Garis besar topik

    • Aplikasi Pengolahan Data Forum
    • Siswa harus
      Tandai selesai

      Assalamu’alaikum Warahmatullahi Wabarakatuh
      Tabik Pun.....

      Apa kabar semuanya? Semoga kalian senantiasa dalam keadaan sehat dan diberikan kelancaran dalam menjalani seluruh aktivitas perkuliahan.

      Memasuki beberapa minggu ke depan, kita akan menghadapi pertemuan-pertemuan yang cukup padat dalam Praktikum Aplikasi Statistik. Pada tahap ini, kalian akan diberikan beberapa latihan dan tugas yang membutuhkan waktu, ketelitian, serta konsistensi dalam pengerjaannya.

      Mengapa kita akan banyak melakukan latihan?

      Karena mata kuliah ini memiliki peran penting dalam mempersiapkan kalian untuk melakukan pengolahan dan analisis data penelitian, khususnya sebagai bekal dalam penyusunan skripsi. Keterampilan yang kalian pelajari di sini akan sangat berkaitan dengan proses yang nantinya kalian lakukan pada BAB IV skripsi, terutama dalam penyajian, pengolahan, analisis, dan interpretasi data penelitian.

      Jadi, jangan melihat tugas dan latihan ini hanya sebagai kewajiban perkuliahan. Anggaplah setiap latihan sebagai proses untuk membangun keterampilan penelitian kalian. Semakin sering berlatih, semakin terbiasa kalian dalam menghadapi data dan melakukan analisis secara mandiri.

      Selain mengikuti perkuliahan, kalian wajib memanfaatkan LMS dan modul yang telah disediakan. Jangan hanya membuka atau membaca modul, tetapi lakukan praktik secara langsung. Statistik tidak cukup hanya dipahami secara teori—keterampilan akan terbentuk melalui latihan.

      Tetap semangat, jangan takut salah, dan jangan ragu untuk bertanya apabila mengalami kesulitan. Kita belajar bersama, tahap demi tahap, sampai kalian benar-benar memahami prosesnya.

      Semangat belajar dan tetap konsisten berlatih!
      Semoga apa yang kita pelajari dapat menjadi bekal yang bermanfaat untuk penelitian dan penyusunan skripsi kalian nantinya.

      Wassalamu’alaikum Warahmatullahi Wabarakatuh.

  • Pertemuan 1

    • Modul 1 Pengenalan Program SPSS Berkas
      Siswa harus
      Tandai selesai

      📊 PENGENALAN SPSS

      Praktikum Aplikasi Pengolahan Data

      1. Apa Itu SPSS?

      SPSS (Statistical Product and Service Solutions) merupakan salah satu perangkat lunak yang banyak digunakan untuk mengolah dan menganalisis data, khususnya dalam penelitian di bidang sosial, ekonomi, bisnis, pendidikan, kesehatan, dan berbagai bidang lainnya.

      Dengan SPSS, proses pengolahan data yang secara manual membutuhkan waktu cukup lama dapat dilakukan dengan lebih cepat, sistematis, dan akurat.

      💡 Sederhananya:
      SPSS membantu kita mengubah data mentah → menjadi informasi → kemudian menjadi kesimpulan penelitian.

      Dalam penyusunan skripsi, SPSS banyak digunakan terutama pada BAB IV, ketika mahasiswa mulai melakukan pengolahan dan analisis data penelitian.

      🔄 Gambaran proses penelitian dengan SPSS

      Data Responden
      ⬇️
      Input Data ke SPSS
      ⬇️
      Pengolahan Data
      ⬇️
      Analisis Statistik
      ⬇️
      Output/Tabel/Grafik
      ⬇️
      Interpretasi
      ⬇️
      Kesimpulan Penelitian

      2. Mengapa Menggunakan SPSS?

      SPSS menjadi salah satu software statistik yang populer karena memiliki beberapa keunggulan.

      ⭐ Keunggulan SPSS

      1. 🖱️ Mudah digunakan
      SPSS memiliki tampilan user friendly, sehingga pengguna tidak harus memahami pemrograman untuk melakukan analisis statistik.

      2. 📊 Banyak metode statistik
      SPSS menyediakan berbagai prosedur analisis, seperti:

      1. Statistik deskriptif
      2. Uji validitas dan reliabilitas
      3. Korelasi
      4. Regresi
      5. Uji t
      6. ANOVA
      7. Uji normalitas
      8. Analisis faktor
      9. dan berbagai analisis statistik lainnya.

      3. ⚡ Pengolahan data lebih cepat
      Perhitungan statistik dapat dilakukan secara otomatis sehingga mengurangi pekerjaan manual.

      4. 📈 Output mudah dibaca
      Hasil analisis dapat disajikan dalam bentuk tabel dan grafik yang dapat digunakan sebagai bahan interpretasi penelitian.

      5. 🔗 Dapat mengolah berbagai sumber data
      SPSS dapat digunakan untuk mengimpor dan mengolah data dari berbagai format atau aplikasi lain.

      6. 🎯 Mendukung penelitian
      SPSS sangat membantu peneliti dalam menjawab pertanyaan penelitian melalui analisis statistik yang sesuai.

      3. SPSS dalam Penelitian dan Skripsi

      Salah satu alasan mahasiswa perlu menguasai SPSS adalah karena pengolahan dan analisis data merupakan bagian penting dalam penelitian.

      Dalam skripsi, mahasiswa biasanya akan melakukan proses seperti berikut:

      Tahap Kegiatan
      📋 1 Menentukan variabel penelitian
      📝 2 Mengumpulkan data
      💻 3 Memasukkan data ke SPSS
      🧹 4 Membersihkan dan mempersiapkan data
      📊 5 Melakukan analisis statistik
      📈 6 Membaca output SPSS
      🧠 7 Menginterpretasikan hasil
      📑 8 Menyusun BAB IV

      🎓 Catatan untuk mahasiswa:
      Jangan hanya belajar bagaimana menghasilkan output SPSS. Yang lebih penting adalah memahami mengapa analisis tersebut digunakan, bagaimana membaca hasilnya, dan bagaimana menjelaskan hasil tersebut dalam penelitian.

      🕰️ 4. Sejarah Singkat SPSS

      SPSS pada awalnya merupakan singkatan dari Statistical Package for the Social Sciences.

      SPSS dikembangkan pada akhir 1960-an oleh Norman H. Nie, C. Hadlai Hull, dan Dale H. Bent sebagai perangkat lunak untuk membantu proses analisis statistik.

      Perkembangannya kemudian membawa SPSS dari sistem komputer mainframe ke komputer pribadi (personal computer/PC), kemudian berkembang pada platform Windows.

      Seiring perkembangan teknologi, SPSS tidak lagi hanya digunakan untuk penelitian ilmu sosial, tetapi telah digunakan dalam berbagai bidang, antara lain:

      🏦 Perbankan dan keuangan, 🏥 Kesehatan, 📚 Pendidikan, 🏢 Bisnis dan manajemen, 📡 Telekomunikasi, 🏛️ Sektor publik, 🛒 Pemasaran dan perilaku konsumen

      Nama SPSS kemudian dikenal sebagai SPSS, dan produknya kini berada di bawah IBM.

      💡 Intinya:
      SPSS berkembang dari software statistik untuk ilmu sosial menjadi salah satu perangkat analisis data yang digunakan secara luas dalam penelitian dan dunia bisnis.

      🖥️ 5. Mengenal Tampilan SPSS

      Secara umum, SPSS memiliki dua tampilan utama yang sangat penting untuk dipahami mahasiswa:

      📋 Data View

      Digunakan untuk memasukkan dan melihat data penelitian.

      Contoh:

      Responden JK Usia Pendidikan X1 X2 Y
      1 1 21 3 4 5 4
      2 2 22 3 5 4 5
      3 1 23 4 4 4 4

      ⚙️ Variable View

      Digunakan untuk mendefinisikan karakteristik setiap variabel.

      Contohnya:

      Name Type Label Values Measure
      JK Numeric Jenis Kelamin 1=L, 2=P Nominal
      Usia Numeric Usia Responden - Scale
      X1 Numeric Kesadaran Etis - Scale

      🔑 Ingat mudahnya:
      Variable View = mengatur variabel
      Data View = memasukkan data

      🧭 6. Mengenal Menu Utama SPSS

      Beberapa menu yang paling sering digunakan dalam praktikum adalah:

      📁 File

      Digunakan untuk mengelola file, seperti:

      • Membuat file baru
      • Membuka file
      • Menyimpan file
      • Mencetak hasil

       

      ✏️ Edit

      Digunakan untuk melakukan pengeditan, seperti:

      • Undo
      • Redo
      • Copy
      • Paste
      • Delete

       

      👁️ View

      Digunakan untuk mengatur tampilan SPSS.

      📊 Data

      Digunakan untuk mengelola data, misalnya:

      • Mengurutkan data (Sort Cases)
      • Menggabungkan data
      • Menyeleksi kasus
      • Mengubah struktur data

       

      🔄 Transform

      Digunakan untuk melakukan transformasi data, misalnya:

      • Menghitung variabel baru (Compute Variable)
      • Mengubah kode data (Recode)
      • Membuat kategori baru

       

      📈 Analyze

      Ini adalah salah satu menu terpenting dalam penelitian.

      Menu ini digunakan untuk melakukan analisis statistik, seperti:

      • Statistik deskriptif
      • Korelasi
      • Regresi
      • Uji t
      • ANOVA
      • Uji nonparametrik
      • dan analisis lainnya.

       

      📊 Graphs

      Digunakan untuk membuat visualisasi data, seperti:

      • Bar chart
      • Pie chart
      • Histogram
      • Scatter plot
      • Boxplot

       

      🛠️ Utilities

      Menyediakan berbagai fasilitas pendukung, seperti informasi variabel dan informasi file.

      ⚙️ 7. Mengenal Variable View

      Variable View merupakan bagian penting yang harus dikuasai sebelum melakukan analisis.

      Terdapat beberapa kolom yang harus dipahami.

      1️⃣ Name — Nama Variabel

      Digunakan untuk memberikan nama atau kode variabel.

      Contoh:

      • JK → Jenis Kelamin

      • Usia → Usia Responden

      • X1 → Variabel independen

      • Y1 → Variabel dependen

      ⚠️ Ketentuan umum:

      • Nama variabel sebaiknya singkat dan jelas.
      • Tidak diawali dengan angka.
      • Hindari penggunaan spasi.
      • Gunakan nama yang mudah dikenali.

      💡 Contoh:

      ❌ 1JenisKelamin
      ❌ Jenis Kelamin
      ✅ JK

      2️⃣ Type — Jenis Data

      Menentukan jenis data yang akan dimasukkan.

      Jenis yang paling umum:

      🔢 Numeric → data berupa angka

      Contoh:
      1, 2, 3, 4, 5

      🔤 String → data berupa teks

      Contoh:
      Lampung, Bandung, Jakarta

      💡 Untuk data penelitian berbentuk skala Likert, biasanya digunakan Numeric.

      3️⃣ Width — Lebar Data

      Digunakan untuk menentukan jumlah karakter atau lebar data yang dapat ditampilkan pada kolom.

      Untuk sebagian besar data penelitian, pengaturan ini biasanya tidak perlu diubah.

      4️⃣ Decimals — Jumlah Desimal

      Digunakan untuk menentukan jumlah angka di belakang koma.

      Contoh:

      Jika ditentukan:

      Decimals = 2

      maka:

      4 → 4.00
      3.5 → 3.50

      Untuk data kuesioner dengan skala 1–5, biasanya cukup menggunakan:

      Decimals = 0

      5️⃣ Label — Keterangan Variabel

      Label digunakan untuk memberikan penjelasan yang lebih lengkap mengenai nama variabel.

      Contoh:

      Name Label
      X1 Kesadaran Etis
      X2 Pengalaman Etis
      Y Niat Berperilaku Etis

      Mengapa Label penting?

      Karena nama variabel biasanya dibuat singkat, sedangkan Label memberikan informasi yang lebih jelas ketika membaca output SPSS.

      💡 Tips:
      Gunakan Label untuk menuliskan nama variabel secara lengkap agar output penelitian lebih mudah dibaca dan diinterpretasikan.

      6️⃣ Values — Kode Nilai

      Digunakan untuk memberikan keterangan pada kode angka.

      Contohnya variabel Jenis Kelamin:

      Value Label
      1 Laki-laki
      2 Perempuan

      Atau skala Likert:

      Value Label
      1 Sangat Tidak Setuju
      2 Tidak Setuju
      3 Netral
      4 Setuju
      5 Sangat Setuju

      Dengan demikian, angka yang dimasukkan ke dalam SPSS memiliki arti yang jelas.

      7️⃣ Missing — Data yang Hilang

      Missing digunakan untuk menentukan bagaimana data yang tidak tersedia atau tidak diisi akan diperlakukan oleh SPSS.

      Contohnya, seorang responden tidak menjawab salah satu pertanyaan.

      Data tersebut dapat diperlakukan sebagai missing value.

      ⚠️ Perhatian:
      Jangan sembarangan memberikan kode missing. Pastikan kode tersebut tidak merupakan nilai valid dari data penelitian.

      8️⃣ Columns — Lebar Kolom

      Digunakan untuk mengatur lebar tampilan kolom pada Data View.

      Pengaturan ini lebih berkaitan dengan tampilan dan tidak mengubah nilai sebenarnya dari data.

      9️⃣ Align — Posisi Data

      Digunakan untuk menentukan posisi data dalam kolom.

      Terdapat tiga pilihan:

      ⬅️ Left
      ↔️ Center
      ➡️ Right

      Biasanya SPSS akan memberikan pengaturan default sesuai jenis data.

      🔟 Measure — Skala Pengukuran

      Measure sangat penting dalam pengolahan data.

      SPSS menyediakan tiga pilihan:

      🔵 Nominal

      Digunakan untuk data berupa kategori tanpa tingkatan.

      Contoh:

      • Jenis kelamin
      • Agama
      • Provinsi
      • Status pernikahan

       

      🟠 Ordinal

      Digunakan untuk data yang memiliki urutan atau tingkatan.

      Contoh:

      • Tingkat pendidikan
      • Tingkat kepuasan
      • Tingkat jabatan

       

      🟢 Scale

      Digunakan untuk data numerik yang diperlakukan sebagai data interval/rasio dalam analisis SPSS.

      Contoh:

      • Usia
      • Pendapatan
      • Jumlah penjualan
      • Skor total variabel penelitian

      🎯 RANGKUMAN PENTING

      Sebelum melakukan analisis statistik, mahasiswa harus memahami tiga hal utama:

      ① Data apa yang kita miliki?

      → Jenis dan karakteristik data

      ② Bagaimana data tersebut dimasukkan?

      → Data View & Variable View

      ③ Analisis apa yang sesuai?

      → Analyze

      🧠 KUNCI MENGINGAT SPSS

      VARIABLE VIEW → DEFINISIKAN DATA
      DATA VIEW → MASUKKAN DATA
      TRANSFORM → UBAH/OLAH DATA
      ANALYZE → ANALISIS DATA
      GRAPHS → VISUALISASIKAN DATA
      OUTPUT → BACA & INTERPRETASIKAN HASIL

      🎓 Pesan untuk mahasiswa

      Jangan takut dengan SPSS.
      SPSS bukan sekadar software untuk menghasilkan tabel statistik. Yang paling penting adalah kalian mampu menjawab tiga pertanyaan:

      “Apa yang saya analisis?”
      “Mengapa saya menggunakan analisis tersebut?”
      “Bagaimana saya menjelaskan hasilnya?”

      Jika tiga hal tersebut sudah kalian kuasai, maka SPSS akan menjadi alat bantu penelitian, bukan sesuatu yang harus ditakuti.

    • Video Pengenalan SPSS URL
      Siswa harus
      Tandai selesai
      Kalian Wajib Nonton Video ini dan Aplikasikan Ke Program SPSS mengenal fungsi item2 yang ada di SPSS

  • Pertemuan 2

    • Uji Validitas Cara 1 Berkas
      Siswa harus
      Tandai selesai

      Melakukan pengukuran terhadap sesuatu yang belum pernah dilakukan dapat ditempuh dengan cara membuat instrumen pengukuran. Apakah instrumen tersebut berbentuk kuisioner atau sesuatu bersifat fisik. Pada materi ini akan dibahas pengujian yang berkaitan dengan instrumen kuisioner yang terdiri dari bagian pengujian validitas dan reliabilitas.

      Tingkat Kepercayaan Penelitian ada 3 yaitu sebagai berikut :

      1. 99 % dengan tingkat error (α =0,01) à Bidang Kedokteran
      2. 95 % dengan tingkat error (α =0,05) à Bidang sosial dan Ekonomi biasanya riset yang sifat penelitiannya tidak konsisten
      3. 90% dengan tingkat error (α =0,10) à Bidang riset yang masih baru atau disertasi penelitian

      Sesuatu dikatakan valid jika alat ukur yang dibuat sesuai dengan apa yang hendak diukur, jika yang diukur adalah panjang, maka penggaris dapat dikatakan sebuah alat ukur yang valid. Akan tetapi bagaimana jika yang akan diukur adalah variabel kinerja. Kinerja yang terjadi pada seseorang manajer tentu berbeda dengan kinerja yang terjadi pada seorang cleaning service. Artiya jika obyek yang akan diteliti adalah berbeda akan tetapi variabel yang akan diangkat adalah sama, maka secara operasional akan terjadi perbedaan dalam mengukur indikasi-indikasi yang ada. Artinya akan muncul pertanyaan-pertanyaan yang berbeda pula. Pada bagian ini akan dibahas secara teknik proses pengujian validitas yang ada dalam kuisoner.

       Tujuan dilakukannya uji validitas instrumen/angket yaitu untuk membuktikan apakah angket tesebut memiliki tingkat valid dari suatu pertanyaan penelitian, maka sebelum instrumen tersebut digunakan maka perlu di uji coba dan hasilnya di analisis (Sudarmanto, 2013).

      Alat ukur yang digunakan adalah teknik korelasi Product Moment dari Pearson dan correlation matrixs.

      Syarat Uji Validitas

      Menurut Ghozali (2011) Pertanyaan didalam instrumen/angket dikatakan Valid apabila : rhitung  > rtabel  atau nilai signifikan (Sig.) < ╬▒ = 0,05. Sebaliknya, Tidak Valid apabila, rhitung  < rtabel  atau nilai signifikan (Sig.) > ╬▒ = 0,05.


    • Belajar Menginput Data URL
      Siswa harus
      Tandai selesai
      Kalian Wajib Belajar dulu ya guys,,,, Cara Menginput Data okeee..
      Gunakan Aplikasi SPSS Ver 22 or 23
    • Cara Menginput data kusioner untuk Uji Validitas Cara 1 URL
      Siswa harus
      Tandai selesai
      Guys ini Latihan yach... Untuk Input data Kusioner yang di uji menggunakan validitas cara 1. terus kalian latihan yach seperti yang dimodul
    • Refrensi untuk mengerjakan soal diatas dengan cara 1 URL
      Siswa harus
      Tandai selesai

      Ini refrensi yach uji validitas cara 1

  • Pertemuan 3 (Selasa, Tgl 7 Oktober 2025, Pkl 07.30 - 09.00 WIB, 2 SKS))

    • Validitas Cara 2 (Correlation Matrix) Berkas
      Siswa harus
      Tandai selesai

      Langkah-langkah Uji Validitas dengan Cara Correlation Matrix
        
      Pada postingan sebelumnya yang berjudul Langkah-langkah uji validitas dengan korelasi product moment selanjutnya kita akan mencoba melakukan uji validitas dengan cara correlation matrix.  Masih dengan data yang sama Langkah-langkah uji validitas dengan korelasi product moment berikut adalah langkah-langkah melakukan uji validitas dengan Correlation Matrix:

      • Klik Analyze lalu pilih Scale selanjutnya Reliability Analysis kemudian pindahkan seluruh data ke kolom items lalu pilih statistics, ceklist Scale, scale if item deleted dan ceklis Correlation dalam kolom inter-items kemudian OK (Lihat gambar)
       






      Untuk mengetahui apakah Item pertanyaan yang kita gunakan dalam angket penelitian valid atau tidaknya bisa melihat tabel item total statistic pada output Spss berikut ini:

      Lihat pada kolom Corrected item-total correlation dimana syarat data valid jika Nilai rhitung>rtabel.  Dengan jumlah Sampel sebanyak 25 diperoleh rtabel (25-2=0,336). Berikut interprestasinya
      1. Item pertanyaan 1 memiliki nilai rhitung 0,195<0,336 maka dapat disimpulkan item pertanyaan 1 tidak valid
      2. Item pertanyaan 2 memiliki nilai rhitung 0,094<0,336 maka dapat disimpulkan item pertanyaan 2 tidak valid
      3. Item pertanyaan 3 memiliki nilai rhitug 0,119<0,336 maka dapat simpulkan item pertanyaan 3 tidak valid
      4. Item pertanyaan 4 memiliki nilai rhitug 0,148<0,336 maka dapat simpulkan item pertanyaan 4 tidak valid
      5. Item pertanyaan 5 memiliki nilai rhitug 0,324<0,336 maka dapat simpulkan item pertanyaan 5 tidak valid.
      6. Item pertanyaan 6 memiliki nilai rhitug 0,035<0,336 maka dapat simpulkan item pertanyaan 6 tidak valid.
      7. Item pertanyaan 7 memiliki nilai rhitug 0,058<0,336 maka dapat simpulkan item pertanyaan 7 tidak valid.
      8. Item pertanyaan 8 memiliki nilai rhitug 0,300>0,336 maka dapat simpulkan item pertanyaan 3 valid.
      9. Item pertanyaan 9 memiliki nilai rhitug 0,355>0,336 maka dapat simpulkan item pertanyaan 3 valid.
      10. Item pertanyaan 3 memiliki nilai rhitug 0,495>0,336 maka dapat simpulkan item pertanyaan 3 valid.
      11. Item pertanyaan 3 memiliki nilai rhitug 0,710>0,336 maka dapat simpulkan item pertanyaan 3 valid
      12. Item pertanyaan 3 memiliki nilai rhitug 0,350<0,336 maka dapat simpulkan item pertanyaan 3 valid 

    • Uji Validitas Cara 2 Correation Matrixs URL
      Siswa harus
      Tandai selesai
      Please dipahami yach cara proses belajarnya.... 

  • Pertemuan 4 (Selasa, 14 Oktober 2025, PKL 07.30 - 09.00 WIB, 2 SKS)

    • Uji Realiabilitas Cara 1 Berkas
      Siswa harus
      Tandai selesai

      Beberapa item yang mengelompok menjadi indikasi sebuah variabel tidak cukup dilihat dari ukuran validitas saja, namun juga diukur besarnya kehandalan yang terjadi pada kelompok tersebut. Sama hal dengan uji validitas untuk mengukur reliabilitas sebuah instrumen dapat digunakan beberapa metode seperti split half, alpha Cronbach, Test Retest, Rulon, Hyot, dan banyak lagi lainnya.

       

      ΓÇó      Reliabilitas intrumen menggambarkan kemantapan dan kestabilan alat ukur yang digunakan oleh penelitian.

      ΓÇó      Suatu instrumen penelitian dikatakan memiliki relibilitas yang tinggi atau baik apabila instrumen penelitian selalu memberikan hasil yang sama ketika digunakan berkali-kali, baik oleh peneliti yang sama maupun peneliti yang berbeda.

      Metode Dalam Mengukur Reliabilitas

      Menurut R. Gunawan Sudarmanto (2013) menyatakan ada 2 cara dalam mengukur reliabilitas yaitu :

      1. Metode Pengulangan (Test ΓÇô Retest Method)
      2. Metode Belah Dua (Split-Half Method)

      Syarat Relibilitas adalah sebagi berikut :

      Pertanyaan didalam instrumen/angket dikatakan Reliabel apabila : rhitung  > rtabel  atau nilai signifikan (Sig.) < ╬▒ = 0,05. sebaliknya, Tidak Reliabel apabila, rhitung  < rtabel  atau nilai signifikan (Sig.) > ╬▒ = 0,05.

      A.    Metode Pengulangan  (Test ΓÇô Retest Method)

      Metode pengulangan berarti peneliti harus melakukan beberapa kali tes, minimum dua kali tes dengan waktu yang berbeda à tujuannya untuk mengetahui kestabilan dalam suatu instrumen penelitian. Bisa juga metode ini menggunakan pilot t-tes dimana angket di uji coba oleh tenaga profesional yang sesuai dengan bidang risetnya.

       Langkah mengerjakan Metode cara 1 :

      Klik Analyze - Correlate - Bevariate - Pindahkan semua Variabel kekolom Variabels - Ceklis Person - Ceklis two tailed/one tailde - Ceklis Flag Significant Corelations - ok


  • Pertemuan 5 (Selasa, Tgl 21 Oktober 2025, Pkl 07.30 - 09.00 WIB, 2 SKS)

    • Uji Reliabilitas Cara 2 Berkas
      Siswa harus
      Tandai selesai

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap
      Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap | Validitas dan reliabilitas merupakan persyaratan utama sebuah instrumen dikatakan ampuh sebagai alat pengumpul data penelitian. Sebuah instrumen dapat dikatakan valid apabila mampu mengukur apa yang hendak di ukur. Sementara, sebuah instrumen dikatakan reliabel jika memiliki kestabilan atau konsistensi untuk mengukur sesuatu yang sama dalam berbagai waktu.

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap

      Instrumen reliabel berarti instrumen tersebut dapat dipercaya dan diandalkan sebagai alat pengumpul data yang baik. Walaupun instrumen tersebut digunakan berulang kali dalam penelitian hasilnya akan tetap sama atau konsisten. Ada beberapa cara atau teknik yang dapat digunakan untuk mengukur reliabilitas sebuah instrumen, antara lain: melakukan tes ulang, melakukan tes paralel, melakukan uji cronbach alpha, dan uji split half (belah dua). Sementara itu, pengujian reliabilitas dapat dilakukan secara bersamaan (gabungan) untuk seluruh butir instrumen pervariabel, maupun dilakukan secara sendiri-sendiri perbutir soal.

      Uji reliabilitas metode split-half spearman brown, pada prinsipnya dilakukan dengan cara membagi dua (belah dua) butir-butir soal instrumen pervariabel lalu menghubungkan belah dua tersebut dengan menggunakan rumus korelasi spearman brown. Jika hasil analisis korelasinya ΓëÑ 0,80, maka instrumen penelitian dinyatakan reliabel (Jonathan Sarwono, 2015: 249).

      Contoh Kasus Uji Reliabilitas Split-half Spearman Brown
      Contoh yang saya pakai dalam panduan ini, menggunakan kasus pada artikel sebelumnya (Cara Uji Validitas Kuesioner Teknik Corrected Item Total Correlation dengan SPSS). Dalam artikel tersebut kita telah melakukan uji validitas dan mendapatkan kesimpulan bahwa seluruh butir soal kuesioner untuk variabel kompetensi (X) dinyatakan valid (syarat melakukan uji reliabilitas adalah butir soal valid). Selanjutnya kita akan melakukan uji reliabilitas split-half spearman brown dengan SPSS. Adapun langkah-langkah pengujiannya adalah sebagai berikut.

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS

      1. Buka file data SPSS bernama ΓÇ£Untitled Validitas Corrected Item Total Correlation [www.spssindonesia.com].savΓÇ¥ yang sebelumnya telah anda download. Jika belum punya, maka anda dapat mendownloadnya sekarang melalui link [Download Data]. Tampak di layar Data View

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap

      2. Setelah itu, klik menu Analyze ΓÇô Scale ΓÇô Reliability AnalysisΓǪ

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap

      3. Maka mucul dialog ΓÇ£Reliability AnalysisΓÇ¥, selanjutnya pindahkan butir soal X.1 sampai dengan butir soal X.8 ke kotak Items (keterangan: kita akan melakukan uji reliabilitas butir kuesoner untuk variabel kompetensi). Pada bagian ΓÇ£ModelΓÇ¥ pilih Split-half, lalu klik StatisticsΓǪ

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap

      4. Maka muncul diloag ΓÇ£Reliability Analysis: StatisticsΓÇ¥, kemudian pada bagian ΓÇ£Descriptives forΓÇ¥ berikan tanda ceklist (V) untuk Scale if item deleted, selanjutnya klik Continue. Tampak di layar.

      Cara Uji Reliabilitas Split-half Spearman Brown dengan SPSS Lengkap

      5. Terakhir klik Ok, maka muncul output SPSS berjudul ΓÇ£ReliabilityΓÇ¥, berikutnya kita tinggal melakukan penafsiran atas hasil output tersebut.

      Interpretasi Output Uji Reliabilitas Split-half Spearman Brown dengan SPSS

      Tabel output pertama ΓÇ£Case Processing SummaryΓÇ¥

      Interpretasi Output Uji Reliabilitas Split-half Spearman Brown SPSS

      Berdasarkan tabel output di atas diketahui jumlah sampel (N) adalah 20 orang karyawan, sehingga valid 100%. Sementara nilai Excluded adalah 0 artinya tidak ada data yang dikecualikan atau semua data digunakan.

      Tabel output kedua ΓÇ£Reliability StatisticsΓÇ¥

      Interpretasi Output Uji Reliabilitas Split-half Spearman Brown SPSS

      Tabel output di atas memberikan informasi mengenai relibilitas (kehandalan) butir soal secara keseluruhan (gabungan) pada variabel kompetensi (X). Berdasarkan tabel output di atas diketahui nilai korelasi Guttman Split-Half Coefficient adalah sebesar 0,818 > 0,80, dengan demikian maka dapat disimpulkan bahwa butir soal untuk variabel kompetensi (X) secara keseluruhan (gabungan) dinyatakan reliabel.

      Catatan: Keterangan yang terdapat di bawah tabel output ΓÇ£Reliability StatisticsΓÇ¥, menunjukkan bentuk belah dua butir kuesioner variabel kompetensi. Dengan kata lain analisis korelasi spearman brown dipakai untuk hubungan antara butir soal nomor X.1, X.2, X.3, X.4 (belah pertama) dengan butir soal nomor X.5, X.6, X.7, X.8 (belah kedua).

      Tabel output ketiga ΓÇ£Item-Total StatisticsΓÇ¥

      Interpretasi Output Uji Reliabilitas Split-half Spearman Brown SPSS

      Untuk mengetahui apakah butir-butir soal kuesioner variabel kompetensi tersebut reliabel atau tidak, maka kita cukup memperhatikan nilai yang ada dalam tabel “Cronbach's Alpha if Item Deleted”. Menurut Jonathan Sarwono (2015: 262) butir pertanyaan dikatakan reliabel jika nilai Cronbach's Alpha if Item Deleted ≥ 0,80. Berdasarkan tabel output “Item-Total Statistics” diketahui nilai Cronbach's Alpha if Item Deleted untuk seluruh (8) butir soal > 0,80, dengan demikian maka dapat disimpulkan bahwa butir-butir soal untuk variabel kompetensi (X) dinyatakan reliabel.

      Informasi tambahan: Menurut Dr. Riduwan, dkk (2014: 200), Butir pertanyaan kuesioner dikatakan reliabel jika nilai Guttman Split-Half Coefficient > r tabel product momentΓÇ¥.

      Terkait perbedaan pendapat di kalangan ahli atau pakar mengenai dasar pengambilan keputusan dalam uji reliabilitas ini, kita tidak perlu mempersoalkannya terlalu jauh. Sebab perbedaan pandangan adalah sesuatu yang wajar. Oleh karena itu sebagai peneliti kita cukup merujuk pada salah satu pendapat ahli tersebut. Khusus penelitian untuk skripsi maupun tesis ada baiknya kita mengkonsultasikan persoalan ini dengan dosen pembimbing dan meminta persetujuan untuk menggunakan teori dari ahli yang mana.

  • Pertemuan 6 (Selasa, Tgl 28 Oktober 2025, Pkl 07.30 - 09.00 WIB, 2 SKS)

    • Statistik Deskriptive Berkas
      Siswa harus
      Tandai selesai

      STATISTIK DESKRIPTIF (DESCRIPTIVE STATISTICS)

      Merupakan bidang ilmu statistik yang mempelajari cara-cara pengumpulan, penyusunan dan penyajian data suatu penelitian. Kegiatan yang termasuk dalam kategori ini adalah kegiatan pengumpulan data, pengelompokan data, penentuan nilai dan fungsi statistik, pembuatan grafik, diagram dan gambar. Statistika deskriptif adalah ilmu yang digunakan untuk menganalisa data dengan melihat gambaran dari data tersebut. Gambaran suatu data dapat dilihat dari:

      1.   Besaran statistik, misal nilai mean (rata-rata), Standar deviasi (simpangan baku), variansi, modus dan sebagainya.

      2.   Grafik dari data

      Fungsi analisis deskriptif adalah untuk memberikan gambaran umum tentang data yang telah diperoleh. Gambaran umum ini bisa menjadi acuan untuk melihat karakteristik data yang kita peroleh. Analisis deskriptif sering diabaikan penggunaannya dalam penelitian-penelitian sosial, karena memang dalam beberapa fungsi analisis lainnya otomatis tercantum analisis deskriptif.

       Dalam SPSS, metode statistic deskriftif dapat dilakukan dengan menu Descriptive Statistics yang terdiri atas :

      1. Frequency , digunakan untuk menyusun data yang jumlahnya relative banyak kedalam suatu table frekwensi.
      2. Descriptives, digunakan untuk menampilkan deskripsi statistik univariat dan dari variable numeric yang didaftar.
      3. Explore, digunakan untuk mengolah data statistic yang semakin kompleks dan dilengkapi dengan pengujian kenormalan sebuah data.
      4. Crosstab, digunakan untuk menampilkan dalam bentuk tabulasi silang

  • Ujian Tengah Semester (Selasa, Tgl 4 November 2025, Pkl 07.30 - 09.00 WIB, 2KS)

  • Pertemuan 8 (KP : Jumat, 4 September 2020 Pkl 10.30 - 12.00)

    • Uji Regresi Klasik_Uji Normalitas Berkas
      Siswa harus
      Tandai selesai

      Banyak sekali teknik pengujian normalitas suatu distribusi data yang telah dikembangkan oleh para ahli. Kita sebenarnya sangat beruntung karena tidak perlu mencari-cari cara untuk menguji normalitas, dan bahkan saat ini sudah tersedia banyak sekali alat bantu berupa program statistik yang tinggal pakai. Berikut adalah salah satu pengujian normalitas dengan menggunakan teknik Kolmogorov Smirnov.

      Pengertian Uji Kolmogorov Smirnov

      Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai, terutama setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik.

      Konsep Uji Kolmogorov Smirnov

      Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku.

      Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal.

      Signifikansi Uji Kolmogorov

      Lebih lanjut, jika signifikansi di atas 0,05 maka berarti tidak terdapat perbedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya, ya. Berarti data yang kita uji normal, kan tidak berbeda dengan normal baku.

      Jika kesimpulan kita memberikan hasil yang tidak normal, maka kita tidak bisa menentukan transformasi seperti apa yang harus kita gunakan untuk normalisasi. Jadi ya kalau tidak normal, gunakan plot grafik untuk melihat menceng ke kanan atau ke kiri. Atau menggunakan Skewness dan Kurtosis sehingga dapat ditentukan transformasi seperti apa yang paling tepat dipergunakan.

      Uji Normalitas dengan Kolmogorov Smirnov dengan Program SPSS

      Pengujian normalitas dengan menggunakan Program SPSS dilakukan dengan menu Analyze, kemudian klik pada Nonparametric Test, lalu klik Legacy Dialogs, Klik 1-Sample K-S. K-S itu singkatan dari Kolmogorov-Smirnov. Maka akan muncul kotak One-Sample Kolmogorov-Smirnov Test.


    • Uji Nomralitas edisi FULL URL
      Siswa harus
      Tandai selesai
      Please dipahamin yach dan di praktekan

  • Pertemuan 9 (KP : Jumat, 4 September 2020 Pkl 13.00 - 14.40)

    • Uji Regresi Klasik_Multikol_Autokorelasi_Heteros Berkas
      Siswa harus
      Tandai selesai

      1. Uji Multikolinearitas

      Menurut Ghozali (2016) pada pengujian multikolinearitas bertujuan untuk mengetahui apakah model regresi ditemukan adanya korelasi antar variabel independent atau variable bebas. Efek dari multikolinearitas ini adalah menyebabkan tingginya variabel pada sampel. Hal tersebut berarti standar error besar, akibatnya ketika koefisien diuji, t-hitung akan bernilai kecil dari t-tabel. Hal ini menunjukkan tidak adanya hubungan linear antara variabel independen yang dipengaruhi dengan variabel dependen.

      Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi dapat diketahui dari nilai toleransi dan nilai variance inflation factor (VIF). Nilai Tolerance mengukur variabilitas dari variabel bebas yang terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance rendah sama dengan nilai VIF tinggi, dikarenakan VIF = 1/tolerance, dan menunjukkan terdapat kolinearitas yang tinggi. Nilai cut off yang digunakan adalah untuk nilai tolerance 0,10 atau nilai VIF diatas angka 10.

      2. Uji Heteroskedastisitas

      Uji ini bertujuan untuk melakukan uji apakah pada sebuah model regresi terjadi ketidaknyamanan varian dari residual dalam satu pengamatan ke pengamatan lainnya. Apabila varian berbeda, disebut heteroskedastisitas. Salah satu cara untuk mengetahui ada tidaknya heteroskedastisitas pada suatu model regresi linier berganda, yaitu dengan melihat grafik scatterplot atau dari nilai prediksi variabel terikat yaitu SRESID dengan residual error yaitu ZPRED. Apabila tidak terdapat pola tertentu dan tidak menyebar diatas maupun dibawah angka nol pada sumbu y, maka dapat disimpulkan tidak terjadi heteroskedastisitas. Untuk model penelitian yang baik adalah yang tidak terdapat heteroskedastisitas (Ghozali, 2016).

       3. Uji Autokorelasi

      Menurut Ghozali (2016) autokorelasi dapat muncul karena observasi yang berurutan sepanjang waktu yang berkaitan satu sama lainnya. Permasalahan ini muncul karena residual tidak bebas pada satu observasi ke observasi lainnya. Untuk model regresi yang baik adalah pada model regresi yang bebas dari autokolerasi. Untuk mendeteksi terdapat atau tidaknya autokorelasi adalah dengan melakukan uji Run Test.

      Run test merupakan bagian dari statistik non-parametik yang dapat digunakan untuk melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi. Apabila antar residual tidak terdapat hubungan korelasi, dapat dikatakan bahwa residual adalah random atau acak. Dengan hipotesis sebagai dasar pengambilan keputusan adalah sebagai berikut (Ghozali, 2016):

      Apabila nilai Asymp. Sig. (2-tailed) kurang dari 5% atau 0,05, maka untuk H0 ditolak dan Ha diterima. Hal tersebut berarti data residual terjadi secara tidak acak (sistematis).

      Apabila nilai Asymp. Sig. (2-tailed) lebih dari 5% atau 0,05, maka untuk H0 diterima dan Ha ditolak. Hal tersebut berarti data residual terjadi secara acak (random).


    • Uji Regrsi Klasik URL
      Siswa harus
      Tandai selesai
      Dipelajari dan Di Praktekkan yach....

  • Pertemuan 10 (Senin, Tgl 7 September 2020 Pkl 10.30 - 12.00)

    • Tugas Regresi Klasik Penugasan
      Buka: Jumat, 25 September 2026, 10:40
      Jatuh tempo: Sabtu, 26 September 2026, 20:00
      Please dikerjakan tugasnya yach.... 
      Tersedia dari 25 September 2026, 10:30

  • Pertemuan 11 (KP : Senin, 7 Sept 2020 Pkl 13.00 - 14.40)

    • Uji Regresi Berkas
      Siswa harus
      Tandai selesai

      Koefien korelasi hanya mampu menggambarkan kuat lemahnya hubungan dua variabel, namun tidak mampu menjelaskan hubungan funsional variabel mana yang menjadi sebab dan variabel mana yang menjadi akibat. Analisis regresi mempelajari bentuk hubungan antara satu atau lebih variabel bebas (X) dengan satu variabel tergantung (Y). Oleh karena itu, secara umum dapat dikatakan analisis regresi merupakan kelanjutan dari analisis korelasi karena dapat menentukan daya prediksi perubahan variabel Y akibat perubahan variabel X. Untuk dapat melakukan analisis regresi, data kita minimal harus berada pada level interval dan terdistribusi normal. Untuk menguji asumsi normalitas, dapat dilihat di sini.

      Analisis Regresi Tunggal
      Jika analisis dilakukan pada satu variabel dependen dan satu variabel independen, maka kita gunakan analisis regresi tunggal. Berikut ini adalah contoh kasus analisis regresi tunggal. Data untuk melakukan latihan analisis dapat didownload di sini

      Contoh kasus
      Variabel X       : IQ
      Variabel Y       : Prestasi
      Hipotesis         : IQ berperan sebagai prediktor prestasi

      Analisis dengan SPSS
      1.    Klik Analyze ΓÇô regression ΓÇô linear
      2.    Masukkan prestasi ke kolom dependent, serta IQ ke kolom independent
      3.    Klik  OK
      Berikut adalah output hasilnya
      Dari hasil di atas nilai R square adalah 0,322. Hal ini menunjukkan bahwa 32,2% variasi prestasi dapat dijelaskan oleh variasi IQ. Standar Error adalah 3,05. Semakin kecil standar error semakin tepat dalam memprediksi variabel tergantung.

      Dari uji ANOVA atau uji F didapat nilai F(1,79) sebesar 37,47 dengan p<0,01. Karena p<0,01 maka dapat dikatakan bahwa IQ dapat digunakan sebagai prediktor prestasi.

      Hasil uji t juga menunjukkan bahwa IQ mampu secara signifikan memprediksi prestasi (t=6,12; p<0,01) dengan ╬▓=0,567. Selain itu kita juga dapat menuliskan persamaan regresinya. Rumus umum persamaan regresi adalah Y = a + bX. Jika kita masukan nilainya, maka persamaan regresinya menjadi: Prestasi = 49,026 + 0,285 IQ. Hal ini menunjukkan jika seseorang tidak memiliki iq sama sekali, maka prestasinya adalah 49,026, sedangkan setiap satu poin kenaikan IQ anak menaikkan prestasi sebesar 0,285.

      Analisis Regresi Berganda
      Analisis regresi berganda dilakukan jika ada lebih dari satu variabel independen dalam memprediksi satu variabel dependen. Misal kasusnya adalah sebagai berikut

      Contoh kasus
      Variabel X1     : IQ
      Variabel X2     : Motivasi
      Variabel Y       : Prestasi
      Hipotesis         : IQ dan motivasi berperan sebagai prediktor prestasi

      Analisis dengan SPSS
      1.    Klik Analyze ΓÇô regression ΓÇô linear
      2.    Masukkan prestasi ke kolom dependent, serta IQ dan motivasi ke kolom independent
      3.    Klik statistics, centang R Square change, part and partial correlation, dan colinearity diagnosis
      4.    Ganti metode ke stepwise, lalu OK

      Berikut adalah output hasilnya

      Model summary menyajikan dua model. Model pertama hanya berisikan motivasi sebagai prediktor, sedangkan model kedua berisikan motivasi dan IQ sebagai prediktor. Hal ini karena kita memiliki metode stepwise. Metode stepwise akan melakukan analisis secara bertahap mulai dari prediktor yang hubungannya paling kuat dengan variabel dependen. Pada model 1 kita lihat bahwa R Square sebesar 0,386. Hal ini menunjukkan bahwa 38,6% variasi prestasi dapat dijelaskan oleh variasi motivasi. Pada model 2 kita lihat bahwa R Square sebesar 0,585. Hal ini menunjukkan bahwa 58,5% variasi prestasi dapat dijelaskan oleh variasi IQ dan motivasi. Artinya dengan penambahan IQ sebagai prediktor, variasi yang dapat dijelaskan naik sebesar 19,9%. Standar Error adalah 2,4. Semakin kecil standar error semakin tepat dalam memprediksi variabel tergantung.

      Dari uji Anova model 2 didapat nilai F(2,78) sebesar 54,87 dengan p<0,01. Karena p<0,01 maka dapat dikatakan bahwa IQ dan motivasi secara bersama-sama dapat digunakan sebagai prediktor prestasi.
      Salah satu asumsi khusus untuk analisis regresi ganda adalah antar variabel independen korelasinya tidak boleh tinggi (asumsi multikolinearitas). Hal ini dapat dilihat pada nilai colinearity statistics pada kolom tolerance dan VIF. Nilai tolerance yang diizinkan adalah 0,1 sedangkan nilai VIF yang diizinkan adalah di bawah 10. Jika dua hal ini terpenuhi, maka asumsi multikolineritas terpenuhi. Dalam analisis ini nilai tolerance=0,95, sementara nilai VIF=1,04. Dengan demikian maka asumsi multikolineritas terpenuhi.

      Hasil uji t merupakan pern masing-masing variabel independen terhadap variabel dependen. Uti t pada model 2 menunjukkan bahwa motivasi mampu secara signifikan memprediksi prestasi (t=7,02; p<0,01) dengan ╬▓=0,524. Begitu pula dengan IQ yang juga secara signifikan mampu memprediksi prestasi (t=6,11; p<0,01) dengan ╬▓=0,456. Selain itu kita juga dapat menuliskan persamaan regresinya. Rumus umum persamaan regresi adalah Y = a + b1X1 + b2X2. Jika kita masukan nilainya, maka persamaan regresinya menjadi: Prestasi = 43,378 + 0,229*IQ + 0,313*motivasi. Hal ini menunjukkan jika seseorang tidak memiliki IQ dan motivasi sama sekali, maka prestasinya adalah 43,378, sedangkan setiap satu poin kenaikan IQ anak menaikkan prestasi sebesar 0,229 dan setiap satu poin kenaikan motivasi akan menaikan prestasi sebesar 0,313.

      Sumbangan efektif masing-masing variabel dapat dihitung dengan rumus ╬▓ x zero-order x 100%. Dengan demikian sumbangan efektif masing-masing variabel adalah
      IQ                    : 0,45 x 0,56 x 100% = 25,2%
      Motivasi           : 0,54 x 0,62 x 100% =  33,4%

      Total dari sumbangan efektif kedua variabel ini akan sama dengan nilai R square yang sudah disebutkan di atas. 



    • Uju Regresi URL
      Siswa harus
      Tandai selesai
      Pelajari yach.....

  • Pertemuan 12 (KP : Senin, 7 Sept 2020 Pkl 14.40 - 16.10)

    • Tugas Uji Regresi Penugasan
      Buka: Jumat, 25 September 2026, 13:00
      Jatuh tempo: Sabtu, 26 September 2026, 20:00
      Dikerjakan Tugasnya yach... semangat 
      Tersedia dari 25 September 2026, 13:00

  • Pertemuan 13 (Selasa, 8 Sept 2020 Pkl 10.30 - 12.00)

  • Pertemuan 14 Ujian Akhir Semester (Selasa, 8 Sept 2020 Pkl 13.00 - 14.40)

    • SOAL UAS Penugasan
      Buka: Sabtu, 26 September 2026, 10:00
      Jatuh tempo: Minggu, 27 September 2026, 10:00
      Kerjakan yach...Semangat
      Tersedia dari 26 September 2026, 10:00