Cara Melaksanakan Uji Linearitas Dengan Aktivitas Spss

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

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

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

Dasar Pengambilan Keputusan dalam Uji Linearitas

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

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

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

*Membandingkan Nilai F hitung dengan F tabel

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

Contoh Praktek Uji Linearitas dalam Penelitian

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

[Download Data excel, Input-Output SPSS]

Langkah-langkah Uji Linearitas dengan Program SPSS

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

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

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

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

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

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

Interpretasi Output Uji Linearitas dengan SPSS

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

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

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

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

[Download Distribusi Nilai F Tabel Lengkap]

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

UPDATE INFO: SABTU, 26 JANUARI 2019

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

Lihat Juga: VIDEO Uji Linearitas dengan SPSS Lengkap

Read More

Cara Melaksanakan Analisis Korelasi Bivariate Pearson Dengan Spss

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

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

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

Peryaratan dalam Analisis Korelasi Bivariate Pearson

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

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

Arti Angka Korelasi (Pearson Correlations)

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

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

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

Dasar Keputusan dalam Analisis Korelasi Bivariate Pearson

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

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

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

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

[Download Data excel, Input-Output SPSS]

Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS

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

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

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

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

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

Interpretasi Analisis Korelasi Bivariate Pearson

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

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

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

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

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

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

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

Artikel Selanjutnya: Cara Melakukan Analisis Regresi Multiples dengan SPSS

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

UPDATE INFO: 14 Januari 2019

Lihat Juga: VIDEO Analisis Korelasi Pearson dengan SPSS Lengkap

Read More

Cara Melaksanakan Analisis Regresi Multiples Dengan Spss

Cara Melakukan Analisis Regresi Multiples dengan SPSS | Analisis Regresi ialah suatu cara atau teknik untuk mencari kekerabatan antara variabel satu dengan variabel lain yang dinyatakan dalam bentuk persamaan matematik dalam kekerabatan yang fungsional. Dalam pengertian lain, analisis regresi ingin mencari kekerabatan dari dua variabel atau lebih dengan mana variabel yang satu tergantung pada variabel yang lain.

Secara umum, sanggup dinyatakan pula bahwa apabila ingin mengetahui efek satu variabel X terhadap satu variabel Y maka dipakai analisis regresi sederhana, dan apabila ingin megetahui efek dua variabel X atau lebih terhadap variabel Y dipakai analisis regresi ganda (multipes)

Saya tidak akan membahas secara detail mengenai Analisis Regresi sederhana, alasannya ialah fokus saya dalam artikel ini ialah Analisis Regresi Multipes (ganda). Persamaan Analisis Regresi Multiples menurut pada rumus :

Theoremanya : Y = a+b1x1+b2x2....bn

Setelah teman mengetahui teori dasar mengenai Analisis Regresi Multiples, kini kita masuk ke bab Cara Melakukan Analisis Regresi Multipes dengan SPSS versi 21. Sebagai contoh, saya ingin mengetahui efek variabel Motivasi (X1) dan variabel Minat (X2), terhadap variabel Prestasi (Y), data penelitian ini mempuyai sampel berjumlah 12 siswa. Adapun data lengkapnya lihat pada gambar di bawah ini.

Langkah-Langkah pada SPSS
1. Buka jadwal SPSS, klik Variable View, Selanjutnya, pada bab Name tulis saja X1, X2 dan Y, pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi, Minat ,dan Prestasi.

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

3. Selanjutnya, dari sajian utama SPSS, Pilih Analyze – Regression – Linear

4. Muncul kotak obrolan dengan nama Linear Regression, masukkan variabel Motivasi (X1), Minat (X2) ke kotak Independent (S), masukkan variabel Prestasi (Y) pada kotak Dependent, pada Method pilih Enter, selanjutnya klik Statistics

5. Pada bab Linear Regression Statistics, berikan tanda centang pada Estimates dan Model fit kemudian klik Continue, kemudian klik OK

Output Analisis Regresi SPSS :

Beradasarkan output di atas, sanggup diketahui beberapa nilai antara lain : nilai koefosien regresi, thitung, nilai signifikansi, niai Fhitung, Nilai R Square atau R2, dan lain-lain. Untuk lebih jelasn teman sanggup melihat ringkasannya pada gambar tabel di bawah ini.

Untuk mengetahui seberapa besar lengan berkuasa efek masing-masing variabel X terhadap Y, maka perlu dilakukan Uji t Pasial, bila teman ingin mengetahui efek variabel X1 dan X2 secara simultan terhadap variabel Y maka perlu dilakukan Uji F Simultan, dan bila teman ingin mengetahui subangan relatif yang diberikan maka perlu dilakukan Analisis Koefisien Determinasi

Semua uji yang berkaitan dengan Analisis regresi di atas, akan kita bahas pada artikel berikutnya, alasannya ialah bila saya posting di artikel ini akan terlalu panjang dan menciptakan loading blog melambat, untuk itu saya minta maaf atas ketidaknyamanannya.

[Search : Cara Melakukan Analisis Regresi Multiples dengan SPSS atau sering disebut dengan Uji analisis regresi linear berganda dipakai untuk menguji efek antara variabel oleh ]
[Img : Dokumen Program SPSS versi 21]

Lihat Juga: VIDEO Uji t dan Uji F dalam Analisis Regresi Berganda

Read More

Cara Uji Analisis Jalur [Path Analysis] Dengan Spss Lengkap

Cara Uji Analisis Jalur [Path Analysis] dengan SPSS Lengkap | Selamat pagi kawan-kawan semua yang sedang berusaha dengan serius untuk segera menuntaskan tugas, skripsi maupun tesisnya semoga tetap bersemangat. oke, pada kesempatan kali ini saya akan menjelaskan cara melaksanakan uji path analysis atau yang lebih terkenal disebut dengan analisis jalur, atau ada juga yang menyebutnya dengan istilah analisis regresi memakai variabel intervening. Seperti biasanya, dalam artikel tutorial kali ini saya masih mengandalkan proteksi kegiatan SPSS versi 21. Catatan pentingnya ialah bagi anda yang ingin benar-benar bisa dan bisa melaksanakan analisis ini, saya sarankan untuk memperhatikan artikel tutorial mengenai analisis Jalur dengan seksama dan teliti, alasannya ini agak sedikit rumit tidak ibarat biasanya, hehe.

Analisis jalur atau path analysis merupakan bab lebih lanjut dari analisis regresi. Dimana, jikalau dalam analisis regresi umumnya digunakan untuk menguji apakah ada imbas pribadi yang diberikan oleh variabel bebas terhadap variabel terikat. Sementara itu, analisis jalur tidak hanya menguji imbas pribadi saja, tetapi juga menjelaskan perihal ada atau tidaknya imbas tidak pribadi yang diberikan variabel bebas melalui variabel intervening terhadap variabel terikat.

Perbedaan lain yang harus anda ketahui, yang mana hasil analisis regresi terlihat pada hasil yang berada dalam tabel coefficient, hal ini memperlihatkan bahwa nilai yang digunakan dalam analisis regresi terletak pada nilai coefficient regresi atau B-nya (constant ada nilainya dan X1, X2, Y, Z dan seterusnya ada nilanya pada kolom B tersebut yang membentuk persamaan Y=a+bX1+bX2+bX3 dan seterusnya), sedangkan dalam analisis jalur nilai yang digunakan ialah nilai terletak pada Beta yang membentuk persamaan Y1 =Py1x1+Py1X2+Py1.e1 dan seterusnya.

Untuk memperjelas konsep dasar mengenai analisis jalur ini, saya akan memaparkan dengan rujukan yang sederhana semoga anda gampang memahami apa yang saya maksudkan. Perhatikan gambar kerangka fatwa untuk analisis jalur berikut ini.



Bedasarkan gambar di atas, sanggup kita merumuskan sebuah hipotesis umum yang akan diajukan dalam analisis jalur yakni “Pengaruh Gaya Kepemimpinan (X1) dan Lingkungan Kerja (X2) Terhadap Motivasi (Y) Serta dampaknya terhadap Kinerja Guru (Z)”. Sementara itu hipotesis yang akan di uji satu persatu antara lain:

1. Pengaruh X1 dan X2 terhadap Y
2. Pengaruh X1, X2 dan Y terhadap Z
3. Pengaruh X1 dan X2 melalui Y terhadap Z

LANGKAH-LANGKAH UJI ANALISIS JALUR [PATH ANALYSIS] DENGAN SPSS

Untuk menguji hipotesis di atas, disini saya akan melaksanakan dua kali model Regresi, sebaiknya anda menyimak panduan ini dengan seksama semoga tidak keliru. Dibawah ini saya akan tunjukkan tabulasi data penelitian yang akan saya gunakan dalam uji ini :



[Untuk latihan anda sanggup mendownload tabulasi data yang saya gunakan: Download tabulasi data]

1. Langkah pertama ialah : Buka kegiatan SPSS versi 21 atau versi berapapun yang anda miliki, kemudian klik Variable View dan isikan kolom-kolom yang tersedia, sebagaimana petunjuk di bawah ini:
a. Kolom Name di isi dengan X1, X2, Y dan Z
b. Kolom Label untuk X1 tulis Gaya Kepemimpinan (X1), X2 tulis Lingkungan Kerja (X2), Y tulis Motivasi (Y), dan Z tulis Kinerja Guru (Z)
c. Kolom Type, Width, Decimal, Value, Missing, Coloumns, Align, Meansure : Biarkan tetap default dan tidak perlu anda ubah alasannya sudah otomatis menyesuaikan jenis data yang dipakai.



2. Langkah selanjutnya klik Data View kemudian isikan data sesuai nama variabel penelitian



3. Jika anda yakin datanya sudah tertulis dengan benar, maka langkah berikutnya klik sajian Analyze – Regression – Linear



4. Muncul kotak obrolan Linear Regression, selanjutnya klik Gaya Kepemimpinan (X1) dan Lingkungan Kerja (X2) masukkan pada kotak Independent (s), kemudian klik Motivasi (Y) pada kotak Dependent



5. Jika anda sudah benar-benar yakin sesuai langkah di atas, kemudian klik Ok, maka akan muncul Output SPSS [saya menyebut output ini dengan nama Regresi Model I]





[Catatan : Banyak tabel ouput yang akan muncul namun yang digunakan dalam analisis jalur hanya dua tabel di atas]

6. Pembuatan Regresi Model II, caranya sama yakni klik sajian Analyze – Regression – Linear. Muncul kotak obrolan Linear Regression, kemudian klik Reset (untuk mengeluarkan semua variabel), selanjutnya klik Gaya Kepemimpinan (X1), Lingkungan Kerja (X2) dan Motivasi (Y) pada kotak Independent (s), kemudian klik Kinerja Guru (Z) pada kotak Dependent



7. Terakhir ialah klik Ok, maka akan keluar Output SPSS [saya menyebut output ini dengan Regresi Model II]





CARA MEMAKNAI OUTPUT KELUARAN SPSS UNTUK ANALISIS JALUR

Agar anda lebih gampang dalam memahami hasil di atas, maka pada bab interpretasi hasil ini, saya membaginya menjadi dua tahap interpretasi yakni 1) Tahap Menghitung Koefisien Jalur. 2) Tahap Uji Hipotesis dan Pembuatan Kesimpulan.

A. MENGHITUNG KOEFISIEN JALUR

Pada tahap ini kita akan menghitung Koefisien Jalur Model I dan Koefisien Jalur Model II, adapun penjelasannya sebagai berikut ini.

Koefisien Jalur Model I : Mengacu pada output Regresi Model I pada bab tabel Coefficients sanggup diketahui bahwa nilai signifikansi dari kedua variabel yaitu X1 = 0,000 dan X2 = 0,000 lebih kecil dari 0,05. Hasil ini menawarkan kesimpulan bahwa Regresi Model I, yakni variabel X1 dan X2 kuat signifikan terhadap Y. Besarnya nilai R2 atau R Square yang terdapat pada tabel Model Summary ialah sebesar 0,407, hal ini memperlihatkan bahwa donasi atau sumbangan imbas X1 dan X2 terhadap Y ialah sebesar 40,7% sementara sisanya 59,3% merupakan donasi dari variabel-variabel lain yang tidak dimasukkan dalam penelitian. Sementara itu, untuk nilai e1 sanggup dicari dengan rumus e1 = √ (1-0,407) = 0,7701. Dengan demikian diperoleh diagram jalur model struktur I sebagai berikut:



Koefisien Jalur Model II : Berdasarkan output Regresi Model II pada bab tabel Coefficients, diketahui bahwa nilai signifikansi dari ketiga variabel yaitu X1 = 0,026, X2 = 0,043 dan Y = 0,000 lebih kecil dari 0,05. Hasil ini memberi kesimpulan bahwa Regresi Model II, yakni variabel X1, X2 dan Y kuat signifikan terhadap Z. Besarnya nilai R2 atau R Square yang terdapat pada tabel Model Summary ialah sebesar 0,645 hal ini memperlihatkan bahwa donasi X1,X2 dan Y terhadap Z ialah sebesar 64,5% sementara sisanya 35,5% merupakan donasi dari variabel-variabel lain yang tidak diteliti. Sementara untuk nilai e2 = √ (1-0,645) = 0,5958. Dengan demikian diperoleh diagram jalur model struktur II sebagai berikut:



B. TAHAP UJI HIPOTESIS DAN PEMBUATAN KESIMPULAN

1. Analisis imbas X1 terhadap Y: dari analisis di atas diperoleh nilai signifikansi X1 sebesar 0,000 < 0,05. Sehingga sanggup disimpulkan bahwa secara pribadi terdapat imbas signifikan X1 terhadap Y.
2. Analisis imbas X2 terhadap Y: dari analisis di atas diperoleh nilai signifikansi X2 sebesar 0,000 < 0,05. Sehingga sanggup disimpulkan bahwa secara pribadi terdapat imbas signifikan X2 terhadap Y.
3. Analisis Pengaruh X1 terhadap Z: dari analisa diperoleh nilai signifikansi X1 sebesar 0,026 < 0,05. Sehingga sanggup disimpulkan bahwa secara pribadi terdapat imbas signifikan X1 terhadap Z.
4. Analisis imbas X2 terhadap Z: dari analisa diperoleh nilai signifikansi X2 sebesar 0,043 < 0,05. Sehingga sanggup disimpulkan bahwa bahwa secara pribadi terdapat imbas signifikan X2 terhadap Z.
5. Analisis imbas Y terhadap Z: dari analisa diperoleh bahwa nilai signifikansi Y sebesar 0,000 < 0,05. Sehingga sanggup disimpulkan bahwa bahwa secara pribadi terdapat imbas signifikan Y terhadap Z.
6. Analisis Pengaruh X1 melalui Y terhadap Z : diketahui imbas pribadi yang diberikan X1 terhadap Z sebesar 0,156. Sedangkan imbas tidak pribadi X1 melalui Y terhadap Z ialah perkalian antara nilai beta X1 terhadap Y dengan nilai beta Y terhadap Z yaitu : 0,336 x 0,612 = 0,206. Maka imbas total yang diberikan X1 terhadap Z ialah imbas pribadi ditambah dengan imbas tidak pribadi yaitu : 0,156 + 0,206 = 0,362. Berdasarkan hasil perhitungan di atas diketahui bahwa nilai imbas pribadi sebesar 0,156 dan imbas tidak pribadi sebesar 0,206 yang berarti bahwa nilai imbas tidak pribadi lebih besar dibandingkan dengan nilai imbas langsung, hasil ini memperlihatkan bahwa secara tidak pribadi X1 melalui Y memiliki imbas signifikan terhadap Z.
7. Analisis Pengaruh X2 melalui Y terhadap Z : diketahui imbas pribadi yang diberikan X2 terhadap Z sebesar 0,146. Sedangkan imbas tidak pribadi X2 melalui Y terhadap Z ialah perkalian antara nilai beta X2 terhadap Y dengan nilai beta Y terhadap Z yaitu : 0,403 x 0,612 = 0,247. Maka imbas total yang diberikan X2 terhadap Z ialah imbas pribadi ditambah dengan imbas tidak pribadi yaitu : 0,146 + 0,247 = 0,393. Berdasarkan hasil perhitungan di atas diperoleh nilai imbas pribadi sebesar 0,146 dan imbas tidak pribadi sebesar 0,247 yang berarti bahwa nilai imbas tidak pribadi lebih besar dari pada nilai imbas langsung, hasil ini memperlihatkan bahwa secara tidak pribadi X2 melalui Y memiliki imbas signifikan terhadap Z.

Dari serangkaian pembahasan atas hasil di atas, kita sanggup menarik kesimpulan bahwa hipotesis yang berbunyi “Ada Pengaruh Gaya Kepemimpinan (X1) dan Lingkungan Kerja (X2) Terhadap Motivasi (Y) Serta dampaknya terhadap Kinerja Guru (Z)” sanggup DITERIMA.

Saya kira hingga disini dulu pembahasan mengenai Cara Uji Analisis Jalur [Path Analysis] dengan SPSS Lengkap yang bisa saya bagikan kepada anda semua. Semoga bermanfaat. Catatan penting terakhir ialah “tolong dibaca dengan teliti dulu sebelum mengajukan pertanyaan pada kolom komentar”..terimakasih

[Search : Cara Uji Analisis Jalur [Path Analysis] dengan SPSS Lengkap, Langkah-langkah Melakukan Teknik Analisis Jalur dengan Program SPSS, Cara Uji Regresi memakai Variabel Intervening dengan SPSS versi 21]
[Img : Dokumen SPSS Versi 21]

Lihat Juga: VIDEO Panduan Analisis Jalur dengan SPSS

Read More

Cara Mengatasi Persoalan Autokorelasi Dengan Uji Run Test Dalam Spss

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

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

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

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

[Download Data untuk Latihan]

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

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

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

CARA UJI RUN TEST DENGAN SPSS

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

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

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

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

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

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

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

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

DASAR PENGAMBILAN KEPUTUSAN DALAM UJI RUN TEST

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

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

INTERPRETASI OUTPUT UJI RUN TEST

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

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

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

Lihat Juga: VIDEO Uji Autokorelasi dengan Run Test SPSS

Read More