NOTE. Ini adalah tulisan jadoel ketika masih mahasiswa.

Mohon maaf jika ada kata yang kurang sopan didalamnya. Atas permintaan rekan2, maka tulisan ini saya upload dengan kondisi apa adanya

Babak I Reliabilitas dan Seleksi item
Sajian Data Sajikan datamu seperti pada contoh dibawah ini. Zetira Zamrowi Zuratno Kolom Baris Item 1 1 1 1 Item2 2 2 3 Item3 4 3 4 Item4 4 4 4 Item5 2 3 4

: memuat item-item : memuat nama subyek (nama ini bisa ditulis dengan kode, 1,2,3... dst)

Menganalisis Tekan analyze, kemudian pilih scale, dan tekan reliability analyze.

1. Masukkan item yang hendak dianalisis dengan menekan item, kemudian klik tanda panah 2. Tekan Statistics.

2

3. Setelah muncul menu option, pilih menu yang hendak diinginkan. Untuk analisis reliabilitas biasa yang dibutuhkan cuma dengan menekan scale dan scale if item deleted.

4. tekan continue, kemudian tekan OK, pada menu sebelumnya. 5. tunggu display keluar....prosessor 486 tunggu 30 detik, pentium 2 tunggu 5 detik

ITEM BAIK DAN BURUK
• • Item yang memiliki daya diskriminasi buruk adalah item yang tidak mampu membedakan antara subyek yang kemampuannya tinggi dan subyek yang kemampuannya rendah Item yang baik adalah yang berkorelasi positif dan kuat dengan skor total, sedangkan yang buruk ya sebaliknya, negatif, atau korelasi postif tetapi lemah. Ada ahli bilang bahwa korelasi yang kuat itu di atas 0,3, ada yang bilang bandingkan dengan tabel dulu, ada yang bilang juga dilihat melalui output SPSS. Ada juga yang mengaku bahwa dirinya ahli bilang baik-buruknya item tergantung pada rumput yang bergoyang. Saya mulai dulu dengan menjelaskan kenapa item itu ada yang baik dan ada yang buruk. Coba lihat pada tabel dibawah ini:

Subyek Darmo Goni Bona Joko Reti Daya Diskrim. Ket.

Item1 1 1 2 1 4 0,2825 Buruk

Item2 2 1 2 4 3 ,6578 Baik

Item3 1 1 2 4 4 ,9236 Baik

Item4 1 2 2 4 4 ,9923 Baik

Item5 2 4 2 4 3 ,2414 Buruk

Total 7 9 10 17 18

Ranking Rendah Rendah Sedang Tinggi Tinggi

Wahyu Widhiarso | 2001 | wahyupsy@gmail.com

SPSS Untuk Psikologi

3

• •

Lihat Item 1. Item ini memiliki daya diskriminasi yang buruk. Masak, Si Joko yang memiliki kemampuan tinggi, kok bisa! terukur dengan skor minim (1). Lihat pula Item 4. Item ini juga sama saja, tak jauh beda. Masak Si Goni yang memiliki kemampuan rendah, eh bisa-bisanya terukur dengan skor tinggi (4).

Permakluman
Istilah daya diskriminasi (indeks daya diskriminasi) item sebenarnya untuk Tes Prestasi, yaitu untuk membedakan orang yang pintar dan bodoh. Istilah ini sebenarnya kurang tepat jika diterapkan pada skala psikologis. Cari istilah sendiri ya? Tanya dosen…kalau sudah hubungi saya. Sementara ini pakai istilah korelasi item-total saja.

KESIMPULAN
Item 1 dan 4 ini pasti penglihatannya sudah kabur. Gak bisa dipercaya sebagai item. Tak mampu mendeteksi realita dengan benar. Atau malah mereka sedang bergurau? Jadi item 1 dan 4 tidak konsisten. Ia tak mampu membedakan mana yang tinggi dan mana rendah. Item seharusnya mampu membuat subyek: “Yang tinggi ya njawabnya tinggi terus, yang rendah ya njawabnya rendah terus”. Ini yang dinamakan item yang konsisten. Lihat grafik dibawah ini.
“Iki jenenge item sing ceniningan” kata Huda (‘96). “Bener Hud, Kuwi item sing ora sopan” lanjut Dicky (’95). “Sing jelas item iki ngajak bacok’an” seru Miko (‘97)
TOTAL
20 18 16

TOTAL
30

20
14 12 10 8 6 4 ,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 Observed Linear

Ini posisi subyek yang celelek’an. Jika subyek ini dihapus maka reliabilitas kita meningkat.

10

Observed 0 ,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 Linear

Untuk menampilkan tabel ini anda bisa, membaca tentang bab mengolah tabel. Pada bab akhir tulisan ini

ITEM2

ITEM1

Lihat bagaimana Grafik item 2 (bagus) hampir mendekati garis linear. Item 2 (buruk) malah menjauhi garis linear.
“Kamu pernah bilang bahwa sebenarnya bukan cuma item yang bisa celelek’an, ada juga subyek yang celelek’an, jelaskan itu Je!” tanya Gogon (97). Oke Gon! kalau anda melihat daftar skor yang memuat nilai Darmo, Goni, Joko, Bona, Lusi dan Rety, kowe bisa lihat Gon, mereka yang celelek’an itu adalah Goni dan Joko. Si Goni bisa-bisanya ia menjawab dengan poin penuh (skor=4) di item ke 5. Nah dengan menghilangkan subyek ini (tidak memasukkan dalam analisis) reliabilitas dan skor korelasi item-totalnya bisa sangat meningkat. Semula r = 0,6 bisa menjadi 0,8

Wahyu Widhiarso | 2001 | wahyupsy@gmail.com

SPSS Untuk Psikologi

3173 .6940 . Lihat item 6 (aitem paling bagus.6556 Corrected ItemTotal Correlation -.5728.01 ternyata r tabel adalah 3.6717 .2000 25.7009 harus kita relakan untuk dibuang. Lihat pada kolom Corrected Item-Total Correlation. jika dibuang maka reliabilitasnya akan turun. Mereka-mereka yang nilainya di atas 0.1028 Alpha if Item Deleted .8646) jika dibuang maka reliabilitas kita akan turun menjadi 0.7112 Reliability Coefficients N of Cases = 10. Lalu lihat pada kolom alpha if item deleted. Ide seperti ini dapat dilihat pada buku manual SPS Sutrisno Hadi.7137 .1667 18.1222 27.9000 Scale Variance if Item Deleted 25.8646 .7000 26.3000 26.6134 .0 Alpha = .0556 18.9766 Item-total Statistics Scale Mean if Item Deleted ITEM1 ITEM2 ITEM3 ITEM4 ITEM5 ITEM6 ITEM7 ITEM8 ITEM9 ITEM10 27. Cara Kedua Lihat pada tabel korelasi (r) product momment. item yang nilai Corrected Item-Total Correlationnya dibawah 0.7009.3196 harus dirumahkan.4556 16.4 MEMBACA ANGKA PADA SPSS R E L I A B I L I T Y A N A L Y S I S S C A L E N of Variables 10 (A L P H A) Statistics for SCALE Mean 28.1178 .7037 .7667 Std Dev 4.6636 .5000 25.6081 . dimana korelasi item totalnya cukup tinggi 0. Cara Ketiga (recommended) Lihat dulu reliabilitas kita berapa? Ternyata 0.6000 25. Asumsinya adalah item yang baik.9000 26. Ini adalah produk pemikiran Pak Heru.6209 .0000 25.7009 N of Items = 10 TAFSIRAN ANGKA Cara Pertama 1 2 3 Lihat pada kolom Corrected Item-Total Correlation. pada taraf signifikansinya 0.3 adalah item yang buruk.5000 25.5728 .com SPSS Untuk Psikologi . mereka-mereka yang di bawah 0.1402 -.3889 16. Gagasan seperti ini ada di buku Saifuddin Azwar.7672 .5895 .1556 23.196. Wahyu Widhiarso | 2001 | wahyupsy@gmail.6667 21. Karena jumlah item kita adalah 10 (n=10) maka lihat pada baris n=10.9000 Variance 24.7667 .4000 17.2111 23.7942 .5000 25.5066 .

867 .6940 Wahyu Widhiarso | 2001 | wahyupsy@gmail. Subyek Darmo Goni Bona Item1 1 1 2 Item2 2 1 2 Item3 1 1 2 Item4 1 2 2 Item5 2 4 2 Total 7 9 10 Korelasi Product Momment Pearson Correlation ITEM1 Sig.841 .6717 0. (2-tailed) Pearson Correlation ITEM2 Sig. Nah inilah yang membuat korelasinya jadi meningkat. Mereka yang di bawah 24.293 .Pada skor Si Darmo (skor total = 7). variance berhubungan paralel dengan reliabilitas. “Analisis aitem untuk seleksi butir aitem menggunakan teknik konsistensi internal.862 .5 Cara Keempat (not recommended.. tetapi variance. 4 Semakin tinggi variance semakin tinggi alpha-nya.1402 -0. skor total juga ikutikutan tinggi. tetapi yang dipakai perbandingan bukan reliabilitas.699 (gugur) -. Ini cuma intuisi saya sendiri.3173 0.140 .yet) Sama dengan cara pak heru di atas. (2-tailed) Pearson Correlation ITEM5 Sig. Coba lihat tabel dibawah ini…. Sebab dalam rumus reliabilitas alpha. Variance kita adalah 24.Bacalah buku tentang Psikometri. yaitu menguji korelasi antara skor aitem dengan skor total. (2-tailed) Pearson Correlation ITEM3 Sig.001 (sahih) .com SPSS Untuk Psikologi . Output SPSS adalah korelasi product momment yang telah dikoreksi dari efek itu.7037 0.. lihat kolom scale variance if item deleted.412 (gugur) . Koreksi ini ada rumusnya…. Teknik untuk seleksi butir aitem menggunakan teknik korelasi Product Moment dari Pearson dengan koefisien korelasi rxy. Oleh karena itu jika anda membaca skripsi anda akan mendapatkan kalimat seperti ini.7667 harus masuk kotak. Korelasi Product Moment ini kemudian dikoreksi dengan menggunekan korelasi part whole untuk menghindari terjadinya taksiran yang terlalu tinggi” Koreksi inilah yang dinamakan koreksi dari efek atenuasi tadi. karena semakin tinggi skor item 1.002 (sahih) Corrected Item-Total Correlation -0... (2-tailed) -. di dalamnya ada komponen dari item 1 (skor item = 1). (2-tailed) Pearson Correlation ITEM4 Sig. Korelasi ini berdasarkan hitungan product momment yang telah dikoreksi dari efek atenuasi. TAMBAHAN Koreksi Spurious Overlap S udah diungkapkan di atas kalau yang dipakai sebagai patokan dalam menyeleksi item adalah korelasi antara skor item dan skor total.7667.001 (sahih) .

7778 32.6319 N of Items = 10 Wahyu Widhiarso | 2001 | wahyupsy@gmail.5000 32.1562*) .6944 28.389 sampai 0.5443 .(misalnya antara 0..6255 Keterangan *) = item yang gugur A N A L Y S I S Variance 37.. Output yang keluar menunjukkan reliabilitas skala anda. atau cukup klik dua kali.. ia akan pindah kiri sendiri.0000 Item-total Statistics Scale Mean if Item Deleted VAR00001 23.8889 VAR00008 23..1111 VAR00003 22.com SPSS Untuk Psikologi .. Dan rentang koefisien korelasi anda..2439*) Alpha if Item Deleted . Reliabilitas Setelah Seleksi Item S etelah anda menghitung reliabilitas skala dan mendapatkan mana-mana item yang gugur.6667 VAR00009 23. itulah yang tertulis pada koefisien korelasi item total bergerak antara . maka anda harus menghitung lagi reliabilitas skala setelah terbebas dari item-item yang gugur.8611 31.3611 33.5982 . ternyata item yang buruk korelasinya meningkat.3611 30. beginilah contohnya..2778 Std Dev 6.4444 VAR00002 23.5730 .8889 VAR00004 23.0 Alpha = .4470 .6307 .5556 VAR00010 23.1441 S C A L E N of Variables 10 (A L P H A) Corrected ItemTotal Correlation -..5780 .6 Bisa dilihat di tabel perbandingan ini. kembalikan item itu pada kotak di sebelah kiri dengan menekan panah.7500 Scale Variance if Item Deleted 37...5902 .1111 30. Jadi misalnya anda membuat laporan. sedangkan item yang baik korelasinya menurun.5181 . Jangan masukkan item-item yang sebelumnya teridentifikasi item yang ceniningan (buruk).5556 VAR00007 23.2222 VAR00005 23.2778 32.sampai.5556 Reliability Coefficients N of Cases = 9.5689 .3126 .1111 VAR00006 23. Keluarkan dari kotak samping kanan.689).4163 .0940*) .2778 29.3361 . Hasil Uji reliabilitas Sebelum Seleksi Item R E L I A B I L I T Y Statistics for Mean SCALE 26.6717 .2439*) .6319 .3881 .

4677 .7500 12.6225 menjadi 0. Yang seharusnya item ini favorable.35 saja.0000 15.4444 S C A L E N of Std Dev Variables 4.7778 Corrected ItemTotal Correlation . Jangan percaya pada mereka.5184 . Biar nanti jika dihitung lagi.489 akan menjadi 0.5949 . kita akan mendapatkan nilai yang tak terlalu kecil.5467 .3333 VAR00007 13..345.5848 Di sini kita dapatkan bahwa ada perubahan. Koefisien korelasi item-total bergerak dari 0.5216 6 (A L P H A) Item-total Statistics Scale Mean if Item Deleted VAR00002 12. misalnya -0.3611 15.7778 A N A L Y S I S Variance 20. Yang semula -0.1 tadi.8889 VAR00003 12. enakan ketika menghapus item. maka anda akan mendapatkan kebalikan dari korelasi yang tadi.8611 14.1439. Korelasi Item-total: Korelasinya kuat tetapi kok negatif ? Ada beberapa kasus dimana kita mendapatkan korelasi item-total memiliki nilai yang negatif tetapi kuat.3361 menjadi 0.489 atau -0.6347 Scale Variance if Item Deleted 17. reliabilitas skor kita meningkat dari 0.6667 VAR00005 12. 2 diganti 3. Oleh karena kita menggunakan validitas isi (rasionalisasi pertanyaan pada item pada blue print) maka kita tidak memiliki angka validitas.6347.1439 Alpha if Item Deleted .6667 VAR00008 13.489.8889 VAR00006 13. Hal ini terjadi bisa karena anda mungkin kebalik dalam memberi penilaian.6347.. yang semula bernilai 0.0000 16.4617 . Nah setelah anda perbaiki.1439 sampai 0.2245 .6560 N of Items = 6 Keterangan: Reliabilitas skala adalah 0. Wahyu Widhiarso | 2001 | wahyupsy@gmail.4444 Reliability Coefficients N of Cases = 9..4283 .6120 .koefisien validitas baru ada jika menggunakan validitas kriteria. Misalnya item 8. ada yang mengatakan bahwa koefisien korelasi itemtotal (r) adalah koefisien validitas. Saran saya. 3 diganti 2. misalnya 0. memakai korelasi item-total diatas 0. Koefisien Korelasi item-total = Koefisien Validitas ? Pada beberapa buku atau beberapa skripsi.2962 . misalnya yang nilai 4 diganti 1. tetapi pergerakan korelasi item total menjadi kecil.0 Alpha = . Dan ini memang konsekuensi dari pengurangan item. dan 1 diganti 4.com SPSS Untuk Psikologi . tapi anda nilai dengan unfavorable.5848 .7 Hasil Uji reliabilitas Setelah Seleksi Item R E L I A B I L I T Y Statistics for SCALE Mean 15. semakin sedikit item yang dipakai semakin menurun harga korelasinya.

sekarang bandingkan dengan jarak antara df30 dan df35 jaraknya cuma 0. versi metodologi dan versi statistik. “Sing jelas item’e banyak.35 0. Lihat tabel korelasi (R) pada buku statistik. skala kepemimpinan (45 item) yang disajikan pada 59 subyek.257 60 ------.275 0.805 0. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Oleh karena itu inilah yang membuat bagi sebagian orang memakai angka ini sebagai pegangan jumlah item atau jumlah subyek kita. bayangkan bahwa anda sekarang melihat sepotong apel merah yang ranum dan siap dimakan.... Kalau mata anda sudah sepet. Dalam pandangan statistik. Lihat juga di sana (tabel 4) itemnya 45 tetapi jumlah subyeknya cuma 10 maka item yang gugur 7.275 35------------40 0..296 Akhirnya kita dapatkan bahwa : • Dibawah df 60 penurunan r tiap satuan angka df sangat besar.Berapa jumlah item yang harsu kita buat? Berapa subyek yang harus kita cari? Ada dua versi untuk menjawab pertanyaan ini. Lihatlah di bawah sana (tabel ke-2). Lihat angka di sana. badan anda menggigil karena tak bisa menjawab.3 0. Dari sana terlihat bahwa yang sangat mempengaruhia reliabilitas dan koefisien korelasi adalah banyaknya subyek. ngunu wae dipikir” kata seorang teman Sebelumnya saya mengajak anda untuk memahami pola yang ada pada tebel r. Dari sini kita dapatkan bahwa angka 60 adalah angka batas. Oke! buka lagi mata anda. oleh karena patokan baik buruknya item tergantung korelasi item-total. pertanyaan ini pasti muncul. jantung anda bergetar keras. 2 ------------------------------------. dan korelasi item total tergantung pada tabel.900 sampai 0. “Ora usa kakean penjelasan! Piro jumlah subyek’e?” “60 subyek sudah memasuki daerah aman versi statistik”.kalau mata anda masih sepet dengan angka-angka itu. maka kita harus menyesuaikan pada tabel.8 Jumlah Item dan Jumlah Subyek yang ideal Ketika kita hendak membuat skala.9 30 --------------. meski itemnya 10 tetapi karena jumlah subyeknya besar. Ambil satu kolom. Saya hanya memperlihatkan pada item 1 sampai 10 saja. selisihnya hampir 1.21.195 0. melihat angka-angka yang ada di sana. tetapi ketika sampai pada df diatas 60. maka yang gugur cuma 2 item.. Lihat pergerakan angka pada kolom di sana jarak antara df2 dan df3 sangat besar sekali. dan subyek’e juga banyak. yaitu kolom 1 ekor (one tailed).. • Saya akan memberikan contoh-contoh dari satu data skripsi milik Handoko (97).211 0.805. pejamkan mata anda.com SPSS Untuk Psikologi . penurunan r pada tiap satuan df sangat kecil. Versi Statistik: Versi statistik berorientasi pada tujuan agar kita mendapatkan item yang baik dan skala yang reliabel. Nah.pejamkan lagi mata anda dan bayangkan bahwa anda nanti akan ditanya macam-macam saat ujian skripsi. dari 0. a.70 0.

7499 .5482 Corrected ItemTotal Correlation .3541 .6595 .0000 .7000 ITEM1 ITEM2 ITEM3 ITEM4 ITEM5 ITEM6 ITEM7 ITEM8 ITEM9 ITEM10 Reliability Coefficients N of Cases = 59.0239 .9661 99.5581 .1017 34.0584 18.9082 ITEM11 dst….6765 .3051 34.2203 98.6891 -.9328 18.4631 .4000 Reliability Coefficients N of Cases = 10.9831 101.6645 .tidak ditampilkan Reliability Coefficients N of Cases = 59.9807 ITEM6 160.5294 .8000 ITEM6 35.5097 .7606 .3161 .0 Alpha = .2146 .3507 .5932 34.3588 .2616 N of Items = 10 Alpha if Item Deleted .6736 .2571 .6539 N of Items = 45 Hasil Hitungan 10 item 59 subyek Scale Mean if Item Deleted 34.8222 9.3121 .3951 .4868 15.6949 96.2373 99.3455 .4553 17.0199 .3444 7.4602 Scale Variance if Item Deleted 7.3778 Corrected ItemTotal Correlation .7000 ITEM10 35.6780 98.0000 ITEM4 34.4127 .0 Alpha = .7627 96.6582 .2712 .3729 34.5763 35.1198 .7455 N of Items = 10 Hasil Hitungan 10 item 10 subyek Scale Mean if Item Deleted ITEM1 33.5378 .6593 .3086 .9000 ITEM9 34.3560 .8019 17.6869 .4915 99.1111 7.6675 .7013 .4032 Wahyu Widhiarso | 2001 | wahyupsy@gmail.2111 9.6602 .1000 ITEM5 34.1818 .8475 35.4240 .4611 ITEM9 160.5634 ITEM10 160.4868 15.7333 8.0625 15.7448 .5401 .6603 .9053 ITEM3 159.5559 Alpha if Item Deleted .4589 .7200 .4802 .0 Alpha = .8305 35.4444 8.1344 18.5132 .7627 99.3089 .7954 ITEM5 160.7703 ITEM7 159.7510 ITEM2 161.1186 .7376 .7224 .7157 .2000 ITEM8 34.6222 7.6757 Corrected ItemTotal Correlation .3956 .8000 ITEM2 35.1081 -.6556 7.8101 ITEM4 160.5248 .3729 Scale Variance if Item Deleted 17.6610 .7966 103.9 Hasil Hitungan 45 item 59 subyek Keterangan: yang diberi cetak tebal adalah item yang gugur Scale Scale Mean Variance if Item if Item Deleted Deleted ITEM1 159.4068 36.1368 ITEM8 160.2881 35.6000 ITEM3 34.4346 Alpha if Item Deleted .7639 15.com SPSS Untuk Psikologi .7164 .2889 7.0000 ITEM7 34.

Ada yang bisa melakukan uji skala dengan 60 subyek.. . Thad (’97) : Bukan Pan!. Kalau nggak salah di bukunya Pak Azwar.com SPSS Untuk Psikologi . Ada satu tulisan.2014 -.1000 98..5444 ITEM4 161.1116 .9000 106..0695 Alpha if Item Deleted .0000 108.0376 . Versi Metodologi Versi metodologi penelitian mengatakan bahwa jumlah item yang bagus adalah yang tidak sampai membuat subyek menjadi klenger. Karena bisa jadi item yang cuma 10 subyek saja malahan bisa meningkatkan reliabilitas karena 10 subyek itu tidak satupun yang celelek’an.. saya lupa bukunya.2222 ITEM5 161.3889 ITEM3 160.7000 107..3444 ITEM2 162. There are great lies in this world. Nah sekarang mengenai jumlah subyek. Dodo : Tentu saja untuk subyek yang populasinya sedikit (terbatas) jumlah itu bisa diterima.1655 .4333 ITEM7 161. Bukan Buku itu.8444 ITEM9 161. terima kasih.6780 .7000 108. Kalau seperti siswa sekolah atau mahasiswa.5444 ITEM8 161.3000 108.9000 111.6802 .2333 ITEM11…dst tidak ditampilkan Reliability Coefficients N of Cases = 10. ada di buku Psikologi Imajinasinya Sartre.. Bukan.2667 ITEM10 162.Great Lie.10 Hasil Hitungan 45 item 10 subyek Scale Scale Mean Variance if Item if Item Deleted Deleted ITEM1 160. sekarang mereka akan kuajak ke babakan II tentang t-test. karangan Pramoedya Ananta Toer. Nafan (‘97) : Mungkin itu ada di buku Bumi Manusia. Wahyu Widhiarso | 2001 | wahyupsy@gmail.. Tapi kalau dalam pengalaman skripsi rekan-rekan yang sudah lulus. Misalnya dalam populasi perawat seperti dalam skripsi Gogon.2686 . Untuk uji hipotesis dan analisis faktor 100-300 orang. Ada ahli yang nulis bahwa rata-rata orang hanya mampu menjawab dengan baik di bawah 30 item.6881 N of Items = 45 Sebenarnya penjelasan ini ada kelemahannya. dan kelelahan karena kebanyakan membaca item-item yang malah membuat subyek tidak menjawab dengan benar. dan uji hipotesis dengan 60 subyek juga.6565 .0582 .6000 110.And damn statistics Benyamin Disraeli Ayolah Ben.6868 Corrected ItemTotal Correlation .0111 ITEM6 161. Pokoknya di sana disebutkan bahwa sampel yang representatif untuk menghitung keandalan skala adalah di lebih kurang 100 orang.6918 ..0 Alpha = .5746 . ada juga yang bilang ¼ dari populasi.6852 .6952 .6833 ..1072 -.6929 . jumlahnya ya diatas 100 untuk tes hipotesisnya dan 60 untuk uji coba skala.Lie..8000 108. Jangan mengacau pembaca tulisanku.3166 .5000 107..6823 . .

Dalam eksperimen. Sampel Berhubungan (between treatment) Sampel berkorelasi adalah sampel yang didapatkan dari data yang berasal dari subyek yang sama. Contoh: 1. 1. Banyaknya kematian adalah statistik. SMA-S1. Jenis Uji Statistik Parametrik Jenis Data 2 Sampel Independen 2 Sampel Berhubungan 2< Sampel 2 Sampel Independen 2 Sampel Berhubungan 2< Sampel Independen 2< Sampel Berhubungan Jenis Statistik Independent sample t-test Paired sample t-test Anava Mann Whitney U test Wilcoxon Sign Rank test Anava ranking Friedman 2. Anda ingin mencari perbedaan antara kecenderungan depresi pada laki-laki dan perempuan. Satu kematian adalah tragedi. 2.com SPSS Untuk Psikologi . dsb. Anda ingin mencari perbedaan kinerja pegawai dari yang sebelum diberi kenaikan gaji. Joseph Stalin Wahyu Widhiarso | 2001 | wahyupsy@gmail. Misalnya: 1. B. Dalam eksperimen anda ingin membandingkan skor pre-test dan post-test kelompok eksperimen. 2. Sampel Independen (between subjects) Sampel independen adalah sampel yang didapatkan dari data yang berasal dari subyek yang berbeda. anda ingin mencari perbedaan antara skor pre-test antara kelompok kontrol dan kelompok eksperimen.11 BAB II UJI Hipotesis Komparatif No. desa-kota. Non Parametrik Sampel Independen dan Sampel Berhubungan A. Misalkan perbandingan antara laki-laki perempuan.

Melainkan data kontinum. dan dibawah 5 Option Jika anda menginginkan taraf sig. Tekan Menu analyze. kemudian OK. Jika anda memakai kode a dan b. tekan define grup.com SPSS Untuk Psikologi . Pada menu grup. Tulis berapa % sig. Contoh: wanita Tidak urut tidak apa-apa pria 2. Lalu muncul menu seperti di samping ini. Lalu muncul display seperti di samping ini. Sajikan data anda seperti pada contoh di samping ini Ini yang dinamakan variabel dummy. antara 0 sampai 10 anda dapat menekan cut point dan menulis angka tengahnya yaitu 5. compare means. Masukkan kode data Specified Value Jika data yang dibandingkan. 4. Misalkan hipotesis kita adalah ada perbedaan antara Kecerdasan pria dan wanita. anda dapat menekan tombol option. misalnya. nggak ada yang melarang jika kode 1 dan 2 tidak berurutan seperti contoh yang saya berikan. yaitu 1 dan 2. jadi yang dibedakan adalah yang diatas 5. Masukkan variabel yang hendak dianalsisis. Tekan continue. bisa juga langsung dimasukkan. tidak ada format analisis yang mengijinkan bahwa subyek yang sama berada dalam satu kolom. Display out akan muncul. Lalu tulis kode anda.12 Mengolah t-tes Sample Independen 1. Dalam SPSS. misalnya asertifitas. Wahyu Widhiarso | 2001 | wahyupsy@gmail. bukan data kategorik 1 dan 2. Letakkan dengan menyusun ke bawah Tidak harus berurutan ya tidak apa-apa. selain 95%. t-test independent samples.maka Masukkan a dan b. misalkan anda punya variabel yang lain. Jika tidak hanya variabel cerdas saja yang hendak dianalisis. Grup 1 adalah pria dan grup 2 adalah wanita. cerdas Grup 3. yang anda inginkan Perlu diingat.

Kita lihat.56914 Aturan Uji Homogen Sig: p< 0.004 .13 Membaca Angka t-tes Independen Sample Independent Samples Test kecerdasan Equal variances Equal variances assumed not assumed .05. mereka kelihatan cerdas (Henry Delacroix ) Wahyu Widhiarso | 2001 | wahyupsy@gmail.23086 -1. Error Mean .00 N 10 10 Mean 25. Di sana tampak bahwa nilai t kita -3. maka dapat dikatakan bahwa tidak ada perbedaan varians pada data kecerdasan pria dan wanita.02765 2. t-test for Equality t Means df Sig. Deviation 3. Bogel: Je! Kamu jangan bilang ada perbedaan yang siginifikan saja.265 18 17.01).05 tidak ada beda Levene's Test for F Equality of Varian Sig.95743 .01 ada perbedaan pada taraf sig. (2-tailed) Mean Difference Std.34743 -7.94810 kecerdasan grup 1. 1% c. df=18.05 (data tidak homogen) Sig: p>0.34743 -7. Langkah II : Terlihat bahwa nilai t hitung= -3. Penjelasan Kasus di Atas Langkah I : Karena data kita homogen.54 (p=0.99815 Pria kelihatan bodohnya ketika mereka diam.265. sedangkan ketika wanita diam. (p<0. Disana tampak bahwa F=0.4000 1.998 .56916 -4. Langkah II Jika data anda homogen. maka yang kita lihat adalah lajur equal variance assumed (data diasumsikan homogen).819) karena p diatas 0.265.819 -3.00 2. Group Statistics Std.9000 Std. Sig: p< 0. Sig: p< 0.4000 1. wanitalah yang lebih cerdas. Katakan juga siapa yang lebih cerdas?” OK. p<0.05 ada perbedaan pada taraf sig.05.com SPSS Untuk Psikologi . dari kasus ini.05 (data homogen) Aturan Uji t a. jika data tidak homogen. maka baca lajur kiri (equal variance assumed) . Error Difference 95% Confidence InteLower of the Difference Upper Langkah I Baca dulu Levene’s test untuk uji homogenitas (perbedaan varians). artinya ada perbedaan kecerdasan antara pria dan wanita.265 -3.23084 -1.5000 29. baca lajur kanan (equal variance not assumed). siapa yang memiliki rerata (mean) yang tinggi. Sig: p>0.004 -4. 5% b. Dapat dikatakan bahwa ada perbedaan kecerdasan antara pria dan wanita.054 .

3. Error Difference 95% Confidence Interval of the Difference Nilai t Anda. Selisihnya adalah 4. rentang selisih kecerdasan pria dan wanita dari 1. Perempuan lebih cerdas daripada pria Std.90. Dari Sig.99815 = 1. Adalah rentang nilai perbedaan yang ditoleransi.34743.23.14 Levene Tes Homogenitas.02765 .23084) upper mean difference lower Nomor-nomor yang besar pastilah mengandung kesalahan Wentworth Dillon Wahyu Widhiarso | 2001 | wahyupsy@gmail. Lihat tabel dibawah ini.4000 1. Visualisasi t-tes 95 % Confidence Interval of the difference. Pada kasus kita. t df Sig.57 sampai 7. toleransi ini menggunakan taraf kepercayaan 95%. Jika data homogen.265 -3. jangan mengharap ada beda signifikan. Eror Difference. jika tidak.23086 -1.56916)-----------------.34743 Lower Upper -7.com SPSS Untuk Psikologi . -nya terlihat bahwa ia lebih besar dari t tabel (p<0. Aturannya seperti yang tertulis pada tabel sebelumya.4) -----------------.05.23084 -1. Adalah selisih standar deviasi dua data kita.054 . Adalah selisih dua mean data kita. Jika tak bisa mengalahkan t tabel (lebih besar dari t tabel).56914 Levene's Test for Equality of Variances t-test for Equality of Means F Sig.50 kecerdasan wanita= 29. (2-tailed) Mean Difference Std.4000 1. baca lajur kanan. Independent Samples Test kecerdasan Equal variances Equal variances assumed not assumed . baca lajur kiri.34743 -7.400.(-7. Adalah uji homogenitas.2.265 18 17. Seperti kita ketahui dari data ini. Mean Difference.819 -3. Selisih Mean. (-1.56916 -4.(-4.998 .004 -4. yaitu uji perbedaan varians pada data kita. Jadi dengan menggunakan taraf kepercayaan 95 %.004 . bahwa rerata kecerdasan pria= 25.

com SPSS Untuk Psikologi . toleransi yang dipakai akan lebih rendah. Coba lihat di tabel.. sebab harga satu ekor lebih murah dari pada dua ekor.5 27 29 mean 29. karena lebih murah. Misalnya korelasi.nilai t kritis pada df 15.. satu ekor nilainya 0.412 yang dua ekor lebih tinggi. Jika kurang berarti ada perbedaan.9 37 Perpotongan antara dua data ini masih dalam batas toleransi (95% or 99%) ataukah tidak.15 Filosofi t-tes distribusi Kecerdasan pria distribusi kecerdasan wanita 19 mean 25. karena secara teoritik harus benar-benar dapat dipertanggung-jawabkan dan membutuhkan landasan teori yang kuat. Prinsip ini digunakan pada analisis yang lain juga. jika lebih berarti tidak ada perbedaan < 5% (ada beda) < 1% (sangat ada beda) > 5% (tidak ada beda) Tambahan Pada menu option Anda dapat memilih berapa taraf signifikansi yang anda inginkan 1 Ekor melawan 2 Ekor Kalau pakai satu ekor. 0. secara statistik memang kepenak memakai satu ekor. tetapi secara metodologi lebih mahal. Wahyu Widhiarso | 2001 | wahyupsy@gmail.482.

jadi dalam tulisan ini saya hanya membahas tes ini saja. Ranks PRE_TES GRUP 1 2 Total 1 2 Total 1 2 Total N 14 14 28 14 14 28 14 14 28 Mean Rank 15.00 235. Z=2. b.50 183. maka dapat digunakan pendekatan dengan kurve normal Z.365 .79 10.00 147.000 171. Grouping Variable: GRUP Penjelasan Kasus Di sini berlaku bahwa barangsiapa yang memiliki nilai Z diatas nilai kritis (5%. tes ini yang sering dipakai jika mereka tidak memakai t-tes. [2*(1-tailed Sig. Jika data anda berbentuk interval maka dalam pengoperasiannya data anda harus dikonversikan dulu ke data ordinal (ranking). Tapi jika pakai SPSS data anda akan dikonversikan sendiri olehnya. yaitu tes non parametrik lainnya.58 Mann-Whitney U Wilcoxon W Z Asymp.376 a Z Score Deviasi dalam distribusi normal Untuk sig 5%.138 .96) or (1%.500 -.05 (tidak signifikan). Z=1.004 . Tes ini yang paling kuat diantara teman-temannya.96 Untuk sig 1% Z anda harus >2.50 Sum of Ranks 222.21 16.500 183. alias tidak ada perbedaan.50 171.11 12. maka data anda distribusinya buruk (poorly distributed).16 Membaca Display Mann Whitney U Test Mann Whitney U test adalah t-test versi non parametrik. (2-tailed) Exact Sig. Tetapi jika di atas 20.000 147.)] POS_TES 66.000 -1. Not corrected for ties.009 a a.150 a GAIN 42.485 .853 . Ketolak atau tidak bisa dilihat pada sig. Jika Sig > 0. maka hipotesis alternatif ditolak. Sig. W adalah total jumlah ranking yang dinamakan pertama dalam kolompok.00 259.907 . Dapat dilihat di display. Jadi nggak usah pakai uji normalitas Dua sample yang dibandingkan adalah independen. kalau <0. Di psikologi.58) dialah yang nilainya memiliki perbedaan. Asymtotic Significance Tingkat signifikansi yang berbasis pada distribusi asimtot dari tes.50 18. Jadi Ho ditolak. Z anda harus >1. (yang anda beri kode 1) Test Statisticsb PRE_TES 78. Karakter Tes: • • • Bebas asumsi normal.00 • Mann Whitney U Jika nilai U tidak bisa lebih kecil dari U tabel. Dari kasus di atas yang memiliki perbedaan hanyalah skor gain. Data berbentuk ordinal.com SPSS Untuk Psikologi .89 13.05 maka ada perbedaan POS_TES GAIN Wilcoxon W Wilcoxon rank sum W statistic. Wahyu Widhiarso | 2001 | wahyupsy@gmail. di bawah. Data anda sedikit (<20).000 -2.

Sd Distribusi Kurve Normal Data Hasil Kategori % Frek. Dalam kaus. Januar: Makanan lagi ini? Ayo Jelaskan apa yang kau maksud dengan fitness tes ini. p>0. Apakah koinku dapat dikatakan seimbang.05 : Tidak Ada Beda Sig. dan Sony ’93. Masing-masing sd luasnya seperti ini. tapi Goodness Of Fit Tes.. uji apakah data empirik yang kamu dapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu.10 2% 2 5 Beda -2 11 . Januar: Mengapa kita harus. Mbuh! Chi-Square Filosofi mengapa Chi-Square kok bisa dikatakan Goodness Of Fit Tes. Aku.05 : -1 16 . Aplikasi Chi-Square pada Uji Normalitas. Kedua. maka yang kita pakai adalah KolmogorovSmirnov. Populasinya khan cuma tiga. bagaimana kalau kita langsung meneliti populasi secara langsung. pembuatannya itu mengacu pada tebel normalitas.05 : Ada Beda B =65 Kalau hasilnya tidak ada perbedaan. kau lihat tabel t-tes misalnya.com SPSS Untuk Psikologi . Tak lempar seratus kali.40 2% 2 10 Wahyu Widhiarso | 2001 | wahyupsy@gmail. Sehingga hasil penelitian kita bisa digeneralisasikan pada populasi. Tapi karena tes ini memiliki kelemahan. Apakah harus di tes normal segala. Cara yang biasa dipakai untuk menghitung masalah ini adalah Chi Square. Kita Lihat dulu Data teoritik kurve Normal.17 Uji Normalitas Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Macam Data Data Teoritik Data Observasi Kemunculan Sisi Koin A = 50 B = 50 A = 35 Total 100 100 Uji Chi Square Sig.35 14% 14 12 3 36 . Sig. Bukan Fitness Tes. p<0.30 34% 34 38 2 31 .20 34% 34 20 Ada Beda 1 21 . sisi A keluar sebanyak 35 kali. apakah datamu itu dari populasi yang berdistribusi normal. sisi B keluar sebanyak 65 kali.15 14% 14 15 Sig. kamu. maka dapat dikatakan bahwa koin kita setimbang. adalah begini: Aku punya uang seratus rupiah. distribusi normal. Kurve normal punya 6 Standar Deviasi (sd). Artinya.05 : Tidak Ada -3 1 . p<0. p>0. kita bisa berasumsi bahwa sampel kita bener-bener mewakili populasi. Terus. Misalnya Hubungan Antara Independensi Anak yang Jarang Mandi di Fakultas Psikologi UGM Dengan Kreativitas. ngetes normalitas segala? Pertama. Tes-tes parametrik itu dibangun dari distribusi normal. Dengan kata lain.eh kasus ini.maksud’e koinku gak penceng?. Frek.. Kedua tes dinamakan masuk dalam kategori Goodness Of Fit Tes.

A Frekuensi empirik Distribusi kumulatif (empirik)…….97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik.37895 .data anda NORMAL ! Wahyu Widhiarso | 2001 | wahyupsy@gmail. Uji KS outputnya adalah D. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)…….b Most Extreme Differences Kolmogorov-Smirnov Z Asymp.567 . Tapi tidak semua yang diambil. maka data anda NORMAL.0833 1. Data 2 3 5 7 Total frekuensi 5 2 3 5 15 Frekuensi kumulatif 5 7 10 15 Frekuensi Kumulatif Frekuensi kumulatif adalah penjumlahan frekuensi per-baris hingga ke bawah Lihat tabel dibawah ini.117 -. kalau KS berdasakan frekuensi kumulatif.B A-B 1 1 1/12 1 1/12 0 2 2 3/12 3 4/12 -1/12 Sebaran Normal 3 4 5 3 3 2 6/12 9/12 11/12 2 6/12 0 3 9/12 0 1 10/12 1/12 distribusi kumulatif teoritik 6 1 12/12 2 12/12 0 Total 12 dikurangi distribusi kumulatif empirik.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. yang diuji itu distribusi normal.164 . Hasil ini lalu dibandingkan dengan tabel D. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. yang terbesarlah yang dimasukkan sebagai absolut. Test Distribution is Normal artinya.164 Jika D anda lebih kecil dari tabel.18 Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategorikategori. b. Sig..com SPSS Untuk Psikologi . D = 0.. or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z. Ada 6 pembagian. (2-tailed) Mean Std. bukan distribusi eksponen. Calculated from data. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.164 . dan biasanya mereka menulis Z=0.05) Jika Z anda di bawah 1. Test distribution is Normal. Dalam kasus ini D= 0.567 (p>0. Kalau korelasi khan r. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3. Kalau t-tes khan t. Ini contoh-contohan uji normalitas data.05). Hanya satu yang diambil 12 yaitu yang selisihnya terbesar. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik.164 (p>0.

Masukkan variabel yang hendak di uji pada kotak Dependen. 3. 4.19 Menampilkan Uji Kolmogorov-Smirnov Cara Pertama Pilih distribusi normal Cara Kedua 1. Beri tanda pada Normality Plot With Test Wahyu Widhiarso | 2001 | wahyupsy@gmail.com SPSS Untuk Psikologi . Tekan tombol Plots. Pilih Descriptive Statistics Æ Explore 2.

015 p <0. Soalnya ada tambahan Koreksi Liliefor segala.834 . . sedangkan CS. 1971) 3.55403 75. KS lebih fleksibel dibanding CS.2176 107.com SPSS Untuk Psikologi . 4.526 1.791 6.015 .6233 106.199 .5366 Lower Bound Upper Bound 103. karena dibagi secara seimbang.937 .-nya 0. Berkatalah hanya pada apa yang anda ketahui saja Anonim .110 . sementara KS bisa. KS tidak memerlukannya.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus. 2.05 Æ Normal tetapi jika dihitung dengan cara kedua sig. Peluang tidak normal.00 13.0384 11. Misalkan kategori 11-15. Dan anda membuat angka 11 untung. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9.00 56.0000 48.00 9. Gibbons.273 p > 0.266 .-nya 0. Anda membuat angka 15 marah-marah.388 10. dan disamakan dengan angka di atasnya yaitu 12.2500 . Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya. karena ia dibulatkan ke atas. Bayangkan jika data anda berjumlah 5.1080 9. CS tidak bisa untuk sampel kecil. Jika dihitung dengan cara pertama sig. Contoh : Data Depresi milik Hendro. Maka ada data yang terbuang maknanya.20 Output Kolmogorov Smirnov Cara Kedua Descriptives Std.982 df 82 82 Sig.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .00 29.0000 -. Sig.5732 8. CS memerlukan data yang terkelompokkan. Adalah perbedaan antara distribusi teoritik dan distribusi empirik.0000 111.98505 .8556 105.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. lebih besar di sini. sd nya sama.00 131.266 . 14 dan 15.1287 9. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis . KS dapat mengestimasi variasi sd.357 105. Jadi enakan pakai cara pertama saja.310 Arti Statistic Adalah nilai D.088 df 82 82 a Shapiro-Wilk Statistic . . (info lebih lengkap baca buku Non Parametrik Statistical Inference. maka harga tes ini jadi mahal.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. sedangkan anda harus membuat 6 kategori sd. Ia merasa rugi karena dibulatkan ke bawah.001 .639 Perhatian Karena ada koreksi Liliefor. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.177 a. padahal kurang satu no dia masuk kategori 16-20. Error . Sig.00 29.13. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1. seperti yang saya jelaskan sebelumnya.

One Sample K-S (Kolmogorov Smirnov). “Kamu.. 2. Pilih test yang ingin kau gunakan.21 Cara Menguji Distribusi Normal Sampel t-Tes. 4.. bilang bahwa syarat menguji t-tes adalah data kita harus berdistribusi normal. Penjelasan Tes Jika ingin menampilkan keterangan masing-masing test. keterangan seperti ini. Masukkan variabel penelitian yang telah disusun ke arah bawah. Caranya sama saja dengan yang diatas. 3. sesuai dengan kelompoknya. lalu non parametric test. Susunan data sama seperti penyajian t-tes sampel independen..” Misalkan data kita sudah tersaji seperti ini.. Kalau penelitian anda adalah eksperimen.com SPSS Untuk Psikologi . maka akan tampli. Uji perbedaan Sampel Indenpenden Versi Non Parametrik 1. ya sama saja.. Non Parametrik. lalu 2 independet sample. Anda dapat mengarahkan kursor pada jenis tes.dan memasukkan variabel cerdas.itu data dianalisis..... Wahyu Widhiarso | 2001 | wahyupsy@gmail... Dengan menekan Analyze. yakni menggunakan variabel dummy. Langsung saja.. Tekan analyze. ayo ceritakan Je! Nanti tak kasih permen.... kemudian klik kanan.

Wahyu Widhiarso | 2001 | wahyupsy@gmail. 5%). Nama Baru Nama baru bagi variabel yang ditransformasikan Pilih variabel yang hendak ditransformasikan Ketika fungsi sudah dipilih. buang subyek yang teridentifikasi sebagai outliers. SQRT (square root) adalah akar kuadrat.rumusnya sama. tapi kalau nilai kurtosisnya besar (alias salah satu kategori terlalu tinggi) ya nggak normal.96 (sig. Klik OK jika sudah selesai. Jika data terlihat sebarannya normal. sedangkan kurtosis dengan tinggi kurve. data anda memang ‘gak normal.SQRT (harmoni) Rumus Buatan Sendiri 3. Klik tanda panah. 3. Jika cara 1 tidak bisa. akan muncul : SQRT (?). tambah jumlah sampel penelitian. help akan muncul Tambahan tentang Normalitas (Bagi yang ingin mendalami saja) Satu istilah yang ngetrend dalam Kurve Normal adalah Skewness dan Kurtosis. 1%) dan 1. Jika tidak bisa. Ulangi Uji Normalitas sekali lagi pada data anda. Lihat buku “Multivariate Data Analysis” karangan Hair dkk. Skewness berkaitan dengan lebar kurve. Jika tidak bisa juga. Gunakan statistik non parametrik.. Transformasi Data 1.... dan log 10. Tekan Menu Transform 2.. Klik kanan pada lambang itu. hingga katakanlah 100 sampel. Dua nilai ini harus diperhatikan. Z tidak boleh lebih dari 2. tanda tanya ini ada ganti dengan variabel yang hendak di transformasikan. Lihat Bab Outliers 4..22 Apa yang harus dilakukan jika sebaran data tidak normal 1. Nilai Kritis (Z) = Skewness / √ (6/N). Lalu muncul seperti yang ini.di sini adalah variabell anda yg hendak ditransformasi. Kemudian pilih Compute. di atasnya untuk memilih fungsi ini. 4. tetapi cara yang sering dipakai adalah transformasi dalam bentuk akar kuadrat..com SPSS Untuk Psikologi . arcsin. Ada banyak cara mentransformasikan. (1995) 2. Numexpr.. Macam-macam rumus yang tersedia di SPSS Pada contoh ini.Relakan. Kita transformasikan data kita dalam bentuk yang lain (remedies for non normal). Kemudian jadi.. 5. Anda juga bisa membuat rumus dengan cara sendiri. Semoga menjadi normal. Untuk Kurtosis juga lho. Untuk mengerti arti lambang2 di sana.58 (sig.

3. Beberapa buku statistik merekomendasikan dengan melihat diagram scatter. yang dikenal adalah pemaknaan melalui mata (visual). distribusinya normal. Yaitu dengan melihat hubungan dua variabel pada diagram scatter. Kuadratik Linear Kubik Kuartik Menampilkan Uji Linearitas 1. data bersifat interval/rasio. Nah.. Je! Apakah ada data yang tidak linear? Ada. Misalnya hubungan antara stress dan kinerja. Tetapi bertambah tinggi stress mu maka kinerjamu menurun. Sebenarnya dalam statistik uji linearitas pemaknaan melalui angak-angka tidak seberapa dikenal. Kalau pada diagram itu terlihat membentuk linier yang bisa ditarik. Analyze Æ Compare Means Æ Means Masukkan data anda pada kotak menu variabel independen dan variabel dependen Tekan Option. Jadi kalau anda menggunakan uji linearitas. maka data anda bekorelasi secara linier. 2.. Ini adalah hubungan kuadratik. Pada awalnya semakin tinggi stress tingkat stress semakin tinggi kinerjamu. dan hubungan antar variabel yang hendak di komparasikan linear. untuk menguji syarat linear inilah yang dibahas di sini.. Uji SPSS menggunakan regresi biasa.23 Uji Linearitas Uji Korelasi product moment memerlukan tiga syarat.. Iki lho gambare. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Kemudian Pilih Lineartity Test dan Eta and Eta Square.com SPSS Untuk Psikologi . sama saja hasilnya ketik anda menggunakan uji regresi.

Ini adalah total dari Linearity dan deviation from linearity.503 Within Groups 223. .05).890 1 191. ia bermuka dua: linear dan kuadratik.001 . Coba lihat pada sum of square -nya. Soalnya ada juga data yang nggak murni linear.05) hubungan variabel penelitian anda linear.409 18 10.05) berarti simpangan terhadap linearitas itu tidak signifikan. Combined Ini adalah kombinasi antara linearity dan selain linearity (deviation from linearity).361 18 12.667 Total 601.579 Mean df Square 19 19. Jika simpangan itu sig = (p>0.426 37 F 1. Terlihat bahwa kombinasinya tidak signifikan (p>0.162 .83 Sig.24 Keterangan Masukkan variabel penelitian anda.912 * Frekuensi Ngemil Groups Linearity 191. Alias murni linear.648 Linearity Adalah hubungan linear pada data anda.com SPSS Untuk Psikologi .409 Deviation from Linearity 186. Jika sig (p<0. Kalau variabel independennya dua buah. Berarti data anda Wahyu Widhiarso | 2001 | wahyupsy@gmail. masukan langsung juga nggak apa-apa Keterangan Pilih Option Kemudian beri tanda pada anova table dan test of linearity Tampilan Uji Linearitas ANOVA Table Sum of Squares Tingkat Kecerewetan Between (Combined) 377. sehingga uji korelasi pearson bisa langsung dilanjutkan Deviation from Linearity Menunjukkan seberapa jauh simpangan hubungan variabel anda.6 15 .

151 Eta .25 Measures of Association R -.com SPSS Untuk Psikologi .389 R Squared . 2 Wahyu Widhiarso | 2001 | wahyupsy@gmail.523 depresi * makna hidup R Adalah nilai korelasi pearson (hubungan kedua variabel anda) R Square (r ) Adalah sumbangan Efektif variabel independen thd. Variabel dependen.723 Eta Squared .

003 .800 109.050 134.83 8. Efektif didapatkan dari regresi non linier = 42 %.395 57.428 Kedewasaaan * Skala Patah Hati Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total 2.26 Penglihatan Melalui Scatter dan Angka 1.05).05) Kecerdasan * Keresahan Eksistensial Between Groups (Combined) Linearity Deviation from Linearity df 15 1 14 15 30 F 13.91 95..099 9.094 Sig.580 Kesimpulan: Korelasi yang terjadi adlh korelasi linear.000 . Maka dari sini kelihatan bahwa korelasinya lebih mencerminkan model linier daripada model yang lain (p<0.05).811 100. Korelasi Product Momment sudah bisa digunakan.569 172.864 . tapi kalau dianalisis dengan non linier boleh saja.000 Within Groups Total Wahyu Widhiarso | 2001 | wahyupsy@gmail. Linear dan Kuadratik 30 20 10 0 0 2 4 6 8 10 12 Sum Square Root • SQRT yang paling besar adalah SQRT-nya deviation dibanding dengan linearity.com SPSS Untuk Psikologi . Yang penting data anda linier. Dapat dikatakan bahwa. Uji Asumsi: Kalau untuk uji asumsi data seperti ini tidak apa-apa.830 100. Keresahan Eksistensial Kecerdasan ANOVA Table Sum of Squares 125.05) df 7 1 6 10 17 F 25.003 3. sedangkan dari regresi linier = 44% • Terserah anda pilih teknik apa. kombinasinya mencerminkan bentuk linier.968 Mean Square 8. • Karena SQRT-nya deviation lebih besar maka sumbangan efektif kuadratik lebih besar daripada sumbangan efektif linier • Setelah saya hitung.000 .062 Sig.918 57.635 . Data anda linier.603 Signifikansi Data anda linear sekaligus quadratik.818 68. 10 8 6 4 Kedewasaaan 2 Sum Of Square Terlihat di sini Sum of Square linearity lebih besar daripada deviation from linearity. (p>0.611 Mean Square 14.818 4. . Linier Murni 12 Combined Deviation from linearity ternyata signifikan.809 5. 8 10 12 14 16 18 20 22 0 Skala Patah Hati ANOVA Table Sum of Squares 103.000 . Deviasi from linearity ( p>0.4 1. . Linearity dan deviatonnya sama-sama signifikan (p<0. Sumb.000 .

Pada awalnya terjadi korelasi linier positif. yang lebih rumit. Para ahli statistik mengatakan bahwa syarat uji korelasi pearson adalah datanya berkorelasi linear.27 3.! Dodo Weje Weje Dodo Wahyu Widhiarso | 2001 | wahyupsy@gmail. Pokoknya satu buletin isinya tentang uji asumsi semua. aku melihat yang digunakan acuan adalah linearity..gak usah dilihat deviasinya. Bukan seperti kamu. kita sama saja membatasi diri dengan hanya menggunakan korelasi yang sudah signifikan dalam hitungan korelasi product momment. Lha gimana? Karena linearity-nya signifikan. Baru kita uji linearitasnya sekali lagi. sebab deviation from linearity data anda signifikan (p<0. Di situ Pak Tris mengatakan bahwa salah satu variabel kita transformasikan (kuadratkan. Misalnya nilai variabel A si Nurpita 100.091 .000 Kedewasaaan * Frekuensi Patah Hati Between Groups (Combined) Linearity Deviation from Linearity df 10 1 9 30 40 Within Groups Total Linearity atau Deviation From Linearity Thathad : Lho bukankah dari beberapa skripsi.) dulu. Mereka tak mengatakan bahwa korelasinya harus linear murni.581 87. .. Lihat bedanya. Ia makin cinta pada kita.000 .Tidak semua hal itu berhubungan linier.953 Signifikan Data anda tidak linier. Lha bosen ! : Cowok Gampang bosenan. Weje : Dengan melihat linearity saja. ya kita jadikan 10. Sementara pakai asumsi ini saja. Jadi dapat disimpulkan bahwa product momment hanya untuk hubungan yang sudah signifikan saja.900 6. pasti product momment-nya ya signifikan.370 2.900 56. untuk mencari bagaimana hubungannya dengan variabel B.. Gunakan korelasi non-linier 4 Frekuensi Patah Hati ANOVA Table Sum of Squares 59. Misalnya cinta.274 . Tetapi makin kita beri perhatian.6 Sig.05). Khan Wagu? Hubungan data ini linear. F 6. Deviation from linearity-nya yang dilihat.com SPSS Untuk Psikologi . warnanya merah dan putih.470 28.951 Mean Square 5. : Bagaimana kalau datanya benar-benar tidak linear? : Bacalah satu buletin psikologi.. Terkadang jika kita memberikan perhatian pada si dia. Edisinya saya lupa.937 2. Kuadratik Murni 11 10 9 8 7 Kedewasaaan 6 5 Sum Square Root • SQRT yang paling besar adalah SQRT-nya deviation dibanding dengan linearity. Soalnya ada penjelasan lain. atau diapakan yang lain. Korelasi Product Momment tidak bisa digunakan. Jadi kalau linearity sudah terpenuhi.0 6. : Dida! Sadari.2 3.. ya sudah. tetapi sekaligus kuadratik Dodo Weje : Bagaimana jika kita mendapati yang seperti ini? : Yang penting adalah linearity-nya. besar sekali bukan? • Karena SQRT-nya deviation lebih besar maka sumbangan efektif kuadratik lebih besar daripada sumbangan efektif linier 0 2 4 6 8 10 12 14 16 Uji Asumsi: Kalau untuk uji asumsi data seperti ini tidak bisa dikatakan linier. Maka cintanya berkurang.

RESAH Listwise Deletion of Missing Data Multiple R .82058 19.73352 Dependent variable..43710 Adjusted R Square . atau kuadratik.42839 Adjusted R Square ..73019 19. F Dari sini dapat disimpulkan bahwa data anda berkorelasi secara linier dan kuadratik R Square Terlihat bahwa dengan menggunakan model linier dan quadratik .0001 Signif.54679 . Ini adalah uji termasuk ketepatan (Goodness Of Fit) untuk menguji ketepatan data anda dengan satu distribusi yang diharapkan.87112 Wahyu Widhiarso | 2001 | wahyupsy@gmail..65451 R Square .21704 Signif F = Method. QUADRATI Regression Residuals F = Mean Square 216. LINEAR Regression Residuals F = Mean Square 424.46038 28 558. RESAH Listwise Deletion of Missing Data Multiple R . Sedangkan pada GFI uji Normalitas adalah sebaran Normal: 1.46501 Analysis of Variance: DF Sum of Squares 2 433.93632 .com SPSS Untuk Psikologi .85684 Signif F = Method. Menu Æ Analyze Æ Regression Æ Curve Estimation 2. Klik Anova tabel dan Pilih Model yang hendak anda uji.82058 29 566.28 Curve Estimation Sebenarnya untuk mengidentifikasi linearity di SPSS itu yang paling baik adalah melalui Curve Estimation.0003 10.40868 Standard Error 4. data anda samasama signifikan 21. Mirip Uji Normalitas bukan? Kalau ini yang diharapkan adalah linier..66113 R Square . Anova Table Menampilkan Regresi sesuai dengan model yang dikehendaki Anova Table Pilih model yang anda harapkan untuk di uji Dependent variable.39689 Standard Error 4.42117 Analysis of Variance: DF Sum of Squares 1 424.

Kalau tidak ada arah.05) dapat dikatakan bahwa ada hubungan (positif) antara kecantikan dan kesetiaan Correlations SKALA KECANTIKAN KESETIAAN 1 .655** 1 . 31 31 SKALA KECANTIKAN Pearson Correlation Sig. Pilih ekor yang kamu kehendaki. Sama juga dengan 60 tabel scater-nya.837 14076. serta mean dan standard deviasi.000 31 31 .29 Korelasi PRODUCT MOMMENT 1.01 level (2-tailed). Independen thd Var. Tapi kita bisa melangkah sedikit ke model pengaruh dengan menggunakan sumbangan efektif. . Dependent Variable: Kecemburuan 100 yang termasuk dalam wilayah bulatan. Tekan Menu Analyze Æ Correlate Æ Bivariate Test Of Sign.655 (p<0. Kesetiaan b.308 F 39. Satu ekor atau dua ekor. 2.com SPSS Untuk Psikologi . Di dalam regresi ada kata regresi dan residu. Option ini berguna ketika anda nanti hendak menghitung sumbangan tiap aspek Var. 80 itulah regresi. sedang yang masuk dalam garis titik-titik mengarah miring.655** . itulah residu. Dari tabel Anareg di atas kelihatan. Dependen **. Saya mencoba menjelaskannya melalui regresi. maka pilih 1 ekor. Apakah R2 itu? Mengapa r2 bisa menjelaskan sumbangan efektif? Kalau dari definisi sih dikatakan bahwa : R square adalah ukuran seberapa jauh variabilitas dalam variabel dependen yang dapat diprediksi oleh variabel independen. pilih dua ekor Output r = 0.000a 140 120 a. Hanya regresi yang bisa.000 . Nah.000 160 Residu Model 1 df 1 58 59 Regression Residual Total Mean Square 5706. misal di hipotesis mengatakan “Ada hubungan negatif atau positif”. kalau nilai regresinya lebih tinggi daripada residunya. dimana di dalam regresi ada kata ‘prediktor”. Tidak dapat menguji pengaruh. Predictors: (Constant). coba lihat paparan visual di bawah ini. Penjelasan tentang R2 Korelasi tidak menjelaskan sebab akibat. 1. Tidak ada kata prediktor dalam korelasi. (2-tailed) N Option Menampilkan nilai Cross Product.163 8369. ANOVAb Sum of Squares 5706. Lebih banyak di garis regresi dari pada di 40 dalam lingkaran residu. Karena regresinya besar maka F-nya signifikan Kecemburuan S 60 80 100 120 140 Kesetiaan Wahyu Widhiarso | 2001 | wahyupsy@gmail. Kalau mengarah. Correlation is significant at the 0. cuma hubungan saja. .163 144. Dialah R2.542 Sig. (2-tailed) N KESETIAAN Pearson Correlation Sig.

Kesetiaan 0 0 Penjelasan Tabel Dari tabel ini dapat diketahui.163 . ANOVA Sum of Squares 5706. Subyek inilah yang kecemburuan mereka berkaitan dengan kesetiaan. Predictors: (Constant).837 14076. Predictors: (Constant). Dependent Variable: Kecemburuan 0 14076 Model Summary Adjusted R Square .30 Dari pemahaman ini saya mengajak anda melihat rumus ini.637a . Error of the Estimate 12.163 8369.405 40% a. yang masuk dalam garis. sekitar 40% subyek. = 40% a.405 = 5706. Sedangkan 60% subyek lainnya. kecemburuan mereka tidak ada hubungannya dengan kesetiaan 0 S 0 40 60 80 100 120 140 Wahyu Widhiarso | 2001 | wahyupsy@gmail. Terlihat bahwa R square sesuai dengan definisi yang di atas tadi.com SPSS Untuk Psikologi .395 Std. Model 1 df 1 58 59 Regression Residual Total R2 =0.01281 0 Model 1 R R Square .000 R2 = Regresi Total . Kesetiaan b.

0 12.5 25. Yaitu mereka yang memiliki Ekstrem value Wahyu Widhiarso | 2001 | wahyupsy@gmail. Ini nih contoh visual bagi yang namanya outliers. Tetapi hanya 5 subyek yang paling atas dan paling bawah saja yang ditampilkan.0 N = 36.com SPSS Untuk Psikologi . A.0 Tingkat Kecerewetan Tingkat Kecerewetan Gambar A Gambar B Outliers pada Distribusi Normal Outliers pada Korelasi Cara di atas adalah cara mengidentifikasi outliers dengan cara meraba-raba saja.0 22. kemudian tekan kotak Outliers Pada display akan muncul subyek-subyek yang Teridentifikasi sebagai outliers. Outliers : Nilai Ekstrim 1.5 15. 16 15 14 13 12 11 10 9 8 7 5 4 3 2 1 0 7.0 17. Secara statistik ini bisa dihilangkan. Misalnya dengan melihat nilai-nilai yang ekstrim.5 20. Tekan Menu Analyze Æ Descriptive Æ Explore Æ Input Variabel Masukkan variabel yang hendak di identifikasi pada kolom ini Tekan Tekan kotak Statistics. Dev = 4. Ada juga cara yang lebih praktis. Nilainya jauh dari rata-rata kebanyakan orang lain.14 Mean = 12.5 1 1 6 5 5 4 Std.00 14 80 Outliers Yang diberi tanda bulat ini 70 adalah yang subyek beridentitas sebagai outliers 60 Frekuensi Ngemil 6 50 40 0 10 20 30 10.31 Outliers Outliers adalah nama bagi subyek. subyek yang unik. Yang unik-unik ini kadang bisa mengacaukan.

Ukuran ini Barnet dan Lewis (1978) yang bilang lho. Leverage Distance : nilai yang mendekati 1 saja yang di del. pada kotak kolom.32 B. Nilai Cook’s >1 adalah subyek outliers 2. Beri satu kolom tambahan pada data anda. Kalau aku sih. Pilih kotak Mahalobis.. Mahal’s Distance : ukuran jarak nilai subyek dari garis yang dikehendaki.bukan aku. Sebelum menganalisis. lalu pilih menu yang ada Keterangan 1. Pada gambar B di atas.yaitu nomor subyek. Ouliers : Jauh Dari Garis Korelasi Outliers pada acara ini adalah mereka yang jauh dari garis korelasi. Tekan kotak Save.. sedangkan N=100. Ini nih cara mengidentifikasikannya. Aturan yang saya rekomendasikan adalah Mahal Distance kemudian Cook’s distance Wahyu Widhiarso | 2001 | wahyupsy@gmail. kemudian beri nomor secara urut Petunjuk 1. Ini contohnya. ada satu subyek outliers. Makin jauh jarak dari pusat garis korelasi. Terserah anda lha ! 3. Cook’s atau Leverage Æ tekan continue kemudian OK Dependent Masukkan Nomor di sini Independent Masukkan variabel yang dianalisis Save Tekan save. Cook’s Distance : ukuran pengaruh subyek pada model..com SPSS Untuk Psikologi . pilih insert variable.. makin jelek dia bukan? Untuk jumlah sampel 30 (N=30). 2 subyek yang nilainya yang paling besar dan ekstrem yang aku del. nilai di atas 15 yang di del.. Klik kanan.. Tekan analyze Æ regression Æ masukkan nomor pada kotak dependent dan variabel yang diuji korelasinya pada kotak independent 2. nilai di atas 11 perlu dipertimbangkan untuk di del.

011 . Deviation 3.608 -1.00 .com SPSS Untuk Psikologi . Residual Stud.000 .239 1.701 a Mean 19.535 74.03 21.672 .Kembalilah pada Windows SPSS yang memuat daftar nomor subyek dan nilai subyek… Residuals Statistics Predicted Value Std.41 4.079 1.794 -39.33 Ini adalah contoh outputnya.000 2.90 .000 .037 10.997 3.04 1.119 16.696 .19 -2.091 1.322 1. Residual Deleted Residual Stud. Insya Allah 12 11 70 36 37 38 28 60 14 5 1 13 Frekuensi Ngemil 50 16 21 20 17 15 18 19 3023 3122 32 26 25 2924 27 33 34 4 9 10 3 6 82 7 35 10 20 30 40 0 Tingkat Kecerewetan Wahyu Widhiarso | 2001 | wahyupsy@gmail.115 N 38 38 38 38 38 38 38 38 38 38 38 38 80 Identifikasi Ternyata yang memiliki nilai Mahal’s dan Cook’s distance paling tinggi adalah subyek nomor 35. Dependent Variable: nomor Minimum 13. Distance Cook's Distance Centered Leverage Value a.345 25. Coba lihat ternyata ada nilai Mahal’s dan Cook’s yang sangat besar ! Nilai Mahal’s nya ada yang di atas 11 ! Kita lihat subyek berapa yang memiliki nilai itu….631 -18.016 1.507 9.68 -1.094 .947 .96 1. maka nilai korelasi kita bisa meningkat.802 17. Jika Ia dihapus.927 11.60 .20 -1.377 23.000 Maximum 24.41 -17.053 Std. Deleted Residual Mahal.797 .000 1.50 .320 10.973 1.052 1. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std.315 .212 4.

Lalu kembalilah pada Windows SPSS utama. Lalu muncul output seperti ini. Masukkan data yang hendak diidentifikasi pada kotak variables Membuat Nilai Z Tekan kotak ini agar tiap variabel ada nilai Z-nya. Subyek ini pasti ngerumpinya parah sekali.com SPSS Untuk Psikologi . Mataku Bisa Burem gara-gara Statistik!” (kata seorang teman) Ulangi cara di atas.0000000 .00000000 1.Menu Analyze Æ Descriptive Æ masukkan nilai Z ke kotak Variables Kotak Save Standard Value gak usah dihidupkan. lagi-lagi subyek 35 sebagai outliers. Z nya 3.34 C.. Kalau pengen cari ya.46802 Maximum 3.urutkan z score melalui menu Data Æ Sort Case lalu urutkan data anda berdasarkan Z score variabel yang ingin diketahui outliernya Wahyu Widhiarso | 2001 | wahyupsy@gmail. Tekan OK. “Jika dataku banyak. Ini Outliers juga 1.. lha gimana nilai Z nya kok melebihi 3. Soalnya Keluarnya nilai Z nanti pada Windows Utama.26611 -1.00000000 Ini nih ternyata ada Outliers pada data kita..1979. Identifikasi Outliers Ini dia. Descriptive Statistics Zscore: Skala score: Skala Ngerump KecemburuanV N 38 38 Minimum -1.0000000 Std.51660 Mean . Mana ada nilai Z di atas 3.. Masak aku mecicili satu persatu tiap kotak kecil di SPSS untuk mencari nilai Z diatas 3. Deviatio 1.19792 2. Seperti bagan di kanan ini. Coba tekan menu analyze Æ descriptive 2.

Sign up to vote on this title
UsefulNot useful