Minggu, 10 Juli 2011

Simulasi Uji Validitas dan Reliabilitas

Berikut adalah simulasi uji validitas dengan korelasi Pearson dan uji reliabilitas dengan Split-Half dengan SPSS Versi 11.5. Tabulasi dalam bentuk SPSS dapat anda download di sini dan outputnya dapat anda download di sini.
1.      Uji Validitas
Uji validitas yang digunakan adalah dengan metode korelasi Pearson, dengan menu Analyze >> Correlate >> 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 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 sebanyak 0,230. Dengan demikian dinyatakan bahwa rangkaian kuesioner yang dipergunakan pada variabel perilaku siswa adalah reliabel.

SELINGKUH: Tidak Selamanya Salah!


Perselingkuhan kayanya memang selalu jadi topik yang nggak pernah habis daya tariknya ya... Ini pula yang membuat saya langsung tertarik membaca postingan Jeng Niken tentang selingkuh-selingkuhan itu. Dan saya langsung ingat sesuatu.
Kalau boleh jujur, mungkin saya adalah salah satu orang yang dicari teman-teman saya ketika mereka meminta pendapat tentang perselingkuhan yang terjadi dalam hidup mereka. Okey, bukan pendapat sih tepatnya, tapi pembenaran. Iya.. pembenaran atas perselingkuhan yang sedang mereka lakukan.
Ngenes juga sebenarnya ketika tahu bahwa begitulah saya di mata teman-teman.
Tapi mestinya ya saya nggak bisa nyalahin mereka atas penilaian itu. Toh kalau bukan saya yang memulai, jelas nggak mungkin mereka menganggap saya jadi tempat 'memperbolehkan' perselingkuhan, bukankah?!
Hanya karena saya selalu bilang, "Selingkuh itu nggak selalu bisa disalahkan."
Okay, you may hate me for saying this :P
Tapi yaa.. memang begitulah menurut saya.
Buat saya, selingkuh itu justru menjadi indikator bahwa sedang terjadi sesuatu yang salah pada hubungan percintaan. Sampai harus ada selingkuh. Kalau nggak ada yang salah dengan hubungan itu, ya 'kan mestinya nggak perlu pakai selingkuh.
Selingkuh itu terjadi karena kontribusi dari kedua pihak, kok.
Misalnya nih.. ini misalnya aja, lho..
Si istri selingkuh sama teman kantornya. Dia merasa si teman kantor itu lebih bisa memahami dia, lebih bisa mendengarkan keluhan-keluhannya dia tanpa menasihati, lebih bisa diajak seneng-seneng, dan ini-itu kelebihan lainnya yang menurut dia nggak ada dalam diri pasangan (resminya). Lalu.. mana yang jadi masalah di sini?
Jelas, saya nggak akan menyalahkan sang suami dan menuduhnya sebagai pihak yang bersalah. Sementara si istri sekedar korban. Karena bukan itu esensinya.
Tapi.. apa yang diinginkan si istri mestinya ya bisa dibicarakan dengan suami. Dan yaa.. suami juga harusnya terbuka untuk menerima masukan dari istrinya. Mereka berdua mestinya bisa berkomunikasi secara terbuka tentang apa harapan masing-masing terhadap satu sama lain. Sehingga, ketika harapan salah satu (atau dua-duanya) nggak terpenuhi, jadi tahu mana yang harus diperbaiki.
Nah.. itu dia kenapa pada akhirnya selingkuh itu (buat saya) adalah sebuah warning sign bahwa sedang terjadi sesuatu yang nggak beres di hubungan itu. Bisa karena komunikasi yang nggak jalan, bisa karena ekspektansi yang semakin meningkat, bisa karena macem-macem.
Yang hanya dipahami oleh kedua (atau ketiga) pihak yang terlibat di dalamnya.
Alhasil, kalau teman-teman akhirnya mendatangi saya untuk meminta 'persetujuan' atau pembenaran atas perselingkuhan yang dilakukannya itu, yaaa.. biasanya saya sih nggak akan ngutak-ngutik masalah benar atau salah itu. Saya selalu percaya sama kata-kata mutiara 'everything happens for a reason' itu.
Jadi ya cara paling baik adalah dengan mencari tahu dulu penyebab terjadinya perselingkuhan. BUKAN MENCARI TAHU SIAPA YANG SALAH, tapi APA yang salah dan mesti diperbaiki ;-)

Sumber: http://ngerumpi.com/

Uji Normalitas Kolmogorov Smirnov

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.
Uji Kolmogorov Smirnov merupakan 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 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.
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 pada 1-Sample K-S. K-S itu singkatan dari Kolmogorov-Smirnov. Maka akan muncul kotak One-Sample Kolmogorov-Smirnov Test. Data yang akan diuji terletak di kiri dan pindahkan ke kanan dengan tanda panah. Lalu tekan OK saja. Pada output, lihat pada baris paling bawah dan paling kanan yang berisi Asymp.Sig.(2-tailed). Lalu intepretasinya adalah bahwa jika nilainya di atas 0,05 maka distribusi data dinyatakan memenuhi asumsi normalitas, dan jika nilainya di bawah 0,05 maka diinterpretasikan sebagai tidak normal.


sumber: http://www.konsultanstatistik.com/