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

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

Cara Uji Relasi Parsial Dengan Spss Serta Interpretasi Lengkap

Cara Uji Korelasi Parsial dengan SPSS Serta Interpretasi Lengkap | Secara umum uji hubungan bertujuan untuk mengetahui keeratan hubungan antar variabel yang diteliti (yakni hubungan antara variabel X dengan variabel Y). Korelasi atau hubungan yang terbentuk antar variabel ini sanggup bersifat hubungan postif ataupun hubungan negatif. Hal ini sanggup dilihat menurut nilai koefisein hubungan dari hasil analisis apakah bernilai plus (+) atau minus (-). Jika plus (+) maka hubungan yang terbentuk antar variabel bersifat positif. Sementara kalau koefisein hubungan bernilai minus (-) maka artinya hubungan yang terbentuk antar variabel tersebut ialah hubungan negatif. Hubungan positif bermakna bahwa kalau variabel X mengalami peningkatan maka variabel Y juga akan mengalami peningkatan. Sementara hubungan negatif bermakna bahwa kalau variabel X mengalami penurunan maka variabel Y akan mengalami peningkatan.

Uji hubungan sanggup dilakukan dengan beberapa teknik atau metode analisis statistik tergantung dari skala data dari masing-masing variabel yang digunakan dalam penelitian. Misalnya: uji hubungan koefisien cramer lambda digunakan untuk data berskala nominal. Sementara uji hubungan kendall dan rank spearman cocok digunakan untuk data berskala ordinal. Sedangkan untuk data berskala rasio atau interval memakai uji hubungan pearson

Uji hubungan parsial disebut juga dengan analisis hubungan pearson dengan variabel kontrol atau variabel pengendali yang diasumsikan nilainya tetap atau konstan. Penggunaan variabel kontrol dalam analisis korelasi bertujuan untuk mengetahui apakah hubungan yang sudah terbentuk antara variabel X dengan variabel Y dipengaruhi oleh variabel kontrol tersebut atau tidak.

Derajad Keearatan Hubungan dalam Uji Korelasi

Dalam bukunya [V. Wiratna Sujarweni. 2014. SPSS untuk Penelitian. Yogyakarta: Pustaka Baru Press. Hal-127] menjelaskan bahwa keeratan hubungan atau koefisien hubungan antar variabel sanggup dikelompokkan sebagai berikut:

1. Nilai koefisien hubungan 0,00 hingga 0,20 berarti hubungan sangat lemah.
2. Nilai koefisien hubungan 0,21 hingga 0,40 berarti hubungan lemah.
3. Nilai koefisien hubungan 0,41 hingga 0,70 berarti hubungan kuat.
4. Nilai koefisien hubungan 0,71 hingga 0,90 berarti hubungan sangat kuat.
5. Nilai koefisien hubungan 0,91 hingga 0,99 berarti hubungan berpengaruh sekali.
6. Nilai koefisien hubungan 1,00 berarti hubungan sempurna.

Persyaratan Uji Korelasi Parsial untuk Analisis Data

Asumsi dasar atau persyaratan yang harus terpenuhi saat kita memakai uji hubungan parsial untuk menganalisis data penelitian ialah sebagai berikut:

1. Masing-masing variabel penelitian memakai data berskala rasio atau interval.
2. Karena uji hubungan parsial merupakan bab dari statistik parametrik maka data penelitian harus berdistribusi normal.

Contoh Soal Uji Korelasi Parsial dalam Penelitian

Seorang dosen ingin mengetahui apakah ada hubungan antara IQ (Intelligence Quotient) dengan nilai IPK (Indeks Prestasi Kumulatif) mahasiswa dengan Motivasi Berprestasi sebagai variabel Kontrol. Guna keperluan penelitian ini maka dosen tersebut mengumpulkan data-data yang diharapkan memakai kuesioner untuk 12 orang sampel atau responden penelitian. Adapun tabulasi data penelitian yang dimaksud sanggup anda lihat pada tabel berikut ini.

[Download Data excel, Input-Output SPSS]

Langkah-Langkah Cara Uji Korelasi Parsial dengan SPSS

Tahapan-tahapan analisis data dalam uji hubungan parsial ini dimulai dari memasukkan atau menginput data penelitian ke kegiatan SPSS, selanjutnya melaksanakan uji normalitas data terlebih dahulu, gres kemudian melaksanakan analisis data dengan uji hubungan parsial.

1. Langkah pertama buka lembar kerja gres SPSS, kemudian klik Variable View, selanjutnya anda cukup mengisi pada kolom Name, Decimals, Label, dan Measure, sementara untuk pilihan yang lain biarkan tetap default. Tampak di layar SPSS sebagaimana gambar bawah ini.

2. Jika sudah, langkah berikutnya klik Data View, kemudian masukkan data IQ, IPK dan Motivasi ke-12 orang responden tersebut sesuai dengan judul kolom yang ada di layar SPSS.

*Melakukan Uji Normalitas Data Penelitian dengan SPSS

Karena persyaratan atau perkiraan dasar yang harus terpenuhi dalam penggunaan uji hubungan parsial ini ialah data berdistribusi normal, maka terlebih dahulu kita akan melaksanakan uji normalitas untuk variabel IQ, IPK dan Motivasi. Adapun caranya sebagai berikut ini.

1. Dari hidangan utama SPSS klik hidangan Analyze >> Descriptive Statistics >> Explore…

2. Maka muncul kotak obrolan “Explore” selanjutnya masukkan semua variabel penelitian ke kotak Dependent List: kemudian pada bab “Display” pilih Both, setelah itu klik Plots…

3. Maka muncul kotak obrolan “Explore Plots” kemudian beri tanda ceklist (v) pada Normality plots with tests, selanjutnya klik Continue, kemudian klik Ok

4. Maka akan mucul output SPSS, kita cukup perhatikan pada tabel output “Tests of Normality” tampak dilayar menyerupai gambar di bawah ini.

*Pembahasan Uji Normalitas untuk Uji Korelasi Parsial dengan SPSS

Untuk mengetahui apakah variabel IQ, IPK dan Motivasi yang digunakan dalam penelitian berdistribusi normal atau tidak, maka terlebih dahulu kita harus mengetahui teori wacana dasar pengambilan keputusan untuk uji normalitas. Adapun dasar pengambilan keputusan dalam uji normalitas ialah sebagai berikut.

1. Jika nilai Signifikansi (Sig.) < 0,05, maka variabel tidak berdistribusi normal.
2. Jika nilai Signifikansi (Sig.) > 0,05, maka variabel berdistribusi normal.

Berdasarkan tabel output SPSS “Tests of Normality” di atas, diketahui bahwa nilai Sig. dalam uji normalitas Shapiro-Wilk ialah sebagai berikut.

1. Nilai IQ Sig. ialah sebesar 0,932
2. Nilai IPK Sig. ialah sebesar 0,152
3. Nilai Motivasi Sig. ialah sebesar 0,066

Karena nilai signifikansi (Sig.) untuk semua variabel penelitian di atas > 0,05 maka sanggup disimpulkan variabel IQ, IPK dan Motivasi ialah berdistribusi normal. Dengan demikian, perkiraan dasar atau persyaratan dalam uji hubungan parsial sudah terpenuhi.

Catatan: metode Shapiro-Wilk digunakan untuk sampel < 50. Sementara metode Kolmogorov-Smirnov digunakan untuk sampel > 50.

*Melakukan Uji Korelasi Parsial dengan SPSS

1. Selanjutnya kita akan melaksanakan Uji Korelasi Parsial dengan SPSS, caranya klik hidangan Analyze >> Correlate >> Partial… Tampak dilayar.

2. Muncul kotak obrolan “Partial Correlations” Selanjutnya, masukkan variabel IQ dan IPK ke kotak Variables: kemudian masukkan variabel Motivasi ke kotak Controlling for, pada bab “Test of Significance” pilih Two-tailed dan beri tanda ceklist (v) untuk Display actual significance level, kemudian klik Options…

3. Muncul kotak diloag “Partial Correlations: Options”, kemudian pada bab “Statistics” berikan tanda ceklist (v) untuk Means and standard deviations dan Zero-order correlations. Selanjutnya pada bab “Missing Values” aktifkan pilihan Exclude cases pairwise, kemudian klik Continue

4. Kemudian klik Ok untuk mengakhiri perintah. Maka muncul Output SPSS dengan judul “Partial Corr” selanjutnya tinggal interpretasikan saja tabel output tersebut.

Interpretasi Output Uji Korelasi Parsial dengan SPSS

Tabel Output “Descriptive Statistics”

Tabel output SPSS di atas, menawarkan info kepada kita wacana ringkasan nilai statistik deskriptif atau citra data untuk ketiga variabel (IQ, IPK dan Motivasi) meliputi Mean atau nilai rata-rata, Std. Deviation (Standar Deviasi), dan N atau jumlah sampel yang digunakan dalam penelitian ini.

Tabel Output “Correlations”

Tabel output SPSS ini menawarkan info mengenai hubungan yang terbentuk antar variabel sebelum dan sehabis dimasukkannya variabel kontrol dalam analisis korelasi. Untuk memaknai tabel output Correlations di atas, maka ada 3 tahapan yang harus kita lalui, yaitu: (1) Menentukan rumusan hipotesis penelitian. (2) Melihat teori wacana dasar pengambilan keputusan dalam uji hubungan parsial. (3) Manafsirkan hasil analisis dan menciptakan kesimpulan.

*Rumusan Hipotesis Penelitian dalam Uji Korelasi Parsial

1. H0: Hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol tidak signifikan.
2. Ha: Hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol signifikan.

*Dasar Pengambilan Keputusan dalam Uji Korelasi Parsial Sig. (2-tailed)

1. Jika nilai Significance (2-tailed) > 0,05, maka H0 diterima dan Ha ditolak.
2. Jika nilai Significance (2-tailed) < 0,05, maka H0 ditolak dan Ha diterima.

*Pembahasan Output Uji Korelasi Parsial dengan SPSS

Tabel output pertama “-none-a” memperlihatkan nilai hubungan atau hubungan antara variabel IQ dengan IPK sebelum dimasukkannya variabel kontrol (Motivasi) dalam analisis. Dari output di atas diketahui nilai koefisien hubungan (Correlations) sebesar 0,832 (positif) dan nilai Significance (2-tailed) ialah 0,001 < 0,05, maka sanggup disimpulkan bahwa ada hubungan yang positif dan signifikan antara IQ dengan IPK mahasiswa tanpa adanya variabel kontrol (Motivasi). Sementara nilai Correlations sebesar 0,832 ini masuk dalam kategori hubungan sangat kuat.

Tabel output kedua “Motivasi” menujukkan nilai hubungan atau hubungan antara variabel IQ dengan IPK setelah memasukkan Motivasi sebagai variabel kontrol dalam analisis. Dari tabel output di atas terlihat bahwa terjadi penurunan nilai koefisien hubungan (Correlations) menjadi 0,626 (bernilai positif dan kategori hubungan kuat) dengan nilai Significance (2-tailed) sebesar 0,039 < 0,05, maka H0 ditolak dan Ha diterima yang berarti bahwa hubungan antara IQ dengan IPK dengan Motivasi sebagai variabel kontrol ialah signifikan (nyata).

*Kesimpulan Penelitian

Berdasarkan pembahasan dalam uji hubungan parsial di atas diketahui bahwa kehadiran variabel motivasi berprestasi sebagai variabel kontrol akan menawarkan dampak terhadap hubungan antara variabel IQ dengan variabel IPK. Dengan demikian maka sanggup disimpulkan bahwa variabel IQ (Intelligence Quotient) bukanlah satu-satunya variabel yang memilih nilai IPK mahasiswa, alasannya ialah ada variabel lain juga yang bekerjasama dengan nilai IPK yaitu variabel Motivasi berprestasi.

Catatan: selain mengacu pada nilai Significance (2-tailed) dari output SPSS, pengambilan keputusan dalam uji hubungan parsial ini sanggup pula menurut pada perbandingan nilai nilai koefisien hubungan (Correlations) atau r hitung dengan nilai r table pearson product moment. Pembahasan lebih detail wacana hal ini saya rangkum dalam bentuk video panduan SPSS, silahkan anda saksikan videonya melalui link di bawah ini.

VIDEO: Tutorial Uji Korelasi Parsial dengan SPSS + Interpretasi

Sekian pembahasan kita mengenai cara melaksanakan analisis data penelitian dengan uji hubungan parsial memakai kegiatan SPSS beserta interpretasinya. Bagi anda merasa terbantu dengan panduan ini, silahkan dibagikan ke media umum supaya panduan ini sanggup bermanfaat bagi banyak orang. Terimakasih, semoga sukses untuk penelitian anda. Salam dari saya Sahid Raharjo

[Kata Kunci Pencarian: Cara Uji Korelasi Parsial dengan SPSS Serta Interpretasi Lengkap, Langkah-langkah Analisis Korelasi Parsial (Partial Correlations) memakai Program SPSS, Tutorial Uji Korelasi Parsial dengan SPSS dilengkapi Penjelasan]

Read More

Download File Praktik Latihan Spss Tutorial Youtube

Download File Praktik Latihan SPSS Tutorial YOUTUBE | Selamat pagi mitra semua yang sedang asik (ASIK SEKALI, hehe) mengerjakan tugas, skripsi, atau tesisnya biar selalu diberikan akomodasi dan kelancaran oleh Allah SWT dalam menuntaskan kiprah ini. Kunci sukses dalam mengerjakan analisis data memakai jadwal SPSS untuk penelitian bersama-sama terletak pada beberapa hal, diantaranya:

KUNCI SUKSES MENGERJAKAN ANALISIS DATA MENGGUNAKAN SPSS

1. Kecermatan dalam memilih metode analisis apa yang paling sempurna untuk penelitian anda. Cara termudah dalam hal ini adalah dengan merujuk pada penelitian sejenis atau jurnal yang relevan (mirip) dengan penelitian yang sedang anda lakukan dikala ini. Kemudian anda hanya perlu menyamakan (meniru) metode analisis yang digunakan dalam penelitian atau jurnal relevan tersebut. Kalau sanggup sih sebaiknya mencari penelitian terdahulu, dimana peneliti tersebut pernah dibimbing oleh dosen yang sama dengan dosen yang membimbing anda dikala ini - cari diperpustakaan kampus (inilah yang disebut cara main aman.hehe).
2. Pelajari teori-teori yang berkaitan dengan analisis yang digunakan untuk penelitian anda. Mencakup pengertian, tujuan, syarat atau mekanisme serta dasar pengambilan keputusan dalam analisis tersebut.
3. Perlu ketelitian dalam menginput data penelitian ke dalam Progam SPSS, baik pada Variabel View maupun pada Data View.
4. Baca sebanyak mungkin rujukan penunjang sebagai pegangan bagi anda untuk menafsirkan atau menginterpretasi Ouput SPSS atas hasil analisis yang sudah anda lakukan.

Baik kita masuk kebagian inti dari postingan kali ini, yakni disini saya akan membagikan beberapa file pendukung (file praktik analisis data di youtube) kepada kawan-kawan semua sebagai sarana embel-embel tutorial SPSS sederhana pada Channel youtube: Sahid Raharjo | kawan-kawan sanggup mendownloadnya secara gratis pada link di bawah ini.

Judul Video	Data File
Uji Normalitas Kolmogorov Smirnov dengan SPSS Full Edisi	Download
Cara Uji Linearitas dengan SPSS Paling Mudah	Download
Cara Uji Normalitas Probability Plot dengan SPSS Detail	Download
Video Uji Multikolinearitas dengan Tolerance-VIF SPSS	Download
Uji Heteroskedastisitas Glejser dengan SPSS	Download
Cara Uji Heteroskedastisitas dengan Metode Scatterplots SPSS	Download
Video Uji Autokorelasi Durbin Watson dengan SPSS	Download
Cara Uji Autokorelasi dengan Uji Run Test Menggunakan SPSS	Download
Uji Analisis Korelasi Pearson dengan SPSS Sangat Jelas	Download
Cara Uji Korelasi Berganda Simultan dengan SPSS Full	Download
Uji Regresi Linear Sederhana dengan SPSS Sangat Detail	Download
Uji t dan Uji F dalam Analisis Regresi Berganda dengan SPSS	Download
Panduan Cara Uji Regresi Variabel Intervening dengan SPSS	Download
Uji Regresi dengan Variabel Moderasi MRA dalam SPSS	Download
Teknik Uji Variabel Dummy dalam Analisis Regresi SPSS	Download
Praktik Mencari SE dan SR Regresi Berganda	Download
Uji Normalitas Shapiro Wilk Statistik Parametrik dengan SPSS	Download
Uji Homogenitas Levene Statistics dengan SPSS Sangat Lengkap	Download
Cara Uji Paired Sample T Test dengan SPSS Full	Download
Uji Beda Independent Sample t Test dengan SPSS Lengkap	Download
Video Cara Uji Wilcoxon Non Parametrik dengan SPSS	Download
Cara Uji Mann Whitney Non Parametrik dengan SPSS Lengkap	Download
Bimbingan Kilat Uji One Way Anova dengan SPSS bagi Pemula	Download
Bimbingan Praktis Cara Uji Two Way Anova dengan SPSS lengkap	Download
Cara Praktis Uji Normalitas Skewness dan Kurtosis dengan SPSS	Download
Membuat Tabel Distribusi Frekuensi dengan SPSS Sangat Mudah	Download
Cara Uji Analisis Korelasi Rank Spearman dengan SPSS Lengkap	Download
Uji Validitas Pearson Product Moment dengan SPSS [UPDATE]	Download
Uji Reliabilitas Cronbach Alpha dengan SPSS [UPDATE]	Download
Tutorial Cara Uji Chi Square dengan Program SPSS	Download
Uji Heteroskedastisitas Metode Glejser dengan SPSS UPDATE	Download
Uji Multikolinearitas Tolerance dan VIF dengan SPSS *UPDATE	Download
Analisis Data Kelas Eksperimen dan Kontrol dengan SPSS [5]	Download
Cara Memasukkan Data Kuesioner Skala Likert di SPSS Lengkap	Download
Cara Memasukkan Data Laporan Keuangan (Sekunder) di SPSS	Download
Video Panduan Uji Kruskal Wallis dengan SPSS Lengkap	Download
Uji One Sample t Test dengan SPSS + Interpretasi	Download
Tutorial Analisis Faktor dengan SPSS + Interpretasi	Download
Tutorial Uji Friedman dengan SPSS Serta Interpretasi Lengkap	Download
Uji Repeated Measures Anova dengan SPSS Serta Interpretasi	Download
Tutorial Uji Korelasi Parsial dengan SPSS + Interpretasi	Download
Cara Uji Korelasi Korelasi Kendalls tau-b dengan SPSS	Download
Next Video	Download

Catatan: untuk keamanan file, maka file data di atas saya rekap dalam format folder winrar. Isi file yang terdapat dalam forder winrar tersebut secara umum meliputi data Pdf, Excel, dan data Input SPSS.sav yang saya gunakan di dalam video youtube.

Lihat Juga: Panduan Berbagai Analisis Data dengan SPSS Lengkap

Demikian postingan ihwal Download File Praktik Latihan SPSS Tutorial YOUTUBE, biar bermanfaat dan sanggup dipergunakan sebagaimana mestinya. Oh iya, kalau ada link download yang rusak tolong diinfokan ke saya ya melalui whatsapp atau email supaya saya sanggup segera mengupdate dengan link yang baru. Terimakasih.

Read More

Panduan Analisis Regresi Variabel Dummy Dengan Spss Lengkap

Panduan Analisis Regresi Variabel Dummy dengan SPSS lengkap | Selamat malam kawan-kawan semua. Assalamu'alaikum warahmatullahhi wabarakatuh, pada kesempatan kali ini saya akan membagikan cara menuntaskan sebuah perkara penelitian dalam analisis regresi memakai variabel dummy dengan kegiatan SPSS. Untuk itu, silahkan siapkan secangkir kopi dan cemilan anda terlebih dahulu supaya pembahasan panjang kita kali ini berjalan sanggup lebih asik dan menyenangkan.

KONSEP DASAR ANALISIS REGRESI MENGGUNAKAN VARIABEL DUMMY

Seperti yang kita ketahui bersama bahwa uji regresi atau analisis regresi sendiri intinya dilakukan dengan tujuan untuk mengetahui apakah variabel bebas (X) besar lengan berkuasa terhadap variabel terikat (Y). Perbedaan antara analisis regresi pada umunya dengan analisis regresi variabel dummy yaitu terletak pada jenis data yang digunakan. Analisis regresi biasa pada umumnya memakai jenis data berskala interval untuk variabel bebas maupun variabel terikat. Sementara untuk analisis regresi dengan variabel dummy data untuk variabel terikat atau dependen yaitu data kuantitatif menyerupai data harga, penjualan, honor dan lain sebagainya dan untuk data variabel bebas atau independent yaitu data non metrik atau data kategori (variabel dummy), menyerupai data jenis kelamin (laki-laki dan perempuan). Kemudian data kategori tersebut diberi instruksi dummy yang dinyatakan dengan angka 1 dan 0.

PEDOMAN PENGAMBILAN KEPUTUSAN DALAM ANALISIS REGRESI MENGGUNAKAN VARIABEL DUMMY | Pengambilan keputusan dalam uji ini sanggup dilakukan dengan dua cara yakni dengan melihat nilai signifikansi hasil output SPSS atau dengan cara membandingkan nilai t hitung dengan nilai t tabel.

Melihat nilai Signifikansi dari Ouput SPSS

1. Jika nilai signifikansi lebih kecil dari < 0,05 maka ada dampak variabel bebas (X) terhadap variabel terikat (Y). 
2. Sebaliknya, jikalau nilai signifikansi lebih besar dari > 0,05 maka tidak ada dampak variabel bebas (X) terhadap variabel terikat (Y).

Membandingkan nilai t hitung dengan t tabel

1. Jika nilai t hitung > t tabel maka ada dampak variabel bebas (X) terhadap variabel terikat (Y).
2. Jika nilai t hitung < t tabel maka tidak ada dampak variabel bebas (X) terhadap variabel terikat (Y).

Catatan: adanya dua cara dalam pengambilan keputusan untuk analisis ini, sanggup lebih berkhasiat saat nilai signifikansi hasil SPSS sempurna di angka 0,05. Maka dari itu pengambilan keputusan tetap sanggup dilakukan dengan cara membandingkan nilai t hitung dengan t tabel.

CONTOH KASUS ANALISIS REGRESI MENGGUNAKAN VARIABEL DUMMY

Seorang manajer perusahaan “Permen Karet” ingin mengetahui apakah ada dampak antara honor yang diberikan perusahaan kepada salesmen menurut jenis kelamin salesman tersebut. Adapun datanya sebagai berikut:



Data jenis kelamin sanggup juga disebut dengan variabel dummy. Selanjutnya, supaya lebih gampang menganalisis data di atas maka kita harus memperlihatkan instruksi untuk data variabel jenis kelamin (X) ini, yakni dengan instruksi 1 untuk pria dan 0 untuk perempuan. Setelah sumbangan instruksi dilakukan, maka tampilan data menjadi menyerupai gambar di bawah ini.



[Download Data untuk Latihan]

PENYELESAIAN KASUS ANALISIS REGRESI MENGGUNAKAN VARIABEL DUMMY DENGAN SPSS

1. Buka kegiatan SPSS atau buat lembar kerja gres di SPSS dengan cara klik File – New – Data
2. Dari tampilan awal SPSS klik Variable View untuk pemasukkan nama dan mendefinisikan varabel.

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

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

Sehingga akan tampak di layar sebagai berikut:

3. Setelah nama variabel didefinisikan, langkah selanjutnya yaitu mengisi 10 data honor dan instruksi jenis kelamin sebagaimana data di atas. Untuk itu klik Data View kemudian isikan datanya sehingga akan tampak di layar sebagai berikut:

4. Setelah pengisian data dilakukan langkat selanjutnya yaitu klik sajian Analyze kemudian klik Regression kemudian kli Linear…

5. Muncul kotak obrolan “Linear Regression”, masukkan Gaji (Y) ke kotak Dependent dan Jenis kelamin (X) ke kotak Independent (s). Pada kotak Method pilih Enter. Sehingga akan tampak di layar sebagai berikut:



Klik Ok

6. Maka muncul output SPSS sebagai berikut:

PENGAMBILAN KEPUTUSAN DAN KESIMPULAN

Sebelum kita masuk pada pembahasan perihal pengambilan keputusan dan kesimpulan menurut interpretasi atas output SPSS di atas, maka ada baiknya saya sampaikan terlebih dahulu rumusan problem dan hipotesis yang saya ejekan dalam pola perkara ini, untuk menghindari kesalahpahaman dari pembaca semua.

Rumusan Masalah: apakah ada dampak antara besarnya honor dengan jenis kelamin salesmen pada perusahaan permen karet?

Hipotesis:
Ho : Tidak ada dampak antara besarnya honor dengan jenis kelamin salesmen.
Ha : Ada dampak antara besarnya honor dengan jenis kelamin salesmen.

Berdasarkan output kedua (Model Summary) diketahui nilai R sebesar 0,939 yang memperlihatkan angka hubungan atau hubungan yang sangat kuat antara honor dengan jenis kelamin salesman.

Baca: Tutorial Analisis Korelasi Rank Spearman dengan SPSS

Berdasarkan output keempat (Coefficients) di atas, maka persamaan regresi dalam pola perkara ini adalah:
Gaji = 40.000 + 50.000 (Jenis Kelamin)
Konstanta 40.000 memperlihatkan honor rata-rata yang diterima perbulan:
Salesmen wanita (kode 0) adalah:
Gaji = 40.000 + [50.000 (0)] = 40.000 perbulan
Salesmen pria (kode 1) adalah:
Gaji = 40.000 + [50.000 (1)] = 90.000 perbulan

PENGAMBILAN KEPUTUSAN BERDASARKAN NILAI SIG DAN NILAI HITUNG

1. Cara 1: dari output di atas diperoleh nilai signifikansi sebesar 0,000 atau lebih kecil dari 0,05 maka Ho ditolak dan Ha diterima.
2. Cara 2: diketahui nilai t hitung 7,746 lebih besar dari t tabel 2,262, maka Ho ditolak dan Ha diterima.

Rumus Mencari t tabel:
Karena uji dua sisi maka memakai = 0,025
(df) = n (jumlah sampel) dikurangi 1 (jumlah variabel bebas) = 10 – 1 = 9
Nilai 0,025 ; 9 kemudian kita lihat pada distribusi nilai t tabel, maka di peroleh nilai t tabel sebesar 2,262

Download Distribusi nilai t tabel

PENGAMBILAN KEPUTUSAN DENGAN KURVA REGRESI

Berdasarkan kurva regresi di atas, terlihat bahwa nilai t hitung 7,746 terletak di area dampak positif sehingga sanggup disimpulkan bahwa Ho ditolak dan Ha diterima. Dengan demikian sanggup di artikan bahwa Ada dampak antara besarnya honor dengan jenis kelamin salesmen pada perusahaan Permen Karet.

Demikian pembahasan kita mengenai analisis regresi memakai variabel dummy dengan SPSS, walaupun cukup panjang pembahasannya, namun demikian hal ini yaitu upaya kami supaya pembaca sanggup memperoleh gosip yang lebih terperinci dan lengkap.. semoga bermanfaat.

Tonton : VIDEO Teknik Uji Variabel Dummy dalam Analisis Regresi SPSS bagi Pemula

[Search: Panduan Analisis Regresi Variabel Dummy dengan SPSS lengkap, Cara Uji Regresi dengan Variabel Dummy memakai SPSS, Contoh Analisis Regresi Variabel Dummy dengan SPSS versi 21, Langkah-langkah Uji Regresi dengan Variabel Dummy SPSS]

Read More