Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSSPOSTED BY SAHID RAHARJO POSTED ON 08.45 WITH 12 COMMENTS

Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS | Selamat malam, jumpa

lagi dengan blog SPSS Indonesia. Sekedar mengingatkan bahwa setelah sobat mampu

mempraktekkan Uji Validitas dan Uji Reliabilitas terhadap angket penelitian, kini saatnya kita

berlatih lagi ketingkatan uji prasayarat analisis data yakni uji normalitas.

Jika dilihat dari kata dasarnya “normal” pasti sobat sudah mempuyai gambaran seperti apakah

kegunaan uji normalitas itu? Yaa benar sekali, uji normalitas bertujuan untuk menguji apakah

data penelitian yang dilakukan memiliki distribusi yang normal atau tidak.

Uji normalitas merupakan salah satu bagian dari uji persyaratan analisis data atau uji asumsi

klasik, artinya sebelum kita melakukan analisis yang sesugguhnya, data penelitian tersebut

harus di uji kernormalan distribusinya. Tentun sobat juga sudah tahu, kalau data yang baik itu

adalah data yang normal dalam pendistribusiannya.

Dasar pengambilan keputusan dalam uji normalitas yakni : jika nilai signifikansi lebih besar dari

0,05 maka data tersebut berdistribusi normal. Sebaliknya, jika nilai signifikansi lebih lebih dari

0,05 maka data tersebut tidak berdistribusi normal.

Sudah cukup jelas bukan penjelasan tentang uji normalitas di atas, selanjutnya kita masuk ke

bagian Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS. Sebagai contoh

saya mempuyai data Motivasi Belajar (X) dan Prestasi Belajar (Y), untuk datanya lihat gambar di

bawah ini.

Langkah-langkah Melakukan Uji Normalitas Kolmogorov-Smirnov dengan SPSS :

1. Langkah pertama adalah persiapkan data yang dingin di uji dalam file doc, excel, atau yang

lainnya untuk mempermudah tahapannya nanti.

2. Buka program SPSS pada komputer sobat. klik Variable View, dibagian pojok kiri bawah.

3. Selanjunya, pada bagian Name tulis saja Motivasi kemudian Prestasi, padaDecimals ubah

semua menjadi angka 0, pada bagian Label tuliskan Motivasi Belajar kemudian Prestasi belajar,

abaikan yang lainnnya.

4. Setelah itu, klik Data View, dan masukkan data Motivasi Belajar dan Prestasi Belajar yang

sudah dipersiapkan tadi, bisa dengan cara copy-paste.

5. Langkah selanjutnya, kita akan mengubah data tersebut ke dalam bentukunstandardized

residual, caranya adalah : dari menu SPSS pilih menu Analyze, kemudian klik Regression, dan

pilih Linear

6. Muncul kotak dialog dengan nama Linear Regression, selanjutnya masukkan variabel Prestasi

Belajar (Y) ke Dependent, masukkan variabel Motivasi Belajar (X) ke kotak Independent (s), lalu

klik Save

7. Akan mucul lagi kotak dialog dengan nama Linear Regression:save, pada bagian Residuals,

centang (V) Unstandardized (abaikan kolom yang lain), Selanjunya klik Continue, lalu klik OK,

maka akan muncul variabel baru dengan nama RES_1, abaikan saja output yang muncul dari

program SPSS.

8. Langkah selanjutnya, pilih menu Analyze, lalu pilih Non-parametric Test, klikLegaci Dialog,

kemudian pilih submenu 1-Sample K-S

9. Muncul kotak dialog lagi dengan nama One-Sampel Kolmogorov-Smirnov test, selanjutnya,

masukkan variabel Unstandardized Residuals ke kotak Test Variable List, pada Test

Distribution centang (V) Normal

10. Langkah terkahir yakni klik OK untuk mengakhiri perintah, Selanjutnya lihat tampilan

Outputnya, tinggal kita interprestasikan supaya lebih jelas.

Berdasarkan output di atas, diketahui bahwa nilai signifikansi sebesar 0,977 lebih besar dari

0,05, sehingga dapat disimpulkan bahwa data yang kita uji berdistribusi normal.

Bagaimana cukup jelas bukan, Cara Melakukan Uji Normalitas Kolmogorov-Smirnov dengan

SPSS, jika sobat teliti dan jeli saya yakin sobat dapat dengan mudah mempraktekkannya. Jika

sobat merasa tutorial di atas terlalu rumit atau bagaimana silahkan berkomentar? Rekomendasi

Artikel : Cara Melakukan Uji Linearitas dengan Program SPSS

Cara Melakukan Analisis Korelasi dengan SPSS

Cara Melakukan Analisis Korelasi dengan SPSS | Analisis korelasi atau asosiasi merupakan studi pembahasan tentang derajad keeratan hubungan antar variabel yang dinyatakan dengan koefisien korelasi. Hubungan antara variabel bebas (X) dan variabel terikat (Y) dapat bersifat :

Positif, artinya jika variabel bebas (X) naik, maka variabel terikat (Y) naik. Negatif, artinya jika variabel bebas (X) turun, maka variabel terikat (Y) turun.

Derajad hubungan biasanya dinyatakan dengan r, yang disebut dengan koefisien korelasi sampel yang merupakan penduga bagi koefisien populasi. Sedangkan r2 disebut dengan koefisien determinasi (koefisien penentu). Kekuatan korelasi linear antara variabel X dan veriabel Y disajikan dengan rxy didefinisikan dengan rumus :

Formula tersebut disebut formula koefisien korelasi momen produk (Product moment) Karl Pearson.

Arti Angka KorelasiKoefisien korelasi bernilai paling kecil -1 dan paling besar bernilai 1.

Berkenaan dengan besaran angka, jika 0, maka artinya tidak ada korelasi sama sekali dan jika korelasi 1 berarti korelasi sempurna hal ini berarti bahwa semakin mendekati 1 atau -1 maka hubungan antara dua variabel semakin kuat. Sebaliknya, jika r mendekati 0 berarti hubungan dua variabel semakin lemah. Sebenarnya jika tidak ketentuan yang tepat mengenai apakah angka korelasi tertentu menunjukkan tingkat korelasi yang tinggi atau lemah. Namun, hal ini dapat dijadikan pedoman sederhana, bahwa angka korelasi di atas 0,5 menunjukkan korelasi yang cukup kuat sedangkan di bawah 0,5 korelasi lemah.

Selain besarnya korelasi, tanda korelasi juga berpengaruh pada penafsiran hasil. Tanda negatif (-) pada output menunjukkan adanya arah yang berlawanan, sedangkan tanda positif (+) menunjukkan arah yang sama.

Mungkin sobat masih bingung dengan penjalasan di atas, karena bahasanya yang telalu formal. Baik kalau begitu disini saya mau sampaikan dasar pengambilan keputusan dalam analisis korelasi. Simak dibawah ini dengan seksama agar tidak salah.

Dasar Pengambilan KeputusanAda dua cara untuk pengambilan keputusan dalam analisis korelasi yakni dengan melihat nilai signifikansi dan tanda bintang yang diberiakan pada output program SPSS

Berdasarkan nilai Signifikansi : Jika nilai signifikansi < 0,05 maka terdapat korelasi, sebaliknya jika nilai signifikansi > 0,05 maka tidak terdapat korelasi.

Berdasarkan Tanda Bintang (*) yang diberikan SPSS : jika terdapat tanda bintang pada pearson correlation maka antara variabel yang di analisis terjadi korelasi, sebaliknya jika tidak terpadat tanda bintang pada pearson correlation maka antara variabel yang di analisis tidak terjadi korelasi.

Untuk lebih jelas, kita langsung praktekkan saja cara analisisnya, misalkan saya ingin menguji apakah ada hubungan yang signifikan antara Motivasi, Minat, dan Prestasi. Adapun data detailnya lihat di bawah ini.

Langkah-langkah Analisis Korelasi dengan SPSS versi 211. Buka program SPSS, klik Variable View, Selanjutnya, pada bagian Name tulis saja X1, X2 dan Y, pada Decimals ubah semua menjadi angka 0, pada bagian Label tuliskan Motivasi, Minat ,dam Prestasi.

2. Setelah itu, klik Data View, dan masukkan data Motivasi, Minat dan Prestasi yang sudah dipersiapkan tadi.

3. Selanjutnya, dari menu utama SPSS, pilih menu Analyze, klik Correlate, dan klik Bivariate

4. Muncul kotak dialog dengan nama Bivariate Correlations, Masukkan variabel Motivasi (X1) dan Minat (X2) dan Prestasi (Y) pada kotak Variables, selanjutnya, pada kolom Correlation Coefficient, pilih Pearson, lalu untuk kolom Test of Significant, Pilih Two-tailed, dan centang pada Flag Significant Correlations, terakhir klik Ok untuk mengakhiri perintah.

Setelah selasai, maka akan muncul tampilan output SPSS tinggal kita interprestasikan saja.

Berdasarkan output di atas, kita akan melakukan pernarikan kesimpulan dengan merujuk pada dasar pengambilann keputusan uji korelasi.

Berdasarkan Nilai Signifikansi : dari output di atas diketahui antara Motivasi (X1) dengan Minat (X2) nilai signifikansi 0,002 < 0,05 yang berarti terdapat korelasi yang signifikan. Selanjutnya, antara Motivasi (X1) dengan Prestasi (Y) nilai signifikansi 0,002 < 0,05 yang berarti terdapat korelasi yang signifikan. Terakhir, antara Minat (X2) dengan Prestasi (Y) nilai signifikansi 0,000 < 0,05 yang berarti terdapat korelasi yang signifikan.

Berdasarkan Tanda Bintang SPSS : Dari output di atas diketahui bahwa Nilai Pearson Correlation yang dihubungkan antara masing-masing variabel mempunyai tanda bintang, ini berarti terdapat korelasi yang signifikan antara varibel yang dihubungkan.

Langkah Uji Korelasi Product Moment SPSS19:05 – by said hudri0 

Pada Artikel sebelumnya telah dibahas mengenai uji statistik aplikasiproduct moment dengan

cara manual, hitung biasa, nah pada kesempatan kali ini akan dibahas mengenai langkah-langkah

dengan gambar contoh uji aplikasi product moment dengan software SPSS 12. Untuk memudahkan

sebaiknya silakan ambil data / copy pada artikel product moment tadi. 

1. Masukkan data, melui menu Data View, kemudian Klik Variable Viewuntuk memberi nama pada

variabel penelitian 

2. Klik Analyze 

3. Klik Correlate 

4. Klik Bivariate

  

5. Klik Variabel X dan Y untuk dipindahkan ke kolom Variables

  

http://lh5.ggpht.com/-2eg-CAe5BvM/UW_l_M01I2I/AAAAAAAADlg/W8AM6qGA9c8/s1600-h/clip_image004%255B3%255D.jpg

6. Klik Oke Options, Klik Continue

  

7. Klik Oke akan didapatkan angka korelasinya, hasilnya 0,684 

KORELASI PRODUCT MOMENT PEARSON

DEC 23

Posted by hendry

A. Pendahuluan

Analisis korelasi digunakan untuk menjelaskan kekuatan dan arah hubungan antara

dua variabel. Korelasi bersifat undirectional yang artinya tidak ada yang ditempatkan

sebagai predictor dan respon (IV dan DV).

Angka korelasi berkisar antara  -1 s/d +1. Semakin mendekati 1 maka korelasi

semakin mendekati sempurna. Sementara nilai negative dan positif mengindikasikan

arah hubungan. Arah hubungan yang positif menandakan bahwa pola hubungan

searah atau semakin tinggi A menyebabkan kenaikan pula B (A dan B ditempatkan

sebagai variabel)

Interprestasi angka korelasi menurut Prof. Sugiyono (2007)

0          –           0,199   : Sangat lemah

0,20     –           0,399   : Lemah

0,40     –           0,599   : Sedang

0,60     –           0,799   : Kuat

0,80     –           1,0       : Sangat kuat

Dalam Bivariate model, korelasi yang umum digunakan adalah Pearson, Kendall, dan

Rank Spearman, namun yang dibahas kali ini adalah Pearson r Correlation aja..

Pearson r correlation:

Pearson r correlation biasa digunakan untuk mengetahui hubungan pada dua

variabel. Korelasi dengan Pearson ini mensyaratkan data berdistribusi normal.

Rumus yang digunakan adalah sebagai berikut :

B. Contoh Kasus

Pak Ali ingin mengetahui apakah ada hubungan antara pengawasan (Control),

kepuasan kerja (Job Satisfaction), Disiplin kerja (discipline), dan kinerja

(Performance). data dapat diambilCONTOH DATA KORELASI

Jumlah data 37.

Instrumen : angket

C. Penyelesaian Kasus dengan SPSS:

Langkah 1. Pada menu Analyze pilih “correlate bivariate” . Setelah itu akan ada

tampilan sbb:

Langkah 2.

Masukkan variabel yang akan dikorelasikan ke dalam variable list.

Click on “option” and select “descriptive statistics”, abaikan yang lain lalu klik “OK”

Interprestasi

Arti angka Korelasi

1.      Control – Performance. Nilai korelasi adalah positif 0.668. Besaran angka

korelasi menunjukkan bahwa korelasi antara Control dan Performance berada dalam

kategori “Kuat”, sementara nilai positif mengindikasikan pola hubungan antara

Control dengan Performance adalah searah (semakin tinggi Control maka semakin

tinggi pula Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan

bahwa hubungan yang terjadi adalah signifikan.

2.      Job Satisfaction – Performance. Nilai korelasi adalah positif 0.772. Besaran

angka korelasi menunjukkan bahwa korelasi antara Job satisfaction dan Performance

berada dalam kategori “Kuat”, sementara nilai positif mengindikasikan pola

hubungan antara adalah searah (semakin tinggi Job Sat maka semakin tinggi pula

Performance). Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa

hubungan yang terjadi adalah signifikan.

3.      Dicipline – Performance. Nilai korelasi adalah positif 0.749. Besaran angka

korelasi menunjukkan bahwa korelasi antara Dicipline dan Performance berada

dalam kategori “Kuat”, sementara nilai positif mengindikasikan pola hubungan

antara dicipline dengan Performance adalah searah (semakin tinggi Control maka

semakin tinggi pula Performance). Perolehan p hitung = 0.000 < 0.05 yang

menandakan bahwa hubungan yang terjadi adalah signifikan.

 

Buku Rujukan : Prof. Dr. Sugiyono. Metode Penelitian Administasi. Bandung : Alfabeta

Koefisien Determinasi pada Regresi LinearKoefisien determinasi pada regresi linear sering diartikan sebagai seberapa besar kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya. Secara sederhana koefisien determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (R). Sebagai contoh, jika nilai R adalah sebesar 0,80 maka koefisien determinasi (R Square) adalah sebesar 0,80 x 0,80 = 0,64. Berarti kemampuan variabel bebas dalam menjelaskan varians dari variabel terikatnya adalah sebesar 64,0%. Berarti terdapat 36% (100%-64%) varians variabel terikat yang dijelaskan oleh faktor lain. Berdasarkan interpretasi tersebut, maka tampak bahwa nilai R Square adalah antara 0 sampai dengan 1.

Penggunakan R Square (R Kuadrat) sering menimbulkan permasalahan, yaitu bahwa nilainya akan selalu meningkat dengan adanya penambahan variabel bebas dalam suatu model. Hal ini akan menimbulkan bias, karena jika ingin memperoleh model dengan R tinggi, seorang penelitian dapat dengan sembarangan menambahkan variabel bebas dan nilai R akan meningkat, tidak tergantung apakah variabel bebas tambahan itu berhubungan dengan variabel terikat atau tidak.

Oleh karena itu, banyak peneliti yang menyarankan untuk menggunakan Adjusted R Square. Interpretasinya sama dengan R Square, akan tetapi nilai Adjusted R Square dapat naik atau turun dengan adanya penambahan variabel baru, tergantung dari korelasi antara variabel bebas tambahan tersebut dengan variabel terikatnya. Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya negatif, maka nilai tersebut dianggap 0, atau variabel bebas sama sekali tidak mampu menjelaskan varians dari variabel terikatnya.