Regresi Linear dengan SPSS

Contoh Regresi Linier Sederhana dengan SPSS

Artikel ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data regresi menggunakan data yang dipakai seperti pada perhitungan korelasi. Analisis regresi sederhana merupakan salah satu metode uji regresi yang dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen) terhadap variabel terikat (dependen). Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu:

1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel bebas.
2. Menguji hipotesis karakteristik dependensi
3.  Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0,
2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata,
3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05, • Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation,
4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis),
5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik,
6. Data harus berdistribusi normal,
7. Data berskala interval atau rasio,
8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel response) Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 20.

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas) lalu klik tombol OK,

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;

1. Tabel variabel penelitian,
2.  Ringkasan model (model summary),
3. Tabel Anova, dan
4. Tabel Koefisien.

Cara membaca output spss hasil uji regresi linier tersebut adalah :

1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat.
2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas.
4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Uji Ancova

Uji Ancova

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Spearman Rank Banyak Disalahgunakan

Uji Spearman merupakan salah satu uji statistik non paramateris. Digunakan apabila ingin mengetahui kesesuaian antara 2 subjek di mana skala datanya adalah ordinal.

Sebagai contoh: Kesesuaian penilaian 2 juri terhadap 20 peserta lomba memasak.

masing-masing juri akan memberikan nilai pada setiap peserta. Kemudian dari semua peserta akan diranking oleh masing-masing juri. Dari peringkat 1 sampai 20. Apabila ada peserta dengan nilai yang sama, maka peringkatnya dibagi sama. Contoh: ada 2 peserta mendapat nilai sama pada peringat 3. Sehingga masing-masing peserta diberi peringkat 3,5 yang merupakan hasil dari penghitungan: 3 + 4 kemudian dibagi 2.

Berdasarkan pemahaman di atas, maka jelas sekali bahwa uji Spearman hanya diperuntukkan bagi uji dengan 2 subjek yang berbeda atau disebut juga sampel bebas.

Karena uji kesesuaian, maka jelas sifat hubungan kedua variabel adalah simetris, bukan resiprocal.

Skala data jelas adalah nominal (2 subjek) dengan interval yang diubah menjadi peringkat.

Dengan keberadaan alat komputasi statistik seperti SPSS, pengujian Spearman dapat dilakukan dengan bebas tanpa batasan. Seandainya dihitung secara manual, maka kadang tidak mungkin bisa dilakukan.

Sebagian besar peneliti pemula, bahkan sebagian pembimbing penelitian, banyak yang menyalah tafsirkan mengenai fungsi Spearman. Sebagai Contoh: uji hubungan antara 2 variabel di mana variabel pertama berskala ordinal dengan 3 kategori buatan (Baik, Cukup, Kurang) dan variabel kedua dengan berskala ordinal dengan 3 kategori buatan (rendah, sedang dan tinggi). Sifat hubungan keduanya adalah resiprocal. Apakah bisa dengan skala data dan hubungan tersebut dihitung dengan Uji Spearman Rank?

Anda bisa menjawab sendiri atas pertanyaan tersebut dengan mengetahui cara penghitungan Spearman.

Saat ini telah terjadi salah kaprah yang bersifat turun temurun, yaitu apabila uji non parametris dengan skala data ordinal by ordinal, maka ujinya pasti spearman atau kendall tau. Sungguh suatu hal yang sangat menyedihkan.

Uji yang sejenis, yaitu kendall tau juga sama mendapatkan overdosis seperti Spearman. Beda kendall tau dengan spearman adalah terletak pada sumber datanya: spearman berasal dari subjek berbeda sedangkan kendall tau dari subjek yang sama atau berpasangan (contoh: peringkat sebelum dan sesudah perlakuan).

Bagaimana dengan uji pearson? perbedaan dengan pearson adalah terletak pada skala datanya yaitu interval yang berdistribusi normal.

Kemudian, apabila menemui kasus seperti contoh di atas: Variabel kesatu memiliki 3 kategori buatan ordinal dan variabel kedua juga sama. Maka uji apa yang pantas? jawabannya sederhana, bagi anda yang memiliki SPSS, buka aplikasi tersebut. lakukan analyze lalu crosstab, masukkan kedua variabel tersebut, lalu pilih statistik, sisi kanan ordinal adalah pilihan uji asosiatif: apakah spearman ada? apakah kendall tau ada? keduanya tidak ada. Yang ada adalah kendall tau_b dan somer's d.

Maka anda bisa simpulkan sendiri jawabannya. Tetapi menurut penulis berdasar beberapa sumber yang jarang beredar di Indonesia. Uji yang pantas pada kasus tersebut adalah uji Somer's d.

Uji Somer's d diperuntukkan pada uji asosiatif 2 variabel dengan skala data ordinal by ordinal dengan kategori buatan sehingga dapat mengatasi masalah TIES (banyak responden dengan peringkat yang sama).

Uji ini jarang sekali dipakai, bahkan jarang sekali dibahas oleh para ahli. Tetapi uji ini sangat bermanfaat dan tepat guna.

Kesimpulannya: telah terjadi ketimpangan atau pilih kasih di antara jenis uji asosiatif ordinal. Spearman dan kendall tau menjadi anak emas atau bawang merah sedangkan somer's d menjadi anak terbuang atau bawang putih.

Mari kita luruskan kisah tersebut.

Sekian, terima kasih.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Koefisien Kontingensi C

Fungsi:

Untuk mengetahui asosiasi atau relasi antara dua perangkat atribut. Apakah berlaku pada populasinya.

Metode:

dimana:

Contoh:

Suatu penelitian ingin mengetahui: “apakah ada perbedaan diantara mahasiswa Fisip UNS dalam hal kesukaannya terhadap beberapa jenis musik.?”

Hasil hitung: X2 = 8,5 

Yang akan dibuktikan: 

Ha  -> C  ≠ 0

H0  -> C  = 0

Besarnya koefisien kontingensi:

Uji signifikansi :

1. X2  = 8,5 -> signifikan pada ∂ = 0,02
2. C = 0,285
3. Jadi C ≠ 0
4. Dengan demikian mahasiswa menurut jurusan dan jenis musik yang digemari berhubungan didalam populasinya.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Transformasi Data

Tujuan utama dari transformasi data ini adalah untuk mengubah skala pengukuran data asli menjadi bentuk lain sehingga data dapat memenuhi asumsi-asumsi yang mendasari analisis ragam. 

Transformasi data ada beberapa jenis, antara lain:

a) Transformasi akar, 

b) Tansformasi Logaritma, dan 

c) Transformasi Arcsin. 

Catatan: Data yang ditampilkan pada laporan anda tetap data aslinya sedangkan data transformasi hanya untuk membantu anda untuk membuat data asli memenuhi asumsi-asumsi analisis ragam.

Bahasan di bawah ini dijelaskan Rumus Transformasi Data.

Transformasi akar 

Transformasi jenis ini disebut juga dengan istilah transformasi akar kuadrat. Transformasi akar digunakan apabila data anda tidak memenuhi asumsi kehomogenen ragam. Dengan kata lain transformasi akar berfungsi untuk membuat ragam menjadi homogen.

Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda. Jadi X = X’. 

Apabila data asli anda menunjukkan sebaran nilai antara 0 – 10, maka anda gunakan transfromasi akar X + 0,5. Dan apabila nilai ragam data anda lebih kecil gunakan transformasi akar X + 1. 

Transformasi akar ini dapat juga anda gunakan untuk data persentase apabila nilainya antara 0 – 30%. Jika kebanyakan nilainya adalah kecil, khususnya jika ada nilai 0, maka gunakan transformasi akar X + 0,5 daripada akar X. 

Rumus Excel Transformasi Akar adalah: =SQRT(Data Asli + 0,5). Apabila data asli ada di Cell A4 maka rumusnya =SQRT(A4 + 0,5).

Cara Compute Transformasi Akar Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: SQRT(Variabel Asli + 0,5). Apabila Variabel Asli memiliki nama (name) "Var1" maka: SQRT(Var1 + 0,5).

Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Salmonella dengan 4 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 

Hasil analisis ragam data asli sebagai berikut:

Hasil pengujian terhadap data asli di atas menunjukkan nilai F Hitung 19,407. 

Kemudian lakukan transformasi akar dengan rumus akar X + 0,5. Hal ini karena sebaran data tersebut kurang dari 10. Misalnya untuk data perlakuan A kelompok I, X = 2, maka hasil transformasinya adalah akar 2 + 0,5 = 3,5 = 1,581. Dan selanjutnya hingga data pada perlakuan D kelompok IV. 

Berikut ini adalah data hasil transformasi akar dari data asli : 

Dan hasil analisis ragam dari data transformasi adalah seperti di bawah ini : 

Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung 17,654. 

Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat perubahan nilai F hitung dari 19,407 menjadi 17,654.

Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Transformasi Logaritma

 

Beberapa buku ada yang menyebutnya dengan transformasi Log X. Transformasi Logaritma digunakan apabila data anda tidak memenuhi asumsi pengaruh aditif. Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda dimana X’ = Log X. Jadi X = X’. Ada beberapa hal yang perlu anda perhatikan dalam penggunaan transformasi logaritma ini yaitu : 

a) Apabila data asli anda menunjukkan sebaran nilai kurang dari 10 atau nilai mendekati nol, maka anda gunakan transfromasi log X + 1. 

b) Apabila data anda banyak mengandung nilai nol, maka sebaiknya gunakan transformasi yang lain, misalnya transformasi akar. 

c) Apabila data anda banyak mendekati nol (misalnya bilangan desimal), maka semua data dikalikan 10 sebelum dijadikan ke logaritma. Jadi X’ = log (10X). Misalnya X = 0,12 setelah di taransformasikan X’ akan menjadi X’ = log (10 x 0,12) = 0,079. 

Rumus Excel Transformasi Logaritma adalah: =Log(Data Asli). Apabila data asli ada di Cell A4 maka rumusnya =Log(A4).

Cara Compute Transformasi Logaritma Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: Lg10(Variabel Asli). Apabila Variabel Asli memiliki nama (name) "Var1" maka: Lg10(Var1).

Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Clostridium dengan 5 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 

Dan hasil analisis ragam data asli adalah berikut ini : 

Hasil pengujian terhadap data asli di atas menunjukkan nilai F Hitung 27,844.

Kemudian lakukan transformasi logaritma dengan rumus Log X. Misalnya untuk data perlakuan Ha NPV-Asb kelompok I, X = 20, maka hasil transformasinya adalah Log 20 = 1,301. Dan selanjutnya hingga data pada perlakuan Kontrol kelompok IV. 

Berikut ini adalah data hasil transformasi log X dari data asli : 

Dan hasil analisis ragam dari data transformasi adalah berikut ini : 

Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung 40,106.

Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat peningkatan nilai F hitung dari 27,844 menjadi 40,106.

Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Transformasi Arcsin 

Transformasi ini disebut juga dengan transformasi Angular. Transformasi Arcsin digunakan apabila data anda dinyatakan dalam bentuk persentase atau proporsi. Umumnya data yang demikian mempunyai sebaran binomial. Bentuk transformasi arcsin ini biasa disebut juga transformasi kebalikan sinus atau transformasi arcus sinus. Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda dimana X’ = Arcsin X. Jadi X = X’. Namun, data dalam bentuk persentase tidak mesti harus menggunakan transformasi arcsin. 

Ada beberapa hal yang perlu anda perhatikan dalam penggunaan transformasi arcsin ini yaitu : 

a) Apabila data asli anda menunjukkan sebaran nilai antara 30% - 70%, tidak memerlukan transformasi. 

b) Apabila data asli anda menunjukkan sebaran nilai antara 0% - 30% dan 70% - 100%, maka lakukan transformasi arcsin. 

c) Apabila data anda banyak yang bernilai nol, maka gunakan transformasi arcsin akar (% + 0,5). 

Rumus Excel Transformasi Arcsin adalah: =ASIN(SQRT(Data Asli/100))*180/PI(). Apabila data asli ada di Cell A4 maka rumusnya =ASIN(SQRT(A4/100))*180/PI(). Juga boleh menggunakan rumus: =ASIN(SQRT(A4/100))*180/(22/7).

Cara Compute Transformasi Arcsin Pada SPSS adalah: Klik Menu, Transform, Compute Variabel, Pada Target Variabel Beri Nama Misal "Transform" dan Pada Kotak Numeric Expression isi dengan: =ASIN(SQRT(Variabel Asli))*180/(22/7)  Apabila Variabel Asli memiliki nama (name) "Var1" maka: =ASIN(SQRT(Var1))*180/(22/7).

Contoh penggunaan transformasi akar ini dengan menggunakan data hasil pengamatan dari percobaan pengobatan Bakteri Shigella dengan 5 Jenis Antibiotik. Hasil percobaan berupa banyaknya bakteri yang mati seperti pada tabel berikut ini: 

Dan hasil analisis ragam data asli adalah berikut ini : 

Hasil pengujian terhadap data asli di atas menunjukkan F Hitung: 39,245. 

Karena data menyebar antara 4% - 29%, maka data ditransformasi ke arcsin √ %. Misalnya untuk data perlakuan A kelompok I, X = 4% atau 0,04, maka hasil transformasinya adalah arcsin √0,04 = 11,537. Dan selanjutnya hingga data pada perlakuan El kelompok IV. 

Berikut ini adalah data hasil transformasi akar dari data asli : 

Dan hasil analisis ragam dari data transformasi adalah berikut ini :

Hasil pengujian terhadap data transformasi di atas menunjukkan nilai F Hitung: 59,355. 

Perhatikan ternyata setelah data memenuhi asumsi analisis ragam, terdapat peningkatan nilai F hitung dari 35,245 menjadi 59,355.

Dari 2 hasil analisis di atas, manakah nilai p value atau signifikansi yang akan dipakai? Tentu saja anda harus menggunakan hasil pada data transformasi karena hasil itulah yang memberikan keadaan sesungguhnya dari percobaan anda. 

Untuk Transformasi Data Dari Ordinal ke Interval, Baca artikel kami yang berjudul: "Transformasi Data Ordinal ke Interval".

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Bimbingan dan pengolahan analisis data purwokerto untuk skripsi thesis

Hariscom Purwokerto

Jasa olah data, bimbingan pengolahan data untuk skripsi, thesis dan penelitian

Alamat : Jalan Riyanto Gg Kenanga 2 No.10B Sumampir Purwokerto 53125
Telepon: (0281)625717 / 081804886455 (Uun)
Email : hariscompwt@gmail.com

Hariscom Purwokerto melayani pengolahan analisis data seperti :

Statistik Deskriptif :

• Mean & Standar deviasi
• tabulasi Crosstab

Uji instrumen data :

• normalitas
• linieritas
• homogenitas

Uji hipotesis :

• uji beda
• uji korelasi

1. analisis deskriptif
2. analisis inferensia
3. analisis regresi (linear sederhana, berganda,)
4. analisis data panel
5. pengujian validitas & reliabilitas
6. pengujian asumsi klasik (autokorelasi, multikolinier, normalitas, homoskedastisitas)
7. analisis kepuasan konsumen
8. analisis network (jalur)
9. analisis multivariate (komponen utama, faktor, diskriminan, cluster, kanonik, SEM)
10. analisis data kategorik (penelitian dengan variabel berskala nominal)
11. Structural Equation Model (SEM)
12. analisis data time series
13. analisis data non-linear
14. ANOVA, RAK/RAL

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Penelitian Kuantitatif

1. Definisi Penelitian Kuantitatif

Kasiram (2008: 149) dalam bukunya Metodologi Penelitian Kualitatif dan Kuantitatif, mendefinisikan penelitian kuantitatif adalah suatu proses menemukan pengetahuan yang menggunakan data berupa angka sebagai alat menganalisis keterangan mengenai apa yang ingin diketahui.

2. Asumsi Penelitian Kuantitatif

Penelitian kuantitatif didasarkan pada asumsi sebagai berikut (Nana Sudjana dan Ibrahim, 2001; Del Siegle, 2005, dan Johnson, 2005).

a. Bahwa realitas yang menjadi sasaran penelitian berdimensi tunggal, fragmental, dan cenderung bersifat tetap sehingga dapat diprediksi.

b. Variabel dapat diidentifikasi dan diukur dengan alat-alat yang objektif dan baku.

3. Karakeristik Penelitian Kuantitatif

Karakteristik penelitian kuantitatif adalah sebagai berikut (Nana Sudjana dan Ibrahim, 2001 : 6-7; Suharsimi Arikunto, 2002 : 11; Johnson, 2005; dan Kasiram 2008: 149-150) :

a. Menggunakan pola berpikir deduktif (rasional – empiris atau top-down), yang berusaha memahami suatu fenomena dengan cara menggunakan konsep-konsep yang umum untuk menjelaskan fenomena-fenomena yang bersifat khusus.

b. Logika yang dipakai adalah logika positivistik dan menghundari hal-hal yang bersifat subjektif.

c. Proses penelitian mengikuti prosedur yang telah direncanakan.

d. Tujuan dari penelitian kuantitatif adalah untuk menyususun ilmu nomotetik yaitu ilmu yang berupaya membuat hokum-hukum dari generalisasinya.

e. Subjek yang diteliti, data yang dikumpulkan, dan sumber data yang dibutuhkan, serta alat pengumpul data yang dipakai sesuai dengan apa yang telah direncanakan sebelumnya.

f. Pengumpulan data dilakukan melalui pengukuran dengan mengguna-kan alat yang objektif dan baku.

g. Melibatkan penghitungan angka atau kuantifikasi data.

h. Peneliti menempatkan diri secara terpisah dengan objek penelitian, dalam arti dirinya tidak terlibat secara emosional dengan subjek penelitian.

i. Analisis data dilakukan setelah semua data terkumpul.

j. Dalam analisis data, peneliti dituntut memahami teknik-teknik statistik.

k. Hasil penelitian berupa generalisasi dan prediksi, lepas dari konteks waktu dan situasi.

l. Penelitian kuantitatif disebut juga penelitian ilmiah

3. Prosedur Penelitian Kuantitatif

Penelitian kuantitatif pelaksanaannya berdasarkan prosedur yang telah direncanakan sebelumnya. Adapun prosedur penelitian kuantitatif terdiri dari tahapan-tahapan kegiatan sebagai berikut.

a. Identifikasi permasalahan

b. Studi literatur.

c. Pengembangan kerangka konsep

d. Identifikasi dan definisi variabel, hipotesis, dan pertanyaan penelitian.

e. Pengembangan disain penelitian.

f. Teknik sampling.

g. Pengumpulan dan kuantifikasi data.

h. Analisis data.

i. Interpretasi dan komunikasi hasil penelitian.

4. Tipe-tipe Penelitian Kuantitatif

Dalam melakukan penelitian, peneliti dapat menggunakan metoda dan rancangan (design) tertentu dengan mempertimbangkan tujuan penelitian dan sifat masalah yang dihadapi. Berdasarkan sifat-sifat permasalahannya, penelitian kuantitatif dapat dibedakan menjadi beberapa tipe sebagai berikut (Suryabrata, 2000 : 15 dan Sudarwan Danim dan Darwis, 2003 : 69 – 78).

a. Penelitian deskriptif

b. Penelitian korelational

c. Penelitian kausal komparatif

d. Penelitian tindakan

e. Penelitian perkembangan

f. Penelitian eksperimen

5. Metode Penelitian Kuantitatif

Metode yang dipergunakan dalam penelitian kuantitatif, khusunya kuantitatif analitik adalah metode deduktif. Dalam metoda ini teori ilmiah yang telah diterima kebenarannya dijadikan acuan dalam mencari kebenaran selanjutnya.

Jujun S. Suriasumantri dalam bukunya Ilmu dalam Perspektif Moral, Sosial, dan Politik (2000: 6) menyatakan bahwa pada dasarnya metoda ilmiah merupakan cara ilmu memperoleh dan menyusun tubuh pengetahuannya berdasarkan : a) kerangka pemikiran yang bersifat logis dengan argumentasi yang bersifat konsisten dengan pengetahuan sebelumnya yang telah berhasil disusun; b) menjabarkan hipotesis yang merupakan deduksi dari kerangka pemikiran tersebut; dan c) melakukan verifikasi terhadap hipotesis termaksud untuk menguji kebenaran pernyataannya secara faktual.

Selanjutnya Jujun menyatakan bahwa kerangka berpikir ilmiah yang berintikan proses logico-hypothetico-verifikatif ini pada dasarnya terdiri dari langkah-langkah sebagai berikut (Suriasumantri, 2005 : 127-128).

a) Perumusan masalah, yang merupakan pertanyaan mengenai objek empiris yang jelas batas-batasnya serta dapat diidentifikasikan faktor-faktor yang terkait di dalamnya.

b) Penyusunan kerangka berpikir dalam penyusunan hipotesis yang merupakan argumentasi yang menjelaskan hubungan yang mungkin terdapat antara berbagai faktor yang saling mengait dan membentuk konstelasi permasalahan. Kerangka berpikir ini disusun secara rasional berdasarkan premis-premis ilmiah yang telah teruji kebenarannya dengan memperhatikan faktor-faktor empiris yang relevan dengan permasalahan.

c) Perumusan hipotesis  yang merupakan jawaban sementara atau dugaan terhadap pertanyaan yang diajukan yang materinya merupakan kesimpulan dari dari kerangka berpikir yang dikembangkan.

d) Pengujian hipotesis yang merupakan pengumpulan fakta-fakta yang relevan dengan hipotesis  yang diajukan untuk memperlihatkan apakah terdapat fakta-fakta yang mendukung hipoteisis tersebut atau tidak.

e) Penarikan kesimpulan yang merupakan penilaian apakah hipotesis yang diajukan itu ditolak atau diterima.

Langkah-langkah atau prosedur penelitian tersebut kemudian oleh Jujun S. Suriasumantri divisualisasikan dalam bentuk bagan sebagai berikut:

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Reliabilitas Instrumen Dalam Excel

Uji Reliabilias Instrumen Dengan MS EXCEL

Melengkapi pembahasan mengenai uji instrumen yang terkait dengan validitas dan reliabilitas, pada kesempatan ini saya ingin membahas secara khusus mengenai reliabilitas. Pada pembahasan sebelumnya, kita telah mengetahui bagaimana cara menghitung validitas menggunakan software Excel. Lalu pertanyaan selanjutnya adalah, apakah excel bisa juga digunakan untuk menghitung reliabilitas? Kalau bisa bagaimana cara menghitungnya?

Ok, sebelum saya berikan penjelasan mengenai perhitungan dan contoh reliabilitas kita coba review sedikit apa keterkaitan reliabilitas dengan validitas.

Persyaratan bagi sebuah test instrumen penelitian, yaitu validitas dan reliabilitas ini penting. Dalam hal ini validitas lebih penting, dan reliabilitas ini  perlu, karena menyokong terbentuknya validitas. Sebuah tes mungkin reliabel tetapi tidak valid. Sebaliknya, sebuah tes yang valid biasanya reliabel.”

Secara garis besar, kita mengenal ada dua jenis reliabilitas, yaitu reliabilitas eksternal dan reliabilitas internal. Pada tulisan ini kita hanya membatasi membahas mengenai reliabilitas internal. Pada dasarnya, reliabilitas ini diperoleh dengan cara menganalisis data dari satu kali hasil pengetesan. Terdapat bermacam-macam cara yang dapat kita gunakan untuk mengetahui dan menghitung reliabilitas internal. Pemilihan teknik mana yang digunakan biasanya didasarkan atas bentuk instrumen maupun selera kita sebagai peneliti. Penggunaan teknik yang berbeda tentunya akan menghasilkan indeks reliabilitas yang berbeda pula. Hal ini secara sederhana dapat kita pahami karena wajar saja pengaruh sifat atau karakteristik data menyebabkan perhitungan menghasilkan angka yang berbeda, salah satunya akibat pembulatan angka.

Secara khusus, beberapa teknik memerlukan persyaratan tertentu sehingga peneliti tidak dapat begitu saja memilih teknik tersebut. Beberapa teknik mencari reliabilitas yang akan digunakan adalah:

1. Spearman-Brown

2. Flanagan

3. Rulon

4. Kuder-Richardson (K-R) 20

5. K-R 21

6. Hoyt

7. Alpha

Dalam penelitian yang menggunakan metoda kuantitatif, kualitas pengumpulan data sangat ditentukan oleh kualitas instrumen atau alat pengumpul data yang digunakan. Suatu instrumen penelitian dikatakan berkualitas dan dapat dipertanggungjawabkan jika sudah terbukti validitas dan reliabilitasnya. Pengujian validitas dan reliabilitas instrumen, tentunya harus disesuaikan dengan bentuk instrumen yang akan digunakan dalam penelitian.

Reliabilitas adalah tingkat ketetapan suatu instrumen mengukur apa yang harus diukur. Ada tiga cara pelaksanaan untuk menguji reliabilitas suatu tes, yaitu: (1) tes tunggal (single test), (2) tes ulang (test retest), dan (3) tes ekuivalen (alternate test).

Pada bahasan kali ini, kita hanya akan membahas tentang Reliabilitas Tes Tunggal (Internal Consistency Reliability)

Tes tunggal adalah tes yang terdiri dari satu set yang diberikan terhadap sekelompok subjek dalam satu kali pengetesan, sehingga dari hasil pengetesan hanya diperoleh satu kelompok data. Ada dua teknik untuk perhitungan reliabilitas tes, yaitu:

Teknik Belah Dua (Split-Half Technique).

Dilakukan dengan cara membagi tes menjadi dua bagian yang relatif sama (banyaknya soal sama), sehingga masing-masing test mempunyai dua macam skor, yaitu skor belahan pertama (awal / soal nomor ganjil) dan skor belahan kedua (akhir / soal nomor genap). Koefisien reliabilitas belahan tes dinotasikan dengan r1/2 1/2 dan dapat dihitung dengan menggunakan rumus yaitu korelasi angka kasar Pearson. Selanjutnya koefisien reliabilitas keseluruhan tes dihitung menggunakan formula Spearman-Brown, yaitu:

Kategori koefisien reliabilitas (Guilford, 1956: 145) adalah sebagai berikut:

• 0,80 < r11 1,00 reliabilitas sangat tinggi
• 0,60 < r11 0,80 reliabilitas tinggi
• 0,40 < r11 0,60 reliabilitas sedang
• 0,20 < r11 0,40 reliabilitas rendah.
• -1,00 r11 0,20 reliabilitas sangat rendah (tidak reliable).

Berikut Contoh Uji Reliabilitas Belah Dua dengan menggunakan Software MS Excel:

Teknik Non Belah Dua (Non Split-Half Technique).

Salah satu kelemahan perhitungan koefisien reliabilitas dengan menggunakan teknik belah dua adalah (1) banyaknya butir soal harus genap, dan (2) dapat dilakukan dengan cara yang berbeda sehingga menghasilkan nilai yang berbeda pula seperti terlihat pada contoh c.1 dan contoh c.2. Untuk mengatasi masalah tersebut dapat dilakukan dengan menggunakan teknik non belah dua. Untuk perhitungan koefisien reliabilitas dapat dilakukan dengan menggunakan rumus Kuder-Richardson (KR-20) dan Kuder-Richardson (KR-21). Pada Bahasan kali ini kita tidak membahas lebih lanjut tentang Rumus KR ini, karena akan dijelaskan pada postingan artikel berikutnya.

Reliabilitas Tes Uraian

Untuk menghitung reliabilitas tes bentuk uraian dapat dilakukan dengan menggunakan rumus Cronbach-Alpha, yaitu:

Berikut Contoh Uji Reliabilitas Alfa dengan Menggunakan MS Excel:

Perhitungan validitas dengan menggunakan SPSS dapat anda baca pada artikel kami:

Validitas dan Reliabilitas SPSS.

Apabila ada kesulitan, silakan ajukan pertanyaan dengan cara Posting Pada "Add Comment"

Terima Kasih...

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Populasi dan Sampel

Populasi dan Sampel

1. Pengertian populasi

Populasi atau universe adalah jumlah keseluruhan dari satuan-satuan atau individu-individu yang karakteristiknya hendak diteliti. Dan satuan-satuan tersebut dinamakan unit analisis, dan dapat berupa orang-orang, institusi-institusi, benda-benda, dst. (Djawranto, 1994 : 420).

2. Pengertian Sampel

Sampel atau contoh adalah sebagian dari populasi yang karakteristiknya hendak diteliti (Djarwanto, 1994:43). Sampel yang baik, yang kesimpulannya dapat dikenakan pada populasi, adalah sampel yang bersifat representatif atau yang dapat menggambarkan karakteristik populasi.

3. Kriteria Sampel

Ada dua kriteria sampel yaitu kriteria inklusi dan kriteria eksklusi. Penentuan kriteria sampel diperlukan untuk mengurangi hasil peneliian yang bias.

Kriteria inklusi adalah karakteristik umum subjek penelitian dari suatu populasi target yang terjangkau yang akan diteliti (Nursalam, 2003: 96). Sedangkan yang dimaksud dengan Kriteria eksklusi adalah meng-hilangkan/mengeluarkan subjek yang memenuhi kriteria inklusi dari penelitian karena sebab-sebab tertentu (Nursalam, 2003: 97).

Sebab-sebab yang dipertimbangkan dalam menentukan kriteria ekslusi antara lain: a. subjek mematalkan kesediannya untuk menjadi responden penelitian, dan b. subjek berhalangan hadir atau tidak di tempat ketika pengumpulan data dilakukan.

4. Teknik pengambilan sampel

a. Pengertian teknik pengambilan sampel

Teknik pengambilan sampel atau teknik sampling adalah teknik pengambilan sampel dari populasi. Sampel yang merupakan sebagaian dari populasi tsb. kemudian diteliti dan hasil penelitian (kesimpulan) kemudian dikenakan pada populasi (generalisasi). Hubungan populasi, sample, teknik sampling, dan generasi dapat digambarkan sebagai berikut:

b. Manfaat sampling

1) Menghemat beaya penelitian.

2) Menghemat waktu untuk penelitian.

3) Dapat menghasilkan data yang lebih akurat.

4) Memperluas ruang lingkup penlitian.

c. Syarat-syarat teknik sampling

Teknik sampling boleh dilakukan bila populasi bersifat homogen atau memiliki karakteristik yang sama atau setidak-tidaknya hampir sama. Bila keadaan populasi bersifat heterogen, sampel yang dihasilkannya dapat bersifat tidak representatif atau tidak dapat menggambarkan karakteristik populasi.

d Jenis-jenis teknik sampling

1) Teknik sampling secara probabilitas

Teknik sampling probabilitas atau random sampling merupakan teknik sampling yang dilakukan dengan memberikan peluang atau kesempatan kepada seluruh anggota populasi untuk menjadi sampel. Dengan demikian sampel yang diperoleh diharapkan merupakan sampel yang representatif.

Teknik sampling semacam ini dapat dilakukan dengan cara-cara sebagai berikut.

a) Teknik sampling secara rambang sederhana.

Cara paling populer yang dipakai dalam proses penarikan sampel rambang sederhana adalah dengan undian.

b) Teknik sampling secara sistematis (systematic sampling).

Prosedur ini berupa penarikan sample dengan cara mengambil setiap kasus (nomor urut) yang kesekian dari daftar populasi.

c) Teknik sampling secara rambang proportional.

Jika populasi terdiri dari subpopulasi-subpopulasi maka sample penelitian diambil dari setiap subpopulasi. Adapun cara peng-ambilan- nya dapat dilakukan secara undian maupun sistematis.

d) Teknik sampling secara rambang bertingkat.

Bila subpoplulasi-subpopulasi sifatnya bertingkat, cara peng-ambilan sampel sama seperti pada teknik sampling secara proportional.

e) Teknik sampling secara kluster (cluster sampling)

Ada kalanya peneliti tidak tahu persis karakteristik populasi yang ingin dijadikan subjek penelitian karena populasi tersebar di wilayah yang amat luas. Untuk itu peneliti hanya dapat menentukan sampel wilayah, berupa kelompok klaster yang ditentukan secara bertahap. Teknik pengambilan sample semacam ini disebut cluster sampling atau multi-stage sampling.

2) Teknik sampling secara nonprobabilitas.

Teknik sampling nonprobabilitas adalah teknik pengambilan sample yang ditemukan atau ditentukan sendiri oleh peneliti atau menurut pertimbangan pakar.

Beberapa jenis atau cara penarikan sampel secara nonprobabilitas adalah sebagai berikut.

a) Puposive sampling atau judgmental sampling

Penarikan sampel secara puposif merupakan cara penarikan sample yang dilakukan memiih subjek berdasarkan kriteria spesifik yang dietapkan peneliti.

b) Snow-ball sampling (penarikan sample secara bola salju).

Penarikan sample pola ini dilakukan dengan menentukan sample pertama. Sampel berikutnya ditentukan berdasarkan informasi dari sample pertama, sample ketiga ditentukan berdasarkan informasi dari sample kedua, dan seterusnya sehingga jumlah sample semakin besar, seolah-olah terjadi efek bola salju.

c) Quota sampling (penarikan sample secara jatah).

Teknik sampling ini dilakukan dengan atas dasar jumlah atau jatah yang telah ditentukan. Biasanya yang dijadikan sample penelitian adalah subjek yang mudah ditemui sehingga memudahkan pula proses pengumpulan data.

d) Accidental sampling atau convenience sampling

Dalam penelitian bisa saja terjadi diperolehnya sampel yang tidak direncanakan terlebih dahulu, melainkan secara kebetulan, yaitu unit atau subjek tersedia bagi peneliti saat pengumpulan data dilakukan. Proses diperolehnya sampel semacam ini disebut sebagai penarikan sampel secara kebetulan.

4. Penentuan Jumlah Sampel

Bila jumlah populasi dipandang terlalu besar, dengan maksud meng-hemat waktu, biaya, dan tenaga, penelitili tidak meneliti seluruh anggota populasi. Bila peneliti bermaksud meneliti sebagian dari populasi saja (sampel), pertanyaan yang selalu muncul adalah berapa jumlah sampel yang memenuhi syarat. Ada hukum statistika dalam menentukan jumlah sampel, yaitu semakin besar jumlah sampel semakin menggambarkan keadaan populasi (Sukardi, 2004 : 55).

Selain berdasarkan ketentuan di atas perlu pula penentuan jumlah sampel dikaji dari karakteristik populasi. Bila populasi bersifat homogen maka tidak dituntut sampel yang jumlahnya besar. Misalnya saja dalam pemeriksaan golongan darah.

Walaupun pemakaian jumlah sampel yang besar sangat dianjurkan, dengan pertimbangan adanya berbagai keterbatasan pada peneliti, sehingga peneliti berusaha mengambil sampel minimal dengan syarat dan aturan statistika tetap terpenuhi sebagaimana dianjurkan oleh Isaac dan Michael (Sukardi, 2004 : 55). Dengan menggunakan rumus tertentu (lihat Sukardi, 2004 : 55-56), Isaac dan Michael memberikan hasil akhir jumlah sampel terhadap jumlah populasi antara 10 – 100.000.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini

Hipotesis

Hipotesis Penelitian

1. Pengertian Hipotesis

Hipotesis dapat dijelaskan dari berbagai sudut pandang, misalnya secara etimologis, teknis, statistik, dst.

a. Secara etimologis, hipotesis berasal dari dua kata hypo yang berarti “kurang dari” dan thesis yang berarti pendapat. Jadi hipotesis merupakan suatu pendapat atau kesimpulan yang belum final, yang harus diuji kebenarannya (Djarwanto, 1994 : 13).

b. Hipotesis merupakan suatu pernyataan sementara yang diajukan untuk memecahkan suatu masalah, atau untuk menerangkan suatu gejala (Donald Ary, 1992 : 120).

c. Hipotesis adalah jawaban sementara terhadap masalah penelitian yang kebenarannya harus diuji secara empiris (Moh.Nazir, 1998: 182).

d. Secara teknis, hipotesis merupakan pernyataan mengenai keadaan populasi yang akan diuji kebenarannya berdasarkan data yang diperoleh dari sampel penelitian (Sumadi Suryabrata, 1991 : 49).

e. Secara statistik, hipotesis merupakan pernyataan mengenai keadaan parameter yang akan diuji melalui statistik sample (Sumadi Suryabrata, 2000 : 69).

f. Ditinjau dalam hubungannya dengan variabel, hipotesis merupakan pernyataan tentang keterkaitan antara variabel-variabel (hubugan atau perbedaan antara dua variabel atau lebih).

g. Ditinjau dalam hubungannya dengan teori ilmiah, hipotesis merupakan deduksi dari teori ilmiah (pada penelitian kuantitatif) dan kesimpulan sementara sebagai hasil observasi untuk menghasilkan teori baru (pada penelitian kualitatif).

2. Dasar Pemikiran Pembuatan Hipotesis

Dalam penelitian kuantitatif, keberadaan hipotesis dipandang sebagai komponen penting dalam penelitian. Oleh karena itu sebelum terjun ke lapangan hendaknya peneliti telah merumuskan hipotesis penelitiannya. Pentingnya hipotesis dalam penelitian dapat dijelaskan sebagai berikut.

a. Hipotesis yang mempunyai dasar yang kuat menunjukkan bahwa peneliti telah mempunyai cukup pengetahuan untuk melakukan penelitian pada bidang tersebut.

b. Hipotesis memberikan arah pada pengumpulan dan penafsiran data.

c. Hipotesis merupakan petunjuk tentang prosedur apa saja yang harus diikuti dan jenis data apa saja yang harus dikumpulkan.

d. Hipotesis memberikan kerangka untuk melaporkan kesimpulan penelitian.

3. Ciri-ciri Rumusan Hipotesis

Ada beberapa hal yang harus diperhatikan peneliti dalam merumuskan hipotesis (Sumadi Suryabrata, 2000 : 70), yaitu :

a. Hipotesis harus menyatakan pertautan antara dua variabel atau lebih (dalam satu rumusan hipotesis minimal terdapat dua variabel).

b. Hipotesis hendaknya dinyatakan secara deklaratif (kalimat pernyataan).

c. Hipotesis hendaknya dirumuskan dengan jelas.

d. Hipotesis harus dapat diuji kebenarannya.

4. Jenis-jenis Hipotesis

Ada beberapa jenis hipotesis. Untuk mempermudah dalam mempelajari, hipotesis dapat diklasifikasikan berdasarkan rumusannya dan proses pemerolehannya.

a. Ditinjau dari rumusannya, hipotesis dibedakan menjadi :

1) Hipoteis kerja, yaitu hipotesis “yang sebenarnya” yang merupakan sintesis dari hasil kajian teoritis. Hipotesis kerja biasanya disingkat H1 atau Ha.

2) Hipotesis nol atau hipotesis statistik, merupakan lawan dari hipotesis kerjadan sering disingkat Ho.

Ada kalanya peneliti merumuskan hipotesis dalam bentuk H1 dan Ho untuk satu permasalahan penelitian. Hal ini didasari atas pertimbangan bahwa Ho „sengaja” dipersiapkan untuk ditolak, sedangkan H1 “dipersiapkan” untuk diterima (Sudarwan Danim dan Darwis, 2003 : 171).

b. Ditinjau dari proses pemerolehannya, hipotesis dibedakan menjadi:

1) Hipotesis induktif, yaitu hipotesis yang dirumuskan berdasarkan pengamatan untuk menghasikan teori baru (pada penelitian kualitatif)

2) Hipotesis deduktif, merupakan hipotesis yang dirumuskan berdasarkan teori ilmiah yang telah ada (pada penelitian kuantitatif).

Hubungan antara hipotesis dengan observasi dan teori ilmiah pada hipotesis induktif dan deduktif dapat divisualisasikan sebagai berikut (Trochim, 2005).

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini