Cara Uji Normalitas Shapiro-Wilk Dengan Spss Lengkap

Cara Uji Normalitas Shapiro-Wilk dengan SPSS Lengkap | Uji Normalitas bertujuan untuk mengetahui apakah data penelitian berdistribusi normal atau tidak. Sebab, dalam statistik Paramertik distribusi data yang normal ialah suatu keharusan dan merupakan syarat yang mutlak yang harus terpenuhi. Uji Normalitas data sanggup dilakukan dengan beberapa uji statistik, seperti:

1. Uji Shapiro-Wilk
2. Uji Kolmogorov-Smirnov
3. Uji Liliefors
4. Uji Skweness dan Kurtosis

Dalam artikel tutorial kali ini, saya akan menjelasakan bagaimana Cara Uji Normalitas Shapiro-Wilk dengan SPSS. Untuk melaksanakan Uji Shapiro-Wilk kita sanggup memanfaatkan akomodasi sajian Explore yang terdapat dalam SPSS.

Dasar Pengambilan Keputusan dalam Uji Normalitas Shapiro-Wilk

1. Jika nilai Sig. > 0,05, maka data berdistribusi normal
2. Jika nilai Sig. < 0,05, maka data tidak berdistribusi normal

Contoh Kasus dalam Uji Normalitas Shapiro-Wilk

Saya memiliki data Prestasi mencar ilmu siswa untuk dua kelompok yang tidak berpasangan, sebelum saya melaksanakan Uji Independent Sample T-Test, maka saya harus memastikan bahwa data berdistribusi normal dulu. Adapun data Prestasi mencar ilmu dua kelompok tersebut dituangkan dalam bentuk nilai ibarat gambar dibawah ini.



Keterangan : Kelompok A diberi isyarat 1 dengan N = 6 siswa, sedangkan Kelompok B diberi isyarat 2 dengan N = 5 siswa.

Cara Melakukan Uji Normalitas Shapiro-Wilk dengan SPSS

1. Buka lembar kerja SPSS, kemudian klik Variable View, pada cuilan Name pertama tuliskan Nilai. Kemudian untuk Name Kedua tuliskan Kelompok, sehabis itu pada cuilan Decimals yang kedua ganti dengan 0. Selanjutnya, klik pada cuilan Value yang kedua, sampai muncul kotak obrolan Value Label, pada kotak Value isikan 1 dan pada kotak Label isikan Kelompok A, kemudian klik Add. Kemudian, isikan kembali pada kotak Value dengan isian 2 dan pada kotak Label isikan Kelompok B, kemudian klik Add dan klik Ok [abaikan saja yang lainnya]



Jika caranya sudah benar maka tampilannya akan ibarat gambar berikut ini



2. Setelah itu, klik Variable View, selanjutnya untuk variabel Nilai isikan dengan nilai di atas, dan untuk variable Kelompok isikan 1 untuk nilai kelompok A, dan 2 untuk nilai Kelompok B



3. Selanjutnya, dari sajian SPSS, klik Analyze – Descriptive Statistiks – Explore…



4. Masukkan variabel Nilai ke kotak Dependen List, kemudian masukkan variabel Kelompok ke kotak Factor List, pada cuilan Display pilih Both



5. Setelah itu, klik Plots.., maka akan mucul kotak obrolan Explore: Plots, dari serangkaian pilihan yang ada, berikan tanda centang pada pilihan Normality Plot with tests, kemudian klik Continue



6. Langkah terakhir klik Ok.. dan akan muncul Output SPSS [Perhatikan pada Output Test of Normality]



Interpretasi atau Penjelasan Output Uji Normalitas Shapiro-Wilk

Berdasarkan output Test of Normality, diperoleh nilai signifikansi untuk Kelompok A sebesar 0,770, sedangkan nilai signifikansi untuk Kelompok B sebesar 0,807. Karena nilai signifikansi Kelompok A dan Kelompok B lebih besar > 0,05, maka sanggup disimpulkan bahwa data Prestasi mencar ilmu berdistribusi normal.

Alhamdulillah selesai juga artikelnya.. mudah-mudah bermanfaat yaw.. terimakasih telah berkenan memabaca goresan pena ini

[Search : Cara Uji Normalitas Shapiro-Wilk dengan SPSS Lengkap | Langkah-Langkah Melakukan Uji Normalitas Shapiro-Wilk memakai SPSS | Uji Shapiro-Wilk dengan SPSS Versi 21 | Dasar Pengambilan Keputusan dalam Uji Normalitas Shapiro-Wilk]

Lihat Juga: VIDEO Uji Normalitas Shapiro-Wilk dengan SPSS

Read More

Cara Uji Normalitas Untuk One Way Anova Dengan Spss Lengkap

Cara Uji Normalitas untuk One Way Anova dengan SPSS Lengkap | Selamat pagi kawan-kawan semua, biar masih tetap semangat ya dalam menuntaskan penelitiannya. Pokoknya jangan pernah mengalah terus berjuang hingga akhir, alasannya ialah dibalik setiap kesulitan niscaya ada kemudahan. Admin doakan biar penelitiannya berjalan lancar dan sukses. Aamiin.

Pada kesempatan kali ini admin www.spssindonesia.com akan membagikan artikel panduan cara uji normalitas untuk one way anova dengan SPSS. Normalitas data merupakan persyaratan mutlak yang harus terpenuhi sebelum kita memakai uji one way anova untuk menganalisis data penelitian.

Namun demikian, sering terjadi peneliti yang mendapati data penelitiannya tidak berdistribusi normal, kemudian apa yang harus dilakukan dengan keadaan yang ibarat itu? Tenang! Ketika sebaran data tidak berdistribusi normal maka langkah pertama yang harus dilakukan ialah melaksanakan transformasi data ke bentuk Ln atau Logaritma natural dengan memanfaatkan sajian transform yang ada di SPSS, gres kemudian mengulangi uji normalitas dengan data Ln tersebut.

Jika dengan transformasi data (Ln) masih didapati data tidak berdistribusi normal, maka langkah kedua ialah mengganti uji one way anova dengan uji kruskal wallis sebagai alternatif analisis hipotesis untuk data tidak berdistribusi normal. Perlu kita pahami bahwa uji kruskal willis ialah cuilan dari statistik non parametrik yang tidak mensyaratkan data harus berdistribusi normal sebagaimana syarat yang ada dalam uji one way anova.

Metode Uji Normalitas untuk One Way Anova

Secara umum ada dua metode untuk melaksanakan Uji Normalitas untuk One Way Anova dengan SPSS, yakni dengan uji kolmogorov smirnov dan uji shapiro wilk. Adapun uji normalitas kolmogorov smirnov digunakan untuk data lebih dari 50 sampel. Sementara, uji shapiro wilk digunakan untuk data penelitian kurang dari 50 sampel.

Contoh Soal Uji Normalitas untuk One Way Anova

Seorang pemilik toko handphone ingin mengetahui penjualan handphone untuk merek Samsung, Oppo, Vivo, dan Lenovo yang ada di tokonya. Para pembeli handphone di toko itu hanya dihadapkan pada keempat merek handphone tersebut. Adapun data penjualan keempat merek handphone tersebut selama 10 ahad ialah sebagai berikut.

[Download Data]

Catatan: Untuk kebutuhan analisis di SPSS, maka kita perlu mengubah keempat merek handphope, ke dalam bentuk angka dengan ketentuan arahan merek Samsung=1, Oppo=2, Vivo=3, dan Lenovo=4. Kode merek sanggup anda lihat pada gambar di atas, yakni kolom yang saya beri garis kotak warna merah.

Uji one way anova sanggup kita gunakan untuk menuntaskan teladan soal di atas. Namun demikian terlebih dahulu kita harus melaksanakan uji normalitas untuk mengetahui apakah sebaran data penjualan keempat merek handpone tersebut berdistribusi normal atau tidak. Sebab, dalam uji one way anova perkiraan dasar yang harus terpenuhi ialah data berdistribusi normal.

Cara Uji Normalitas untuk One Way Anova dengan SPSS

1. Buka lembar kerja gres SPSS, kemudian klik Variable View untuk mengisi nama dan property variabel dengan ketentuan sebagai berikut:

Variabel “Merek” maka isikan:
Name: dikala Merek
Type: pilih Numeric
Width: pilih 1
Decimals: pilih 0
Catatan: Desimals isikan 0 terlebih dahulu gres kemudian Width isikan 1
Label: ketik Merek Handpone
Values: pilihan ini untuk proses tunjangan arahan handphone. Maka klik kotak kecil di kanan sel, maka akan muncul kotak obrolan “Value Labels” sebagai berikut

Cara mengisinya:
Value: ketik 1
Label: ketik Samsung
Klik Add
Value: ketik 2
Label: ketik Oppo
Klik Add
Value: ketik 3
Label: ketik Vivo
Klik Add
Value: ketik 4
Label: ketik Lenovo
Klik Add
Klik Ok

Missing: pilih None
Columns: pilih 8
Align: pilih Right
Measure: pilih Nominal
Role: Pilih Input

Variabel “Penjualan” maka isikan:
Name: dikala Penjualan
Type: pilih Numeric
Width: pilih 8
Decimals: pilih 0
Label: ketik Penjualan 10 Minggu
Values: pilih None
Missing: pilih None
Columns: pilih 8
Align: pilih Right
Measure: pilih Scale
Role: Pilih Input

Jika anda sudah mengisi dengan benar maka dilayar akan tampak sebagaimana gambar di berikut ini.

2. Langkah selanjutnya ialah klik Data View, kemudian masukkan data Merek dan Penjualan sesuai dengan kolom yang tersedia

3. Dari sajian SPSS klik Analyze – Descriptive Statistics – Explore…

4. Maka akan muncul kotak obrolan “Explore”, selanjutnya masukkan variabel Penjualan 10 Minggu ke kotak Dependen List, kemudian masukkan variabel Merek Handphone [Merek] ke kotak Factor List, pada cuilan “Display” pilih Both, kemudian klik Plots…

5. Maka akan mucul kotak obrolan “Explore: Plots”, kemudian berikan tanda centang (v) pada Normality Plot with tests, kemudian klik Continue

6. Jika sudah yakin benar, selanjutnya klik Ok untuk mengakhiri perintah. Maka muncul output SPSS. Perhatikan output ketiga, yakni pada tabel “Test of Normality”

Dasar Pengambilan Keputusan dalam Uji Normalitas

1. Jika nilai Sig. > 0,05 maka data berdistribusi normal
2. Jika nilai Sig. < 0,05 maka data tidak berdistribusi normal

Interpretasi dan Pengambilan Keputusan Uji Normalitas

Penting: Karena data penelitian ini kurang dari 50 maka kita gunakan nilai Shapiro-Wilk Sig.

Dari output SPSS pada tabel Test of Normality di atas, diperoleh nilai Shapiro-Wilk Sig. untuk data penjualan handpone Samsung ialah sebesar 0,687, Oppo sebesar 0,372, Vivo sebesar 0,613, dan Lenovo sebesar 0,950. Berdasarkan dasar pengambilan keputusan dalam uji normalitas di atas, maka data penjualan untuk keempat merek handphone > 0,05. Dengan demikian sanggup disimpulkan bahwa data penjualan untuk keempat merek handphone (Samsung, Oppo, Vivo, dan Lenovo) ialah berdistribusi normal.

Karena perkiraan dasar normalitas sudah terpenuhi maka analisis stastistik parametrik dengan Uji One Way Anova sanggup dilakukan. Namun, kalau data penelitian ternyata tidak berdistribusi normal maka alternatif analisis data sebagai pengganti uji one way anova ialah dengan memakai statistik non parametrik yakni dengan uji kruskal wallis.

Baca: Cara Uji Kruskal Wallis Statistik Non Parametrik dengan SPSS

Baik hingga disini dulu pembahasan kita ihwal uji normalitas, muda-mudahan sanggup bermanfaat untuk kawan-kawan semua dalam menuntaskan penelitiannya. Semoga sukses ya. Terimakasih.

[Kata Kunci Pencarian: Cara Uji Normalitas untuk One Way Anova dengan SPSS Lengkap, Uji Normalitas Shapiro-Wilk dalam Uji One Way Anova, Tutorial Uji Normalitas untuk One Way Anova dengan Program SPSS Versi 21]-[Data penelitian pada artikel ini merupakan data fiktif sebagai materi latihan mengolah data memakai 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

Cara Uji Repeated Measures Anova Dengan Spss Serta Interpretasi

Cara Uji Repeated Measures Anova dengan SPSS serta Interpretasi | Penggunaan teknik repeated measures bertujuan untuk menguji apakah ada perbedaan secara faktual (signifikan) dari aneka macam hasil pengukuran yang dilakukan berulang-ulang pada suatu variabel penelitian. Perbedaan yang fundamental antara uji one way anova dengan uji repeated measures anova yakni terletak pada sampel yang diteliti. Dimana untuk uji one way anova sendiri sampel yang digunakan ialah sampel yang tidak berpasangan, sementara dalam uji repeated measures digunakan untuk sampel yang saling berpasangan.

Uji Repeated Measures Anova merupakan teknik lebih lanjut dari uji paired sample t test. Uji repeated measures anova ini, sanggup digunakan untuk menguji perbedaan dari tiga sampel atau lebih yang saling berpasangan. Sementara pada uji paired sample t test hanya untuk dua sampel berpasangan saja.

Asumsi Dasar dalam Uji Repeated Measures Anova

Persyaratan yang harus terpenuhi atau perkiraan dasar penggunaan uji repeated measures anova dalam analisis data penelitian ialah sebagai berikut.

1. Variabel independent (variabel bebas) memakai data berskala kategori. Sementara untuk variabel dependent (variabel terikat) memakai data berskala interval atau rasio (numerik).
2. Uji repeated measures anova merupakan pecahan dari statistik parametrik. Oleh lantaran itu, nilai Standardized Residual untuk semua pengukuran (variabel) harus berdistribusi normal. Sementara itu, kalau salah satu dari nilai Standardized Residual untuk variabel ada yang tidak normal, maka solusinya ialah mengganti analisis data dengan statistik non parametrik memakai uji friedman.
3. Data penelitian diasumsikan mempunyai varians yang sama atau homogen. Hal ini dibuktikan dengan nilai signifikansi (Sig.) > 0,05 pada Mauchly’s Test of Sphericity. Namun demikian, untuk persyaratan poin ke-3 ini bukanlah sebuah keharusan (tidak mutlak). Sebab, walaupun varians tidak homogen, akan tetapi kita tetap bisa melanjutkan penggunakan uji repeated measures anova untuk analisis data penelitian yakni dengan memperhatikan nilai Greenhouse-Geisser yang ada di tabel output SPSS Tests of Within-Subjects Effects.

Contoh Kasus Uji Repeated Measures Anova dalam Penelitian

Seorang peneliti ingin mengetahui apakah obat herbal merek SLIMJOS benar-benar bisa menurunkan berat tubuh seseorang dalam kurun waktu tertentu? Untuk keperluan penelitian ini, maka 17 orang yang akan melaksanakan kegiatan diet ditimbang untuk diketahui berat tubuh awal. Setelah itu 17 orang tersebut diberi minum obat herbal merek SLIMJOS, kemudian ditimbang kembali berat badannya seminggu dan sebulan kemudian sehabis sebelumnya rutin mengkonsumsi obat herbal ini. Berikut data berat tubuh tujuh belas orang responden tersebut.

[Download Data excel, Input-Output SPSS]

Keterangan: Contoh-responden nomor 1 mempunyai berat tubuh awal 90,4 kilogram, sehabis seminggu mengkonsumsi obat herbal merek SLIMJOS mengalami menutunan berat tubuh menjadi 90,3 kilogram. Kemudian sehabis sebulan rutin mengkonsumsi obat herbal tersebut, berat badannya menjadi 86,3 kilogram. Cara membaca data berat tubuh untuk responden nomor 2 dan seterusnya sebagaimana teladan pada responden nomor 1.

Identifikasi Variabel Penelitian

1. Variabel independent atau variabel bebas ialah waktu pengukuran berat badan. Terdiri dari 3 waktu pengukuran berat tubuh yaitu seminggu, sebulan dan setahun (data kategorikal).
2. Variabel dependent atau variabel terikat ialah data ukuran berat tubuh ke-17 orang responden (data numerik).

Cara Uji Repeated Measures Anova dengan SPSS

Ada beberapa tahapan untuk melaksanakan uji repeated measures anova dengan SPSS. Pertama, tahap penginputan data penelitian ke kegiatan SPSS. Kedua, melaksanakan uji normalitas pada nilai Standardized Residual untuk ukuran berat tubuh di ketiga waktu pengukuran. Ketiga melaksanakan analisis dengan uji repeated measures anova.

*Menginput Data Penelitian ke Program SPSS

1. Buka lembar kerja gres pada kegiatan SPSS, kemudian klik Variable View dalam mendefinisikan variabel penelitian yang ada pada kolom Name, Decimals, Label, Measure dan lainnya, sanggup ikuti ketentuan sebagaimana gambar bawah ini.

2. Jika sudah, langkah selanjutnya klik Data View, kemudian masukkan data berat tubuh ke-17 orang responden tersebut sesuai dengan waktu berat tubuh mereka diukur atau ditimbang. Tampak dilayar SPSS.

*Melakukan Uji Normalitas Nilai Standardized Residual

Persyaratan yang harus terpenuhi dalam uji repeated measures anova yaitu nilai standardized residual untuk data berat tubuh di ketiga data waktu pengukuran di atas ialah normal. Jika salah satu variabel tidak normal maka alternatif yang sanggup digunakan ialah melaksanakan uji friedman sebagai pengganti uji repeated measures anova. Adapun langkah-langkah uji normalitas standardized residual dengan SPSS ialah sebagai berikut.

3. Dari sajian SPSS, klik sajian Analyze >> General Linear Model >> Repeated Measures… Tampak di layar SPSS

4. Maka mucul kotak obrolan gres dengan nama “Repeated Measures Define Factor(s)” pada pecahan Whithin-Subject Faktor Name: ganti goresan pena factor1 dengan Waktu. Untuk kotak Number of Lavels: ketikkan 3 (karena ada 3 waktu pengukuran berat badan)

5. Kemudian klik Add, pada pecahan Measure Name: ketikkan Obat kemudian klik Add, selanjutnya klik Define, maka tampak di layar sebagai berikut.

6. Muncul kotak obrolan “Repeated Measures” pindahkan variabel BB Awal, BB Seminggu, dan BB Sebulan, ke kotak Whithin-Subject Variables (Waktu)

7. Selanjutnya klik Plots… maka muncul kota obrolan “Repeated Measures: Profile Plots” kemudian pindahkan variabel Waktu ke kotak Horizontal Axis, kemudian klik tombol Add, sehingga variabel Waktu berpindah di kotak Plots, kemudian klik Continue Tampak di layar.

8. Kembali ke kotak obrolan “Repeated Measures”, kemudian klik Save, maka muncul kotak obrolan “Repeated Measures: Save” pada pecahan Residuals berikan tanda centang (v) pada pilihan Standardized, kemudian klik Continue

9. Kembali lagi ke kotak obrolan “Repeated Measures”, selanjutnya klik Options, maka muncul kotak obrolan “Repeated Measures: Options” kemudian masukkan variabel Waktu ke kotak Display Means for, kemudian aktifkan Compare main effects, pada pecahan Confidence interval adjustmen pilih Bonfferoni, kemudian klik Continue selanjutnya klik Ok. Tampak di layar.

10. Penting: Output SPSS yang muncul tersebut ialah output Uji Repeated Measures Anova namun kita abaikan dulu saja (karena kita akan memaknainya nanti sehabis persyaratan normalitas sudah terpenuhi).

11. Buka Data View, perhatikan pada tampilan Data View ini terlihat ada variabel gres dengan nama ZRE_1, ZRE_2, dan ZRE_3. Nah, inilah yang disebut dengan nilai Standardized Residual

12. Selanjutnya untuk melaksanakan uji normalitas untuk nilai Standardized Residual, klik sajian Analyze >>Descriptive Statistics >> Explore…

13. Maka muncul kotak obrolan dengan nama “Explore” kemudian masukkan ketiga variabel Standardized Residual ke kotak Dependent List: selanjutnya klik Plots…

14. Muncul kotak obrolan “Explore Plots” kemudian beri tanda centang (v) pada pilihan Normality plots with tests, kemudian klik Continue, kemudian klik Ok. Maka akan mucul output SPSS, untuk uji normalitas kita cukup memperhatikan tabel output “Tests of Normality”

*Pembahasan Uji Normalitas Nilai Standardized Residual



Untuk mengetahui apakah ketiga variabel Standardized Residual ini normal atau tidak, maka terlebih dahulu kita harus mengetahui dasar pengambilan keputusan dalam uji normalitas dengan kententuan sebagai berikut.

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

Berdasarkan tabel output SPSS “Tests of Normality” diketahui nilai Sig. untuk uji normalitas dengan teknik Shapiro-Wilk ialah sebagai berikut.

1. Standardized Residual for Awal Sig. 0,359
2. Standardized Residual for Seminggu Sig. 0,410
3. Standardized Residual for Sebulan Sig. 0,458

Karena nilai signifikansi (Sig.) untuk semua variabel Standardized Residual di atas > 0,05 maka sanggup disimpulkan bahwa data berat tubuh untuk ketiga waktu pengukuran tersebut ialah normal. Dengan demikian, analisis data untuk penelitian ini sanggup dilakukan dengan metode statistik parametrik dengan Uji Repeated Measures Anova.

Catatan: teknik Shapiro-Wilk digunakan untuk sampel kecil yakni < 50 sampel. Sementara teknik Kolmogorov-Smirnov digunakan untuk sampel besar yakni > 50 sampel.

Interpretasi Output Uji Repeated Measures Anova SPSS

Tabel output SPSS untuk uji repeated measures anova sanggup dilihat pada proses analisis SPSS di atas, yaitu pada LANGKAH KE-10. Adapun interpretasi dari tabel-tabel output SPSS tersebut ialah sebagai berikut.

Tabel Output “Within-Subjects Factors”

Tabel output di atas menjelaskan bahwa ada tiga variabel berat tubuh untuk tiga waktu pengukuran berat tubuh yang berbeda.

Tabel Output “Mauchly's Test of Sphericity”

Seperti yang sudah saya bahas di awal, bahwa perkiraan atau persyaratan yang mendasari (bukan syarat mutlak) uji repeated measures anova yaitu data penelitian mempunyai varians yang sama melalui nilai Sphericity. Berdasarkan output di atas, diketahui nilai Signifikansi (Sig.) sebesar 0,002 < 0,05, maka sanggup disimpulkan bahwa data penelitian ini tidak memenuhi perkiraan kesamaan varians. Untuk kasus ibarat ini anda tidak perlu khawatir, alasannya ialah uji repeated measures anova masih tetap bisa dilanjutkan yakni dengan mengacu pada nilai Greenhouse-Geisser yang akan kita bahas pada tabel output Tests of Within-Subjects Effects.

Catatan: Jika perkiraan atau persyaratan Sphericity terpenuhi, maka pengambilan keputusan dalam uji repeated measures anova mengacu pada nilai Sphericity Assumed.

Tabel Output “Tests of Within-Subjects Effects”

Tabel output di atas ialah tabel paling mentukan dalam uji repeated measures anova. Dalam hal ini, ada tiga tahapan yang harus dilalui untuk memaknai hasil output tersebut. Pertama, menciptakan rumusan hipotesis penelitian. Kedua, mengetahui dasar pengambilan keputusan dalam uji repeated measures anova. Ketiga ialah penarikan kesimpulan.

*Rumusan Hipotesis Penelitian

1. H0: Tidak ada perbedaan rata-rata penurunan berat tubuh pada ketiga kelompok interval waktu pengukuran.
2. Ha: Ada perbedaan rata-rata penurunan berat tubuh pada ketiga kelompok interval waktu pengukuran.

*Dasar Pengambilan Keputusan dalam Uji Repeated Measures Anova

1. Jika nilai Greenhouse-Geisser Sig. > 0,05, maka H0 diterima dan Ha ditolak.
2. Jika nilai Greenhouse-Geisser Sig. < 0,05, maka H0 ditolak dan Ha diterima.

*Penarikan Kesimpulan: menurut tabel output Tests of Within-Subjects Effects di atas, diketahui nilai Greenhouse-Geisser Sig ialah sebesar 0,000 < 0,05. Maka H0 ditolak dan Ha diterima atau dengan kata lain ada perbedaan rata-rata penurunan berat tubuh yang faktual (signifikan) dari waktu ke waktu. Dengan demikian sanggup disimpulkan bahwa obat herbal merek SLIMJOS benar-benar bisa menurunkan berat tubuh seseorang.

Tabel Output “Pairwise Comparisons”

Tabel output di atas memperlihatkan info mengenai rata-rata penurunan berat tubuh untuk setiap pengukuran dari waktu ke waktu (awal, semiggu, dan sebulan). Angka 1 memperlihatkan waktu pengukuran berat tubuh awal, angka 2 memperlihatkan waktu pengkuran berat tubuh seminggu, dan angka 3 memperlihatkan waktu pengukuran berat tubuh sebulan sehabis rutin mengkonsumsi obat herbal merek SLIMJOS. Adapun penjelasannya sanggup anda simak pada poin-poin di bawah ini.

1. Nomor 1 (berat tubuh awal) dibandingkan dengan nomor 2 (berat tubuh seminggu), terjadi rata-rata penurunan berat tubuh sebesar 0,771 kilogram dan perbedaan penurunan berat bedan tersebut ialah faktual alasannya ialah nilai Sig. sebesar 0,001 < 0,05.
2. Nomor 1 (berat tubuh awal) dibandingkan dengan nomor 3 (berat tubuh sebulan), terjadi rata-rata penurunan berat tubuh sebesar 3,818 kilogram dan perbedaan penurunan berat bedan tersebut ialah faktual alasannya ialah nilai Sig. sebesar 0,000 < 0,05.
3. Nomor 2 (berat tubuh seminggu) dibandingkan dengan nomor 3 (berat tubuh sebulan), terjadi rata-rata penurunan berat tubuh sebesar 3,047 kilogram dan perbedaan penurunan berat bedan tersebut ialah faktual alasannya ialah nilai Sig. sebesar 0,000 < 0,05.

Oleh lantaran itu sanggup dismpulkan bahwa dengan rutin mengkonsumsi obat herbal merek SLIMJOS sanggup menurunkan rata-rata berat tubuh seseorang sebesar 0,771 kilogram dalam waktu seminggu dan 3,818 kilogram dalam waktu sebulan.

Gambar Output “Profile Plots”

Gambar Plots di atas memperlihatkan ketajaman rata-rata penurunan berat tubuh dari waktu ke waktu berat tubuh tersebut di ukur atau di timbang.

Demikian pembahasan mengenai cara melaksanakan analisis data penelitian dengan uji repeated measures anova memakai kegiatan SPSS beserta interpretasinya. Selanjutnya silahkan anda bagikan panduan ini ke media umum anda supaya panduan ini sanggup bermanfaat bagi orang banyak. Terimakasih telah berkenan membaca goresan pena ini, selamat mencoba dan agar sukses. Salam hangat dari saya Sahid Raharjo.

VIDEO: Tutorial Uji Repeated Measures Anova dengan SPSS Serta Interpretasi

[Kata Kunci Pencarian: Cara Uji Repeated Measures Anova dengan SPSS Serta Interpretasi, Langkah-langkah Statistik Parametrik dengan Uji Repeated Measures Anova memakai Program SPSS, Tutorial Uji Repeated Measures Anova dengan SPSS Lengkap]

Read More