Tampilkan postingan dengan label SPSS. Tampilkan semua postingan
Tampilkan postingan dengan label SPSS. Tampilkan semua postingan

Cara Menggambar Diagram dengan SPSS Versi 23

Selain powerfull untuk perhitungan statistik, ternyata SPSS juga mempunyai menu yang cukup lengkap untuk menggambar diagram. Berbagai pilihan diagram dapat dibentuk dengan bantuan SPSS. Berikut kita akan mencoba untuk berlatih menggambar diagram dengan menggunakan SPSS. Data yang digunakan bisa apa saja karena hanya merupakan contoh untuk menggambar. Kali kita menggunakan data opini dari 1 sampai dengan 4. Pertama kita pilih Chart lalu klik pada Chart Builder seperti pada gambar di bawah:

Menu Chart Builder pada SPSS Versi 23
Jika muncul jendela pilihan, klik OK. Maka kita akan masuk ke menu Chart Builder.

Memasukkan Diagram Bar

Arahkan kursor pada bentuk diagram yang akan kita gunakan, kali ini kita pilih Bar, lalu klik and drag dan letakkan di box kanan atas. Jika berhasil akan menjadi seperti ini:

Mengidentifikasikan X-Axis
Pindahkan Variabel Opini dengan klik and drag menjadi X-Axis seperti pada gambar di atas. Setelah itu klik OK di bagian bawah seperti pada gambar:

Opini sebagai X-Axis dan Y adalah jumlah (Count)

Setelah klik OK maka akan keluar diagram batang untuk data opini seperti gambar di bawah ini:

Diagram Batang atau Bar
Output gambar di atas hanya contoh saja. Untuk sumbu Y bisa diset menjadi prosentase, atau kumulatif atau apa yang diperlukan oleh peneliti sesuai kebutuhan.

Set Sumbu Y
Kita juga dapat menggambar diagram yang lain, seperti berbagai display yang tersedia pada box. 

Share:

Pilih Download SPSS Free atau Software Statistik Gratis?

SPSS memang diakui merupakan salah satu software statistik yang jamak dipakai oleh penggunanya. Menunya memang sangat beragam dan sangat user friendly. Inilah yang membuat SPSS (juga sering disebut PASW) menjadi salah satu market leader dalam bidang ini. SPSS mungkin memiliki beberapa kekurangan, misalnya belum mengakomodir Structural Equation Modeling (SEM), tetapi SPSS juga sudah mengakuisisi AMOS (Analysis of Moment Structural) dan juga mempunyai add-ons untuk metode lain yang belum diakomodasi.

Contoh Interface Software Statistik Gratis
SPSS adalah program yang berbayar, dan untuk kebanyakan orang tidak murah. Akan tetapi, ada juga versi yang gratis atau free. Anda bisa melakukan download SPSS free melalui situs resminya, tetapi hanya berlaku selama 1 bulan saja dan setelah itu akan expired. Jadi tentunya Anda harus buru-buru dalam menyelesaikan analisis Anda. Untuk detailnya kami telah membuat artikel di sini.

Lalu apakah ada software lain yang gratis dan tidak terbatas waktu? Untungnya ada, bahkan banyak. Berikut adalah beberapa software gratis yang ada:

Klik link di atas maka Anda akan diarahkan ke situs tempat Anda bisa melakukan download. Itu situs resminya, jadi Anda ikuti alurnya saja.

Cukup banyak bukan? Jika kita memasukkan software yang khusus, maka akan lebih banyak lagi, misalnya SmartPLS versi 2 khusus untuk Partial Least Square dan masih banyak lagi.

Anda bisa mencoba atau memilih salah satu yang cocok. Tetapi memang akan berbeda jika Anda membandingkan dengan software yang berbayar, seperti SPSS, Eviews atau STATA. Sebenarnya ada juga software statistik yang sudah Anda punyai, tetapi jarang Anda gunakan. Apa itu? Microsoft Excel. Dengan Excel kita juga dapat melakukan analisis statistik seperti Deskriptif atau pun analisis regresi linear baik sederhana maupun berganda. Kaget? atau sudah tahu? Jika Anda menginstall Add-ons, misalnya Solver, maka fungsi Excel Anda juga akan lebih kaya.

Share:

Free Download SPSS Versi 26

SPSS mempunyai riwayat yang relatif panjang karena pertama kali dirilis adalah tahun 1968. Program SPSS dipergunakan untuk Analisis statistika, eksplorasi data, analisis data, pengumpulan data. Situs resminya adalah di ibm.com

Pada awalnya SPSS mempunyai kepanjangan Statistical Package for the Social Sciences karena memang dirancang untuk ilmu-ilmu sosial. Dalam perkembangannya, banyak juga bidang ilmu non sosial yang menggunakan software tersebut, sehingga akhirnya diubah menjadi Statistical Product and Service Solutions. Program ini bisa dipergunakan untuk menganalisis statistik parametrik maupun non parametrik.

Logo SPSS setelah diakuisisi oleh IBM

Dalam perkembanganya, karena kebutuhan sarana alat analisis semakin meningkat, maka SPSS mengakuisisi AMOS (Analysis Moment of Structure) yang dirilis oleh James Arbuckle yang dirancang khusus untuk mengestimasn model SEM atau Structural Equation Modeling. AMOS menggunakan basis dari LISREL dalam penyusunan programnya tetapi tidak mempunyai tabulasi data sendiri, sehingga harus mengunakan dari pihak lain, misalnya SPSS, Excel atau spreadsheet yang lain yang kompatibel.

Lebih lanjut, pada Tahun 2009, SPSS diakuisisi oleh raksasa komputer yaitu IBM dan diganti menjadi PASW atau Predictive Analysis Soft Ware. Meskipun berada pada bendera IBM, tetapi SPSS tetap dipertahankan setidaknya sampai sekarang. Saat ini rilis terakhir adalah SPSS versi 26.

Untuk mendapatkan program SPSS versi 26 secara lengkap, Anda bisa download di sini https://www.ibm.com/search?lang=en&cc=us&q=download%20spss&tabType[0]=Products

Anda bisa ikuti alurnya untuk download. Itu versi free atau hanya berlaku sekitar 30 hari saja. Versi free trial ini sama persis dengan versi berbayar, hanya berlaku 30 hari dan tidak ada dukungan teknis saja. Untuk berbayar, bisa dilihat di link ini https://www.ibm.com/products/spss-statistics/pricing

Lumayan juga HANYA USD 99 dan berlaku untuk 1 akun per bulan. Mungkin Anda bisa berpikiran untuk menggunakan versi free trial lalu setelah 30 hari install lagi. Iya, bisa. Tetapi dalam 1 tahun, tiap komputer (laptop) hanya bisa untuk 1 kali saja, jadi setidaknya Anda harus punya 12 jika kontinyu atau bisa 10 lah jika ada jeda sekitar 1 atau 2 minggu.

Blog ini, karena memang sudah relatif tua, dimulai sekitar tahun 2009, maka menggunakan SPSS Versi 12. Belakangan kami upgrade menjadi SPSS 23 dan saat ini kami telah upgrade ke SPSS Versi 26. Untuk artikel baru memang kami buat dengan SPSS Versi 26 tetapi untuk artikel lama masih menggunakan SPSS Versi 23 atau bahkan versi lebih lama lagi. Pada prinsipnya memang sama saja. Hanya memang ada beberapa tambahan atau fitur yang baru atau pun pemindahan menu agar lebih baik.

Jadi yang masih menggunakan versi 25 atau bahkan versi sebelumnya masih tetap dapat mengikutinya.

Share:

Cara Trimming Data tanpa Menghapus Data dengan SPSS

Dalam melakukan analisis data, kadang kita harus mengeluarkan satu atau lebih data. Teknik mengeluarkan data ini kadang dilakukan secara serampangan saja, yaitu dengan menghapus data tersebut lalu melakukan analisis. Ini memang tidak salah, tetapi di analisis selanjutnya, ketika kita memerlukan data yang telah kita hapus tadi, maka akan menimbulkan masalah. Masalah juga akan terjadi karena penomoran data juga menjadi tidak urut karena ada satu atau beberapa data yang telah dihapus. Bisa kita simak contoh sebagai berikut: 

Tabulasi 25 Data dengan SPSS Versi 23
Terdapat 25 data seperti gambar di atas. Jika dicari nilai statistik deskriptifnya maka memberikan hasil sebagai berikut:

Statistik Deskriptif dari 25 Data
Karena alasan tertentu, maka kita akan mengeluarkan data ke-14 yaitu sebesar 21. Jika kita menghapusnya maka data nomor 15 akan naik menjadi nomor 14 demikian seterusnya. Maka ini bisa menimbulkan bias dan rancu dalam analisis selanjutnya. 

Agar kita bisa mengeluarkan data ke-14 tanpa menghapusnya, maka kita bisa menggunakan menu Data lalu pilih Select Case seperti pada gambar di bawah:

Navigasi Menu Select Data
Maka kita akan diarahkan ke menu Select Data yaitu sebagai berikut:

Menu Select Data
Lalu pilih If condition is Satisfied lalu klik pada If, sehingga akan diarahkan lagi ke sub menu sebagai berikut:

Masukkan Variabel No ke kotak di kanan atas, lalu gunakan operasi ~= 14 yang berarti bahwa pada variabel No, nomor 14 tidak dimasukkan atau tidak digunakan dalam analisis.

Memasukkan Script ke Box
Setelah itu klik Continue maka akan ke Select Case, lalu Klik OK sehingga akan kembali ke tabulasi data tetapi ada tambahan satu variabel yaitu Filter_$
Tabulasi Data dengan Trimming Data ke-14
Tampak bahwa pada kiri, nomor 14 ada coretan diagonal yang berati data tersebut tidak dipergunakan dalam analisis, tetapi tidak terhapus. Sedangkan pada kolom filter_$ ada angka 1 dan 0 yang berarti respon. Jika diisi 0 maka tidak ikut dalam analisis. Jika kita lakukan analisis statistik deskriptif, misalnya, maka akan memberikan hasil sebagai berikut:

Statistik Deskripti 24 Data Tanpa Data ke-14
Hanya terdapat 24 data saja dan tentunya nilai Mean dan yang juga akan berubah. Dengan menggunakan metode ini, maka jika kita akan menggunakan lagi data ke-14 tinggal kita hapus saja variabel Filter_$. Atau lebih expert, respon yang 0 kita ganti dengan 1. Sebaliknya jika kita juga ingin mengeluarkan data yang lain, misalnya data ke10, maka pada Variabel Filter_$ tinggal kita ganti angka 1 menjadi 0 atau tidak ada respon.

Silahkan mencoba.

Share:

Simulasi Independent Sample T Test atau Uji T Sampel Tidak Berkorelasi

Dalam suatu penelitian, ada suatu kondisi di mana kita ingin melihat perbedaan rata-rata antara dua sampel yang tidak berkorelasi. Misalnya kita ingin mengetahui perbedaan nilai rata-rata pelajaran tertentu antara siswa pria dan wanita,  Atau kita ingin melihat apakah terdapat perbedaan persepsi Standar Akuntansi Keuangan (SAK) terbaru antara akuntan publik dengan akuntan pendidik atau contoh-contoh lain yang serupa. Kita tidak dapat menggunakan paired test atau Uji T untuk sampel berpasangan, karena kedua sampel memang tidak berkorelasi, bahkan jumlahnya juga berbeda (dalam kasus tertentu, jumlah kedua sampel juga bisa sama).

Dalam simulasi ini, kita ingin melihat apakah terdapat perbedaan nilai skor nilai pelajaran tertentu antara siswa wanita dengan siswa pria dalam suatu sekolah. 

Sampel 28 Pria dan 22 Wanita dan Rata-rata Skor Nilai Pelajaran
Terdapat 28 siswa pria dengan nilai rata-rata sebesar 28 dan 22 siswa wanita dengan rata-rata skor 25,30. Masing-masing data telah dilengkapi dengan standard deviasianya. Nilai rata-rata pada wanita lebih tinggi akan tetapi, apakah itu signifikan atau tidak secara statistik, mari kita lihat bersama. 

Langkah pertama adalah melihat apakah data tersebut normal atau tidak. Ini penting karena statistik parametrik mensyaratkan adanya normalitas data. 

Uji Normalitas SPSS dengan Kolmogorov-Smirnov
Tampak bahwa nilai Signifikansi adalah sebesar 0,073 > 0,05 yang berarti data pada sampel telah terdistribusi secara normal dan bisa dikenakan statistik parametrik. Pilih Analyze, pilih Compare Means lalu klik pada Independent Sample T Test seperti pada gambar di bawah:

Menu Independent Samples T Test

Maka akan masuk ke menu baru lalu masukkan variabel Skor ke Box Test Variables. Lalu masukkan JK (Jenis Kelamin) ke Grouping Variable, lalu klik pada Define Groups:

Memasukkan Data Sampel
Setelah klik Grouping Variables maka akan masuk lagi ke Sub Menu seperti pada gambar di bawah ini:

Sub Menu Grouping Variables
Berikan angka 1 pada Group 1 dan 2 pada Group 2. Ini merupakan Skala Nominal di mana 1 adalah Pria dan 2 adalah Wanita. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Independents Sample T Test

Pertama lihat pada Levene's Test untuk melihat apakah kedua sampel mempunyai varians yang equal atau tidak. Nilai F adalah 0,232 dengan Signifikansi sebesar 0,632 > 0,05 yang menunjukkan bahwa tidak terdapat perbedaan varians di antara kedua sampel atau equal. Jadi kita lihat nilai T hitung pada Equal Variances Assumed yaitu sebesar 0,380 (negatif) dengan Signifikansi sebesar 0,706 > 0,05 yang berarti tidak terdapat perbedaan nilai rata-rata antara dua kelompok tersebut.

Berarti skor nilai rata-rata pelajaran tertentu antara pria dan wanita adalah tidak berbeda. Hipotesis nol diterima dan hipotesis alternatif ditolak. Jika Anda merumuskan 'Terdapat perbedaan nilai rata-rata pelajaran X antara siswa pria dan wanita' maka hipotesis itu ditolak. Masalah? Tentu tidak, jika Anda melaksanakan penelitian dan analisis ini sesuai prosedur yang ada.

Share:

Simulasi One Sample T Test atau Uji T Sampel Tunggal

Selain pada analisis regresi, Uji T juga sering muncul dalam statistik komparasi. Uji T Sampel Tunggal atau Onel Sample T Test adalah uji untuk melihat apakah suatu distribusi data pada sampel tunggal mempunyai perbedaan atau tidak terhadap suatu nilai tertentu. Sebagai ilustrasi, berikut beberapa kasus atau contoh yang dapat dipergunakan untuk mengaplikasikan one sample t test:

  1. Sebuah perusahaana ingin melihat apakah hasil produksi penggaris sesuai dengan standar 30 atau tidak.
  2. Sebuah peneliti ingin melihat apakah kebijakan stock split memicu reaksi investor atau tidak dengan melihat adanya abnormal return
  3. Apakah lampu yang dihasilkan suatu perusahaan mampu menyala 1000 jam atau tidak.

Contoh-contoh kasus di atas dapat diselesaikan dengan one sample t test. Sebagai contoh, berikut adalah data hasil pengukuran produksi penggaris 30 cm oleh Quality Control:

Gambar 1 Tabulasi Data Ukuran Penggaris


Tabel di atas memuat data 50 ukuran penggaris yang diambil secara acak. Untuk melihat apakah distribusi data tersebut berbeda atau tidak dengan 30, kita lihat dulu normalitasnya. 

Gambar 2 Menu Uji Normalitas dengan Kolmogorov-Smirnov


Klik Analyze lalu pilih Nonparametric Tests, pilih Legacy Dialogs dan klik pada 1_Sample K-S sehingga akan diarahkan ke menu Uji KS sebagai berikut:

Gambar 3 Menu Uji Normalitas dengan KS

Masukkan Variabel Ukuran, lalu klik OK sehingga akan keluar output sebagai berikut:

Gambar 4 Hasil Uji Normalitas

Tampak bahwa nilai Signifikansi adalah sebesar 0,071 > 0,05 yang menunjukkan bahwa distribusi data normal, sehingga dapat dikenakan statistik parametrik one sample t test. Pilih Analyze, Plih Compare Means lalu klik pad One Sample T Test seperti pada gambar di bawah:

Gambar 5 Menu One Sample T Test


Setelah masuk ke menu One Sample T Test, masukkan varibel ukuran ke box, lalu masukkan angka 30 yaitu angka yang diharapkan yaitu sebesar 30 cm. 

Gambar 6 Memasukkan Variabel dan Parameter Test Value


Setelah itu klik OK sehingga akan keluar outputnya yaitu sebagai berikut:

Gambar 7 Output One Sample T Test


Gambar di atas menunjukan bahwa nilai T hitung adalah sebesar 1,248 dengan taraf signifikansi sebesar 0,218 > 0,05 yang menunjukkan bahwa distribusi data pada sampel tidak berbeda dengan nilai 30 cm. Inilah yang diharapkan oleh pelaku uji ini karena jika signifikan berarti hasil produksi tidak dapat dijual karena berbeda dengan ukuran yang diharapkan yaitu sebesar 30 cm. Penelitian atau uji adalah mencari kebenaran, bukan mencari signifikan atau tidak. Pengujian yang memberikan hasil yang tidak signifikan tidak serta merta dikatakan jelek dan harus diulang. Ini sangat tergantung dari tujuan pengujian itu sendiri. 

Ilustrasi lain adalah untuk uji Abnormal return di sekitar peristiwa stock split. Ada teori yang menyatakan bahwa kebijakan stock split berarti kinerja perusahaan bagus sehingga minat membeli investor meningkat dan akan terjadi abnormal return di sekitar terjadinya stock split. Ini akan didukung jika terjadi signifikansi return pada sekitar tanggal stock split dengan 0 sebagai parameter value. Akan tetapi, ada juga teori yang menyatakan bahwa Stock split hanyalah agar saham lebih likuid, jadi tidak terkait langsung dengan return. Abnormal akan terjadi di masa mendatang, bukan di sekitar tanggal stock split. Teori ini akan didukung jika tidak terjadi signifikansi di sekitar tanggal stock split dengan parameter value 0.

Share:

Simulasi Uji T Sampel Berpasangan atau Paired Sample T Test

Uji T sampel berpasangan atau Paired Sample T Test adalah  uji yang dipergunakan untuk melihat apakah terdapat perbedaan atau tidak pada dua kelompok atau dua sampel yang saling berhubungan. Pengertian berhubungan itu misalnya, ada satu kelas, diberikan suatu ujian, lalu diberikan metode pembelajaran tertentu, lalu diberikan ujian lagi yang kurang lebih sama, lalu dibandingkan hasil ujian antara sebelum diberikan metode tersebut dengan setelah diberikan metode tersebut. Jika ada perbedaan yang signifikan berarti metode tersebut dianggap efektif.

Contoh lain misalnya, perbedaan kinerja keuangan perusahaan sebelum melakukan stock split dengan kinerja perusahaan yang sama setelah melakukan stock split. Jika terdapat perbedaan berarti kebijakan tersebut mampu mengubah kinerja, tetapi jika tidak terdapat perbedaan berarti kebijakan tersebut tidak merubah kinerja atau mungkin hanya membuat sahamnya lebih likuid saja. Di sini juga dapat dijadikan rujukan bagi para peneliti yang bingung karena hipotesisnya ditolak. Ditolak atau diterima tidak masalah selama memang ada penjelasan yang masuk akal. 

Berikut adalah contoh dua distribusi data dari suatu sampel sebelum dikenai suatu treatment dengan setelah dikenai treatment

Contoh Data Uji Paired T Test atau Uji T Sampel Berpasangan

Ada 50 data yang disusun seperti gambar di atas. Sebelum melakukan Uji hipotesis, maka perlu dilihat apakah kedua data terdistribusi normal atau tidak. Ini syarat untuk statistik parametrik.

Menu Uji Normalitas dengan Kolmogorov-Smirnov
Pilih Analyze, Nonparamatrics Tests, Legacy Dialogs klik pada 1-Sample K-S sehingga akan diarahkan ke sub menu sebagai berikut:

Masukkan Kedua Variabel ke dalam Box
Masukkan kedua variabel, Sebelum dan Sesudah ke dalam box di sebelah kanan. Pastikan Test Distribution di kiri bawah dberikan tanda centang pada Normal, lalu klik OK. Maka akan keluar output Uji Normalitas dengan Kolmogorov-Smirnov sebagai berikut:

Output Uji Normalitas dengan Kolmogorov-Smirnov
Tampak pada gambar di atas, bahwa kedua data telah terdistribusi secara normal dengan Signifikansi di atas 0,05. Berarti dapat dikenai statistik Uji T Sampel Berpasangan. Pilih Analyze, Compare Means lalu klik pada Paired-Samples T Test

Menu Uji T Sampel Berpasangan
Maka Anda akan diarahkan ke Sub Menu yaitu sebagai berikut:

Memasukkan Variabel ke Menu Paired T Test
Masukkan variabel Sebelum dan Sesudah seperti pada gambar di atas, Lalu klik pada OK, sehingga akan keluar output sebagai berikut:

Output Rata-rata dan Standar Deviasi
Output yang pertama adalah nilai rata-rata dan standar deviasi. Tampak bahwa nilai rata-rata Sebelum adalah sebesar 24,40 dan Sesudah adalah sebesar 25,10. Lebih tinggi Sesudah. Sedangkan standar deviasinya adalah 1,969 untuk Sebelum dan sebesar 2,082 untuk Sesudah. Keduanya tidak terlalu berbeda. Berikutnya adalah output Korelasi.
Output Nilai Korelasi Kedua Sampel

Kedua sampel mempunyai korelasi sebesar 0,647 dengan Signifikansi sebesar 0,000 yang berarti terdapat korelasi yang signifikan antara Sebelum dengan Sesudah. Korelasi tersebut sebenarnya sama dengan Korelasi Pearson

Untuk menentukan apakah terdapat perbedaan atau tidak, maka dipergunakan output yang ketiga yaitu sebagai berikut:

Output Uji T Sampel Berpasangan

Tampak bahwa selisih rata-rata antara Sebelum dengan Sesudah adalah sebesar 0,700. Nilai negatif menunjukkan bahwa nilai rata-rata Sesudah lebih tinggi dibandingkan sebelum atau ada peningkatan. Nilai T hitung adalah sebesar -2,903. Tanda negatif menunjukkan arah atau bahwa terjadi peningkatan. Jadi tinggal dibandingkan nilai mutlaknya dengan T pada tabel. Atau bisa juga dengan melihat nilai signifikansi yaitu sebesar 0,006 < 0,05 yang berarti signifikan. Terdapat perbedaan yang signifikan antara Sebelum dengan Sesudah. Jika dianalisis lebih lanjut, maka terjadi peningkatan nilainya.

Share:

Perbandingan Output Regresi SPSS dengan AMOS

Membaca judul artikelnya, mungkin ada yang mengernyitkan dahi, kok SPSS dibandingkan dengan AMOS, itu kan beda, Regresi dengan SEM (Structural Equation Modeling). Iya memang itu program yang berbeda, meskipun dalam bendera yang sama yaitu IBM. SPSS sebenarnya mempunyai menu yang jauh lebih banyak dibandingkan dengan AMOS, tetapi untuk statistik inferensial, AMOS memang dikatakan lebih unggul karena mengadopsi metode SEM, di mana SPSS belum dirancang untuk itu.

Artikel ini hanya membandingkan output regresi saja. Khusus regresi saja. Dalam simulasi ini, tidak kami lakukan uji asumsi yang ada, tidak ada uji normalitas dan lain-lain karena hanya untuk membandingkan saja. Mohon jangan dijadikan rujukan. Berikut adalah data yang akan dipergunakan:

Tabulasi Data dengan SPSS Versi 26
Tabulasi Data dengan SPSS Versi 26
Terdiri dari dua buah variabel bebas X1 dan X2 serta 1 buah variabel terikat yaitu Y.  Adapun output regresi T hitung antara X1 terhadap Y adalah sebagai berikut:

Output Regresi dengan SPSS Versi 26
Output Regresi dengan SPSS Versi 26

T hitung adalah sebesar 13,948 atau lebih mendalam, koefisien B sebesar 0,272 dengan Standard Error 0,020 dan Standardized Coefficient sebesar 0,704. Nah untuk AMOS, kita buat path diagram sebagai berikut:

Path Diagram Sederhana dengan AMOS
Path Diagram Sederhana dengan AMOS

X1 sebagai variabel bebas dan Y sebagai variabel terikat dan ada tambahan e sebagai error untuk Y karena memang harus dideklarasikan untuk dapat dilakukan running. Datanya sama seperti pada gambar di atas dengan jumlah sampel sebanyak 200. Hasilnya adalah sebagai berikut: (tidak dilakukan perhitungan asumsi karena hanya contoh saja)
Hasil Running dengan AMOS Unstandardized
Hasil Running dengan AMOS Unstandardized
Tampak bahwa koefisien B adalah sebesar 0,27 yang identik dengan nilai B pada output regresi. Berarti sama kan? Untuk lebih memperjelas, kita lihat output AMOS dengan Standardized yaitu sebagai berikut:

Hasil Running AMOS Standardized
Hasil Running AMOS Standardized
Nilai koefisien Standardized adalah sebesar 0,70 yang identik juga dengan nilai Standardized pada output SPSS. Sedikit berbeda karena memang ada perbedaan setting angka di belakang koma. Apakah dapat disimpulkan bahwa hasilnya sebenarnya sama saja baik dengan SPSSS atau pun dengan AMOS?

Kita coba lihat output AMOS yang berisi nilai t hitung dan parameter yang lain:

Estimate

S.E.

C.R.

P

Label

Y

<---

X1

,272

,019

13,983

***

Tampak bahwa nilai C.R adalah sebesar 13,983 yang juga mendekati nilai T hitung pada SPSS yaitu sebesar 13,948.Sedikit berbeda karena memang pendekatan yang dipergunakan juga berbeda. Semakin banyak jumlah sampel maka semakin mendekati kesamaan nilai keduanya. Itulah mengapa AMOS mensyaratkan sampel yang relatif besar, di atas 100. 

Jadi dalam konteks regesi linear pada SPSS dengan Maximum Likelihood pada AMOS memberikan hasil yang identik. Memang AMOS akan lebih mampu mengestimasi model yang lebih rumit dengan lebih dari 1 variabel terikat. Selain itu, jika menggunakan indikator, maka SPSS hanya akan menghitung jumlah atau rata-rata dari nilai indikatornya. Tetapi AMOS dapat secara langsung melakukan estimasi dari indikator menuju konstruk lalu menuju variabel terikat.

Jadi dalam konteks yang lebih rumit, AMOS akan lebih powerfull dibandingkan dengan SPSS. Bagaimana dengan LISREL? Mungkin kita bahas lain kali.

Share:

Menghitung Nilai F Hitung secara Manual Berdasarkan Output SPSS

Pada artikel yang lalu, kita telah membahas tentang cara menghitung nilai T Hitung pada output SPSS. Ini sebenarnya hanya pengetahuan umum saja, atau bisa juga untuk melihat apakah suatu output telah di ubah secara tidak sah oleh orang lain. Kali ini kita akan mencoba melakukan hal yang sama, tetapi untuk F hitung. Berikut adalah contoh output pada F Hitung dengan SPSS Versi 23.

Gambar Output ANOVA yang Memuat F Hitung
Gambar Output ANOVA yang Memuat F Hitung
Pada gambar di atas, nilai F hitung adalah sebesar 1,649. Berdasarkan output di atas, sebenarnya ini adalah hasil pembagian antara Mean Square pada kolom sebelumnya. Silahkan dihitung 1727,647 : 1047,733 maka hasilnya adalah sekitar 1,649. Mungkin ada sedikit perbedaan karena ada pembulatan jumlah angka di belakang koma. Anda bisa mengubah jumlah angka di belakang koma jika diperlukan, dengan double klik pada output tersebut.

Adapun nilai Mean Square tersebut juga dapat dihitung berdasarkan output di atas. Mean Square adalah pembagian antara Sum of Squares dengan nilai df. Jadi silahkan dicoba dengan kalkulator yang ada yaitu 5182,940 : 3 = 1727,647. Hasilnya akan serupa dengan sedikit perbedaan karena ada pembulatan di belakang koma. Juga 37718,372 : 36 = 1047,733. Harusnya serupa juga. 

Nilai Sum of Squares memang tidak bisa ditampilkan dasar perhitungannya karena terlalu banyak. Sedangkan baris paling bawah, Total, itu adalah penjumlahan dari nilai di atasnya. Sepertinya cukup sederhana dan jelas.
Share:

Cara Membaca F Tabel pada Uji Regresi Linear Berganda dengan SPSS Versi 23

Dalam analisis regresi linear berganda, ada uji yang sagnat akrab kita dengar, yaitu Uji T dan Uji F. Untuk Uji T telah kita bahas di beberapa artikel sebelumnya.  Di sini kita akan membahas tentang Uji F atau tentang cara membaca nilai F Tabel. Uji F adalah uji yang dipergunakan untuk menentukan apakah model dinyatakan layak atau tidak. Sering juga disebut Goodness of Fit. Jika model dinyatakan tidak layak, maka sebenarnya analisis tidak diteruskan dulu dan dilakukan modifikasi dulu agar model menjadi layak, misalnya dengan melakukan transformasi data, menghilangkan data outliers, menambah data, atau bisa juga dengan menambah atau mengurangi variabel penelitian. Point pentingnya adalah bahwa semuanya harus dilakukan berdasarkan telaah teori yang ada.

Sebagai ilustrasi, berikut adalah hasil output Uji F dengan SPSS versi 23.

Output Uji F pada Regresi Linear dengan SPSS Versi 23
Output Uji F pada Regresi Linear dengan SPSS Versi 23
Gambar di atas adalah output Analisis Regresi Linear berganda dengan SPSS Versi 23 dengan 1 buah variabel terikat, yaitu ROE dan 3 buah variabel bebas yaitu LDR, Car dan NPL. Jumlah sampel dalam penelitian adalah 40 buah (ini hanya contoh saja). Hasilnya adalah F hitung sebesar 1,649. Sedangkan nilai F tabel dilihat berdasarkan nilai df. Pada kolom ketiga baris pertama, nilai df adalah 3, yaitu sama dengan jumlah variabel bebas. Sedangkan nilai df pada baris kedua adalah N - Var bebas - 1 atau 40 - 3 - 1 = 36. Jadi diperoleh df1 adalah sebesar 3 dan df2 sebesar 36. Nilai ini dijadikan dasar untuk melihat nilai F tabel seperti gambar di bawah:

Tabel F
Tabel F
Di atas adalah Tabel F dengan Signifikansi sebeasar 0,05 atau 5% (untuk nilai yang lain, ada tabel tersendiri). Nilai df1 ada pada baris pertama di bagian atas, sedangkan df2 ada di kolom pertama bagian kiri tabel. Jadi nilai F tabel bisa dilihat berdasarkan nilai df1 dan df2 atau seperti pada gambar di bawah:

Mencari Nilai F Tabel
Mencari Nilai F Tabel

Nilainya adalah sebesar 2,85. Jadi tampak bahwa F tabel > F hitung (atau F hitung < F tabel) atau 2,85 < 1,649. Sehingga dinyatakan bahwa model tidak layak.Hal ini juga tampak dengan jelas dari nilai Sig. yaitu sebesar 0,195 > 0,05 yang berarti tidak layak. 

Ini hanya sekedar contoh, untuk Tabel dengan Signifikansi selain 0,05 Anda bisa mendapatkannya di buku-buku statistik yang Anda punyai.
Share:

Uji Reliabilitas Split-Half dengan SPSS Versi 23

Uji reliabilitas adalah untuk melihat apakah suatu instrumen (rangkaian kuesioner) cukup dapat dipercaya untuk digunakan sebagai sarana untuk mengumpulkan data. Kuesinoer yang baik tidak akan bersifat tendensius atau mengarahkan responden untuk memilih jawaban-jawaban tertentu. Salah satu metode yang akan dibahas di artikel ini adalah uji reliabilitas menggunakan rumus Spearman-Brown atau juga sering disebut dengan Split-half.

Dari namanya, split-half sepertinya sudah bisa  dikira-kira atau ditebak bahwa metode ini membagi data menjadi dua bagian (atau setengahnya). Iya memang benar. Metode ini memang dilakukan dengan membelah atau membagi dua jawaban-jawaban yang telah diberikan oleh responden lalu diuji reliabilitasnya. Cara membelahnya memang tidak ada aturan pasti, bisa diambil setengah di awal dan setengah akhir, atau nomor indikator yang genap dengan yang ganjil. Setelah itu kedua data tadi dicari korelasinya, lalu hasil korelasinya dimasukkan ke dalam persamaan Spearman-Brown, yaitu sebagai berikut:

Rumus Reliabilitas Spearman Brown
Rumus Reliabilitas Spearman-Brown

Dengan r11 adalah reliabilitas yang dicari dan r1/2 adalah korelasi antara belahan pertama dengan belahan kedua. Korelasi tersebut dihitung dengan Korelasi Pearson.

Sebagai ilustrasi, perhatikan tampilan SPSS Versi 23 berikut:

Menu Uji Reliabilitas
Menu Uji Reliabilitas

Klik menu Analyze, lalu pilih pada Scale, arahkan kursor pada Reliability Analysis, setelah klik, maka akan diarahkan ke menu sebagai berikut:

Menu Split-Half
Menu Split-Half

Masukan indikator X11 sampai dengan X16 ke box di sebelah kanan. Lalu pilih sub menu Model di kiri bawah. Paling atas model adalah Cronbach Alpha, yang mungkin lebih populer. Lalu di bawahnya ada pilihan Split half, klik di situ lalu klik OK.

Maka akan keluar Output sebagai berikut:

Output Uji Reliabilitas dengan Split-Half
Output Uji Reliabilitas dengan Split-Half

Baris atas pada output adalah nilai Cronbach's Alpha yaitu sebesar 0,529 untuk part 1 (belahan pertama) dan sebesar 0,283 untuk part 2. Untuk N of items, maka ada nilai  a3 yang berarti bahwa kelompok pertama adalah x11, x12 dan x13, lihat di bawah kiri tabel. Anda akan dengan mudah menentukan bahwa belahan kedua adalah x14, x15 dan x16. Defaultnya memang belahan seperti itu. 

Lalu ada Correlation Between Forms, di mana bisa dipastikan bahwa itu adalah nilai korelasi pearson antara belahan pertama dan kedua. Baris berikutnya adalah nilai r11 atau Spearman-Brown Coefficient yaitu sebesar 0,692. Jadi jika Anda menggunakan batas 0,6 maka model telah dinyatakan reliabel.

Mungkin ada pertanyaan, itu Equal Length dan Unequal apa ya? Itu nilainya kok sama. Nah, kedua nilai itu akan berguna jika jumlah indikator adalah ganjil. Sebagai contoh, kita ambil 5 indikator saja sehingga outputnya akan sebagai berikut:

Output Uji Reliabilitas Jumlah Indikator Ganjil
Output Uji Reliabilitas Jumlah Indikator Ganjil

Tampak bahwa nilai Alpha part 1 adalah sama yaitu sebesar 0,529. Akan tetapi, untuk part 2 menjadi berbeda yaitu (bahkan negatif) -0,085. Part 2 hanya terdiri dari 2 indikator saja yaitu x14 dan x15. Korelasi antara kedua belahan itu adalah sebesar 0,405. Nilai Equal adalah jika dianggap part 2 terdiri dari 3 indikator juga yaitu x13, x14 dan x15. Jadi x13 digunakan dua kali untuk kedua belahan. Sepertinya di sini sudah ada clue yang jelas. OK.

Mungkin masih ada pertanyaan, apakah bisa membelah dengan menggunakan indikator ganjil dan genap. Tentu saja bisa. Untuk hasilnya mungkin bisa berbeda. Terus kita harus menggunakan yang mana? Menurut pendapat para ahli, karena ini hanya metode, maka kita bisa menggunakan hasil yang terbaik. Ini seperti banyaknya metode uji normalitas, kita mau pakai yang mana. Jadi jika metode ganjil genap memberikan hasil yang lebih baik, silahkan dipergunakan. Untuk mencobanya, Anda bisa menggunakan Uji Reliabilitas Split Half dengan Microsoft Excel.
Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *