Cara Melaksanakan Uji Normalitas Kolmogorov-Smirnov Dengan Spss

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

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

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

Dasar Pengambilan Keputusan dalam Uji Normalitas K-S

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

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

[Download Data excel, Input SPSS]

Langkah-langkah Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS

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

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

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

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

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

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

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

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

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

Interpretasi Uji Normalitas Kolmogorov-Smirnov dengan SPSS

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

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

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

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

UPDATE INFO: JUM'AT 25 JANUARI 2019

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

Lihat Juga: VIDEO Uji Normalitas Kolmogorov-Smirnov dengan SPSS

Read More

Cara Melaksanakan Uji Linearitas Dengan Aktivitas Spss

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

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

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

Dasar Pengambilan Keputusan dalam Uji Linearitas

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

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

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

*Membandingkan Nilai F hitung dengan F tabel

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

Contoh Praktek Uji Linearitas dalam Penelitian

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

[Download Data excel, Input-Output SPSS]

Langkah-langkah Uji Linearitas dengan Program SPSS

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

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

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

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

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

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

Interpretasi Output Uji Linearitas dengan SPSS

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

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

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

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

[Download Distribusi Nilai F Tabel Lengkap]

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

UPDATE INFO: SABTU, 26 JANUARI 2019

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

Lihat Juga: VIDEO Uji Linearitas dengan SPSS Lengkap

Read More

Cara Melaksanakan Uji Independent Dengan Aktivitas Spss

Cara Melakukan Uji Independent dengan Program SPSS | Uji Independent atau Uji Keberartian dilakukan untuk mengetahui apakah korelasi variabel predictor (X) dengan variabel kriterium (Y) berarti signifikan atau tidak. Uji Independent intinya termasuk dalam bab uji perkiraan klasik statistik atau uji syarat.

Langkah-langkah melaksanakan Uji Independent sama dengan Langkah melaksanakan Uji Linearitas. Perbedaanya terdapat pada dasar pengambilan keputusanya. Dasar pengambilan keputusan dalam uji independent sanggup dilihat dari dua cara yakni :

Berdasarkan Nilai Signifikansi :

1. Jika nilai signifikansi < 0,05 maka korelasi antara variabel predictor (X) dengan variabel kriterium (Y) yakni berarti
2. Jika nilai signifikansi > 0,05 maka korelasi antara variabel predictor (X) dengan variabel kriterium (Y)adalah tidak berarti.

Berdasarkan Bersasarkan Nilai Fhitung dan Ftabel : 

1. Jika nilai Fhitung > Ftabel maka korelasi antara variabel predictor (X) dengan variabel kriterium (Y)adalah berarti
2. Jika nilai Fhitung < Ftabel maka korelasi antara variabel predictor (X) dengan variabel kriterium (Y)adalah tidak berarti.

Setelah pada postingan sebelumnya saya sudah mempraktekkan Uji Linearitas untuk variabel Motivasi Belajar (X) dan Prestasi Belajar (Y) dengan N = 12, dan dihasilkan output ibarat di bawah ini.


Dari output di atas, kita akan melaksanakan penarikkan kesimpulan dalam Uji Independent, yakni sebagai berikut :

Berdasarkan Nilai Signifikansi : Dari output di atas, diperoleh nilai signifikansi = 0,005 lebih kecil dari 0,05, artinya korelasi antara variabel Motivasi Belajar (X) dengan Prestasi Belajar (Y) yakni berarti.

Berdasarkan Bersasarkan Nilai Fhitung dan Ftabel : Dari output di atas, diperoleh nilai Fhitung = 14,364 > Ftabel = 4,96 artinya korelasi antara variabel Motivasi Belajar (X) dengan Prestasi Belajar (Y) yakni berarti.

Catatan : Ftabel dicari pada tabel Distribution Tabel Nilai F0,05 (Download Distribution Tabel Nilai F0,05) dengan rumus :

Demikian tadi Cara Melakukan Uji Independet dengan Program SPSS, biar sanggup bermanfaat... Selanjutnya akan dibahas mengenai Uji Multikolonieritas dengan Melihat Nilai Tolerance dan VIF SPSS

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

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 Lengkap Uji Analisis Regresi Linear Sederhana Dengan Spss

Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS | Analisis regresi linear sederhana atau dalam bahasa inggris disebut dengan nama simple linear regression dipakai untuk mengukur besarnya dampak satu variabel bebas atau variabel independent atau variabel predictor atau variabel X terhadap variabel tergantung atau variabel dependen atau variabel terikat atau variabel Y. Syarat kelayakan yang harus terpenuhi ketika kita memakai regresi linear sederhana adalah:

1. Jumlah sampel yang dipakai harus sama
2. Jumlah variabel bebas (X) yaitu 1 (satu)
3. Nilai residual harus berdistribusi normal
4. Terdapat hubungan yang linear antara variabel bebas (X) dengan variabel tergantung (Y).
5. Tidak terjadi tanda-tanda heteroskedastisitas
6. Tidak terjadi tanda-tanda autokorelasi [untuk data time series]

CONTOH KASUS UJI ANALISIS REGRESI LINEAR SEDERHANA

Sebagai teladan saya memiliki data penelitian dengan judul “Pengaruh Stres Kerja Terhadap Kinerja Pegawai”. Dari judul diatas maka hipotesis atau kesimpulan sementara yang saya usikan dan yang saya akan uji dengan analisis regresi linear sederhana yaitu “Ada Pengaruh Stres Kerja Terhadap Kinerja Pegawai”. Adapun data penelitian yang saya maksud sebagaimana tabel di bawah ini

[Download Data untuk Latihan]

KETERANGAN TERKAIT DATA PENELITIAN

1. Data diatas diperoleh dari hasil penyebaran kuesioner atau angket (menggunakan nilai skor total tanggapan responden atas item-item soal kuesioner)
2. Jika memakai kuesioner untuk data penelitian, maka item-item kuesioner tersebut harus dipastikan sudah lolos uji validitas dan reliabilitas terlebih dahulu
3. Jumlah sampel yang dipakai yaitu 12 responden (pegawai)
4. Variabel Penelitian : Stres Kerja sebagai variabel bebas (X) dan Kinerja Pegawai sebagai variabel tergantung (Y)

CARA UJI ANALISIS REGRESI LINEAR SEDERHANA DENGAN SPSS

Sebelum kita masuk pada cara pengolahan data dalam uji analisis regresi linear sederhana dengan SPSS, terlebih dahulu kita harus memastikan data tersebut telah lolos dalam syarat kelayakan model regresi linear sederhana tentunya dengan cara melaksanakan uji normalitas, uji linearitas dan uji heteroskedastisitas. Sementara untuk uji autokorelasi tidak perlu dilakukan alasannya data di atas tidak termasuk data time series atau data runtut waktu. Adapun urutan langkah-langkah uji analisis regresi linear sederhana dengan SPSS yaitu sebagai berikut:

1. Buka lembar kerja SPSS kemudian klik Variable View, selanjutnya pada kolom Name untuk baris pertama tulis X, baris kedua Y. Lalu pada kolom Label baris pertama tulis Stres Kerja dan baris kedua tulis Kinerja Pegawai [untuk pilihan lainnya biarkan tetap default]

2. Langkah berikutnya klik Data View [dari tampilan Data View terlihat ada dua nama variabel yakni X dan Y], selanjutnya masukkan data penelitian dengan ketentuan X untuk data Stres Kerja dan Y untuk Kinerja Pegawai [pada ketika memasukkan data penelitian harus dilakukan dengan teliti dan cermat alasannya jikalau terjadi kesalahan pada proses penginputan ini, maka output SPSS tidak akan mengeluarkan hasil yang akurat sesuai dengan impian anda]

3. Jika sudah yakin di input dengan benar, langkah selanjutnya kita klik hidangan Analyze – kemudian klik Regression – kemudian klik Linear…

4. Setelah itu akan muncul kotak obrolan Linear Regression, masukkan variabel Stres Kerja [X] ke kotak Independent(s), dan masukkan variabel Kinerja Pegawai [Y] ke kotak Dependent, caranya dengan mengklik tanda panah yang tersedia. Selanjutnya pada potongan Method: pilih Enter (abaikan pilihan yang lainnya)

5. Langkah terakhir yaitu klik Ok untuk mengakhiri perintah, maka akan keluar output SPSS regresi linear sederhana sebagai berikut

Keterangan : Menjelaskan wacana variabel yang dimasukkan serta metode yang dipakai dalam analisis regresi linear

Keterangan : Berfungsi untuk uji F dalam analisis regresi linear berganda

MEMBUAT PERSAMAAN REGRESI LINEAR SEDERHANA

Secara umum rumus persamaan regresi linear sederhana yaitu Y = a + bX. Sementara untuk mengetahui nilai koefisien regresi tersebut kita sanggup berpedoman pada output yang berada pada tabel coefficients berikut

a = angka konstan dari unstandardized coefficients. Dalam kasus ini nilainya sebesar 35,420. Angka ini merupakan angka konstan yang memiliki arti bahwa jikalau tidak ada Stres Kerja (X) maka nilai konsisten Kinerja Pegawai (Y) yaitu sebesar 35,420

b = angka koefisien regresi. Nilainya sebesar -0,511. Angka ini menggandung arti bahwa setiap penambahan 1% tingkat Stres Kerja (X), maka Kinerja Pegawai (Y) akan meningkat sebesar -0,511

Kerena nilai koefisien regresi bernilai minus (-), maka dengan demikian sanggup dikatakan bahwa Stres Kerja (X) kuat negatif terhadap Kinerja Pegawai (Y). Sehingga persamaan regresinya yaitu Y = 35,420 - 0,511 X

UJI HIPOTESIS DALAM ANALISIS REGRESI LINEAR SEDERHANA

Uji hipotesis atau uji dampak berfungsi untuk mengetahui apakah koefisien regresi tersebut signifikan atau tidak. Sekedar mengingatkan bahwa hipotesis yang saya usikan dalam analisis regresi linear sederhana ini adalah:

H0 = Tidak ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).
Ha = Ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).

Sementara itu, untuk memastikan apakah koefisien regresi tersebut signifikan atau tidak (dalam arti variabel X kuat terhadap variabel Y) kita sanggup melaksanakan uji hipotesis ini dengan cara membandingkan nilai signifikansi (Sig.) dengan probabilitas 0,05 atau dengan cara lain yakni membandingkan nilai t hitung dengan t tabel.

UJI HIPOTESIS MEMBANDINGKAN NILAI Sig DENGAN 0,05

Adapun yang menjadi dasar pengambilan keputusan dalam analisis regresi dengan melihat nilai signifikansi (Sig.) hasil output SPSS adalah:

1. Jika nilai signifikansi (Sig.) lebih kecil < dari probabilitas 0,05 mengandung arti bahwa ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).
2. Sebaliknya, jikalau nilai signifikansi (Sig.) lebih besar > dari probabilitas 0,05 mengandung arti bahwa tidak ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).

Output SPSS (coefficients)

Berdasarkan output di atas diketahui nilai signifikansi (Sig.) sebesar 0,001 lebih kecil dari < probabilitas 0,05, sehingga sanggup disimpulkan bahwa H0 ditolak dan Ha diterima, yang berarti bahwa “Ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)”

UJI HIPOTESIS MEMBANDINGKAN NILAI T HITUNG DENGAN T TABEL

Pengujian hipotesis ini sering disebut juga dengan uji t, dimana dasar pengambilan keputusan dalam uji t adalah:

1. Jika nilai t hitung lebih besar > dari t tabel maka ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)
2. Sebaliknya, jikalau nilai t hitung lebih kecil < dari t tabel maka tidak ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)

Output SPSS (coefficients)

Berdasarkan output di atas diketahui nilai t hitung sebesar -4,418. Karena nilai t hitung sudah ditemukan, maka langkah selanjunya kita akan mencari nilai t tabel. Adapun rumus dalam mencari t tabel adalah:

Nilai a / 2 = 0,05 / 2 = 0,025
Derajad kebebasan (df) = n – 2 = 12 – 2 = 10
Nilai 0,025 ; 10 kemudian kita lihat pada distribusi nilai t tabel (Download distribusi nilai t tabel), maka di sanggup nilai t tabel sebesar 2,228

Karena nilai t hitung sebesar -4,418 lebih besar dari > 2,228, sehingga sanggup disimpulkan bahwa H0 ditolak dan Ha diterima, yang berarti bahwa “Ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)”. [nilai t hitung -4,418 dianggap lebih besar dari nilai t tabel 2,228 dalam analisis regresi liner sederhana [Pengertian ini, akan lebih terang jikalau saya gambarkan dengan kurva uji t dalam analisis regresi linear sederhana dibawah ini]

Catatan: Uji t sanggup menjadi alternatif uji hipotesis jikalau nilai signifikansi hasil SPSS sempurna di angka 0,05

UJI HIPOTESIS DENGAN MELIHAT KURVA REGRESI

Pengujian memakai kurva regresi akan bermanfaat jikalau nilai t hitung ditemukan negatif (-) yakni -4,418. Simak dengan teliti kurva regresi di bawah ini

Berdasarkan kurva di atas diketahui bahwa nilai t hitung sebesar-4,418 terletak pada area dampak negatif, sehingga sanggup disimpulkan bahwa “Ada Pengaruh Negatif Stres Kerja (X) terhadap Kinerja Pegawai (Y)”.

MELIHAT BESARNYA PENGARUH VARIABEL X TERHADAP Y

Untuk mengetahui besarnya dampak Stres Kerja (X) terhadap Kinerja Pegawai (Y) dalam analisis regresi linear sederhana, kita sanggup berpedoman pada nilai R Square atau R2 yang terdapat pada output SPSS potongan Model Summary

Dari output di atas diketahui nilai R Square sebesar 0,661. Nilai ini mengandung arti bahwa dampak Stres Kerja (X) terhadap Kinerja Pegawai (Y) yaitu sebesar 66,1 % sedangkan 33,9% Kinerja Pegawai dipengaruhi oleh variabel yang lain yang tidak diteliti.

KESIMPULAN DARI UJI ANALISIS REGRESI LINEAR SEDERHANA

Merujuk pada membahasan di atas, maka sanggup kita simpulkan bahwa “Stres Kerja (X) kuat negatif terhadap Kinerja Pegawai (Y) dengan total dampak sebesar 66,1 %. Pengaruh negatif ini bermakna semakin menurunnya stres kerja seorang karyawan (pegawai) maka akan kuat terhadap peningkatan kinerja pegawai tersebut.

Perlu anda cermati bahwa uji analisis regresi linear sederhana dipakai untuk satu variabel bebas (X). sementara jikalau anda memakai lebih dari satu variabel bebas (X) maka uji yang ideal untuk anda lakukan yaitu Uji Analisis Regresi Linear Berganda

Demikian pembahasan kita kali ini semoga Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS sanggup bermanfaat, jikalau ada pertanyaan atau koreksi atas penduan di atas silahkan untuk berkomentar di bawah ini.. terimakasih

[Search: Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS, Cara Melakukan Uji Regresi Linear Sederhana dengan Program SPSS, Cara melaksanakan Uji T dalam Analisis Regresi Linear Sederhana, Arti Koefisien Regresi Negatif Minus, Simple Linear Regression]
[Img: screenshot olah data SPSS versi 21]

Lihat Juga: VIDEO Analisis Regresi Linear Sederhana dengan 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