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

6940 . Ini adalah produk pemikiran Pak Heru.6081 .6134 .5895 .2111 23.com SPSS Untuk Psikologi .5728.9766 Item-total Statistics Scale Mean if Item Deleted ITEM1 ITEM2 ITEM3 ITEM4 ITEM5 ITEM6 ITEM7 ITEM8 ITEM9 ITEM10 27.7009 harus kita relakan untuk dibuang. Gagasan seperti ini ada di buku Saifuddin Azwar.0556 18. Ide seperti ini dapat dilihat pada buku manual SPS Sutrisno Hadi.9000 Scale Variance if Item Deleted 25. Wahyu Widhiarso | 2001 | wahyupsy@gmail.8646 . Asumsinya adalah item yang baik.7137 . item yang nilai Corrected Item-Total Correlationnya dibawah 0.1667 18. Lalu lihat pada kolom alpha if item deleted.0 Alpha = . Karena jumlah item kita adalah 10 (n=10) maka lihat pada baris n=10.6636 .7667 .7112 Reliability Coefficients N of Cases = 10.196. Lihat pada kolom Corrected Item-Total Correlation. Mereka-mereka yang nilainya di atas 0.01 ternyata r tabel adalah 3.7009.1178 .0000 25.1402 -.5000 25.6717 .1028 Alpha if Item Deleted .6000 25.3196 harus dirumahkan.1556 23.3000 26. pada taraf signifikansinya 0. mereka-mereka yang di bawah 0.4 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 28.9000 Variance 24.7009 N of Items = 10 TAFSIRAN ANGKA Cara Pertama 1 2 3 Lihat pada kolom Corrected Item-Total Correlation.4556 16.3173 . Cara Kedua Lihat pada tabel korelasi (r) product momment.6667 21.7672 .6556 Corrected ItemTotal Correlation -.5728 .8646) jika dibuang maka reliabilitas kita akan turun menjadi 0. Cara Ketiga (recommended) Lihat dulu reliabilitas kita berapa? Ternyata 0.7037 .7000 26.5000 25.7667 Std Dev 4.3889 16. Lihat item 6 (aitem paling bagus.1222 27.7942 .6209 .2000 25. jika dibuang maka reliabilitasnya akan turun.5000 25.4000 17.9000 26. dimana korelasi item totalnya cukup tinggi 0.5066 .3 adalah item yang buruk.

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.862 . tetapi yang dipakai perbandingan bukan reliabilitas. Ini cuma intuisi saya sendiri. Koreksi ini ada rumusnya…. Oleh karena itu jika anda membaca skripsi anda akan mendapatkan kalimat seperti ini. Mereka yang di bawah 24.7667 harus masuk kotak. skor total juga ikutikutan tinggi. Nah inilah yang membuat korelasinya jadi meningkat.5 Cara Keempat (not recommended.867 .002 (sahih) Corrected Item-Total Correlation -0.7037 0.841 .293 . Output SPSS adalah korelasi product momment yang telah dikoreksi dari efek itu. variance berhubungan paralel dengan reliabilitas. 4 Semakin tinggi variance semakin tinggi alpha-nya. “Analisis aitem untuk seleksi butir aitem menggunakan teknik konsistensi internal..3173 0.Pada skor Si Darmo (skor total = 7). 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.... Teknik untuk seleksi butir aitem menggunakan teknik korelasi Product Moment dari Pearson dengan koefisien korelasi rxy. (2-tailed) Pearson Correlation ITEM4 Sig. Sebab dalam rumus reliabilitas alpha. lihat kolom scale variance if item deleted.Bacalah buku tentang Psikometri. 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. (2-tailed) Pearson Correlation ITEM2 Sig. (2-tailed) Pearson Correlation ITEM3 Sig.6717 0.001 (sahih) . Korelasi ini berdasarkan hitungan product momment yang telah dikoreksi dari efek atenuasi.699 (gugur) -.com SPSS Untuk Psikologi .6940 Wahyu Widhiarso | 2001 | wahyupsy@gmail. di dalamnya ada komponen dari item 1 (skor item = 1). yaitu menguji korelasi antara skor aitem dengan skor total. tetapi variance.yet) Sama dengan cara pak heru di atas. Variance kita adalah 24.412 (gugur) . (2-tailed) -. karena semakin tinggi skor item 1.7667.140 . Coba lihat tabel dibawah ini….1402 -0.001 (sahih) . (2-tailed) Pearson Correlation ITEM5 Sig.

6255 Keterangan *) = item yang gugur A N A L Y S I S Variance 37. Jangan masukkan item-item yang sebelumnya teridentifikasi item yang ceniningan (buruk).6 Bisa dilihat di tabel perbandingan ini.6307 .4163 . ternyata item yang buruk korelasinya meningkat. ia akan pindah kiri sendiri.1111 VAR00006 23.7778 32.5000 32.3881 .5780 .1562*) .5902 .8889 VAR00008 23.689).6319 .8611 31.8889 VAR00004 23..3611 33..0940*) .6717 .2439*) . maka anda harus menghitung lagi reliabilitas skala setelah terbebas dari item-item yang gugur..3361 .2222 VAR00005 23. Hasil Uji reliabilitas Sebelum Seleksi Item R E L I A B I L I T Y Statistics for Mean SCALE 26.(misalnya antara 0. atau cukup klik dua kali.1111 30..5443 .5556 VAR00010 23. Dan rentang koefisien korelasi anda.. beginilah contohnya. Keluarkan dari kotak samping kanan.5181 .3611 30.5730 .6667 VAR00009 23.7500 Scale Variance if Item Deleted 37..5556 Reliability Coefficients N of Cases = 9. Jadi misalnya anda membuat laporan. Output yang keluar menunjukkan reliabilitas skala anda..com SPSS Untuk Psikologi .sampai. kembalikan item itu pada kotak di sebelah kiri dengan menekan panah. itulah yang tertulis pada koefisien korelasi item total bergerak antara .2778 32.2439*) Alpha if Item Deleted . sedangkan item yang baik korelasinya menurun. Reliabilitas Setelah Seleksi Item S etelah anda menghitung reliabilitas skala dan mendapatkan mana-mana item yang gugur..6319 N of Items = 10 Wahyu Widhiarso | 2001 | wahyupsy@gmail.2778 29.6944 28.2778 Std Dev 6.3126 .4470 .0 Alpha = ..5689 .389 sampai 0.4444 VAR00002 23.1441 S C A L E N of Variables 10 (A L P H A) Corrected ItemTotal Correlation -..0000 Item-total Statistics Scale Mean if Item Deleted VAR00001 23.5556 VAR00007 23.1111 VAR00003 22.5982 .

4444 S C A L E N of Std Dev Variables 4. semakin sedikit item yang dipakai semakin menurun harga korelasinya. tetapi pergerakan korelasi item total menjadi kecil.3333 VAR00007 13. reliabilitas skor kita meningkat dari 0.6347 Scale Variance if Item Deleted 17. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Hal ini terjadi bisa karena anda mungkin kebalik dalam memberi penilaian.5848 Di sini kita dapatkan bahwa ada perubahan.8889 VAR00003 12.5949 .6347. Dan ini memang konsekuensi dari pengurangan item.1 tadi. Yang seharusnya item ini favorable.1439 Alpha if Item Deleted .0 Alpha = . yang semula bernilai 0. 2 diganti 3. misalnya yang nilai 4 diganti 1.5216 6 (A L P H A) Item-total Statistics Scale Mean if Item Deleted VAR00002 12.8889 VAR00006 13.5184 . Koefisien Korelasi item-total = Koefisien Validitas ? Pada beberapa buku atau beberapa skripsi.7778 Corrected ItemTotal Correlation .8611 14.4444 Reliability Coefficients N of Cases = 9. Nah setelah anda perbaiki.2245 .3361 menjadi 0.345. 3 diganti 2.6667 VAR00008 13. memakai korelasi item-total diatas 0.7500 12. Jangan percaya pada mereka..3611 15. ada yang mengatakan bahwa koefisien korelasi itemtotal (r) adalah koefisien validitas.com SPSS Untuk Psikologi .6667 VAR00005 12..489 akan menjadi 0. misalnya 0.6560 N of Items = 6 Keterangan: Reliabilitas skala adalah 0.5467 .35 saja.0000 16. Oleh karena kita menggunakan validitas isi (rasionalisasi pertanyaan pada item pada blue print) maka kita tidak memiliki angka validitas. maka anda akan mendapatkan kebalikan dari korelasi yang tadi. tapi anda nilai dengan unfavorable. enakan ketika menghapus item.4677 .489 atau -0.4283 .6225 menjadi 0.koefisien validitas baru ada jika menggunakan validitas kriteria.6120 .7778 A N A L Y S I S Variance 20. Yang semula -0.7 Hasil Uji reliabilitas Setelah Seleksi Item R E L I A B I L I T Y Statistics for SCALE Mean 15.1439 sampai 0. kita akan mendapatkan nilai yang tak terlalu kecil. Koefisien korelasi item-total bergerak dari 0..1439. Korelasi Item-total: Korelasinya kuat tetapi kok negatif ? Ada beberapa kasus dimana kita mendapatkan korelasi item-total memiliki nilai yang negatif tetapi kuat. Saran saya.6347.0000 15.5848 .4617 . dan 1 diganti 4.2962 .489. Biar nanti jika dihitung lagi. misalnya -0. Misalnya item 8.

Lihat pergerakan angka pada kolom di sana jarak antara df2 dan df3 sangat besar sekali... penurunan r pada tiap satuan df sangat kecil. sekarang bandingkan dengan jarak antara df30 dan df35 jaraknya cuma 0. Nah. jantung anda bergetar keras. tetapi ketika sampai pada df diatas 60. versi metodologi dan versi statistik. a. “Sing jelas item’e banyak. ngunu wae dipikir” kata seorang teman Sebelumnya saya mengajak anda untuk memahami pola yang ada pada tebel r. pertanyaan ini pasti muncul.21. dan subyek’e juga banyak. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Lihatlah di bawah sana (tabel ke-2). meski itemnya 10 tetapi karena jumlah subyeknya besar. Kalau mata anda sudah sepet.. melihat angka-angka yang ada di sana.9 30 --------------.Berapa jumlah item yang harsu kita buat? Berapa subyek yang harus kita cari? Ada dua versi untuk menjawab pertanyaan ini.pejamkan lagi mata anda dan bayangkan bahwa anda nanti akan ditanya macam-macam saat ujian skripsi. maka kita harus menyesuaikan pada tabel. Dari sini kita dapatkan bahwa angka 60 adalah angka batas. bayangkan bahwa anda sekarang melihat sepotong apel merah yang ranum dan siap dimakan. • Saya akan memberikan contoh-contoh dari satu data skripsi milik Handoko (97).275 0. oleh karena patokan baik buruknya item tergantung korelasi item-total. dari 0. yaitu kolom 1 ekor (one tailed).275 35------------40 0. Saya hanya memperlihatkan pada item 1 sampai 10 saja. Dari sana terlihat bahwa yang sangat mempengaruhia reliabilitas dan koefisien korelasi adalah banyaknya subyek. Versi Statistik: Versi statistik berorientasi pada tujuan agar kita mendapatkan item yang baik dan skala yang reliabel. badan anda menggigil karena tak bisa menjawab. maka yang gugur cuma 2 item.296 Akhirnya kita dapatkan bahwa : • Dibawah df 60 penurunan r tiap satuan angka df sangat besar. pejamkan mata anda. skala kepemimpinan (45 item) yang disajikan pada 59 subyek.70 0.3 0. selisihnya hampir 1.805 0.kalau mata anda masih sepet dengan angka-angka itu..195 0.8 Jumlah Item dan Jumlah Subyek yang ideal Ketika kita hendak membuat skala. Ambil satu kolom.900 sampai 0. dan korelasi item total tergantung pada tabel.com SPSS Untuk Psikologi .257 60 ------. Oke! buka lagi mata anda.805. Dalam pandangan statistik. Lihat tabel korelasi (R) pada buku statistik. Lihat angka di sana. 2 ------------------------------------. “Ora usa kakean penjelasan! Piro jumlah subyek’e?” “60 subyek sudah memasuki daerah aman versi statistik”. Oleh karena itu inilah yang membuat bagi sebagian orang memakai angka ini sebagai pegangan jumlah item atau jumlah subyek kita...35 0.211 0. Lihat juga di sana (tabel 4) itemnya 45 tetapi jumlah subyeknya cuma 10 maka item yang gugur 7.

6000 ITEM3 34.4589 .1198 .7000 ITEM10 35.9661 99.5932 34.tidak ditampilkan Reliability Coefficients N of Cases = 59.2111 9.1818 .3455 .2373 99.8475 35.0000 ITEM4 34.6757 Corrected ItemTotal Correlation .4915 99.6610 .3729 34.3778 Corrected ItemTotal Correlation .2146 .4868 15.7627 96.2881 35.0239 .6891 -.3951 .5763 35.7333 8.0625 15.4346 Alpha if Item Deleted .7013 .9807 ITEM6 160.8222 9.6869 .5294 .6595 .0584 18.1344 18.4553 17.2000 ITEM8 34.6765 .7000 ITEM1 ITEM2 ITEM3 ITEM4 ITEM5 ITEM6 ITEM7 ITEM8 ITEM9 ITEM10 Reliability Coefficients N of Cases = 59.6222 7.5097 .5634 ITEM10 160.4444 8.3089 .7499 .1081 -.7448 .6675 .5581 .8101 ITEM4 160.7954 ITEM5 160.2203 98.5482 Corrected ItemTotal Correlation .7376 .2712 .7164 .3541 .2571 .4611 ITEM9 160.6556 7.com SPSS Untuk Psikologi .3444 7.4631 .7200 .0199 .8000 ITEM6 35.3560 .7157 .1111 7.8000 ITEM2 35.0 Alpha = .6780 98.6593 .8305 35.1186 .4068 36.4868 15.7510 ITEM2 161.6736 .7627 99.7455 N of Items = 10 Hasil Hitungan 10 item 10 subyek Scale Mean if Item Deleted ITEM1 33.6602 .3121 .8019 17.5378 .0000 ITEM7 34.4802 .5559 Alpha if Item Deleted .7639 15.2889 7.5248 .9082 ITEM11 dst….6603 .7224 .4127 .5132 .9000 ITEM9 34.3507 .7606 .3161 .3956 .3051 34.2616 N of Items = 10 Alpha if Item Deleted .7966 103.9831 101.4240 .0000 .7703 ITEM7 159.0 Alpha = .1017 34.3588 .4000 Reliability Coefficients N of Cases = 10.3729 Scale Variance if Item Deleted 17.5401 .4032 Wahyu Widhiarso | 2001 | wahyupsy@gmail.0 Alpha = .1368 ITEM8 160.4602 Scale Variance if Item Deleted 7.9053 ITEM3 159.6582 .3086 .1000 ITEM5 34.6539 N of Items = 45 Hasil Hitungan 10 item 59 subyek Scale Mean if Item Deleted 34.9 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 159.9328 18.6645 .6949 96.

.1072 -. Bukan Buku itu. Versi Metodologi Versi metodologi penelitian mengatakan bahwa jumlah item yang bagus adalah yang tidak sampai membuat subyek menjadi klenger. saya lupa bukunya.3444 ITEM2 162. Wahyu Widhiarso | 2001 | wahyupsy@gmail. terima kasih.. Ada yang bisa melakukan uji skala dengan 60 subyek. Misalnya dalam populasi perawat seperti dalam skripsi Gogon.3000 108. sekarang mereka akan kuajak ke babakan II tentang t-test.4333 ITEM7 161. karangan Pramoedya Ananta Toer. dan uji hipotesis dengan 60 subyek juga.2014 -. Nafan (‘97) : Mungkin itu ada di buku Bumi Manusia. Nah sekarang mengenai jumlah subyek. Pokoknya di sana disebutkan bahwa sampel yang representatif untuk menghitung keandalan skala adalah di lebih kurang 100 orang. Ada ahli yang nulis bahwa rata-rata orang hanya mampu menjawab dengan baik di bawah 30 item.0 Alpha = ..6780 .5000 107.10 Hasil Hitungan 45 item 10 subyek Scale Scale Mean Variance if Item if Item Deleted Deleted ITEM1 160.Great Lie.8000 108. Untuk uji hipotesis dan analisis faktor 100-300 orang.1000 98. ada di buku Psikologi Imajinasinya Sartre.2686 ..9000 106... Kalau seperti siswa sekolah atau mahasiswa.0582 .6565 . .0111 ITEM6 161.0000 108. ada juga yang bilang ¼ dari populasi..6000 110. Bukan.0695 Alpha if Item Deleted .5746 ..2667 ITEM10 162.3166 . Dodo : Tentu saja untuk subyek yang populasinya sedikit (terbatas) jumlah itu bisa diterima.8444 ITEM9 161.6918 ..6833 . Karena bisa jadi item yang cuma 10 subyek saja malahan bisa meningkatkan reliabilitas karena 10 subyek itu tidak satupun yang celelek’an. dan kelelahan karena kebanyakan membaca item-item yang malah membuat subyek tidak menjawab dengan benar..6823 .6952 .6868 Corrected ItemTotal Correlation . There are great lies in this world.7000 108.6852 .5444 ITEM4 161.6881 N of Items = 45 Sebenarnya penjelasan ini ada kelemahannya.6802 . Tapi kalau dalam pengalaman skripsi rekan-rekan yang sudah lulus.2222 ITEM5 161.And damn statistics Benyamin Disraeli Ayolah Ben.Lie.com SPSS Untuk Psikologi .3889 ITEM3 160. Ada satu tulisan.2333 ITEM11…dst tidak ditampilkan Reliability Coefficients N of Cases = 10.1116 . Kalau nggak salah di bukunya Pak Azwar. jumlahnya ya diatas 100 untuk tes hipotesisnya dan 60 untuk uji coba skala.5444 ITEM8 161.9000 111.6929 .0376 . Jangan mengacau pembaca tulisanku. Thad (’97) : Bukan Pan!.1655 .7000 107...

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

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

df=18. siapa yang memiliki rerata (mean) yang tinggi.265 -3. dari kasus ini.05.34743 -7.4000 1. Di sana tampak bahwa nilai t kita -3. Penjelasan Kasus di Atas Langkah I : Karena data kita homogen.13 Membaca Angka t-tes Independen Sample Independent Samples Test kecerdasan Equal variances Equal variances assumed not assumed .5000 29.05 tidak ada beda Levene's Test for F Equality of Varian Sig.265.05.4000 1.05 ada perbedaan pada taraf sig. Dapat dikatakan bahwa ada perbedaan kecerdasan antara pria dan wanita.95743 .01). maka dapat dikatakan bahwa tidak ada perbedaan varians pada data kecerdasan pria dan wanita.05 (data tidak homogen) Sig: p>0. maka yang kita lihat adalah lajur equal variance assumed (data diasumsikan homogen).819) karena p diatas 0.00 2. Disana tampak bahwa F=0.23084 -1. (2-tailed) Mean Difference Std. wanitalah yang lebih cerdas. Error Mean . jika data tidak homogen. Sig: p< 0. p<0. 1% c. baca lajur kanan (equal variance not assumed).94810 kecerdasan grup 1. Group Statistics Std.56916 -4. Langkah II : Terlihat bahwa nilai t hitung= -3. Sig: p< 0. 5% b. Kita lihat. mereka kelihatan cerdas (Henry Delacroix ) Wahyu Widhiarso | 2001 | wahyupsy@gmail.819 -3.998 . Langkah II Jika data anda homogen.054 . Error Difference 95% Confidence InteLower of the Difference Upper Langkah I Baca dulu Levene’s test untuk uji homogenitas (perbedaan varians). t-test for Equality t Means df Sig.com SPSS Untuk Psikologi .004 -4.265 18 17.02765 2. sedangkan ketika wanita diam. Deviation 3.54 (p=0.004 .99815 Pria kelihatan bodohnya ketika mereka diam. (p<0.05 (data homogen) Aturan Uji t a. Katakan juga siapa yang lebih cerdas?” OK. maka baca lajur kiri (equal variance assumed) .9000 Std.01 ada perbedaan pada taraf sig.34743 -7. Bogel: Je! Kamu jangan bilang ada perbedaan yang siginifikan saja.56914 Aturan Uji Homogen Sig: p< 0.00 N 10 10 Mean 25. Sig: p>0.23086 -1. artinya ada perbedaan kecerdasan antara pria dan wanita.265.

baca lajur kanan. Seperti kita ketahui dari data ini.400.23086 -1. Independent Samples Test kecerdasan Equal variances Equal variances assumed not assumed . -nya terlihat bahwa ia lebih besar dari t tabel (p<0. bahwa rerata kecerdasan pria= 25.4000 1.14 Levene Tes Homogenitas.56916)-----------------. 3. Adalah selisih standar deviasi dua data kita.56916 -4.2.99815 = 1. Jika tak bisa mengalahkan t tabel (lebih besar dari t tabel).90.50 kecerdasan wanita= 29.998 . Aturannya seperti yang tertulis pada tabel sebelumya. jangan mengharap ada beda signifikan.265 18 17.05. baca lajur kiri.34743 -7.23084) upper mean difference lower Nomor-nomor yang besar pastilah mengandung kesalahan Wentworth Dillon Wahyu Widhiarso | 2001 | wahyupsy@gmail. toleransi ini menggunakan taraf kepercayaan 95%.57 sampai 7. Mean Difference.com SPSS Untuk Psikologi .(-7. (-1. (2-tailed) Mean Difference Std. Eror Difference.23. Visualisasi t-tes 95 % Confidence Interval of the difference.265 -3.4) -----------------.34743. Selisihnya adalah 4. Adalah selisih dua mean data kita. Error Difference 95% Confidence Interval of the Difference Nilai t Anda.(-4. Adalah uji homogenitas. Lihat tabel dibawah ini.56914 Levene's Test for Equality of Variances t-test for Equality of Means F Sig. Adalah rentang nilai perbedaan yang ditoleransi.054 .34743 Lower Upper -7.23084 -1.819 -3. Dari Sig. Jika data homogen.004 . yaitu uji perbedaan varians pada data kita.4000 1. Selisih Mean. Jadi dengan menggunakan taraf kepercayaan 95 %. Pada kasus kita. rentang selisih kecerdasan pria dan wanita dari 1.004 -4. Perempuan lebih cerdas daripada pria Std. t df Sig.02765 . jika tidak.

nilai t kritis pada df 15. Misalnya korelasi. Prinsip ini digunakan pada analisis yang lain juga.. Coba lihat di tabel. 0.482. satu ekor nilainya 0. tetapi secara metodologi lebih mahal. karena lebih murah. sebab harga satu ekor lebih murah dari pada dua ekor. toleransi yang dipakai akan lebih rendah.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. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Jika kurang berarti ada perbedaan.5 27 29 mean 29.. 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.com SPSS Untuk Psikologi .412 yang dua ekor lebih tinggi. karena secara teoritik harus benar-benar dapat dipertanggung-jawabkan dan membutuhkan landasan teori yang kuat. secara statistik memang kepenak memakai satu ekor.

(2-tailed) Exact Sig.00 259. Tes ini yang paling kuat diantara teman-temannya. Karakter Tes: • • • Bebas asumsi normal.138 . Jika data anda berbentuk interval maka dalam pengoperasiannya data anda harus dikonversikan dulu ke data ordinal (ranking). Z anda harus >1.00 • Mann Whitney U Jika nilai U tidak bisa lebih kecil dari U tabel.96 Untuk sig 1% Z anda harus >2.500 -. Not corrected for ties. 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 15.05 (tidak signifikan).000 -2.16 Membaca Display Mann Whitney U Test Mann Whitney U test adalah t-test versi non parametrik.004 .com SPSS Untuk Psikologi .00 147. Asymtotic Significance Tingkat signifikansi yang berbasis pada distribusi asimtot dari tes. Tapi jika pakai SPSS data anda akan dikonversikan sendiri olehnya.485 . Data anda sedikit (<20). W adalah total jumlah ranking yang dinamakan pertama dalam kolompok. jadi dalam tulisan ini saya hanya membahas tes ini saja.58) dialah yang nilainya memiliki perbedaan. Jika Sig > 0.907 .009 a a. di bawah. Dapat dilihat di display.50 183. Z=1.96) or (1%. Data berbentuk ordinal. Dari kasus di atas yang memiliki perbedaan hanyalah skor gain. (yang anda beri kode 1) Test Statisticsb PRE_TES 78.000 171. b. maka data anda distribusinya buruk (poorly distributed). maka dapat digunakan pendekatan dengan kurve normal Z. Grouping Variable: GRUP Penjelasan Kasus Di sini berlaku bahwa barangsiapa yang memiliki nilai Z diatas nilai kritis (5%. Wahyu Widhiarso | 2001 | wahyupsy@gmail. Di psikologi.21 16.50 18. Ketolak atau tidak bisa dilihat pada sig.853 .00 235. maka hipotesis alternatif ditolak.50 171.000 147. yaitu tes non parametrik lainnya.05 maka ada perbedaan POS_TES GAIN Wilcoxon W Wilcoxon rank sum W statistic. Sig.365 . Z=2.50 Sum of Ranks 222.376 a Z Score Deviasi dalam distribusi normal Untuk sig 5%. alias tidak ada perbedaan.)] POS_TES 66.79 10.89 13.58 Mann-Whitney U Wilcoxon W Z Asymp. kalau <0.11 12. Jadi Ho ditolak. [2*(1-tailed Sig.500 183. Tetapi jika di atas 20. Jadi nggak usah pakai uji normalitas Dua sample yang dibandingkan adalah independen.000 -1.150 a GAIN 42. tes ini yang sering dipakai jika mereka tidak memakai t-tes.

Kita Lihat dulu Data teoritik kurve Normal. Sig. Dengan kata lain. ngetes normalitas segala? Pertama. Kedua tes dinamakan masuk dalam kategori Goodness Of Fit Tes.. Terus. Macam Data Data Teoritik Data Observasi Kemunculan Sisi Koin A = 50 B = 50 A = 35 Total 100 100 Uji Chi Square Sig.maksud’e koinku gak penceng?.05 : Tidak Ada Beda Sig. Artinya. Aku. maka yang kita pakai adalah KolmogorovSmirnov. bagaimana kalau kita langsung meneliti populasi secara langsung.eh kasus ini. kamu. p>0. Dalam kaus. kita bisa berasumsi bahwa sampel kita bener-bener mewakili populasi. pembuatannya itu mengacu pada tebel normalitas.35 14% 14 12 3 36 . uji apakah data empirik yang kamu dapatkan dari lapangan itu sesuai dengan distribusi teoritik tertentu. Apakah harus di tes normal segala.40 2% 2 10 Wahyu Widhiarso | 2001 | wahyupsy@gmail. Mbuh! Chi-Square Filosofi mengapa Chi-Square kok bisa dikatakan Goodness Of Fit Tes. maka dapat dikatakan bahwa koin kita setimbang. sisi B keluar sebanyak 65 kali.com SPSS Untuk Psikologi .05 : -1 16 . Bukan Fitness Tes. Aplikasi Chi-Square pada Uji Normalitas. apakah datamu itu dari populasi yang berdistribusi normal. p<0. Januar: Makanan lagi ini? Ayo Jelaskan apa yang kau maksud dengan fitness tes ini. Kurve normal punya 6 Standar Deviasi (sd). p<0.10 2% 2 5 Beda -2 11 . Tapi karena tes ini memiliki kelemahan.17 Uji Normalitas Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). p>0. Kedua. Januar: Mengapa kita harus. Populasinya khan cuma tiga..05 : Tidak Ada -3 1 .05 : Ada Beda B =65 Kalau hasilnya tidak ada perbedaan.30 34% 34 38 2 31 . adalah begini: Aku punya uang seratus rupiah. Tes-tes parametrik itu dibangun dari distribusi normal. tapi Goodness Of Fit Tes. Apakah koinku dapat dikatakan seimbang. Cara yang biasa dipakai untuk menghitung masalah ini adalah Chi Square. Sd Distribusi Kurve Normal Data Hasil Kategori % Frek. distribusi normal. sisi A keluar sebanyak 35 kali. dan Sony ’93. Frek. Sehingga hasil penelitian kita bisa digeneralisasikan pada populasi.15 14% 14 15 Sig. kau lihat tabel t-tes misalnya.20 34% 34 20 Ada Beda 1 21 . Tak lempar seratus kali. Misalnya Hubungan Antara Independensi Anak yang Jarang Mandi di Fakultas Psikologi UGM Dengan Kreativitas. Masing-masing sd luasnya seperti ini.

yang diuji itu distribusi normal. Deviasi Distribusi Normal Dari sini dapat dikatakan bahwa data anda berdistribusi normal. Tapi tidak semua yang diambil. Cara Membaca Angka One-Sample Kolmogorov-Smirnov Test VAR00001 12 3.0833 1.164 .164 (p>0.18 Kolomogorov -Smirnov Chi Square membandingkan distribusi teoritik dan distribusi empirik (observasi) berdasarkan kategorikategori. Jadi yang dibandingkan adalah frekuensi kumulatif distribusi teoritik dengan frekuensi kumulatif distribusi empirik. (2-tailed) Mean Std.data anda NORMAL ! Wahyu Widhiarso | 2001 | wahyupsy@gmail. D = 0.com SPSS Untuk Psikologi . or Beberapa orang ada yang menjadikan acuan signifikansi adalah Z.164 Jika D anda lebih kecil dari tabel. kalau KS berdasakan frekuensi kumulatif. 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. atau poisson Absolut (D) Dari perbandingan antara negatif dan positif.117 -. Ada 6 pembagian. Hanya satu yang diambil 12 yaitu yang selisihnya terbesar.567 .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.05) Jika Z anda di bawah 1.905 Negative Pengurangan yang menghasilkan angka negatif terbesar N Normal Parameters a. Kalau korelasi khan r. b. Deviation Absolute Positive Negative Positive Pengurangan yang menghasilkan angka negatif terbesar a. Dalam kasus ini D= 0. Test distribution is Normal. Ini contoh-contohan uji normalitas data. D itu didapatkan dari Frekuensi teoririk Distribusi kumulatif (teoritik)…….. bukan distribusi eksponen.567 (p>0. Hasil ini lalu dibandingkan dengan tabel D.05). maka data anda NORMAL.164 .37895 . Kalau t-tes khan t.97 maka dapat dikatakan tidak ada perbedaan antara distribusi teoritik dan distribusi empirik..A Frekuensi empirik Distribusi kumulatif (empirik)……. dan biasanya mereka menulis Z=0. Calculated from data. Test Distribution is Normal artinya.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Uji KS outputnya adalah D. yang terbesarlah yang dimasukkan sebagai absolut. Sig.

Masukkan variabel yang hendak di uji pada kotak Dependen. Tekan tombol Plots.com SPSS Untuk Psikologi . Beri tanda pada Normality Plot With Test Wahyu Widhiarso | 2001 | wahyupsy@gmail. Pilih Descriptive Statistics Æ Explore 2. 4. 3.19 Menampilkan Uji Kolmogorov-Smirnov Cara Pertama Pilih distribusi normal Cara Kedua 1.

1971) 3. Cs tidak bisa digunakan bukan? Oleh karena data Chi Square adalah bersifat kategorik.266 . Dan anda membuat angka 11 untung. Soalnya ada tambahan Koreksi Liliefor segala.6233 106.273 p > 0.00 131. sementara KS bisa.310 Arti Statistic Adalah nilai D.20 Output Kolmogorov Smirnov Cara Kedua Descriptives Std.0384 11. CS memerlukan data yang terkelompokkan. sd nya sama.00 13. Anda membuat angka 15 marah-marah.0000 48. KS dapat mengestimasi variasi sd.937 .5366 Lower Bound Upper Bound 103. Jika dihitung dengan cara pertama sig.16550 makna hidup Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Peluang tidak normal. seperti yang saya jelaskan sebelumnya.98505 . sedangkan CS.00 56.199 . (info lebih lengkap baca buku Non Parametrik Statistical Inference. Error .2176 107.526 Tests of Normality Kolmogorov-Smirnov depresi makna hidup Statistic .00 9. karena ia dibulatkan ke atas. CS tidak bisa untuk sampel kecil. Bayangkan jika data anda berjumlah 5.0000 -.791 6.00 29. Lilliefors Significance Correction Keunggulan Kolmogorov Smirnov (KS) dibanding (Chi Square) 1.05 Æ Tak Normal Mengapa ? Cara pertama adalah uji Kolmogorov-Smirnov Plus. Misalkan kategori 11-15.2500 .5732 8.015 .8556 105.266 .357 105.05 Æ Normal tetapi jika dihitung dengan cara kedua sig. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Lower Bound Upper Bound Statistic 9.1080 9. Gibbons.com SPSS Untuk Psikologi . Ia merasa rugi karena dibulatkan ke bawah. maka harga tes ini jadi mahal.982 df 82 82 Sig.0000 111.088 df 82 82 a Shapiro-Wilk Statistic . 14 dan 15. Contoh : Data Depresi milik Hendro. padahal kurang satu no dia masuk kategori 16-20.-nya 0.-nya 0. 4.001 . . Maka ada data yang terbuang maknanya. Wahyu Widhiarso | 2001 | wahyupsy@gmail.526 1. KS lebih fleksibel dibanding CS. Adalah perbedaan antara distribusi teoritik dan distribusi empirik.1287 9.77137 depresi Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std.388 10. Berkatalah hanya pada apa yang anda ketahui saja Anonim .015 p <0. KS tidak memerlukannya.110 . lebih besar di sini. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis .639 Perhatian Karena ada koreksi Liliefor.00 29. 2. Jadi enakan pakai cara pertama saja. Apa Itu Koreksi Liliefor? Tuhan belum mengijinkan aku untuk menjawabnya.13. sedangkan anda harus membuat 6 kategori sd.177 a. .834 .55403 75. karena dibagi secara seimbang. Sig. Sig. dan disamakan dengan angka di atasnya yaitu 12.

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

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

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

Jika simpangan itu sig = (p>0.648 Linearity Adalah hubungan linear pada data anda.05) hubungan variabel penelitian anda linear. Terlihat bahwa kombinasinya tidak signifikan (p>0. Alias murni linear. Berarti data anda Wahyu Widhiarso | 2001 | wahyupsy@gmail.426 37 F 1. ia bermuka dua: linear dan kuadratik.162 . Combined Ini adalah kombinasi antara linearity dan selain linearity (deviation from linearity).6 15 .05). Coba lihat pada sum of square -nya. Jika sig (p<0.409 Deviation from Linearity 186.361 18 12.912 * Frekuensi Ngemil Groups Linearity 191. Kalau variabel independennya dua buah.com SPSS Untuk Psikologi .503 Within Groups 223.001 .409 18 10. sehingga uji korelasi pearson bisa langsung dilanjutkan Deviation from Linearity Menunjukkan seberapa jauh simpangan hubungan variabel anda.579 Mean df Square 19 19. Ini adalah total dari Linearity dan deviation from linearity. .24 Keterangan Masukkan variabel penelitian anda.890 1 191.05) berarti simpangan terhadap linearitas itu tidak signifikan.83 Sig.667 Total 601. 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. Soalnya ada juga data yang nggak murni linear.

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

05) Kecerdasan * Keresahan Eksistensial Between Groups (Combined) Linearity Deviation from Linearity df 15 1 14 15 30 F 13.811 100.818 68.000 .830 100.800 109.918 57.580 Kesimpulan: Korelasi yang terjadi adlh korelasi linear.003 . Linier Murni 12 Combined Deviation from linearity ternyata signifikan. Keresahan Eksistensial Kecerdasan ANOVA Table Sum of Squares 125.4 1.003 3. tapi kalau dianalisis dengan non linier boleh saja. (p>0.05).000 .818 4. Uji Asumsi: Kalau untuk uji asumsi data seperti ini tidak apa-apa. Efektif didapatkan dari regresi non linier = 42 %. Dapat dikatakan bahwa.26 Penglihatan Melalui Scatter dan Angka 1.099 9. Sumb. sedangkan dari regresi linier = 44% • Terserah anda pilih teknik apa. Yang penting data anda linier.com SPSS Untuk Psikologi .603 Signifikansi Data anda linear sekaligus quadratik. Deviasi from linearity ( p>0.809 5.428 Kedewasaaan * Skala Patah Hati Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total 2.83 8. 8 10 12 14 16 18 20 22 0 Skala Patah Hati ANOVA Table Sum of Squares 103. .05).000 Within Groups Total Wahyu Widhiarso | 2001 | wahyupsy@gmail.611 Mean Square 14..000 .050 134. 10 8 6 4 Kedewasaaan 2 Sum Of Square Terlihat di sini Sum of Square linearity lebih besar daripada deviation from linearity.635 . Data anda linier.864 .91 95.968 Mean Square 8. Linearity dan deviatonnya sama-sama signifikan (p<0. kombinasinya mencerminkan bentuk linier. 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.569 172. • Karena SQRT-nya deviation lebih besar maka sumbangan efektif kuadratik lebih besar daripada sumbangan efektif linier • Setelah saya hitung.395 57. . Maka dari sini kelihatan bahwa korelasinya lebih mencerminkan model linier daripada model yang lain (p<0.062 Sig.05) df 7 1 6 10 17 F 25.094 Sig.000 . Korelasi Product Momment sudah bisa digunakan.

gak usah dilihat deviasinya. Para ahli statistik mengatakan bahwa syarat uji korelasi pearson adalah datanya berkorelasi linear.27 3. sebab deviation from linearity data anda signifikan (p<0.370 2. Soalnya ada penjelasan lain. yang lebih rumit..900 56. Mereka tak mengatakan bahwa korelasinya harus linear murni.Tidak semua hal itu berhubungan linier. Bukan seperti kamu..581 87. Edisinya saya lupa. Terkadang jika kita memberikan perhatian pada si dia. Maka cintanya berkurang. Jadi kalau linearity sudah terpenuhi. : Bagaimana kalau datanya benar-benar tidak linear? : Bacalah satu buletin psikologi. Pokoknya satu buletin isinya tentang uji asumsi semua. untuk mencari bagaimana hubungannya dengan variabel B. Lha gimana? Karena linearity-nya signifikan. Misalnya nilai variabel A si Nurpita 100. Misalnya cinta. Pada awalnya terjadi korelasi linier positif.900 6. ya sudah. Tetapi makin kita beri perhatian.000 . : Dida! Sadari.. Ia makin cinta pada kita.6 Sig.953 Signifikan Data anda tidak linier. kita sama saja membatasi diri dengan hanya menggunakan korelasi yang sudah signifikan dalam hitungan korelasi product momment. Sementara pakai asumsi ini saja. warnanya merah dan putih. Weje : Dengan melihat linearity saja. ya kita jadikan 10.2 3. Jadi dapat disimpulkan bahwa product momment hanya untuk hubungan yang sudah signifikan saja.. F 6. Deviation from linearity-nya yang dilihat. Kuadratik Murni 11 10 9 8 7 Kedewasaaan 6 5 Sum Square Root • SQRT yang paling besar adalah SQRT-nya deviation dibanding dengan linearity.951 Mean Square 5. Khan Wagu? Hubungan data ini linear.470 28. 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. atau diapakan yang lain.937 2. aku melihat yang digunakan acuan adalah linearity. Lha bosen ! : Cowok Gampang bosenan. Gunakan korelasi non-linier 4 Frekuensi Patah Hati ANOVA Table Sum of Squares 59. Di situ Pak Tris mengatakan bahwa salah satu variabel kita transformasikan (kuadratkan.05)..274 .) dulu. tetapi sekaligus kuadratik Dodo Weje : Bagaimana jika kita mendapati yang seperti ini? : Yang penting adalah linearity-nya.com SPSS Untuk Psikologi .0 6.000 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. Baru kita uji linearitasnya sekali lagi.! Dodo Weje Weje Dodo Wahyu Widhiarso | 2001 | wahyupsy@gmail. pasti product momment-nya ya signifikan.091 . Korelasi Product Momment tidak bisa digunakan. . Lihat bedanya.

. Anova Table Menampilkan Regresi sesuai dengan model yang dikehendaki Anova Table Pilih model yang anda harapkan untuk di uji Dependent variable.43710 Adjusted R Square .28 Curve Estimation Sebenarnya untuk mengidentifikasi linearity di SPSS itu yang paling baik adalah melalui Curve Estimation.54679 .39689 Standard Error 4. Ini adalah uji termasuk ketepatan (Goodness Of Fit) untuk menguji ketepatan data anda dengan satu distribusi yang diharapkan.42117 Analysis of Variance: DF Sum of Squares 1 424.87112 Wahyu Widhiarso | 2001 | wahyupsy@gmail.40868 Standard Error 4.93632 . QUADRATI Regression Residuals F = Mean Square 216. RESAH Listwise Deletion of Missing Data Multiple R .com SPSS Untuk Psikologi .0001 Signif.46038 28 558. data anda samasama signifikan 21.65451 R Square . atau kuadratik. Sedangkan pada GFI uji Normalitas adalah sebaran Normal: 1. Mirip Uji Normalitas bukan? Kalau ini yang diharapkan adalah linier.46501 Analysis of Variance: DF Sum of Squares 2 433.82058 19. Menu Æ Analyze Æ Regression Æ Curve Estimation 2.42839 Adjusted R Square .73019 19. RESAH Listwise Deletion of Missing Data Multiple R .0003 10.21704 Signif F = Method.66113 R Square . Klik Anova tabel dan Pilih Model yang hendak anda uji.82058 29 566... LINEAR Regression Residuals F = Mean Square 424..73352 Dependent variable.85684 Signif F = Method. F Dari sini dapat disimpulkan bahwa data anda berkorelasi secara linier dan kuadratik R Square Terlihat bahwa dengan menggunakan model linier dan quadratik .

655 (p<0.05) dapat dikatakan bahwa ada hubungan (positif) antara kecantikan dan kesetiaan Correlations SKALA KECANTIKAN KESETIAAN 1 . Predictors: (Constant). Satu ekor atau dua ekor. cuma hubungan saja. Kalau tidak ada arah. 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. Tapi kita bisa melangkah sedikit ke model pengaruh dengan menggunakan sumbangan efektif.542 Sig.01 level (2-tailed). 2. . Saya mencoba menjelaskannya melalui regresi. Dialah R2. (2-tailed) N Option Menampilkan nilai Cross Product. Option ini berguna ketika anda nanti hendak menghitung sumbangan tiap aspek Var.655** 1 .000 160 Residu Model 1 df 1 58 59 Regression Residual Total Mean Square 5706.000a 140 120 a. Nah. Karena regresinya besar maka F-nya signifikan Kecemburuan S 60 80 100 120 140 Kesetiaan Wahyu Widhiarso | 2001 | wahyupsy@gmail. Tekan Menu Analyze Æ Correlate Æ Bivariate Test Of Sign. kalau nilai regresinya lebih tinggi daripada residunya. sedang yang masuk dalam garis titik-titik mengarah miring. dimana di dalam regresi ada kata ‘prediktor”. Independen thd Var.com SPSS Untuk Psikologi .837 14076. pilih dua ekor Output r = 0. (2-tailed) N KESETIAAN Pearson Correlation Sig. Di dalam regresi ada kata regresi dan residu. 80 itulah regresi. ANOVAb Sum of Squares 5706. itulah residu. Dari tabel Anareg di atas kelihatan.163 144. Tidak dapat menguji pengaruh. Dependen **. Lebih banyak di garis regresi dari pada di 40 dalam lingkaran residu. Pilih ekor yang kamu kehendaki. 31 31 SKALA KECANTIKAN Pearson Correlation Sig.000 . Correlation is significant at the 0.000 31 31 .655** . Hanya regresi yang bisa.308 F 39. 1.163 8369. Kesetiaan b. coba lihat paparan visual di bawah ini.29 Korelasi PRODUCT MOMMENT 1. Penjelasan tentang R2 Korelasi tidak menjelaskan sebab akibat. Kalau mengarah. misal di hipotesis mengatakan “Ada hubungan negatif atau positif”. serta mean dan standard deviasi. maka pilih 1 ekor. Sama juga dengan 60 tabel scater-nya. . Dependent Variable: Kecemburuan 100 yang termasuk dalam wilayah bulatan. Tidak ada kata prediktor dalam korelasi.

Predictors: (Constant). Dependent Variable: Kecemburuan 0 14076 Model Summary Adjusted R Square .163 . sekitar 40% subyek. = 40% a.30 Dari pemahaman ini saya mengajak anda melihat rumus ini.com SPSS Untuk Psikologi . 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.405 40% a. yang masuk dalam garis.395 Std.637a .163 8369.837 14076. Subyek inilah yang kecemburuan mereka berkaitan dengan kesetiaan.405 = 5706. Sedangkan 60% subyek lainnya. Kesetiaan 0 0 Penjelasan Tabel Dari tabel ini dapat diketahui. Error of the Estimate 12. Model 1 df 1 58 59 Regression Residual Total R2 =0.000 R2 = Regresi Total .01281 0 Model 1 R R Square . Kesetiaan b. ANOVA Sum of Squares 5706. Predictors: (Constant).

5 25. Secara statistik ini bisa dihilangkan.0 N = 36. Yaitu mereka yang memiliki Ekstrem value Wahyu Widhiarso | 2001 | wahyupsy@gmail.0 12.00 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 10.5 20. Misalnya dengan melihat nilai-nilai yang ekstrim.5 1 1 6 5 5 4 Std. Nilainya jauh dari rata-rata kebanyakan orang lain. subyek yang unik. Outliers : Nilai Ekstrim 1. Tekan Menu Analyze Æ Descriptive Æ Explore Æ Input Variabel Masukkan variabel yang hendak di identifikasi pada kolom ini Tekan Tekan kotak Statistics.14 Mean = 12.0 17. Tetapi hanya 5 subyek yang paling atas dan paling bawah saja yang ditampilkan.com SPSS Untuk Psikologi . Ini nih contoh visual bagi yang namanya outliers.31 Outliers Outliers adalah nama bagi subyek. Yang unik-unik ini kadang bisa mengacaukan.0 22. 16 15 14 13 12 11 10 9 8 7 5 4 3 2 1 0 7.0 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. Dev = 4. kemudian tekan kotak Outliers Pada display akan muncul subyek-subyek yang Teridentifikasi sebagai outliers.5 15. A. Ada juga cara yang lebih praktis.

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

19 -2.608 -1.053 Std. Deviation 3.000 Maximum 24.794 -39.41 4.947 .052 1.60 . 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…. Residual Stud.96 1.239 1.00 .41 -17.119 16.212 4.com SPSS Untuk Psikologi .091 1.68 -1.04 1.115 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 35.315 .322 1.000 .802 17.696 .03 21.507 9. 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. Deleted Residual Mahal. maka nilai korelasi kita bisa meningkat.631 -18.016 1.079 1. Distance Cook's Distance Centered Leverage Value a.50 .377 23.997 3. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Jika Ia dihapus.011 .094 .701 a Mean 19.973 1.037 10.000 2.20 -1.797 .Kembalilah pada Windows SPSS yang memuat daftar nomor subyek dan nilai subyek… Residuals Statistics Predicted Value Std.000 .33 Ini adalah contoh outputnya.90 .672 .535 74.345 25. Residual Deleted Residual Stud.927 11.320 10.000 1. Dependent Variable: nomor Minimum 13.

00000000 Ini nih ternyata ada Outliers pada data kita.26611 -1.. Masukkan data yang hendak diidentifikasi pada kotak variables Membuat Nilai Z Tekan kotak ini agar tiap variabel ada nilai Z-nya.51660 Mean . lagi-lagi subyek 35 sebagai outliers. Ini Outliers juga 1. Masak aku mecicili satu persatu tiap kotak kecil di SPSS untuk mencari nilai Z diatas 3.com SPSS Untuk Psikologi . Z nya 3. Coba tekan menu analyze Æ descriptive 2. Descriptive Statistics Zscore: Skala score: Skala Ngerump KecemburuanV N 38 38 Minimum -1.00000000 1.Menu Analyze Æ Descriptive Æ masukkan nilai Z ke kotak Variables Kotak Save Standard Value gak usah dihidupkan. “Jika dataku banyak.. Mataku Bisa Burem gara-gara Statistik!” (kata seorang teman) Ulangi cara di atas.34 C. Seperti bagan di kanan ini.19792 2...0000000 Std.0000000 . lha gimana nilai Z nya kok melebihi 3. Deviatio 1.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. Mana ada nilai Z di atas 3. Soalnya Keluarnya nilai Z nanti pada Windows Utama. Identifikasi Outliers Ini dia.46802 Maximum 3. Lalu kembalilah pada Windows SPSS utama. Kalau pengen cari ya.1979. Tekan OK. Lalu muncul output seperti ini. Subyek ini pasti ngerumpinya parah sekali.

Sign up to vote on this title
UsefulNot useful