Tampilkan postingan dengan label Uji Validitas dan Reliabilitas. Tampilkan semua postingan
Tampilkan postingan dengan label Uji Validitas dan Reliabilitas. Tampilkan semua postingan

Uji Validitas

Uji validitas adalah uji untuk menentukan apakah rangkaian kuesioner yang dipergunakan mampu mengukur apa yang ingin diukur. Ilustrasinya adalah bahwa timbangan valid untuk mengukur berat badan, tetapi tidak valid untuk mengukur tinggi badan. Demikian juga, meteran valid untuk mengukur panjang suatu benda, tetapi tidak valid untuk mengukur suhu suatu benda. Sepertinya sangat sepele, tetapi ini sering memusingkan banyak mahasiswa. Dalam artikel ini kita akan membahas tentang uji validitas saja, tidak terkait langsung dengan bahasan tentang uji reliabilitas, meskipun keduanya adalah dua uji yang harus dilakukan pada suatu rangkaian kuesioner.


Daftar Isi

  1. Pendahuluan
  2. Apa yang terjadi jika kuesioner tidak valid
  3. Metode pengujian validitas
  4. Validitas dan Reliabilitas


Pendahuluan

Dalam suatu penelitian (terutama kuantitatif) maka kita akan berhadapan dengan variabel. Variabel adalah sesuatu yang abstrak, berbeda dengan benda seperti mobil, meja, rumah dan lain-lain. Misalnya variabel motivasi kerja. Kita akan sulit untuk mengukur motivasi kerja seorang karyawan karena tidak ada alat ukur yang secara langsung menentukan seberapa motivasi kerja karyawan tersebut. Berbeda dengan meja, kita bisa dengan langsung mengukur tinggi, atau berat meja tersebut. Konsep kecepatan pun bisa kita ukur secara langsung. Tetapi motivasi kerja tidak demikian.

Kita harus mempunyai suatu set alat ukur yang mampu mengukur motivasi kerja (atau variabel yang lain). Di sinilah kita akan mencoba menyusun berbagai pertanyaan yang akan diberikan kepada karyawan (subjek penelitian) agar kita dapat mengukur tinggi rendahnya motivasi kerja karyawan tersebut. Kita tidak bisa secara sembarangan menentukan item atau indikator yang dijadikan pertanyaan. Harus ada teori yang lengkap atau dasar pertimbangan yang logis.

Sebagai ilustrasi, kita akan mengukur sosial ekonomi seseorang (ini hanya contoh saja, mohon jangan fokus ke contohnya). Maka kita bisa menggunakan pertanyaan berapa gajinya, berapa luas rumahnya, berapa banyak mobilnya (atau silahkan yang lain). Tetapi mungkin kurang cocok jika kita menggunakan pertanyaan tentang berapa jumlah anaknya. Ini hanya contoh saja.

Atau mungkin kita ingin mengukur tingkat kegantengan seseorang. Mungkin kita bisa menggunakan indikator apakah ceweknya cantik atau tidak, apakah sering main sinetron, atau kah seberapa sering menjadi bintang iklan, atau seberapa jumlah like yang diperoleh ketika memposting selfie di Instagram atau sosial media yang lain. Mungkin akan terjadi perdebatan, banyak kok, orang yang tidak ganteng tetapi main sinetron terus. Ini masuk akal. Atau banyak kok orang yang jelek tetapi sering mendapatkan tawaran iklan. Nah, di sinilah tinjauan teori sangat penting agar indikator yang dipergunakan tidak salah. Kalau indikator yang dipergunakan salah, maka kuesioner tersebut tidak valid atau tidak mampu mengukur apa yang ingin diukur. Ujungnya adalah hasil penelitian kita akan bias.

Mudah-mudahan sudah jelas. Lalu ada pertanyaan, lho, ganteng atau tidaknya kan bisa dilihat secara langsung, misalnya hidung mancung, kulit wajah mulus atau yang lain. Nah, memang benar. Jika kita membahas lebih lanjut, maka di Partial Least Square, kita akan mengenal indikator reflektif dan indikator formatif. Apa itu? Bayangkan indikator reflektif adalah akibat dari konsep yang kita bentuk atau kita ukur, misalnya wajah ganteng. Maka akibat ganteng adalah disukai mertua, sering main sinetron atau sering main iklan. Arah anak panah adalah dari konstruk menuju kepada indikatornya. Sedangkan indikator formatif adalah ciri-ciri atau yang menjadi penyebab dari konstruk, misalnya hidung mancung, kulit mulus, dagu lancip dan lain-lain. Indikator reflektif akan saling berkorelasi, sedangkan indikator formatif tidak berkorelasi satu sama lain. Coba bayangkan saja :)


Apa yang terjadi jika kuesioner tidak valid

Tentunya mudah kita jawab yaitu bahwa kuesioner tersebut tidak mampu mengukur apa yang ingin diukur. Hasil pengukuran dengan kuesioner tersebut bias, sehingga tidak layak dipergunakan sebagai sumber data. Banyak sekali yang tidak sadar melakukan hal ini dalam penelitiannya. Menggunakan rangkaian kuesioner yang sudah valid, lalu dipergunakan dan ketika diuji tidak valid lalu menjadi bingung.

Coba bayangkan, sebuah timbangan yang sangat valid dipergunakan untuk mengukur berat badan seseorang, apakah valid dipergunakan untuk menimbang bumbu dalam sebuah resep. Tentunya tidak. Ini juga yang sering kejadian dalam penelitian. Ketika ada kuesioner sudah valid dipergunakan untuk mengukur motivasi manajer pada suatu penelitian, belum tentu valid dipergunakan untuk mengukur motivasi kerja staf. MANAJER dan STAF tentunya mempunyai karakteristik yang berbeda, harapan yang berbeda dan juga standar hidup yang berbeda. Jadi rangkaian kuesioner yang sudah valid pun perlu diuji lagi ketika ada peneliti yang menggunakan dalam konsep penelitian yang berbeda.

Lalu bagaimana menyusun rangkaian kuesioner yang tepat? Selalu gunakan teori yang ada. Jangan asal comot dari contoh kuesioner, tetapi tinjaulah terlebih dahulu apakah dasar teorinya sesuai dengan rancangan penelitian yang ada. Setelah itu uji validitas dan jika ada item yang tidak valid, bisa dikeluarkan dari model penelitian, lalu coba diuji lagi. Demikian seterusnya sampai tersisa item yang semuanya valid. Banyak peneliti yang menggunakan dua atau tiga indikator saja, sehingga ketika tidak valid jadi bingung karena jika dikeluarkan menjadi habis indikatornya. So..gunakan indikator yang cukup banyak sehingga kita bisa mengeliminir indikator yang tidak valid. Bagaimana jika terlanjur menggunakan indikator sedikit, ya tidak ada kata terlanjur, silahkan dikoreksi lagi. Waktunya tidak cukup kak....lha....artikel ini tentang uji validitas bukan artikel untuk konsultasi atau bimbingan seperti itu.


Metode pengujian validitas

Ada banyak uji validitas dan hampir semua telah dibahas di blog ini. Silahkan klik di navigasi di atas dan pilihlah metode yang diinginkan.

Navigasi Uji Validitas

Metode yang sering dipergunakan adalah dengan Korelasi Pearson. Anda dapat melakukan uji dengan Pearson menggunakan SPSS atau pun dengan Excel. Dengan metode Pearson, maka sebuah indikator akan diukur dua kali, yaitu sebagai korelasi dan satunya sebagai jumah dari total indikator yang ada. Oleh karena itu, ada metode untuk mengurangi efek spurious overlap tersebut dengan Item to total correlation. Bisa dilakukan dengan SPSS bisa juga dengan Excel. Dengan metode ini, maka hasilnya akan lebih rendah karena mengurangi efek pengukuran dua kali tersebut.

Analisis faktor juga bisa dipergunakan sebagai uji validitas. Penggunaan dengan Excel masih agak kesulitan sehingga disarankan dengan SPSS saja. Uji validitas dalam Structural Equation Modeling bisa menggunakan loading factor atau jika indikator formatif bisa menggunakan T hitung.


Validitas dan Reliabilitas

Validitas sangat sering disandingkan dengan kata reliabilitas. Keduanya memang uji yang sering dipergunakan pada rangkaian kuesioner. Akan tetapi keduanya adalah hal yang berbeda dan tidak berkaitan secara langsung. Maksudnya, kuesioner yang sudah valid tidak serta merta pasti reliabel. Banyak kasus, rangkaian kuesioner yang sudah valid, ketika diuji ternyata tidak reliabel. Ini wajar saja, tidak usah bingung dan bertanya-tanya bisa terjadi. Silahkan dimodifikasi agar reliabel, misalnya mengeluarkan indikator yang menjadikan tidak reliabel. Setelah itu jangan lupa diuji lagi validitasnya, karena rangkaian kuesioner yang reliabel pun belum tentu valid. Jadi bolak-balik ya, jangan bosan.

Rangkaian kuesioner harus valid dan reliabel, tidak bisa salah satu saja ya. Dan setelah valid dan reliabel, juga jangan bingung kenapa hipotesis tidak diterima. Ini hal yang berbeda dan tidak ada keterkaitan secara langsung, dalam arti kuesioner yang valid pasti hipotesisnya diterima. Tidak ada ketentuan demikian.

Share:

Justifikasi Uji Validitas SPSS dengan R Tabel

Uji validitas (juga reliabilitas) perlu dilakukan untuk kuesioner yang berisi pertanyaan tentang respons. Jadi kalau berisi pertanyaan tentang fakta atua data tidak perlu diuji validitas dan reliabilitasnya, misalnya pertanyaan tentang nama, alamat, usia, pekerjaan, jenis kelamin dan sejenisnya. Jika Anda tidak yakin dengan jawaban yang diberikan oleh responden, Anda bisa melakukan pengecekan (bisa juga disebut uji validitas) dengan melihat data atau fakta yang lain, bukan dengan perhitungan. Misalnya Anda mengecek jawaban gaji dari seorang responden ke HRD perusahaan tersebut.

Kali ini kita akan melakukan simulasi uji validitas dengan membandingkannya dengan R Tabel. R Tabel berisi nilai tetapan kritis atau batas untuk menentukan apakah nilai R tersebut valid atau tidak. Kali ini simulasi uji validitas dengan 40 responden dan 8 indikator. Cara uji validitas dengan SPSS bisa Anda simak di sini. Berikut adalah output untuk uji validitas dengan SPSS Versi 23:

Output Uji Validitas dengan SPSS Versi 23

Tabel di atas memuat tiga parameter, yaitu Korelasi Pearson, Signifikansi dan Jumlah responden. Untuk memberikan justifikasi valid atau tidak, maka diperlukan nilai R Tabel untuk menentukannya. Berikut adalah Tabel R yang bisa Anda dapatkan di buku statistik yang Anda punyai:

Tabel R untuk 5% dan 1%
Tabel di atas memuat nilai R kritis antara df 1 sampai dengan 1000. Kita menggunakan dua arah sehingga df = N - 2 = 40 - 2 = 38 dan kita peroleh nilai R Tabel sebesar 0,320. Nilai ini menjadi nilai kritis bagi hasil output perhitungan dengan SPSS.

Tampak bahwa ada dua indikator yang tidak valid, yaitu indikator X2 (0,132) dan X7  (0,205) karena nilai R hitung < R tabel. Jadi keduanya dikeluarkan dari model penelitian. Setelah itu diuji lagi validitasnya dan memperoleh hasil sebagai berikut:

Uji Validitas tanpa Indiaktor yang Tidak Valid
Dengan mengeluarkan indikator X2 dan X7 maka skor total (kolom paling kanan) juga harus dikurangi kedua indikator tersebut. Hasilnya tidak ada indikator yang mempunyai korelasi Pearson di bawah R tabel (0,320) yang berarti semua indikator telah valid. Silahkan dilanjutkan dengan uji reliabilitas atau atau uji yang lain.

Ada sangat banyak pertanyaan, lalu yang dipergunakan untuk uji selanjutnya data yang mana? Yang awal (8 indikator) atau yang 6 indikator (tanpa X2 dan X7). Jawabannya juga sudah banyak. Buat apa repot-repot mengeluarkan data yang tidak valid kalau toh akan dipergunakan lagi diuji berikutnya. :)


Jika memerlukan data untuk simulasi di atas silahkan download via akun G mail Anda di Google Drive.

Share:

Uji Validitas SPSS pada Skala Guttman

Ada banyak pertanyaan di kolom komentar yang menanyakan apakah kuesioner dengan Skala Guttman bisa diuji validitas dengan Korelasi Pearson? Atau ada juga yang senada yang menanyakan jika menggunakan Skala Guttman uji validitas apa yang bisa dipergunakan. Sebenarnya di kolom komentar tersebut sudah ada jawaban dari kami, tapi kadang terlewatkan sehingga muncul pertanyaan yang serupa.

Pertama adalah definisi Skala Guttman. Secara ringkas Skala Guttman adalah skala pada kuesioner yang menggunakan jawaban 0 dan 1. Ringkas dan tegas. Jika iya di koding 1 dan jika tidak di koding 0. Ini respons, kita tidak bisa menyatakan bahwa 1 > 0. Ada juga yang mengatakan dummy. Apakah kuesioner seperti ini bisa diuji validitasnya dengan Korelasi Pearson atau Product Moment? Iya bisa. Banyak ahli yang menyatakan bisa. Lakukan seperti biasa saja, mengkorelasikan item tersebut dengan skor totalnya. Berikut kita berikan simulasinya dengan data yang bisa Anda download di sini dengan G Drive.

Simulasi ini menggunakan 7 indikator dan kolom paling kanan adalah jumlah skor dari ketujuh indikator tersebut.

Menu Uji Validitas dengan Korelasi Pearson

Pilih Analyze, pilih Correlate lalu klik pada Bivariate seperti pada gambar di atas. Maka kita akan diarahkan ke menu korelasi. Masukkan ketujuh indikator beserta dengan jumlahnya ke dalam Box Variables. Ingat jangan lupa memasukkan jumlah skor indikator, karena konsepnya adalah mencari korelasi antara masing-masing indikator dengan skor totalnya.
Memasukkan Masing-masing Indikator dan Skor Total

Setelah itu Klik OK sehingga akan keluar output sebagai berikut:
Output Uji Validitas SPSS dengan Skala Guttman

Pada output di atas, sebenarnya yang dipergunakan hanya kolom paling kanan, yatu korelasi antara indikator dengan skor totalnya. Output yang lain tidak dipergunakan sebagai justifikasi. Kita bisa menghilangkan kolom yang lain atau meng-Hide-nya sehingga akan muncul output yang lebih sederhana yaitu sebagai berikut:
Output Uji Validitas dengan Korelasi Pearson

Tampak bahwa semua indikator adalah signifikan dengan signifikansi < 0,05 kecuali indikator X1 dengan signifikansi sebesar 0,733 > 0,05. Indikator X1 tidak valid. Lalu apa yang kita lakukan? Langkah yang paling sederhana adalah mengeluarkan indikator tersebut. Anda tinggal mengeluarkan atau tidak menggunakan indikator X1 dalam perhitungan selanjutnya. Ingat jumlahnya juga akan berubah karena X1 tidak dipergunakan lagi. Setelah itu silahkan lakukan uji validitas lagi seperti awal. Lihat hasilnya, jika sudah valid semua berarti sudah selesai. Tetapi jika masih ada yang tidak valid yang dikeluarkan saja dengan cara yang sama, sampai semuanya valid. Simulasi cara mengatasi angket yang tidak valid ada di sini.

Untuk selanjutnya, untuk uji reliabilitas, banyak ahli yang menyatakan bahwa Skala Guttman tidak bisa menggunakan Alpha Cronbach. Tapi jangan khawatir, karena masih banyak uji yang lain, salah satunya adalah dengan Split Half. Kita sudah buat simulasinya uji reliabilitas Split-Half di sini.

Untuk uji reliabilitas, indikator X1 dipergunakan atau tidak? Tentunya jawabannya sederhana, tidak. Mengapa harus dipertanyakan. Buat apa susah-susah mencari yang tidak valid, mengeluarkannya dari model penelitian, kok lalu dimasukkan lagi diuji berikutnya. Hal serupa juga berlaku untuk uji yang lain, misalnya trimming data untuk uji asumsi klasik. Setelah model ditransformasikan, lalu model yang dipergunakan yang mana? Yang awal atau yang ditransformasikan?Tentu model yang terbaik
Share:

Contoh Uji Reliabilitas: Apa yang harus dilakukan jika data tidak reliabel?

Uji reliabilitas adalah untuk melihat apakah suatu rangkaian kuesioner memberikan hasil yang serupa jika diberikan kepada sampel yang berbeda. Sering disebut sebagai kehandalan suatu kuesioner. Uji Reliabilitas biasanya terkait secara langsung dengan uji validitas. Di artikel ini kita akan membahas simulasi uji reliabilitas Alpha Cronbach dengan SPSS Versi 23. Berikut adalah simulasi dari 80 responden dengan 12 item indikator:

Contoh Tabulasi 80 responden dengan 12 Item Kuesioner
Pilih Analyze, lalu pilih Scale dan klik pada Reliability Analysis seperti pada gambar di bawah:

Menu Uji Reliabilitas pada SPSS Versi 23
Maka program akan mengarahkan ke menu uji reliabilitas. Masukkan indikator X1 sampai dengan X12 ke box di sebelah kanan. Pastikan di kiri bawah adalah Alpha. 

Memasukkan Indikator

Lalu klik pada Statistic di kanan atas sehingga akan diarahkan lagi ke sub menu sebagai berikut:

Sub Menu Uji Reliabilitas dengan SPSS Versi 23
Berikan tanda centang pada Item dan Scale if Item Deleted, lalu klik Continue dan OK sehingga akan keluar output uji reliabilitas sebagai berikut:

Output Uji Reliabilitas
Tampak bahwa nilai Cronbach's Alpha adalah sebesar 0,564 yang masih di bawah nilai yang diharapkan yaitu sebesar 0,6. Untuk mendapatkan nilai yang diharapkan, dapat dilihat pada output di Item-Total Statistics seperti di bawah ini:
Panduan untuk mengeluarkan item yang tidak reliabel
Pada kolom paling kanan tertulis Cronbach's Alpha if Item Deleted. Jadi sudah jelas sekali bahwa jika item tersebut dikeluarkan dari model maka akan didapatkan nilai Cronbach's Alpha yang baru. Misal jika X1 dikeluarkan dari model penelitian, maka nilai Alpha yang baru adalah 0,446. Ini masih jauh di bawah 0,6. Demikian seterusnya kita cari indikator yang jika dikeluarkan maka diperoleh nilai Alpha di atas 0,6. Kita peroleh indikator X8. Jika kita keluarkan maka nilai Alpha yang baru (tanpa indikator X8) adalah sebesar 0,745. Coba kita run ulang tanpa indikator X8 dan hasilnya adalah sebagai berikut:
Nilai Alpha tanpa indikator X8
Tampak bahwa nilai Alpha yang baru adalah sebesar 0,745 sesuai dengan tabel yang di atasnya. Nilai ini sudah memenuhi syarat karena di atas 0,6 sehingga rangkaian kuesioner dapat dinyatakan reliabel. Sedangkan output Item to Total Statistics menjadi sebagai berikut:

Output Item-Total Statistics
Tampak bahwa indikator X8 sudah tidak ada. Lebih lanjut, sebenarnya kolom Corrected Item-Total Correlation adalah output untuk uji validitas. Coba Anda simak lebih lanjut.

Sebagai penutup, ada dua pertanyaan yang kami tidak akan jawab, tetapi Anda bisa mencari jawabannya sendiri: 1) Mengapa jika hanya ada 1 indikator maka nilai Cronbach Alpha tidak muncul; dan 2) Mengapa jika hanya menggunakan 2 indikator maka nilai Cronbach's Alpha if Item Deleted juga tidak muncul?

Saya yakin Anda sangat paham dengan jawabannya.

Share:

Cara Mengatasi Angket yang Tidak Valid dengan SPSS Versi 23

Beberapa pertanyaan masuk ke kolom komentar, yang kurang lebih isinya adalah, Bagaimana jika angket saya tidak valid? Atau apa yang harus dilakukan jika angket tidak valid, atau kurang lebih seperti itu. Pertanyaan serupa juga bisa terjadi pada uji reliabilitas, jadi, apa yang harus dilakukan jika angket yang disebarkan kepada responden tidak reliabel? 

Sebenarnya jawabannya sederhana dan sudah diketahui oleh penanya. Jika indikatornya relatif banyak, tinggal dikeluarkan item yang tidak valid. Demikian seterusnya sampai semuanya valid. Para penanya biasanya menghindari jawaban yang menyatakan untuk mengulang penyebaran kuesioner :) Jadi jika bisa dikeluarkan yang dikeluarkan saja yang tidak valid. Masalahnya adalah bahwa item yang digunakan sedikit atau sangat sedikit dalam satu konstruk atau variabel. Misalnya mereka hanya menggunakan 2 atau 3 indikator saja, sehingga jika dikeluarkan tentunya akan habis.... Nah di sini banyak penanya yang mencari solusi untuk itu.

Dalam artikel ini akan digunakan variabel X dengan 8 indikator yaitu X1, X2, X3, X4, X5, X6, X7 dan X8. Angket disebarankan kepada 50 responden lalu diuji validitasnya. Pengujian validitas dengan metode Korelasi Pearson dengan alat bantu SPSS Versi 23. Adapun outputnya adalah sebagai berikut:

Output Uji Validitas Pearson dengan SPSS Versi 23

Tampak bahwa ada 2 indikator yang tidak signifikan atau tidak valid, yaitu indikator X2 dan X7. Maka X2 kita keluarkan dulu karena R hitungnya lebih kecil dari pada X7. Setelah X2 dikeluarkan, maka hati-hati, skor totalnya juga harus kita revisi bukan penjumlahan dari X1 sd X8 tetapi dikurangi dengan X2. Hasilnya adalah sebagai berikut:

Uji Validitas tanpa Indikator X2

Indikator X7 ternyata masih tidak valid pada 5% meskipun sebenarnya masih masuk pada taraf 10%. Kita keluarkan indikator X7 dan skor totalnya juga harus dikurangi dengan skor X7, hati-hati ini kadang terlewat sehingga hasilnya kurang tepat. 
Hasil Uji Validitas
Tampak bahwa semua indikator telah signifikan yang juga berarti valid. Dengan demikian, dengan mengeluarkan indikator X2 dan X7 maka semua uji validitas telah terpenuhi. Anda juga dapat menggunakan Microsoft Excel untuk menguji Validitas dengan Pearson.

Hal serupa juga bisa dilakukan dengan metode Corrected Item to Total Correlation. Hasil output pertama adalah sebagai berikut:
Uji Validitas Corrected Item to Total Correlation dengan SPSS Versi 23

Tampak bahwa pada kolom kedua dari kanan, indikator X2 mempunyai nilai negatif, sedangkan X7 positif tetapi nilainya sangat kecil. Nilai ini dibandingkan dengan R yang terdapat pada Tabel. Maka kita keluarkan dulu indikator X2. Kita tidak perlu menghitung skor total dengan metode ini jadi lebih terhindar dari kesalahan, dan nilai R pun sudah dikoreksi dari efek spurious over lap. Hasil uji validitas tanpa indikator X2 adalah sebagai berikut:

Uji Validitas Tanpa Indikator X2

Tampak bahwa indikator X7 masih tidak valid dengan R koreksi sebesar 0,73. Kita keluarkan lagi sehingga memberikan hasil uji validitas sebagai berikut:

Hasil Uji Validitas

Tampak bahwa semua indikator telah valid. Dengan menggunakan metode ini, kita juga langsung dapat memperoleh nilai Cronbach Alpha atau uji reliabilitasnya jika diperlukan. Anda juga dapat menggunakan Excel untuk menguji Corrected Item To Total Correlation.

Demikian salah satu cara yang dapat dilakukan jika angket yang kita sebarkan tidak valid. Tentu ada cara lain, misalnya Anda menyebar ulang jika ada pendapat yang menyatakan bahwa responden yang digunakan tidak sesuai dengan kriteria penelitian. 
Share:

Uji Validitas Corrected Item to Total Correlation dengan Microsoft Excel

Uji validitas adalah untuk melihat apakah rangkaian kuesioner yang dipergunakan mampu mengukur apa yang ingin diukur oleh peneliti. Sebagai contoh, sebuah timbangan tentunya tidak valid untuk mengukur tinggi badan seseorang. Ketika seorang peneliti ingin mengukur motivasi seorang karyawan, maka memang tidak alat ukur yang dapat dikenakan kepada subjek yang diteliti. Peneliti akan menggunakan rangkaian pertanyaan atau kuesioner yang diberikan kepada subjek, baik secara lisan maupun tertulis.

Berbagai uji validitas telah kita bahas di blog ini, baik uji validitas dengan Korelasi Pearson, Corrected Item to Total Correlation, maupun dengan Analisis Faktor. Artikel kami ini akan berisi tentang Uji validitas dengan Corrected Item to Total Correlation, tetapi menggunakan Microsoft Excel. 

Contoh Tabulasi Data Hasil Kuesioner
Konsepnya adalah bahwa pengukuran dengan Pearson akan mengakibatkan Spurious overlap, yaitu pengukuran yang double dalam satu indikator. Validitas Indikator X1 diukur dengan mengkorelasikan indikator X1 tersebut dengan jumlah dari semua indikator, atau X1 + X2 + X3 + X4 sehingga X1 akan diukur dua kali. Semakin tinggi skor X1 cenderung memberikan hasil pengukuran yang tinggi pula. Oleh karena itu koreksinya juga sederhana yaitu mengeluarkan indikator X1 dari skor total. Jadi validitas X1 diukur dengan mengkorelasikan indikator X1 dengan Skor total yang telah dikurangi X1.

Mencari Skor Koreksi = Skor total dikurangi indikator
Langkah pertama mencari nilai koreksi yaitu mengurangkan skor total (kolom F) dengan indikatornya atau bisa dihitung dengan F7-B7 untuk indikator X1, F7-X7 untuk indikator X2 dan seterusnya. Tinggal dicopy ke bawah sehingga seperti tampak pada gambar di atas. 

Setelah itu tinggal dikorelasikan antara X1 dengan skor koreksi dengan Pearson.

Mencari Korelasi Pearson dengan Formula Pearson
Tampak bahwa nilainya adalah sebesar 0,059 atau sangat rendah atau tidak valid. Formulanya adalah =PEARSON(B7:B36;G7:G36) untuk X1

Bandingkan dengan nilai Validitas dengan Pearson tanpa koreksi.

Perbandingan Uji Validitas Pearson dengan Corrected
Tanpa bahwa selisihnya sangat besar dari valid menjadi tidak valid. Bisa Anda pertimbangkan untuk mempergunakan Corrected Item to Total Correlation dalam uji validitas Anda.

Share:

Uji Reliabilitas Cronbach Alpha dengan Microsoft Excel

Uji Relibilitas adalah untuk melihat apakah suatu rangkaian kuesioner dapat dipercaya sebagai alat ukur suatu variabel yang ingin diukur oleh peneliti. Kuesioner yang reliabel tidak bias, dalam arti jika dipergunakan untuk mengukur suatu subjek yang lain akan memberikan hasil yang kurang lebih sama atau konsisten. Salah satu metode yang populer adalah uji reliabilitas dengan Cronbach Alpha. Artikel ini juga membahas hal yang sama, hanya menggunakan alat bantu Microsoft Excel, bukan dengan SPSS yang sudah sering dipergunakan.

Berikut adalah simulasi data dari 20 responden dengan 5 butir pertanyaan dalam suatu rangkaian kuesioner. Ini hanya contoh, menggunakan responden lebih dari 20 akan lebih baik.

Gambar Simulasi Data untuk Uji Reliabilitas Cronbach Alpha
Dari 20 responden tersebut, silahkan dicari jumlah masing-masing indikator dari masing-masing responde. Ini sangat sederhana. Anda bisa menggunakan formula + biasa atau menggunakan formula SUM. Dibuat kolom tersendiri di kolom paling kanan, diberikan judul X, atau nama variabel yang akan diukur. 

Langkah berikutnya adalah mencari Varians dari masing-masing indikator, termasuk jumlah dari seluruh indikatornya. Perhitungan varians dengan Microsofit Excel sudah kita bahas sebelumnya. Karena keseluruhan responden (20 responden) maka gunakan formula =VARP(B7:B26) untuk Indikator 1. Ingat gunakan VARP bukan VAR saja karena akan memberikan hasil yang berbeda. VAR akan menggunakan formula responden dikurangi 1 atau pembaginya adalah 19. 

Gambar Uji Reliabilitas Cronbach Alpha dengan Excel
Lakukan kepada seluruh indikator, sampai juga dengan jumlahnya. Setelah itu jumlahkan nilai varians pada seluruh indikator, dan hasilnya adalah sebesar 2,108 ada di kanan bawah. Gunakan menu + biasa. Setelah itu Cronbach Alpha dihitung dengan persamaan sebagai berikut:

Dengan k adalah jumlah indikator yaitu 5. Sedangkan formula   adalah pembagian antara jumlah varians masing-masing indikator yaitu 2,108 dibagi dengan varians dari skor total yaitu 4,188 sehingga diperoleh hasil 

Anda bisa melakukan cross check dengan menggunakan SPSS dan hasilnya juga sama yaitu sebesar 0,621. Sekali lagi, kelebihan dari Excel adalah jika salah satu data diganti, maka hasil perhitungan reliabilitas juga akan langsung menyesuaikan. 

SELAMAT MENCOBA.

Share:

Uji Validitas dengan Korelasi Pearson Menggunakan Microsoft Excel

Uji validitas dan reliabilitas dipergunakan untuk melihat apakah suatu rangkaian kuesioner yang akan dipergunakan layak atau tidak dipergunakan sebagai alat untuk mengukur variabel yang ingin diukur. Jika tidak lolos uji validitas dan reliabilitas, maka rangkain kuesioner tersebut tidak dapat dipergunakan sebagai alat untuk mengukur variabel yang akan diukur.

Salah satu metode uji validitas yang sangat populer adalah dengan Korelasi Pearsong atau seirng juga disebut dengan Produtc Moment. Kita bisa menggunakan alat bantu seperti Program SPSS, tetapi sebenarnya bisa juga menggunakan Microsoft Excel. Berikut adalah simulasi untuk menguji validitas suatu kuesioer dengan Excel.

Gambar 1 Contoh Data Kuesioner


Gambar di atas adalah contoh kuesioner dengan 4 indikator (X1, X2, X3 dan X4) dengan 20 responden. Ini hanya contoh agar bisa masuk dalam satu screen shot. Sangat disarankan untuk menggunakan lebih dari 20 responde untuk penelitian yang sebenarnya..

Langkah pertama adalah menjumlahkan skor dari masing-masing responden, dan ditampilkan pada kolom yang paling kanan. Silahkan gunakan menu SUM untuk mencari jumlah. Di contoh menggunakan formula =SUM(B6:E6) untuk responden nomor 1 dan hasilnya adalah 17. 

Setelah itu pada Cell B27 kita masukkan rumus untuk mencari korelasi Pearson. Silahkan simak di sini untuk menyimak tentang Korelasi Pearson dengan Excel. Formulanya adalah:

=PEARSON(B6:B25;$F$6:$F$25)

Berarti mencari korelasi antara urutan data dari Cell B6 sampai dengan B25 (X1) dengan urutan data dari Cell F6 sampai dengan F25 (Jumlah). Tanda $ yang mengapit F adalah untuk menjaga agar jika di copas tidak ikut bergeser. Untuk Cell B tidak perlu karena memang akan bergeser ke C, D dan seterusnya. 

Gambar 2 Contoh Korelasi Pearson X1 dengan Jumlah


Haslinya adalah 0,410 yang merupakan R atau korelasi Pearson antara X1 dengan Skor totalnya. Nilai ini tinggal dibandingkan dengan nilai R tabel pada signifikansi 5%. Klik di sini untuk artikel tentang cara melihat nilai R pada tabel. Hasilnya adalah 0,444. Tampak bahwa R hitung < R tabel atau 0,410 < 0,444 yang berarti tidak valid. Indikator X1 dinyatakan tidak valid.

Anda bisa mengcopas formula pada Cell B27 tersebut ke Cell C27 sampai dengan F27 sehingga diperoleh nilai validitas untuk semua butir indikator. 

Gambar 3 Nilai R untuk semua Indikator

Tampak bahwa yang valid hanya indikator X4 saja dengan R sebesar 0,446. Jika dilakukan dengan SPSS, maka hasilnya adalah sebagai berikut:

Gambar 4 Output dengan SPSS

Tampak bahwa hasilnya adalah identik. Dari output SPSS maka yang valid adalah indikator X4 karena mempunyai signifikansi sebesar 0,049 < 0,05.

Salah satu keunikan dengan Microsoft Excel adalah kita dapat mengedit dengan mudah nilai R. Sebagai contoh, ketika kita salah input untuk jawaban responden 1 untuk indikator X1 yaitu 4 pada yang benar adalah 5, kita tinggal mengganti saja, dan R otomatis akan berubah sendiri. Berbeda dengan SPSS karena kita harus melakuan running ulang setelah ada perubahan data. Jadi lebih enak kan :)

Share:

Uji Reliabilitas Split-Half dengan Microsoft Excel

Artikel tentang Uji Reliabilitas Split-Half dengan SPSS pernah kita bahas bersama.  Kali ini kita membahas topik yang sama, yaitu uji reliabilitas Split-Half tetapi menggunakan Microsoft Excel. Penggunaan Excel akan lebih leluasa, karena kita bisa membelah data tidak hanya belahan awal dan akhir, tetapi juga membelah menjadi ganjil dan genap. Berikut adalah data simulasi hasil kuesioner terhadap 30 responden dengan 6 indikator dan hasilnya ditampilkan dalam Excel seperti di bawah:

Gambar 1 Tabulasi Data dalam Excel


Untuk menghitung reliabilitas dengan split-half, kita kelompokkan menjadi dua kelompok, yaitu belahan awal (X1, X2 dan X3) dan belahan akhir (X4, X5 dan X6). Setelah itu nilainya kita jumlahkan dan kita letakkan pada kolom terakhir, seperti pada gambar berikut:
Gambar 2 Belahan Awal dan Belahan Akhir


Secara sederhana, kita mengkorelasikan antara belahan awal dan belahan akhir dengan Korelasi Pearson. Hasilnya adalah 0,650. Setelah itu tinggal kita masukkan ke dalam persamaan 
di mana r adalah korelasi belahan. Hasilnya adalah 0,788. Perhitungan dengan SPSS Versi 23 memberikan hasil yang serupa yaitu sebagai berikut:
Gambar 3 Output dengan SPSS Veri 23


Correlations Between Forms adalah 0,650 dan Spearman Brown Coefficient adalah 0,788. Sama persis. Kelebihan Excel adalah bisa menggunakan belahan yang lain, misalnya ganjil genap dan memberikan hasil seperti pada gambar di bawah:
Gambar 4 Split Half dengan Belahan Ganjil dan Genap

Tampak bahwa nilai Korelasi adalah sebesar 0,317 dan nilai Reliabilitasnya sebesar 0,481. Tampak bahwa dengan Excel maka kita lebih leluasa menggunakan belahan. Selain itu, jika data pada tabulasi excel kita ganti, maka nilai reliabilitas juga akan langsung berganti, tidak perlu melakukan running ulang.
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-halt 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:

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:

Gambar 1 Menu Uji Reliabilitas


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

Gambar 2 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:

Gambar 3 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:

Gambar 4 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:

Berbagai Uji Validitas dengan SPSS Versi 23

Uji validitas adalah uji statistik yang dipergunakan untuk mengukur valid atau tidaknya sudah kuesioner. Suatu rangkaian kuesioner harus diuji validitas terlebih dahulu sebelum dipergunakan sebagai sumber data penelitian. Sebenarnya juga ada uji reliabilitas, tetapi tidak dibahas di sini. Akan tetapi kuesioner yang mengukur suatu fakta memang tidak perlu diuji validitas atau reliabilitasnya, misalnya yang berisi pertanyaan jenis kelamin, alamat dan sejenisnya, tidak perlu diuji validitasnya. Kuesioner yang mengukur respons sangat perlu untuk diuji validitasdan reliabilitasnya karena merupakan alat ukur. Kita harus punya alat ukur yang valid dan reliabel. Valid berarti mampu mengukur apa yang ingin diukur, dan reliabel berarti akan memberikan hasil yang relatif saja jika dipergunakan untuk mengukur suatu objek yang relatif sama.

Uji validitas tidak semata-mata menggunakan uji statistik. Ada juga uji yang lain, misalnya pendapat dari seorang ahli, meskipun di sini istilah 'ahli' harus diambil secara hati-hati. Juga dapat dilakukan dengan cara mengecek langsung, jika memungkinkan. Misalnya pertanyaan berapa kali bolos sekolah, bisa juga dilihat dari data absensi. Atau gaji seseorang bisa dilihat dari sumber lain. 

Berikut akan dibahas uji validitas yang meliputi uji Korelasi Pearson, Corrected Item to total correlation dan Analisis faktor.

1. Korelasi Pearson

Korelasi Pearson, atau juga sering disebut Product Moment dapat dipergunakan untuk menguji validitas suatu item dalam kuesioner. Persamaannya sudah populer yaitu sebagai berikut:

Dengan n adalah jumlah sampel, atau responden yang diberikan kuesioner, X adalah skor jawaban dari responden dan Y adalah jumlah skor total. Skor total adalah jumlah dari jawaban responden dari masing-masing pertanyaan atau indikator. Persamaan tersebut sudah banyak diakomodir dalam berbagai program termasuk SPSS, bahkan Excel pun sudah tersedia. 

Aplikasi dengan SPSS dilakukan dengan memilih Analyze, pilih Correlate lalu klik pada Bivariate seperti pada gambar di bawah:

Gambar 1 Box Dialog Korelasi Pearson


Setelah Klik pada Bivariate, maka akan diarahkan ke Box sebagai berikut:

Gambar 2 Menu Box Korelasi Pearson
Masukkan indikator pada X1 termasuk skor totalnya seperti pada gambar di atas. Setelah itu klik OK sehingga akan keluar output sebagai berikut:
Gambar 3 Output Korelasi Pearson
Output tersebut adalah memuat korelasi dari masing-masing indikator dan juga korelasi antara indikator dengan variabel yang dibentuk yaitu Kepuasan Nasabah. Sebenarnya yang akan dipergunakan hanya korelasi antara masing-masing indikator dengan Kepuasan Nasabah. Jika diinginkan bisa di-hide sehingga akan tampak sebagai berikut:
Gambar 4.Output Korelasi Pearson Ringkas
Gambar 4 di atas hanya lebih ringkas dibandingkan Gambar 3. Tampak bahwa r (korelasi Pearson) x11 dengan Kepuasan Nasabah adalah sebesar 0,659 dengan Signifikansi sebesar 0,000 < 0,05 yang berarti indikator tersebut valid dalam mengukur kepuasan nasabah. Hal yang sama juga tampak jelas pada indikator yang lain.
Cara lain juga bisa membandingkan nilai korelasi dengan r tabel. Cara ini juga bisa dipergunakan dan akan memberikan hasil yang sama. Atau cara lain juga bisa dengan mengubah nilai r ke dalam bentuk t hitung lalu dibandingkan dengan t tabel. Hasil akhirnya akan sama persis. Mungkin sedikit lebih rumit karena harus melihat r tabel atau juga harus memasukkan rumus untuk mencari t hitung dari r hitung yang telah diketahui. 


2. Corrected Item to Total Correlation

Metode ini sebenarnya sama dengan Product Moment, hanya mengurangi efek Spurious overlaps sehingga banyak yang menyatakan bahwa metode ini lebih akurat dalam mengukur validitas. Konsepnya sederhana, sebuah indikator dicari korelasinya dengan skor total, yang di dalam skor total tersebut juga mengandung unsur skor indikator yang kita ukur. Jadi seperti diukur dua kali sehingga cenderung memberikan hasil yang lebih tinggi dari yang sebenarnya.

Solusinya sederhana, yaitu dengan mengeluarkan indikator yang sedang kita ukur dari skor totalnya. Pada contoh ini, ketika menghitung validitas X11 maka skor totalnya hanya penjumlahan dari X12 sampai dengan X15 atau skor total awal dikurangi X11. Demikian juga analogi dengan indikator yang lain. Kita tidak perlu menghitung satu persatu, karena SPSS sudah menyediakan menu untuk keperluan itu. Klik Analyze, pilih pada Scale lalu klik pada Reliability Analysis seperti pada gambar berikut:

Gambar 5 Menu Untuk Corrected Item to Total Correlation


 Setelah Anda klik, maka akan diarahkan ke Box sebagai berikut:

Gambar 6 Memasukkan Semua Indikator


Masukkan kelima indikator (skor total tidak usah dimasukkan) lalu klik pada Statistic di kanan atas sehingga akan masuk ke box berikutnya sebagai berikut:

Gambar 7 Menu Statistic


Klik pada Scale if Item Deleted. Abaikan yang lain, klik Continue lalu Klik OK sehingga akan keluar output sebagai berikut:

Gambar 8 Output Correctect Item-Total Correlation


Tampak bahwa nilai r hitung untuk X11 adalah sebesar 0,471 yang lebih rendah dibandingkan r hitung pada product moment yaitu sebesar 0,659. Demikian juga dengan indikator yang lain yang mengalami penurunan nilai r hitung. Nilai r pada Gambar 8 dianggap lebih sesuai karena menghilangkan faktor spuorious overlaps. Justifikasinya sama, yaitu dengan membandingkan dengan r tabel. 


3. Analisis Faktor

Analisis faktor bisa dipergunakan untuk melihat apakah suatu indikator mampu membentuk suatu variabel tertentu. Simulasi Analisis faktor telah ada di link ini. Berikut akan diberikan simulasi atau contoh yang lain untuk analisis faktor.

Klik Analyze, pihlih Dimention Reduction, lalu klik pada Factor. Anda akan diarahkan ke menu analisis faktor sebagai berikut:

Gambar 9 Menu Analisis Faktor


Anda akan diarahkan ke Box sebagai berikut:

Gambar 10 Memasukkan Indikator



Masukkan indikator X11 sampai dengan X15 tanpa memasukkan skor totalnya dan juga indikator X21 sampai dengan X24. Lalu klik Descriptives di kanan atas.

Gambar 11 Menu Descriptives pada Analisis Faktor


Berikan tanda centang pada KMO and Bartlett's Test of sphericity seperti pada gambar di atas. Klik Continue, lalu klik Rotation sehingga akan masuk ke box dialog berikut:

Gambar 11 Menu Rotation


Berikan tanda tickmark pada Varimax, lalu klik Continue sehingga akan keluar output sebagai berikut:

Gambar 12 Output KMO and Bartlett's Test of Sphericity


Nilai KMO adalah sebesar 0,702 dan nilai yang diharapkan adalah di atas 0,5. Berarti pengujian dapat diteruskan.
Gambar 13 Output Rotation Matrix

Gambar di atas menunjukkan bahwa indikator X11 mempunyai skor lebih tinggi ke Component 1 dibadingkan ke Component 2 yaitu 0,732 > (-) 0,153. Bearti indikator X11 masuk ke kelompok 1. Demikian juga dengan X12, X13, X14 dan X15 yang serupa sehingga kelimanya mengelompok di Component 1. Ini selaras dengan rancangan kuesioner di mana kelima indikator tersebut mengukur satu variabel yang sama.

Dengan analogi tersebut maka tampak bahwa X21, X22, X23 dan X24 akan mengelompok ke Component 2 yang juga merupakan satu rangkaian kuesioner. Tampak bahwa indikator yang dipergunakan telah sesuai mengukur variabel yang diinginkan. Jadi ke-9 indikator yang diukur adalah valid.

Berikut adalah video singkat tentang Uji Validitas:


Share:

Translate

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *