Mau Data Anda diolah secara gratis? Klik pada gambar!! No Tipu

Simulasi SmartPLS (Structural Equation Modeling berbasis Variance)


Pengujian hipotesis dalam penelitian ini menggunakan metode Partial Least Square (PLS). PLS merupakan metode alternatif analisis dengan Structural Equation Modelling (SEM) yang berbasis variance. Keunggulan metode ini adalah tidak memerlukan asumsi dan dapat diestimasi dengan jumlah sampel yang relatif kecil. Alat bantu yang digunakan berupa program SmartPLS Versi 2 yang dirancang khusus untuk mengestimasi persamaan struktural dengan basis variance. Program SmartPLS Versi 2 dapat diperoleh secara gratis di www.smartpls.de. Model struktural dalam penelitian ini ditampilkan pada Gambar 1 di bawah.
Gambar 1
MODEL STRUKTURAL
Gambar tersebut menunjukkan bahwa konstruk Kepemimpinan (KM) diukur dengan 5 buah indikator yaitu KM1, KM2, KM3, KM4 dan KM5. Demikian juga konstruk Budaya Organisasi (BO) diukur dengan 3 indikator yaitu BO1, BO2 dan BO3, konstruk Motivasi (MT) diukur dengan 3 indikator yaitu MT1, MT2 dan MT3 dan kontruk Kinerja Pegawai (KP) diukur dengan 6 indikator yaitu KP1, KP2, KP3,KP4, KP5 dan KP6. Arah panah antara indikator dengan kontruk laten adalah menuju indikator yang menunjukkan bahwa penelitian menggunakan indikator reflektif yang relatif sesuai untuk mengukur persepsi. Hubungan yang akan diteliti (hipotesis) dilambangkan dengan anak panah antara konstruk

Simulasi Uji Validitas dan Uji Reliabilitas dengan SPSS


Berikut adalah simulasi uji validitas SPSS dengan korelasi Pearson dan uji reliabilitas dengan Split-Half dengan SPSS Versi 11.5. Di bagian akhir, kami berikan link video Youtube untuk lebih memperdalam tutorial ini.
1.      Uji Validitas
Uji validitas yang digunakan adalah dengan metode korelasi Pearson, dengan menu Analyze lalu pilih Correlate dan klik pada Bivariate seperti pada gambar di bawah ini:
Gambar 1
Menu Korelasi Pearson
 Setelah diklik pada menu Bivariate maka program SPSS akan mengarahkan ke box sebagai berikut:
Gambar 2
Menu Box Bivariate Correlations


 Di sebelah kiri merupakan indikator-indikator dari variabel penelitian, dan untuk menguji validitas pada indikator perilaku siswa, maka indikator ps01 sampai dengan ps14 dan Perilaku Siswa dipindah ke box sebelah kanan yang kosong sebagai berikut:
Gambar 3
Memasukkan Indikator

Setelah itu tekan OK di sebelah kanan atas pada box, sehingga program akan menghitung nilai R Pearson pada masing-masing indikator dengan nilai Skor total yaitu pada variabel Perilaku Siswa. Nilai yang dipergunakan untuk menguji validitas indikator adalah pada kolom paling kanan, sehingga akan ditampilkan sebagai berikut:
Tabel 1
Uji Validitas Indikator Perilaku Siswa


Perilaku Siswa
PS01
Pearson Correlation
.642(**)

Sig. (2-tailed)
.000

N
72
PS02
Pearson Correlation
.655(**)

Sig. (2-tailed)
.000

N
72
PS03
Pearson Correlation
.581(**)

Sig. (2-tailed)
.000

N
72
PS04
Pearson Correlation
.633(**)

Sig. (2-tailed)
.000

N
72
PS05
Pearson Correlation
.634(**)

Sig. (2-tailed)
.000

N
72
PS06
Pearson Correlation
.772(**)

Sig. (2-tailed)
.000

N
72
PS07
Pearson Correlation
.698(**)

Sig. (2-tailed)
.000

N
72
PS08
Pearson Correlation
.755(**)

Sig. (2-tailed)
.000

N
72
PS09
Pearson Correlation
.717(**)

Sig. (2-tailed)
.000

N
72
PS10
Pearson Correlation
.802(**)

Sig. (2-tailed)
.000

N
72
PS11
Pearson Correlation
.784(**)

Sig. (2-tailed)
.000

N
72
PS12
Pearson Correlation
.741(**)

Sig. (2-tailed)
.000

N
72
PS13
Pearson Correlation
.689(**)

Sig. (2-tailed)
.000

N
72
PS14
Pearson Correlation
.695(**)

Sig. (2-tailed)
.000

N
72
Perilaku Siswa
Pearson Correlation
1

Sig. (2-tailed)
.

N
72
                    **  Correlation is significant at the 0.01 level (2-tailed).

Interpretasi dapat dilakukan dengan 3 cara yaitu sebagai berikut:
1.   Menggunakan tanda flag (*) di mana tanda satu buah flag (*) menunjukkan bahwa indikator tersebut signifikan pada taraf 5% dan tanda dua buah flag (**) menunjukkan bahwa indikator tersebut valid pada taraf 1%.
2.    Menggunakan signifikansi pada baris kedua masing-masing indikator di mana indikator dinyatakan valid pada taraf 5% jika mempunyai signifikansi di bawah 0,05 dan valid pada taraf 1% jika mempunyai signifikansi di bawah 0,01.
3.   Menggunakan R tabel, yaitu membandingkan nilai Pearson Correlation (baris pertama masing-masing indikator) dengan nilai R yang terdapat pada Tabel, di mana nilai R untuk sampel sebanyak 72 pada taraf 5% adalah sebesar 0,230.
Dengan demikian tampak bahwa semua indikator yang dipergunakan untuk mengukur variabel perilaku siswa adalah valid karena semua indikator terdapat tanda flag dua buah, dan signifikansi di bawah 0,05 semua. Selain itu, nilai Pearson Correlation semuanya juga di atas nilai R tabel yaitu sebesar 0,230.

2.      Uji Reliabilitas
Uji reliabilitas menggunakan metode split half yaitu dengan memilih Analyze >> Scale >> Reliabilty yaitu sebagai berikut:
Gambar 5
Menu Uji Reliabilitas

Setelah diklik pada menu Reliability Analysis, maka program akan mengarahkan ke menu box sebagai berikut:
Gambar 6
Menu Box Uji Reliabilitas

Pindahkan indikator ps01 sampai dengan ps14 dari kotak kiri ke kotak kosong di sebelah kanan dan pada Model di kiri bawah pilih menu Split half, yaitu sebagai berikut:
Gambar 7
Memasukkan Indikator

Setelah itu tekan OK, sehingga program akan menghitung dan mengeluarkan output sebagai berikut:

Gambar 8
Output Uji Reliabilitas Perilaku Siswa

Tampak bahwa terdapat N of cases yaitu jumlah sampel sebanyak 72 dengan indikator N of Items sebanyak 14. Korelasi antara part 1 dengan part 2 adalah sebesar 0,7032 dan Guttman Split Half adalah sebesar 0,8160 yang berada di atas nilai R tabel untuk 72 sampel yaitu sebesar 0,230. Dengan demikian dinyatakan bahwa rangkaian kuesioner yang dipergunakan pada variabel perilaku siswa adalah reliabel.
Berikut simulasi Uji Validitas SPSS dan Uji Reliabilitas dengan SPSS Versi 25:

Data Outliers

Outliers adalah data yang menyimpang terlalu jauh dari data yang lainnya dalam suatu rangkaian data. Adanya data outliers ini akan membuat analisis terhadap serangkaian data menjadi bias, atau tidak mencerminkan fenomena yang sebenarnya. Istilah outliers juga sering dikaitkan dengan nilai esktrem, baik ekstrem besar maupun ekstrem kecil. Sebagai ilustrasi, jika ada empat mahasiswa, mahasiswa pertama mempunyai uang saku per bulan Rp. 500 ribu, mahasiswa kedua Rp. 600 ribu, mahasiswa ketiga Rp. 700 ribu, dan mahasiswa keempat karena merupakan anak orang kaya, mempunyai uang saku per bulan sampai dengan Rp. 5 juta. Secara sekilas tampak bahwa nilai 5 juta relatif jauh dibandingkan uang saku ketiga mahasiswa yang lain.
Kalau kita rata-ratakan uang saku keempat mahasiswa tersebut, maka rata-ratanya adalah sebesar (500 ribu + 600 ribu + 700 ribu + 5 juta)/4= 6,8 juta/4 = 1,7 juta. Tiga mahasiswa yang lain tentunya keberatan jika dinyatakan bahwa rata-rata uang saku mereka adalah Rp. 1,7 juta per bulan karena jauh sekali dari nilai yang sebenarnya. Contoh lain misalnya kita ingin merata-ratakan kekayaan seorang PNS usia 30 tahunan, dengan memasukkan seorang PNS yang kebetulan mempunyai kekayaan sekitar Rp. 25 Milliar…he he he he

Penangangan Data Outliers
Harus kita apakah data outliers? Apakah harus kita keluarkan? Atau ada treatment yang lain. Pengeluaran data outliers memang tidak disalahkan, akan tetapi harus dikaji dulu, apakah data tersebut merupakan bagian dari populasi atau bukan? Sebagai contoh, seorang PNS dengan kekayaan dalam contoh di atas, sebaiknya dikeluarkan dari model penelitian karena ‘tidak’ mewakili fenomena PNS yang sebenarnya (jangan-jangan memang begitu ya fenomenanya? He he). Dalam contoh keempat mahasiswa di atas, jika tujuannya adalah untuk melihat apakah perlu menaikkan SPP atau tidak, ya sebaiknya dikeluarkan karena tentunya 3 orang yang mempunyai uang saku di bawah 1 juga akan keberatan. Akan tetapi dalam kasus yang lain, data tersebut boleh saja dipergunakan jika memang mewakili kondisi subjek penelitian. Misalnya, penelitian perusahaan selama krisis di mana hampir semua perusahaan mengalami kerugian. Akan tetapi ada satu atau beberapa perusahaan yang dengan jitu melakukan strategi sehingga menghasilkan profit. Nah, hasil penelitian akan lebih menarik jika data outliers tidak dikeluarkan. Dalam hal ini, peneliti bahkan dapat mengkaji strategi apa yang digunakan sehingga dapat dijadikan rujukan bagi perusahaan yang lain.
Dalam statistik, data outliers sering menimbulkan hasil yang bias. Oleh karena itu, harus diberikan perlakuan khusus. Pengeluaran data outliers atau penggunaan data outliers tidak semata-mata merujuk kepada statistiknya, tetapi juga adjustment dari peneliti. Jika memang data outliers tersebut tidak dapat dikeluarkan karena masih merupakan fenomena subjek penelitian ya sebaiknya tetap dipergunakan. Agar efek outliers dapat direduksi, maka data dilakukan transformasi data, misalnya dengan logaritman natural, atau akar kuadrat. Atau juga bisa menggunakan alat statistik non parametrik, sehingga data outliers tidak akan nampak sebagai outliers karena data dianggap berskala ordinal. Sebagai contoh, keempat mahasiswa tadi diubah menjadi data ordinal, sehingga mahasiswa dengan uang saku Rp. 500 ribu menjadi 1, uang saku Rp. 600 ribu menjadi 2, uang saku Rp. 700 ribu menjadi 3, dan yang paling besar menjadi 4. Ini hanya contoh saja, dan sebagai informasi data dalam bentuk ordinal tidak dapat dirata-ratakan, akan tetapi dapat digunakan untuk mencari korelasi dengan variabel lain.

Berikut adalah simulasi trimming data outliers dengan SPSS Versi 25:




Promo Domain Murah mulai Rp. 15rb