Tutorial Cara Download File dari Google Drive

Dalam artikel sebelumnya telah kita sampaikan bahwa jika menginginkan file yang dipergunakan dalam simulasi di blog ini dapat di download di Google Drive secara gratis. Berbeda dengan layanan penyimpanan atau berbagi file yang lain yang biasanya menyertakan iklan, Google Drive sama sekali tidak memuat iklan di sana. Kita dapat melakukan download atau pun upload file secara gratis dan tidak ada iklan sama sekali. Kapasitasnya pun juga lumayan besar yaitu 15 GB per akun. Dan jika ingin lebih dapat menggunakan premium dan meng upgrade menjadi 100 GB dengan biaya tertentu. Akan tetapi sebenarnya 15 GB sudah cukup banyak. Dan jika diperlukan lagi, kita bisa membuat akun baru dan mendapatkan 15 GB lagi.

Untuk mendapatkan media penyimpanan tersebut sangat mudah. Bahkan jika kita punya akun G Mail, maka otomatis layanan Google Drive akan diberikan. Hanya mungkin dipergunakan atau tidak. Layanan ini juga dapat diakses dengan SmartPhone Anda, terutama yang berbasis Android. Anda dapat menyimpan foto atau video Anda di G Drive untuk menghemat kapasitas SmartPhone Anda. Selain itu, Anda juga bisa mempunyai beberapa akun G Drive dalam satu SmartPhone. Jadi sebenarnya kita tidak perlu menggunakan MMC atau media penyimpanan eksternal lain karena media G Drive jauh lebih memudahkan pekerjaan atau penyimpanan file kita.

Bagaimana cara mendownload file dari blog ini? Sangat mudah. Suatu saat bila Anda mendapati artikel dan ingin mendapatkan file yang dipergunakan untuk simulasi, maka bisa melihat keterangan yang ada di artikel, misalnya seperti ini:

Link file yang akan didownload

Anda tinggal meng klik link seperti pada gambar di atas, sehingga Anda akan diarahkan ke halaman utama G Drive yaitu seperti ini:

Halaman Utama Googel Drive

Anda tinggal mengklik untuk melakukan download. Tetapi pastikan bahwa Akun GMail Anda telah aktif dan tidak menggunakan akun orang lain. Untuk memastikan, lihat di tampilan Google Anda lalu klik pada kanan atas seperti gambar di bawah ini:

Melihat Akun Google yang aktif

Maka akan tampak akun google yang aktif. Pastikan bahwa itu akun Anda. Setelah di klik pada file yang akan di download, maka otomatis akan mendownload seperti biasa.

Progress download di kiri bawah

Progress download dapat Anda lihat di kiri bawah layar monitor Anda. Setelah itu tinggal klik seperti biasa untuk membuka file, atau melihatnya di folder untuk Anda copas atau pindah di folder lain. Jika Anda belum berhasil, kemungkinan Akun Anda belum aktif, misalnya Anda menggunakan komputer atau laptop bersamaan dengan orang lain, kadang akun G Mail yang aktif bukan milik Anda tetapi milik orang lain.

Share:

Uji Wald-Wolfowitz dengan SPSS Versi 26

Uji Wald-Wolfowitz adalah uji beda untuk dua sampel yang tidak berkorelasi pada statistik parametrik. Uji yang sejenis misalnya Mann-Whitney U Test, Kolmogorov-Smirnov atau pun Median Test. Uji ini sebenarnya merupakan perluasan dari uji run atau run test pada satu sampel non parametrik. Apa dan bagaimana penggunaannya? Mari kita bahas bersama

Daftar isi

  1. Uji Dua Sampel tidak Berkorelasi
  2. Statistik Non Parametrik
  3. Uji beda dua sampel tidak berkorelasi pada Statistik Non Parametrik
  4. Uji Wald-Wolfowitz
  5. Simulasi Uji Wald-Wolfowitz dengan SPSS Versi 26
  6. Kesimpulan

Uji Dua Sampel Tidak Berkorelasi

Seorang peneliti bisa berhadapan dengan dua buah kelompok atau sampel data atau grup yang tidak berasal dari populasi yang sama bahkan mempunyai jumlah atau anggota sampel yang berbeda. Misalnya kita ingin mengetahui preferensi suatu merek elektronik tertentu antara kelompok mahasiswa dengan pelajar, atau antara profesi A dengan profesi B. Kedua kelompok sampel tersebut tidak berkorelasi, sehingga diperlukan metode-metode khusus.

Metode independent test sudah sering kita jumpai dalam berbagai penelitian. Metode ini dikembangkan untuk melihat perbedaan (atau persamaan) di antara dua sampel yang tidak berkorelasi. Kita bisa menggunakan beberapa acuan, misalnya nilai median, atau ranking atau acuan yang lain. 


Statistik Non Parametrik

Pada statistik parametrik, maka harus ada beberapa asumsi, misalnya normalitas dan juga skala pengukuran juga harus interval atau rasio. Pada kenyataannya banyak data penelitian yang tidak berskala itu, misalnya nominal atau ordinal atau tidak mampu memenuhi asumsi atau prasyarat pada statistik parametrik. Oleh karena itu, statistik non parametrik menjadi sangat penting ketika kita bekerja dengan data berskala nominal atau ordinal.

Sebagai contoh adalah data yang berbentuk biner, atau data yang berkala ordinal. Beberapa metode statistik non parametrik untuk dua sampel yang tidak berhubungan justru lebih banyak dari pada metode statistik parametrik untuk dua sampel yang tidak berhubungan. Beberapa di antaranya kita bahas bersama di artikel ini.


Uji Beda Dua Sampel Tidak Berkorelasi pada Statistik Non Parametrik

Ada beberapa uji beda dua sampel yang tidak berkorelasi pada statistik non parametrik. Uji tersebut misalnya Mann-Whitney U Test, Kolmogorov-Smirnov, Median Test dan yang akan kita bahas pada artikel kali ini adalah Uji Wald-Wolfowitz. Masing-masing uji mempunyai perbedaan dan karakteristik sendiri-sendiri. Untuk selengkapnya silahkan visit di artikel tentang uji beda dua sampel yang tidak berkorelasi pada statistik non parametrik.


Uji Wald-Wolfowitz

Wald-Wolfowitz sebenarnya adalah nama dua orang ahli statistik yaitu Abraham Wald dan Jacob Wolfowitz. Abraham Wald adalah seorang Yahudi berkebangsaan Hongaria yang hidup antara 31 Oktober 1902 sampai dengan 13 Desember 1950. Beliau mempunyai kontribusi besar dalam teori pengambilan keputusan, geometri dan bahkan ekonometrika. Sedangkan Jacob Wolfowitz adalah seorang Yahudi berkebangsaan Polandia yang hidup pada 19 Maret 1910 sampai dengan 16 Juli 1981. Keduanya banyak bekerja sama di bidang matematika dan salah satu warisannya adalah uji Wald-Wolfowitz.

Uji Wald-Wolfowitz sebenarnya adalah perluasan dari Run Test. Run Test (uji run) adalah uji satu sampel pada statistik non parametrik. Konsep dasar dari run test adalah menghitung ada berapa perubahan atau 'runs' pada suatu distribusi data. Run dinyatakan dengan adanya perubahan atau perbedaan pada urutan data. Nilai run tersebut lalu dikonsultasikan pada tabel run, di mana jika lebih besar (atau lebih kecil) dari nilai tabel maka peneliti dapat memberikan justifikasi apakah distribusi data tersebut random atau tidak. Uji run selengkapnya dapat Anda simak di artikel ini.

Untuk uji Wald-Wolfowitz juga menggunakan dasar yang sama. Karena ada dua sampel, maka disusun secara berturutan, misalnya dari nilai rendah ke tinggi. Dua sampel tersebut dijadikan satu secara ranking atau urut dari kecil sehingga menjadi 1 distribusi data saja, dan di kolom sebelahnya diberikan kode kelompok, dari kelompok 1 atau kelompok 2. Setelah itu, setiap ada perubahan kelompok, berarti ada 1 run, demikian seterusnya sampai nilai terbesar.

Misalnya ada data A : 3, 5, 7 dan 2 dan data B: 4, 1, dan 8
Maka kita susun menjadi satu baris secara urut: 1, 2, 3, 4, 5, 7 dan 8. Lalu kita hitung Run. Yang pertama dari 1 pada B diikuti 2 dari A, maka ada 1 run. Setelah itu dari 2 ke 3 tidak ada run karena sama-sama berasal dari A. Setelah itu 3 ke 4 ada lagi 1 run karena dari A ke B demikian seterusnya.

Setelah itu tinggal dihitung jumlah runs lalu dikonsultasikan dengan tabel runs, apakah ada perbedaan atau tidak. Adapun persamaan umumnya adalah sebagai berikut:
Rumus Wald-Wolfowitz
Rumus Wald-Wolfowitz
Dengan N adalah jumlah Runs.

Simulasi Uji Wald-Wolfowitz dengan SPSS Versi 26

Untuk simulasi uji Wald-Wolfowtz kita menggunakan data yang ada di sini. Silahkan didownload dengan akun Gmail Anda. Itu adalah data simulasi saja dari 20 yang terbagi dalam kelompok 1 dan kelompok 2. 
Menu Wald-Wolfowitz dalam SPSS Versi 26
Menu Wald-Wolfowitz dalam SPSS Versi 26

Pilih Analyze, lalu pilih Nonparametric Tests, pilih Legacy Dialogs dan klik pada 2 Independent Samples. Lalu kita akan diarahkan ke Menu Uji dua sampel tidak berkorelasi pada statistik non parametrik sebagai berikut:
Menu 2 Independent Samples
Menu 2 Independent Samples
Masukkan variabel ke Test Variable List dan berikan tanda centang pada Wald-Wolfowitz runs seperti pada gambar di atas. Setelah itu klik pada Define Groups untuk menentukan grup 1 (Tepat) dan 2 (Terlambat) seperti pada gambar di bawah:
Mendefinisikan Grup
Mendefinisikan Grup
Setelah itu klik Continue lalu Klik lagi OK sehingga akan keluar output sebagai berikut:
Output Frekuensi
Output Frekuensi
Tampak bahwa terdapta 9 sampel yang tepat dan 11 sampel yang  terlambat. Ini hanya simulasi data saja di mana total sampel adalah 20. Setelah itu output yang berikutnya adalah: 
Output Wald-Wolfowitz
Output Wald-Wolfowitz
Jumlah run dapat dilihat pada kolom Number of Runs dan nilai Wald pada kolom Z. Tampak bahw nilai Signifikansi pada kedua kemungkinan adalah sebesar 0,255 dan 0,605. Keduanya masih di atas 0,05 yang berarti bahwa tidak terdapat perbedaan antara kedua kelompok 1 dan 2 atau Tepat dan Terlambat.


Kesimpulan

Dari berbagai metode yang ada, semuanya mempunyai karakteristik sendiri. Wald-Wolfowitz menggunakan data ordinal tetapi tidak bisa digunakan untuk data biner. Untuk skala interval juga bisa jika diasumsikan sebagai ordinal karena tidak memenuhi asumsi normalitas. Akan tetapi memang banyak yang beranggapan bahwa metode Kolmogorov-Smirnov lebih efektif dibandingkan metode Wald-Wolfowitz.
Share:

Uji Normalitas pada Analisis Regresi Linier Berganda dengan SPSS Versi 26

Uji normalitas adalah untuk melihat apakah suatu data terdistribusi normal atau tidak. Beberapa uji statistik, terutama statistik parametrik mensyaratkan adanya normalitas pada data yang akan diuji. Artikel ini akan fokus pada uji normalitas pada analisis regresi linier berganda dengan alat bantu berupa program SPSS Versi 26. Apa dan bagaimana uji normalitas pada analisis regresi linier? Mari kita bahas bersama.

Daftar Isi

  1. Normalitas Data
  2. Statistik parametrik
  3. Analisis regresi linier berganda
  4. Nilai residual pada analisis regresi linier berganda
  5. Berbagai uji normalitas pada analisis regresi linier berganda
  6. Histogram
  7. Normal P Plot
  8. Uji Lillieffors
  9. Uji Shapiro Wilks
  10. Skewness dan Kurtosis
  11. Jarque Berra
  12. Kesimpulan

Normalitas Data
Suatu data dinyatakan normal jika diplotkan akan menyerupai bentuk lonceng. Jika normal baku maka akan mempunyai nilai rata-rata mendekati nol dan simpangan baku mendekati 1. Terminologi normal untuk data sudah ada sejak abad 18 dengan banyak para tokoh yang memberikan jasa, di antaranya Abraham de Moivre, Pierre Simon de Laplace, Legendre, Johann Carl Friedrich Gauß, Francis Galton dan masih banyak lagi. Metode yang dipergunakan juga sangat banyak dan bervariasi. Dalam artikel ini kita akan menekankan pada uji normalitas pada analisis regresi linier berganda. Untuk kajian normalitas secara lebih luas, bisa disimak di artikel normalitas.


Statistik Parametrik
Statistik parametrik adalah alat uji statistik yang dikenakan pada data berskala interval atau rasio dan memenuhi syarat-syarat tertentu. Kondisi atau syarat-syarat uji parametrik salah satunya adalah normalitas. Jika suatu data tidak memenuhi asumsi normalitas, maka tidak bisa dikenai statistik parametrik (tentunya asumsi parametrik yang lain juga memenuhi). Untuk analisis regresi linier berganda termasuk statistik parametrik sehingga harus memenuhi asumsi normalitas. Lebih jauh tentang statistik parametrik, silahkan visit di artikel tentang statistik parametrik.


Analisis Regresi Linier Berganda
Analisis regresi linier berganda adalah metode analisis statistik untuk mencari pengaruh dari beberapa variabel bebas terhadap satu buah variabel terikat. Jika hanya ada satu variabel bebas, sering disebut dengan analisis regresi linier sederhana. Metode statistik ini sangat populer dipergunakan untuk mahasiswa yang sedang menempuh tugas akhirnya atau skripsi. Banyak juga alat bantu atau software yang mempermudah melakukan analisis regresi linier. Bahkan di Microsoft Excel pun sudah tersedia menu ini.

Analisis regresi linier berganda merupakan statistik parametrik sehingga memerlukan asumsi normalitas, di samping berbagai asumsi lain yang termasuk dalam uji asumsi klasik. Terpenting dari uji normalitas dalam analisis regresi linier berganda adalah bahwa uji normalitas dilakukan terhadap nilai residualnya, bukan pada masing-masing variabel dalam penelitian. Apakah tidak boleh melakukan uji normalitas pada masing-masing variabel? Tentu saja boleh, tetapi itu bukan uji normalitas yang diperlukan dalam analisis regresi linier berganda. Jadi analisis regresi linier bisa dilakukan meskipun ada salah satu atau lebih variabel yang tidak terdistribusi secara normal. Acuannya adalah nilai residual. 


Nilai Residual pada analisis regresi linier berganda
Residual pada regresi linier adalah selisih antara nilai sebenarnya dengan nilai prediksi. Sebagai contoh, nilai variabel terikat pada sampel 01 adalah sebesar 10, tetapi hasil prediksi dari persamaan regresi yang dihasilkan adalah sebesar 9. Maka dapat dinyatakan bahwa nilai residual adalah sebesar 1 atau selisih dari 10 dengan 9. Nilai residual bisa positif dan bisa juga negatif. Karena menggunakan metode kuadrat terkecil maka nilai residual pasti 0. Jika tidak 0 berarti ada yang salah perhitungannya. 

Nilai residual inilah yang harus normal. Jika nilai residual tidak terdistribusi secara normal, maka hasil regresi akan terdegradasi dan tidak boleh dipergunakan. Modifikasi atau transformasi tentu bisa dilakukan kepada variabel-variabel yang ada. Bisa ditransformasikan atau dikeluarkan data yang outliers atau menambah data, mengurangi data, menghilangkan variabel dan lain-lain. Diskusi tentang nilai residual lebih lanjut silahkan visit di sini.


Berbagai Uji Normalitas pada Analisis Regresi Linier Berganda
Ada banyak sekali uji normalitas yang sudah tersedia di SPSS Versi 26 untuk menguji normalitas pada analisis regresi linier berganda. Semuanya mempunyai karakteristik masing-masing dan dapat dipilih oleh peneliti. Bisa menggunakan metode grafis, misalnya dengan histogram atau normal P Plot. Ada juga yang menggunakan metode statistik seperti Liliefors, Sharpiro-Wilks, Skewness dan Kurtosis atau pun Jarque Berra. Mari kita pelajari bersama satu persatu.

Untuk data yang dipergunakan silahkan download di Google Drive dengan akun Gmail Anda. Setelah itu pilih Analyze, pilih Regression lalu klik pada Linear seperti pada gambar di bawah:
Menu Regresi Linier pada SPSS Versi 26

Maka akan diarahkan ke menu regresi oleh SPSS. Masukkan variabel DAC ke Dependent dan variabel yang lain ke Independents seperti pada gambar di bawah. 
Memasukkan Variabel

Setelah itu klik pada Plots di kanan atas sehingga akan diarahkan ke sub menu sebagai berikut:
Memberikan Tanda Centang pada Standardized Residual Plots

Berikan tanda centang pada Histogram dan Normal probability plot seperti pada gambar di atas. Setelah itu klik Continue maka akan kembali ke gambar sebelumnya dan klik Save di kanan atas di bawah Plots sehingga akan masuk ke sub menu yang lain yaitu sebagai berikut:
Memberikan Tanda Centang pada Unstandardized
Berikan tanda centang pada Unstandardized seperti pada gambar di atas. Lalu klik Continue lalu klik OK sehingga akan keluar output dan juga variabel baru di SPSS.
Variabel Baru yaitu Residual (Res_1)
Nilai Residual ini lah yang akan diuji normalitasnya, bukan masing-masing variabel bebas atau terikat. Berikut penjelasan lebih rinci tentang residual pada regresi linier. Berikutnya akan kita uji normalitasnya dengan berbagai metode yang ada dan lazim dipergunakan.


Histogram
Metode histogram sering dipergunakan dalam uji normalitas. Merupakan metode grafis sehingga lebih mudah dilihat meskipun kadang menimbulkan perdebatan di antara para pengamatnya. Metode ini keluar karena kita memberikan tanda centang pada Histogram pada Sub Menu Plots di atas.
Uji Normalitas Histogram
Model regresi linier dinyataka memenuhi asumsi normalitas jika plot histogram menyerupai bentuk lonceng. Gambar di atas tampak bahwa ada nilai yang terlalu jauh menyimpang di bagian kanan. Ini menunjukkan bahwa model tidak memenuhi asumsi normalitas. Asumsi normalitas terpenuhi jika hasil histogram adalah menyerupai bentuk lonceng dengan sisi kanan dan kiri relatif sama dan kebanyakan nilai mengumpul di tengah.

Normal P Plot
Normal P Plot juga merupakan uji normalitas dengan diagram. Output ini akan muncul ketika kita memberikan tanda centang pada Normal probability plot seperti pada gambar di atas pada sub menu Plot.
Uji Normalitas dengan P Plot
Model dinyatakan memenuhi asumsi normalitas jika P Plot titik pada grafik mendekati sumbu diagonal pada grafis. Gambar di atas tampak bahwa titik-titik cenderung membentuk huruf S pada sumbu diagonalnya. Hasil ini selaras dengan pengujian histogram yang menyatakan bahwa model tidak memenuhi asumsi normalitas.

Kedua pengujian di atas adalah dengan metode grafis. Sedangkan beberapa metode di bawah adalah menggunakan metode perhitungan secara statistik.


Uji Lilliefors
Metode Lilliefors menggunakan metode Kolmogorov-Smirnov yang merupakan uji satu sampel untuk statistik non parametrik. Konsep dasarnya adalah membandingkan distribusi data yang akan diuji normalitasnya dengan normalitas baku. Jika ada perbedaan berarti data tersebut dinyatakan tidak normal, demikian sebaliknya, jika tidak terdapat perbedaan maka data dinyatakan normal.

Pilih Analyze, pilih Descriptive Statistics lalu klik pada Explore seperti pada gambar di bawah:
Menu Explore pada SPSS Versi 26
Maka kita akan masuk ke menu Explore dan masukkan variabel Residual ke box Dependent Lists lalu klik Plots di kanan atas seperti pada gambar di bawah:
Memasukkan Variabel
Kita akan diarahkan ke sub menu lagi dan berikan tanda centang pada Normal plots with tests seperti pada gambar di bawah:
Sub Menu Uji Normalitas
Lalu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Uji Normalitas denga Lilliefors
Hasil di atas memberikan nilai Signifikansi sebesar 0,00 < 0,05 yang berarti ada perbedaan yang signifikan dengan distribusi normal baku. Kesimpulannya adalah bahwa nilai residual tidak normal dan asumsi normalitas pada regresi linier tidak terpenuhi. Hasil ini sesuai dengan hasil yang diberikan dengan pengujian grafis sebelumnya.

Metode ini bahkan latah disebut Uji Kolmogorov-Smirnov karena memang dikembangkan oleh Kolmogorov dan Smirnov. Jadi metode ini juga bisa dilakukan dengan menu Non parametric atau selengkapnya silahkan simak di sini.


Uji Shapiro-Wilks
Uji Shapiro-Wilks menggunakan menu yang sama dengan uji Lilliefors, bahkan outputnya juga berdampingan seperti pada gambar di atas. Dengan konsep yang sama maka output signifikansi adalah sebesar 0,00 < 0,05 sehingga dinyatakan bahwa model regresi linier tidak memenuhi asumsi normalitas. Hasil ini konsisten dengan hasil pengujian yang sebelumnya. Artikel selengkapnya tentang uji normalitas dengan Shapiro-Wilks kami tampilkan di sini.


Skewness dan Kurtosis
Metode Skewness dan Kurtosis juga sering disebut dengan kemencengan data. Nilai Skewness (S) dan Kurtosis (K) bisa diperoleh dengan SPSS Versi 26, tetapi nilai Z nya harus dihitung sendiri dengan persamaan sebagai berikut:
Rumus Z untuk Skewness dan Kurtosis
Dengan N adalah jumlah sampel. Untuk mencari nilai S dan K, kita bisa menggunakan Analyze, lalu pilih Descriptive Statistics lalu klik pada Descriptives seperti pada gambar di bawah:
Menu Analisis Deskriptif pada SPSS Versi 26
Maka kita akan diarahkan ke menu analisis deskriptif
Memasukkan Variabel Residual
Masukkan variabel residual ke Box Variable(s) lalu klik pada Options di kanan atas sehingga akan masuk ke sub menu berikut:
Menu Skewness dan Kurtosis
Berikan tanda centang pada Kurtosis dan Skewness seperti pada gambar di atas lalu klik Continue lalu klik OK dan akan keluar output sebagai berikut:
Output Kurtosis dan Skewness
Nilai Skewness adalah sebesar 3,988 dan Kurtosis adalah sebesar 18,346 dan N adalah sebanyak 108. Jika di masukkan ke dalam persamaan di atas maka diperoleh nilai Z Skewness = 16,9197 dan Z Kurtosis = 38,9178. Keduanya jauh di atas 1,96 yang berarti tidak normal. Hasil ini juga sesuai dengan hasil perhitungan sebelumnya. Untuk artikel dan video lebih lengkap kami tampilkan di sini.

Jarque Berra
Jarque Berra (JB) adalah pengembangan dari Skewness dan Kurtosis karena memang menggunakan kedua nilai tersebut dengan persamaan sebagai berikut:
Rumus Jarque Berra
Dengan N adalah jumlah data maka kita dengan mudah menghitung nilai JB dan membandingkannya dengan nilai Chi Square pada df 2 dengan signifikansi 5% yaitu sebesar 5,99. Dengan menggunakan nilai S dan K yang telah diketahui di atas maka diperoleh nilai JB adalah sebesar = 1346,02 yang jelas jauh di atas 5,99. Berarti tidak memenuhi asumsi normalitas dan sesuai dengan hasil pengujian sebelumnya. Sebagai catatan, banyak yang menyarankan JB digunakan untuk sampel yang besar, bukan untuk sampel kecil.


Kesimpulan

Perlu ditegaskan sekali lagi bahwa asumsi normalitas pada regresi linier adalah pada nilai residualnya, bukan pada masing-masing variabel. Sebenarnya sudah sangat jelas.

Share:

Uji Validitas dan Reliabilitas Kuesioner dengan SPSS Versi 26

Uji validitas dan relibilitas sangat diperlukan jika seorang peneliti menggunakan rangkaian kuesioer sebagai alat untuk mengumpulkan data. Uji validitas dan reliabilitas diperlukan untuk menjamin bahwa rangkaian kuesioner yang diperlukan layak dipergunakan sebagai alat untuk mengumpulkan data. Contoh yang sering dipergunakan dalam blog ini adalah bahwa timbangan tidak valid dipergunakan untuk mengukur tinggi badan, demikian sebaliknya meteran tidak valid dipergunakan untuk mengukur berat badan seseorang. Ini contoh sederhana saja agar dapat dipahami dengan mudah dan sederhana. Reliabilitas dilakukan untuk memastikan bahwa suatu rangkaian kuesioner jika dipergunakan di lain waktu akan memberikan hasil yang kurang lebih serupa dengan hasil pengukuran yang telah dilakukan.

Untuk lebih mendalami lagi tentang uji validitas dan reliabilitas serta penggunaannya dengan SPSS Versi 26 mari kita simak bersama artikel berikut.

Daftar Isi

  1. Uji validitas
  2. Uji reliabilitas
  3. Simulasi uji validitas dan reliabilitas dengan SPSS Versi 26
  4. Apa yang terjadi jika kuesioner tidak valid dan tidak reliabel
  5. Kesimpulan
Uji Validitas
Ilmu sosial banyak bekerja dengan variabel yang sifatnya abstrak atau tidak bisa diukur secara langsung. Ketika berkaitan dengan luas, tinggi, panas atau variabel sejenis, maka peneliti akan dengan mudah mengukur secara langsung. Meteran untuk mengukur panjang atau tinggi, timbangan untuk mengukur berat, termometer untuk mengukur suhu dan sebagainya.

Ketika peneliti harus mengukur motivasi seseorang, maka belum ada alat ukur yang dapat mengukur motivasi seseorang secara langsung. Demikian juga dengan variabel seperti kepuasan, minat, kepercayaan, rasa tidak aman dan variabel sejenis. Oleh karena itu, peneliti harus mempunyai suatu rangkaian alat ukur yang mampu mengukur variabel-variabel abstrak seperti itu.

Uji validitas adalah uji untuk menentukan apakah suatu rangkaian kuesioner dapat dipergunakan sebagai alat ukur dari variabel yang ingin diukur. Definisi ini secara umum dan banyak sekali definisi tentang uji validitas. Sebagai contoh, apakah jumlah anak valid dalam mengukur tingkat sosial sebuah keluarga? Atau apakah luasan bangunan berkaitan erat dengan kekayaan seseorang?

Harus ada logika yang masuk akal antara sebuah pertanyaan dengan variabel yang akan diukur. Selain itu, peneliti juga harus menentukan apakah sebuah pertanyaan valid dalam mengukur variabel atau konstruk yang akan diukur. 

Uji Reliabilitas
Di sisi lain, suatu alat ukur haruslah bisa memberikan hasil ukur yang relatif sama ketika dipergunakan di waktu lain atau dipergunakan untuk mengukur objek atau subjek yang lain. Di sinilah diperlukan uji reliabilitas terhadap suatu rangkaian kuesioner. Uji reliabilitas adalah untuk menentukan apakah rangkaian kuesioner tersebut memberikan hasil yang kurang lebih sama jika dipergunakan untuk mengukur suatu objek atau subjek yang sama di lain waktu.

Simulasi uji validitas dan reliabilitas dengan SPSS Versi 26
Untuk melakukan uji validitas dan reliabilitas dengan SPSS Versi 26, kita bisa menggunakan file yang ada di sini. File tersebut dalam SPSS Versi 26 dan berisi file seperti pada gambar di bawah. Pilih analyze, pilih correlate lalu klik pada Bivariate.

Menu Uji Validitas SPSS Versi 26
Jika benar maka kita akan diarahkan masuk ke menu korelasi bivariate yang dapat dipergunakan sebagai alat untuk menguji validitas.
Memasukkan Indikator dan Jumlah Skor Indikator
Masukkan indikator X11 sampai dengan X14 dan juga X1 ke dalam box Variables seperti pada gambar di atas. Pastikan ada tanda centang pada Pearson seperti pada gambar di atas, lalu klik OK. Maka akan keluar output sebagai berikut:
Output Korelasi Pearson
Tabel di atas adalah output korelasi Pearson. Kita hanya melihat apakah suatu indikator mempunyai korelasi yang signifikan dengan skor total item dari semua indikator dalam satu konstruk. Dalam konteks ini, skor total adalah X1. Sehingga jika X11 berkorelasi secara signifikan dengan X1 maka dinyatakan valid. Pada gambar di atas bisa dilihat di kolom paling kanan, atau sebesar 0,847 untuk X11 dengan X1 dengan signifikansi sebesar 0,000. Karena 0,000 < 0,05 maka indikator X11 dinyatakan valid. Tampak juga bahwa hal serupa tampak pada indikator yang lain dari X12 sampai dengan X14.

Ini bukan satu-satunya cara, bisa juga dibandingkan antara nilai Korelasi Pearson dengan nilai R Tabel. Hasilnya akan konsisten karena jika R hitung > R tabel maka Signifikansi juga akan < 0,05. Ini hal yang pasti. Jika Anda menemukan hasil bahwa Signifikansi < 0,05 tetapi R hitung < R tabel, berarti ada yang salah. Biasanya ada kesalahan di menentukan nilai R Tabelnya. Nilai R tabel harus ditentukan secara benar berdasarkan jumlah N dan taraf signifikansi yang dipergunakan

Setelah itu, untuk uji reliabilitas silahkan pilih Analyze, pilih Scale lalu klik pada Reliability Analysis
Menu Uji Reliabilitas dengan SPSS Versi 26
Maka kita akan masuk ke menu uji reliabilitas. Masukkan indikator X11 sampai dengan X14 ke box Items. INGAT skor total X1 tidak usah dimasukkan. Pastikan di kiri bawah adalah Alpha, lalu klik pada Statistics di kanan atas.
Memasukkan Indikator
Setelah klik Statistics maka akan keluar sub menu sebagai berikut:

Sub Menu Statistics
Berikan tanda centang pada Scale if item deleted seperti pada gambar di atas. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Reliabilitas
Tampak bahwa nilai Cronbach's Alpha adalah sebesar 0,874 > 0,6 yang berarti rangkaian kuesioner tersebut adalah reliabel. Sedangkan output berikutnya adalah sebagai berikut:
Output Scale if Item Deleted
Sederhana saja, karena ada kata if item deleted, berarti jika dihapus. Baris paling atas adalah 0,838 artinya itulah nilai Alpha jika X11 dihapus atau tidak dipergunakan dalam perhitungan. Ini juga berlalu untuk baris berikutnya. Ini diperlukan jika hasil yang kita dapat tidak reliabel, sehingga kita bisa menentukan indikator mana yang harus kita hapus agar tercapai nilai di atas 0,6 atau reliabel. Artikel selengkapnya ada di sini.

Apa yang terjadi jika kuesioner tidak valid dan tidak reliabel
Jika angket atau kuesioner tidak valid, maka hasil ukur yang dihasilkan juga tidak valid atau tidak tepat, sehingga tidak bisa dipergunakan sebagai sumber data penelitian. Demikian juga tidak tidak reliabel, maka rangkaian kuesioner tersebut juga tidak dapat dipergunakan sebagai sumber data penelitian.

Jadi kuesioner memang harus valid dan reliabel, tidak bisa ditawar lagi. Tidak ada kata, sudah mepet waktunya, atau bahkan ada yang bertanya rujukan mana yang menyatakan kuesioner boleh tidak valid atau tidak reliabel. 

Kesimpulan
Kuesioner harus valid dan reliabel ya. TITIK

Share:

Uji Marginal Homogeneity dengan SPSS Versi 26

Uji Marginal Homogeneity adalah uji beda untuk sampel berpasangan pada statistik non parametrik. Uji ini mungkin kurang populer karena memang tidak semua Program SPSS mempunyai menu ini. Hanya Software SPSS yang diinstall secara lengkap yang memuat menu ini, sedangkan yang custom kadang tidak memuat menu uji ini. Lantas seperti apa uji Marginal homogeneity (MH) ini? Mari kita ulas bersama-sama.

Daftar isi

  1. Uji Beda Sampel Berpasangan
  2. Statistik Non Parametrik
  3. Uji-uji yang lain
  4. Uji Marginal Homogeneity
  5. Kesimpulan
Uji Beda Sampel Berpasangan
Uji beda dua sampel berpasangan (berhubungan/berkorelasi) adalah uji beda untuk melihat perbedaan antara dua sampel yang berhubungan (berkorelasi) atau dari sampel yang sama dengan treatment (perlakuan) yang berbeda. Istilah treatment dapat berupa latihan, pemberian obat atau suntikan, metode pembelajaran, kebijakan perusahaan dan masih banyak lagi. Pada setiap kasus, kelompok yang mendapatkan perlakuan dibandingkan dengan kelompok yang tidak mendapatkan perlakuan atau mendapatkan perlakuan lainnya.

Pada kasus perbandingan antara dua kelompok, kadang-kadang ada bias yang sangat fatal. Peneliti bisa menemukan adanya perbedaan yang signifikan, tetapi sebenarnya perbedaan itu bukan dikarenakan perlakuan. Misalnya kita ingin membandingkan keputusan pembelian I-phone antara dua kelompok, yaitu kelompok masyarakat yang tinggal di perkampungan dengan masyarakat yang tinggal di perumahan. Bisa saja peneliti menemukan perbedaan yang signifikan tetapi bukan karena tempat tinggal, tetapi karena variabel yang lain, misalnya pengaruh pergaulan sosial (ini hanya contoh saja).

Salah satu cara untuk menghindari adanya bias tersebut maka dilakukan dengan menggunakan dua sampel yang berpasangan (match). Kita dapat menghubungkan atau memasangkan kedua sampel yang akan diteliti. Pemasangan tersebut dapat dilakukan dengan pengontrol dirinya sendiri atau memasangkan subjek kemudian memberikan perlakuan yang berbeda. Untuk pengontrol dirinya sendiri, kita dapat mengukur variabel yang akan diukur pada 'sebelum' lalu membandingkannya dengan 'setelah' diberikan perlakuan. Misalnya harga saham diukur sebelum melakukan stock split lalu diukur lagi setelah melakukan stock split, lalu dibandingkan.

Contoh yang memasangkan, adalah dengan memilih suatu kelas lalu membaginya menjadi dua secara acak. Setelah itu dipasangkan dengan kriteria mempunyai nilai yang relatif sama. Setelah itu bagian pertama diberikan metode pembelajaran A, sedangkan bagian yang kedua diberikan metode pembelajaran B. Setelah itu dievaluasi lalu dibandingkan pada kedua pasangan tersebut.



Statistik Non Parametrik
Statistik non parametrik dikenakan pada data yang berbentuk nominal atau ordinal, atau bisa juga kepada data berbentuk interval atau rasio, di mana asumsi pada statistik parametrik tidak terpenuhi. Selain itu, statistik non parametrik juga dapat digunakan untuk jumlah sampel yang kecil, di mana tidak dimungkinkan untuk menambah jumlah sampel. Tidak ada ukuran yang jelas tentang besar kecilnya jumlah sampel, tapi banyak para ahli yang menyatakan bahwa di bawah 30 sebagai sampel kecil.

Akan tetapi tidak dapat dikatakan bahwa statistik non parametrik lebih atau kurang dibandingkan statistik parametrik. Keduanya saling melengkapi dan masing-masing dapat dipergunakan sesuai dengan kondisi atau ketersediaan data yang ada.




Uji-uji yang lain
Ada banyak uji beda dua sampel berpasangan pada statistik non parametrik. Masing-masing uji tersebut didasarkan pada asumsi yang berbeda atau jenis data yang berbeda. Uji tersebut misalnya Uji McNemar, Uji Tanda, Uji Wilcoxon dan Uji Marginal Homogeneity. Di artikel ini kita akan membahas secara khusus pada uji marginal homogeneity. Untuk uji yang lain, kita bahas selengkapnya di sini



Uji Marginal Homogeneity
Uji marginal homogeneity adalah perluasan dari uji McNemar yang dirancang untuk data binner, atau dummy atau 0 dan 1 atau respons dan tidak respons. Untuk uji McNemar maka tabel yang ada adalah 2 x2 tetapi untuk uji marginal homogeneity bisa lebih dari 2 x 2. Uji ini memang menggunakan metode yang cukup rumit sehingga harus menggunakan Matrik Aljabar, sehingga perhitungan secara manual hampir sulit sekali dilakukan. Dalam artikel ini, kita akan menggunakan alat bantu berupa Program SPSS Versi 26 yang telah diinstall menu uji Marginal Homogeneity.

Berikut adalah simulasi uji marginal homogeneity dengan data yang bisa di download di Google Drive dengan akun Gmail Anda

Menu Marginal Homogeneity pada SPSS Versi 26
Pilih Analysze, pilih Nonparametric Tests, pilih Legacy Dialogs lalu klik pada 2 Related Samples seperti pada gambar di atas. Maka kita akan masuk ke menu Marginal homogeneity seperti gambar di bawah:
Memasukkan Sampel dan Memilih Metode yang Dipergunakan
Masukkan sampel Sebelum dan Sesudah ke Box Test Pairs seperti pada gambar di atas. Lalu berikan tanda centang pada Marginal Homogeneity pada Test Type seperti pada gambar di atas. Setelah itu klik OK sehingga akan keluar output sebagai berikut:
Output Marginal Homogeneity
Gambar di atas adalah output dengan SPSS Versi 26. Perhitungannya memang cukup rumit, tetapi kita dapat mengambil justifikasi dengan Signifikansi sebesar 0,276 > 0,05 yang berarti tidak terdapat perbedaan yang signifikan pada kedua sampel penelitian. 


Kesimpulan
Penggunaan uji marginal homogeneity memang relatif sederhana, tetapi sebenarnya perhitungannya sangat rumit. Mungkin ini yang menyebabkan metode ini kurang populer dan di program SPSS juga tidak semuanya memuat metode ini.

Share:

Uji Beda K Sampel yang Berhubungan pada Statistik Non Parametrik

Uji beda K sampel yang berhubungan (berkorelasi) pada statistik non parametrik adalah uji beda yang dirancang untuk jumlah sampel lebih dari 2 (k sampel) yang saling berkorelasi dan tidak memenuhi asumsi normalitas sehingga tidak bisa dikenakan statistik parametrik.  Uji beda ini mirip dengan ANOVA pada statistik parametrik. Beberapa uji beda yang dapat dipergunakan pada kasus ini adalah uji Friedman, Uji Kendall's W dan Uji Cochrans. 

Daftar Isi

  1. Apa itu Uji Beda K Sampel Berhubungan
  2. Uji Friedman
  3. Uji Kendall's W
  4. Uji Cochrans
  5. Kesimpulan

Apa itu Uji Beda K Sampel Berhubungan
Dalam banyak kasus, seorang peneliti akan sering menjumpai atau menguji perbedaan dari lebih dua sampel secara bersamaan. Jumlah sampel ini sering disebut 'K' yang berarti lebih dari dua. Jika hanya ada dua kasus, maka banyak rancangan tentang uji beda dua sampel, baik yang uji beda dua sampel berhubungan maupun uji beda dua sampel tidak berhubungan.

Jika kita memaksakan pengujian banyak sampel dengan uji beda dua sampel maka akan memerlukan uji berulang yang hasilnya bisa sangat diragukan. Misalnya kita ingin menguji perbedaan 4 grup saja, maka kita perlu uji beda dua sampel sebanyak 6 kali atau 3 + 2 + 1 = 6. Sedangkan untuk 5 grup maka kita perlu melakukan 4 + 3 + 2 +1 = 10 kali pengujian. Tentu saja ini akan menimbulkan hal yang tidak efisien sehingga dirancang metode pengujian yang dapat dipergunakan untuk menguji perbedaan banyak sampel dengan lebih efisien.

Pada statistik parametrik, maka akan diaplikasikan ANOVA. Tetapi pada non parametrik maka asumsi pada ANOVA tidak terpenuhi sehingga tidak dapat dipergunakan. Oleh karena itu, berikut beberapa metode uji beda K sampel yang berhubungan untuk statistik non parametrik.

Gambar Simulasi Uji Beda

Uji Friedman
Uji Friedman juga sering disebut dengan Friedman Two-Ways Analysis of Variance by Ranks. Sesuai namanya, uji Friedman memang berdasarkan pada rangking dari sebuah data. Perbedaan preferensi dari setiap subjek akan dirangking, lalu rangking tersebut yang diuji apakah terdapat perbedaan atau tidak. Metode ini efektif dipergunakan pada data ordinal atau data yang tidak memenuhi asumsi normalitas pada statistik parametrik.

Untuk selengkapnya, silahkan visit Simulasi Uji Friedman dengan SPSS Versi 26.


Uji Kendall's W
Uji Kendall's W juga dapat dipergunakan untuk menguji perbedaan dari banyak sampel yang berhubungan pada statistik non parametrik. Uji Kendaall's W merupakan perluasan dari korelasi Kendall yang merupakan metode atau uji untuk mencari korelasi pada statistik non parametrik. Uji Kendall's W juga mengeluarkan output Chi Square, sama dengan Uji Friedman. Uji Kendall's W juga berdasarkan pada rangking dari masing-masing grup atau sampel lalu menguji perbedaan di antara banyak sampel tersebut.

Untuk selengkapnya silahkan visit Simulasi Uji Kendall's W dengan SPSS Versi 26.


Uji Cochrans
Uji yang berikutnya adalah Uji Cochrans. Uji ini berbeda dengan kedua uji sebelumnya karena dirancang khusus untuk data biner, atau 0 dan 1 saja. Kedua uji yang sebelumya kita bahas, tidak disarankan untuk diaplikasikan pada data Ya dan Tidak seperti halnya pada Uji Cochrans. Uji Cochrans juga akan menghasilkan nilai Chi Square yang sama dengan Uji Friedman dan Uji Kendall's W.

Untuk selengkapnya silahkan visit Simulasi Uji Cochrans dengan SPSS Versi 26.

Kesimpulan
Kebanyakan peneliti akan berhadapan dengan lebih dari 2 grup data atau sampel, sehingga diperlukan alat uji yang dapat dikenakan pada kasus tersebut. Untuk statistik nonparametrik, setidaknya telah ada uji Friedman, Uji Kendall's W dan Uji Cochrans untuk keperluan uji statistik tersebut. 

Share:

Uji Homogenitas Levene dengan SPSS Versi 26

Uji homogenitas adalah uji untuk melihat apakah terdapat perbedaan varians di antara dua sampel atau lebih. Sering juga disebut homoskedastisitas. Uji ini dipergunakan jika peneliti ingin melihat perbedaan varians di antara dua sampel atau lebih atau untuk menentukan metode atau uji statistik yang akan dipergunakan lebih lanjut. Levene Test adalah salah satu uji homogenitas yang sering dipergunakan, di samping uji yang lain, misalnya Uji Fisher atau Uji Bartlett. Mari kita belajar bersama tentang uji Levene ini.

Uji Levene pada Independent Samples Test


Daftar Isi

  1. Uji Homogenitas
  2. Uji Levene pada One Way ANOVA
  3. Uji Levene pada Independent Samples Test
  4. Uji Levene pada Explore
  5. Kesimpulan

Uji Homogenitas
Uji homogenitas sering dilakukan untuk melihat apakah distribusi data mempunyai kesamaan varians atau tidak. Ada beberapa uji homogenitas yang ada, dan kali ini kita akan membahas uji homogenitas dengan Uji Levene atau Levene's Test. Pada program SPSS uji Levene setidaknya muncul di One Way ANOVA, Independent Samples Test dan pada Explore. Mari kita lihat satu persatu.



Uji Levene pada One Way ANOVA
One Way ANOVA dipergunakan untuk melihat apakah terdapat perbedaan yang signifikan antara dua atau lebih sampel. Karena memang namanya ANOVA = Analysis of Variance maka memang menggunakan varians sebagai dasar untuk menentukan diterima atau tidaknya sebuah hipotesis. Pada uji ini juga menyertakan uji homogenitas atau homogeinity of variace. Untuk artikel selengkapnya silahkan simak di uji homogenitas pada One Way ANOVA dengan SPSS Versi 23.



Uji Levene pada Independent Samples Test
Independent Samples Test adalah uji untuk melihat apakah dua sampel yang tidak berkorelasi (independent) mempunyai perbedaan atau tidak. Ini termasuk statistik parametrik karena menentukan perbedaan berdasarkan nilai rata-rata dari kedua sampel atau grup. Di sini juga ada menu uji homogenitas dengan Levene's Test. Output pada Independent Samples Test ada dua, di mana yang satu adalah jika kedua sampel mempunyai varians yang equal dan yang satu jika keduanya mempunyai varians yang tidak equal. Uji Homogenitas dengan Levene's Test pada Independent Samples Test selengkapnya ada di sini



Uji Levene pada Explore
Sesuai dengan namanya, Explore, maka sebenarnya menu bukan merupakan uji khusus secara statistik. Pada menu ini akan tersedia menu bagi peneliti untuk mengeksplorasi data sehingga bisa memberikan justifikasi penting bagi peneliti. Dengan menu ini peneliti bisa mengetahui normalitas data, homogenitas, mencari outliers atau pencilan data dan lain-lain. Untuk mencari homogenitas data dengan menu Explore pada SPSS selengkapnya ada di sini



Kesimpulan
Dari artikel di atas kita dapat melihat bahwa terdapat banyak menu pada SPSS yang memungkinkan peneliti untuk mencari homogenitas data dengan Levene'Test. Tidak ada yang lebih baik dibandingkan dengan menu yang lain karena semuanya tergantung dari keperluan dan justifikasi peneliti.

Share:

Aplikasi Neo Bank Apakah Aman?

Apakah pernah ada yang tertipu oleh Aplikasi Neo Bank? Apakah ada yang pernah dirugikan jutaan rupiah karena menginstall Aplikasi Neo Bank? Sampai saat ini tidak ada yang dirugikan atau ditipu oleh Aplikasi Neo Bank. Apakah Anda punya aplikasi dari Bank Umum di Indonesia, seperti Livin dari Mandiri misalnya? Nah, aplikasi Neo Bank adalah sama persis dengan aplikasi tersebut. Mari kita simak bersama.

Daftar Isi

  1. Bank Umum
  2. Aplikasi
  3. Fitur
  4. E Wallet
  5. Kelebihan Aplikasi Neo Bank
  6. Bagaimana Caranya Install Neo Bank
  7. Apa itu Kode Bank Neo?


Bank Umum

Menurut Wikipedia, Bank adalah sebuah lembaga intermediasi keuangan umumnya didirikan dengan kewenangan untuk menerima simpanan uang, meminjamkan uang, dan menerbitkan promes atau yang dikenal sebagai banknote. Kata bank berasal dari bahasa Italia banca berarti tempat penukaran uang. Sedangkan menurut undang-undang perbankan bank adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan atau bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak.

Pada awalnya, bank adalah kumpulan pedagang-pedagang yang akan memberikan pinjaman biji-bijian kepada para petani atau pedagang yang membawa barang. Dalam perkembangannya, bank juga beroperasi secara online dalam bentuk aplikasi. Jadi aplikasi yang dikeluarkan secara resmi oleh bank sama sekali bukan penipuan dan sangat aman untuk digunakan. Aplikasi Neo Bank adalah aplikasi keuangan yang dikeluarkan oleh Bank Neo Commercial yang dulu bernama Bank Yudha Bhakti yang saat ini bahkan telah listing di Bursa Efek Indonesia dengan kode BBYB.

https://m.bankneo.co.id/invitees?uid=18086492&inviteCode=WLY9K2
Install Aplikasi Neo Bank
Aplikasi

Aplikasi adalah suatu subkelas perangkat lunak komputer yang memanfaatkan kemampuan komputer atau telepon cerdas secara langsung untuk melakukan suatu tugas yang diinginkan pengguna. Biasanya dibandingkan dengan perangkat lunak sistem yang mengintegrasikan berbagai kemampuan komputer, tetapi tidak secara langsung menerapkan kemampuan tersebut untuk mengerjakan suatu tugas yang menguntungkan pengguna. Contoh Aplikasi yang populer adalah Tik Tok, You Tube, Instagram, dan masih banyak lagi.

Saat ini pihak perbankan juga banyak sekali mengeluarkan aplikasi untuk mempermudah pelayanan kepada nasabah. Hampir semua bank mempunyai aplikasi dan Bank Neo Commerce mengeluarkan Aplikasi Neo Bank yang tidak hanya mempermudah nasabah tetapi juga memberikan sangat banyak keuntungan bagi penggunanya.


Fitur

Fitur atau menu yang tersedia di Aplikasi Neo Bank sangat lengkap. Sama persis dengan menu yang ada di aplikasi bank-bank umum lainnya. Cek saldo, transfer ke rekening lain, top up ke E Wallet atau untuk membayar belanjaan kita di market place manapun. Bahkan ada yang lebih lagi, karena aplikasi Neo Bank juga merupakan E Wallet. Iya ini yang membedakan dengan aplikasi bank umum yang lain.

Tidak ada biaya untuk cek saldo atau transfer ke sesama pengguna Neo bank. Selain itu, Anda juga dapat membuka deposito tanpa harus repot-repot pergi ke Bank Cabang. Deposito minimal pun sangat rendah yaitu hanya Rp. 200 rb saja, tetapi mendapatkan bunga yang relatif tinggi, karena bisa mencapai 8% p.a. dan dibayarkan secara harian.


E Wallet

Aplikasi perbankan biasanya terpisah dari aplikasi E Wallet seperti GoPay, OVO, ShopeePay dan lain-lain. Tetapi aplikasi Neo Bank sudah termasuk E Wallet sehingga sangat praktis dan tidak ada biaya untuk deposit ke E Wallet. Ini  sangat praktis dan menguntungkan penggunanya. Dan yang lebih hebat lagi adalah bahwa dana di Aplikasi Neo Bank mendapatkan bunga!! Serius, bunganya harian lagi. Coba saja. Dana Anda yang ada di E Wallet tidak mendapatkan bunga, berbeda dengan Neo Bank, tetap ada bunganya


Kelebihan Aplikasi Neo Bank

Aplikasi ini sangat praktis, ringan dan tidak ribet. Tinggal klik di sini lalu ikuti alurnya dan Anda sudah menginstall aplikasi ini di HP Anda. Berbagai keuntungan akan segera Anda dapatkan. Hanya dengan mengikuti alurnya, seperti verifikasi wajah dan lain-lain, Anda akan segera mendapatkan berbagai keuntungan, tanpa harus menyetorkan dana sama sekali. Tetapi jika Anda mau menyetorkan dana, maka keuntungan yang diperoleh akan lebih berlipat. Keuntungan yang lain silahkan visit di artikel Install Aplikasi Neo Bank dan raih keuntungannya.


Bagaimana Caranya Install Neo Bank

Seperti yang telah disebutkan di atas, sangat mudah. Visit ke sini lalu masukkan nomor HP Anda.  Klik kirim OTP, maka akan masuk OTP ke nomor HP yang Anda masukkan. Setelah itu masukkan OTP tersebut, jangan berikan kepada siapapun nomor ini. Setelah Anda masukkan klik OK maka akan diarahkan ke keterangan untuk mengklik install Aplikasi Neo Bank. Silahkan klik dan install seperti biasa.

Setelah selesai, tinggal daftar atau sign up atau membuat akun di aplikasi tersebut. Diperlukan data KTP dan juga foto verifikasi wajah seperti kalau kita membuka rekening di bank umum manapun. Jangan khawatir, NEO Bank adalah bank umum yang sudah terdaftar di BI dan OJK, jadi data Anda akan aman. 

Setelah selesai mendaftar, kadang-kadang diperlukan waktu beberapa saat untuk verifikasi dan pemberitahuan akan diberikan kepada Anda. Setelah itu, cobalah login lagi dengan verifikasi wajah untuk masuk ke aplikasi. Anda bisa mengubah cara masuk login dengan password, atau verifikasi wajah atau dengan kode gambar, sesuai dengan selera Anda. 


Apa itu Kode Bank Neo

Mungkin Anda mendengar Kode Bank NEO, ya itu memang ada, biasanya dari referal teman atau kolega Anda. Bisa saja Anda gunakan, tetapi tidak digunakan juga tidak masalah. Silahkan klik di sini saja, tanpa harus repot-repot memasukkan kode referal.

 

Share:

Artikel Terbaru

Translate

Artikel Terbaru

Tutorial Cara Download File dari Google Drive

Dalam artikel sebelumnya telah kita sampaikan bahwa jika menginginkan file yang dipergunakan dalam simulasi di blog ini dapat di download di...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *