>]. kemudian pada bab Method: pilih Enter, sesudah itu klik Plots..



5. Muncul kotak obrolan “Linear Regression: Plots”, masukkan *ZPRED pada kotak X dan *SRESID pada kotak Y, kemudian klik Continue



6. Terakhir klik Ok, maka akan muncul Ouput SPSS.. perhatikan output Scatterplots yang ada bab output paling bawah

ANALISIS OUTPUT SCATTERPLOTS SPSS

Bedasarkan output Scatterplots di atas diketahui bahwa :

1. Titik-titik data penyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data tidak berpola.

Dengan demikian sanggup kita disimpulkan bahwa tidak terjadi duduk kasus heteroskedastistas, sampai model regresi yang baik dan ideal sanggup terpenuhi.

SOLUSI MENGATASI JIKA TERDAPAT GELAJA HETEROSKEDASTISITAS

Dalam masalah lain, dikala dimungkinkan terjadi duduk kasus heteroskedastisitas. Oleh alasannya yaitu itu, alternatif solusi yang sanggup anda lakukan untuk mengatasi duduk kasus tersebut adalah:

1. Melakukan transformasi data ke bentuk lain seperti: Log atau Ln
2. Mengganti metode pengujian heteroskedastisitas dengan metode yang lain seperti: Uji Glejser
3. Mengurangi jumlah data [outlier data ekstrim]
4. Menambah atau menganti data atau jumlah sample

Sementara hanya ini yang sanggup saya tulis dalam Panduan Uji Heteroskedastisitas dengan Gambar Scatterplots SPSS agar bermanfaat.. saya akhiri dan selamat mencoba..

Baca : Cara Melakukan Analisis Regresi Multipes dengan SPSS

[Search: Panduan Cara Uji Heteroskedastisitas dengan Gambar Scatterplots SPSS, Uji Pola Gambar Scatterplots dengan Program SPSS, Solusi Mengatasi Masalah atau Gelaja Heteroskedastisitas]
[Img: screenshot olah data SPSS versi 21]

Lihat Juga: Video Cara Uji Heteroskedastisitas dengan Scatterplots 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