Bulan: Agustus 2024

Kategori
Jasa Olah Data Jasa Skripsi Tesis Disertasi

Memahami Hasil Penelitian Skala Likert

Beberapa dari kalian mungkin masih asing mendengar istilah skala Likert. Peneliti biasanya menggunakan skala Likert untuk mengukur data dalam sebuah penelitian. Supaya kalian lebih paham, bacalah secara rinci artikel tentang memahami hasil penelitian skala Likert berikut ini.

Belajar Memahami Hasil Penelitian Skala Likert

Rensis Likert, seorang psikolog, mengembangkan skala Likert pada tahun 1932 sebagai metode pengukuran untuk menilai sikap, opini, atau persepsi responden terhadap suatu pernyataan atau pertanyaan. Berikut adalah penjelasan mengenai pengertian skala Likert:

Pengertian Skala Likert

Rensis Likert adalah seorang ahli psikologi sosial berasal dari Amerika Serikat. Ilmuwan asal Amerika tersebut berhasil mengembangkan skala Likert sejak tahun 1932. Menurutnya, skala Likert adalah alat pengukur yang berguna untuk menilai sikap atau pendapat mengenai suatu pernyataan.

Menurut Sugiyono skala Likert merupakan skala untuk mengukur pendapat, sikap, dan persepsi mengenai suatu fenomena sosial. Sementara itu, menurut Anwar skala Likert merupakan metode pengukuran atas pernyataan sikap. Menggunakan respons sebagai penentu nilai dalam sebuah penelitian.

Peneliti menggunakan skala Likert sebagai alat pengukuran dalam kuesioner atau survei untuk mengukur sikap atau persepsi responden terhadap serangkaian pernyataan. Responden menunjukkan tingkat persetujuan atau ketidaksetujuan mereka terhadap setiap pernyataan yang diberikan

Lima Bentuk Skala Likert

Para peneliti mengembangkan berbagai bentuk skala Likert. Mereka harus menyesuaikan bentuk atau pilihan tersebut berdasarkan penelitian. Peneliti biasanya menggunakan lima jenis pilihan dalam penelitian skala Likert, antara lain:

1.  Responden menunjukkan sikap afirmatif terhadap pernyataan yang diajukan dengan memilih ‘Setuju (S)’

2.  Netral (N), tanda bahwa responden ragu atau tidak dapat menentukan pilihan mereka.

3.  Sangat Setuju (SS), mengartikan responden sudah sangat setuju dengan pernyataan peneliti.

4.  Tidak Setuju (TS), apabila responden tersebut tidak setuju dengan pernyataan dari peneliti.

5.  Sangat Tidak Setuju (STS), menyatakan bahwa responden sangat tidak setuju dengan pernyataan yang dilontarkan oleh peneliti.

Rumus Skala Likert

Berdasarkan jawaban responden dari hasil penelitian skala Likert melalui pertanyaan ataupun pernyataan. Selanjutnya, dianalisis dengan melihat hasil skor dari masing-masing kategori.

Jika jawaban dari pertanyaan tersebut bernilai positif. Peneliti memberikan nilai 5, 4, 3, 2, dan 1 untuk jawaban pernyataan positif. Sementara itu, untuk pernyataan bernilai negatif, peneliti memberikan nilai 1 sampai 5 atau dari -2 sampai 2. Kemudian, peneliti menghitung hasil dari perhitungan nilai tersebut menggunakan rumus.

Rumus skala Likert yaitu TxPn. T berarti jumlah responden yang memilih. Sedangkan, Pn bermakna pilihan angka skor Likert. Hasil tersebut nantinya akan dianalisis agar menghasilkan variabel tambahan pada sebuah penelitian.

Setelah membaca artikel di atas kalian pasti sudah paham akan penelitian skala Likert. Untuk memahami lebih lanjut kalian bisa mencari tahu materi mengenai metode dan contoh skala Likert. Hal tersebut berguna sebagai bahan referensi bagi kalian yang hendak melakukan penelitian.

http://Memahami Hasil Penelitian Skala Likert

Kategori
Jasa Olah Data Jasa Skripsi Tesis Disertasi Uncategorized

Pengertian Uji Asumsi Klasik dengan SPSS

Dalam artikel ini akan membahas tentang bagaimana cara menggunakan uji asumsi klasik dengan SPSS. Berikut artikel selengkapnya.

Dalam sebuah analisis data regresi linier sederhana maupun berganda, diperlukan adanya uji syarat atau biasa dikenal dengan uji asumsi klasik. Uji asumsi ini merupakan persyaratan agar hasil  regresi tidak “bias”. 

Sebuah penduga parameter dikatakan tidak bias apabila nilai harapannya sama dengan nilai yang sebenarnya dari parameter itu. Artinya, suatu estimator bersifat tidak bias jika menghasilkan estimasi parameter yang rata-rata benar.

Uji Asumsi Klasik dengan SPSS, Begini Caranya

Uji asumsi klasik merupakan langkah penting dalam analisis regresi untuk memastikan bahwa model yang digunakan memenuhi syarat untuk menghasilkan estimasi yang valid dan dapat diandalkan. Berikut adalah penjelasan tentang bagaimana melakukan uji asumsi klasik menggunakan SPSS, yang melibatkan empat asumsi utama, yakni normalitas, linieritas, heteroskedastisitas, dan autokorelasi.

1. Uji Normalitas

Uji normalitas bertujuan untuk memeriksa apakah distribusi residual mengikuti distribusi normal. Di SPSS, Anda bisa melakukan uji normalitas dengan cara berikut:

  1. Buka SPSS dan masukkan data Anda.
  2. Pilih menu “Analyze” > “Descriptive Statistics” > “Explore”.
  3. Masukkan variabel residual ke dalam kotak “Dependent List”.
  4. Klik “Plots” dan centang opsi “Normality plots with tests”.
  5. Klik “Continue” dan kemudian “OK”.

Hasil uji asumsi klasik dengan SPSS ini akan memberikan dua output utama:

  • Histogram dan Q-Q Plot: Periksa apakah histogram residual mendekati bentuk normal dan apakah titik-titik pada Q-Q Plot berada di sepanjang garis diagonal.
  • Kolmogorov-Smirnov Test atau Shapiro-Wilk Test: Uji statistik ini menguji hipotesis nol bahwa data residual terdistribusi normal. Jika nilai p lebih besar dari 0,05, maka data residual dianggap normal.

2. Uji Linieritas

Linieritas menguji hubungan linear antara variabel independen dan dependen. Untuk uji linieritas di SPSS, ikuti langkah ini:

  1. Pilih menu “Analyze” > “Regression” > “Linear”.
  2. Masukkan variabel dependen dan independen ke dalam kotak yang sesuai.
  3. Klik “Plots” dan seret variabel prediktor ke dalam kotak “Horizontal Axis” dan variabel residual ke dalam kotak “Vertical Axis”.
  4. Centang opsi “Histogram” dan “Normal probability plot”. Klik “Continue” dan kemudian “OK”.

Hasil uji asumsi klasik dengan SPSS yang diharapkan adalah scatter plot yang menunjukkan pola acak tanpa pola sistematik, menandakan hubungan linear.

3. Uji Heteroskedastisitas

Heteroskedastisitas terjadi ketika varians residual tidak konstan. Untuk mendeteksi heteroskedastisitas:

  1. Dari output regresi linear, pilih menu “Analyze” > “Regression” > “Linear”.
  2. Di bawah tab “Plots”, seret variabel prediktor ke dalam kotak “X” dan residual yang telah disimpan ke dalam kotak “Y”.
  3. Pilih “Scatterplot” dan klik “OK”.

Perhatikan grafik scatter plot dari residual. Jika residual tersebar secara acak di sekitar garis horizontal tanpa pola yang jelas, maka tidak ada heteroskedastisitas. Jika ada pola sistematik, mungkin perlu penyesuaian lebih lanjut.

4. Uji Autokorelasi

Autokorelasi terjadi ketika residual dari satu pengamatan terkait dengan residual dari pengamatan lain. Untuk menguji autokorelasi:

  1. Pilih menu “Analyze” > “Regression” > “Linear”.
  2. Masukkan variabel dependen dan independen, lalu klik “Save” dan pilih “Durbin-Watson”. Klik “Continue”.
  3. Klik “OK” untuk menjalankan regresi dan simpan output.

Uji Durbin-Watson dalam output regresi memberikan statistik yang berkisar antara 0 hingga 4. Nilai mendekati 2 menunjukkan tidak adanya autokorelasi. Nilai di bawah 1,5 atau di atas 2,5 menunjukkan masalah autokorelasi.

Melakukan uji asumsi klasik ini dengan SPSS, Anda dapat memastikan bahwa model regresi yang Anda gunakan sesuai dengan asumsi yang diperlukan untuk menghasilkan hasil yang valid. Melakukan langkah-langkah ini dengan benar akan meningkatkan kredibilitas analisis data Anda.

Langkah Antisipasi Jika tidak Berdistribusi dengan Normal

Langkah-langkah antisipasinya antara lain sebagai berikut.

– Pada kotak dialog Linear Regression, klik Save.

– Kemudian muncul kotak dialog Linear Regression, lalu klik Save.

– Kemudian, klik Unstandardized pada Residuals,

– Terakhir Klik Continue untuk melanjutkan.

Gunakan langkah ini sebagai tahap antisipasi agar apabila data tidak berdistribusi normal. Anda bisa mencoba dengan uji normalitas lainnya yaitu kolmogorov-smirnov.

Namun dengan catatan, cara ini tidak membuat data penelitian Anda 100% berdistribusi normal, karena uji kolmogorov-smirnov merupakan uji normalitas lainnya yang memiliki sudut pandang lain dari uji menggunakan Histogram atau Normal Probability Plots.

Demikian pengertian dan cara uji asumsi klasik dengan SPSS. Uji asumsi ini merupakan langkah penting dalam analisis regresi linear untuk memastikan kevalidan model. Dengan memahami dan memenuhi asumsi-asumsi ini akan mendapatkan hasil yang lebih akurat. Semoga bermanfaat.

http://Pengertian Uji Asumsi Klasik dengan SPSS

Kategori
Jasa Buat Peta Jasa Olah Data

Beberapa Jenis Skala Pengukuran dalam Statistika

Statistik dan penelitian memandang skala pengukuran sebagai konsep penting karena skala ini menentukan cara mereka mengukur dan menganalisis variabel. Setiap jenis skala pengukuran memiliki karakteristik dan aplikasi yang berbeda, sehingga mempengaruhi rumus dan teknik yang mereka gunakan dalam analisis data. Terdapat empat macam skala pengukuran utama, yakni nominal, ordinal, interval, dan rasio.

Jenis Skala Pengukuran dalam Penelitian dan Statistik

Statistik dan penelitian memandang skala pengukuran sebagai konsep penting karena skala ini menentukan cara mereka mengukur dan menganalisis variabel. Setiap skala pengukuran memiliki karakteristik dan aplikasi yang berbeda, sehingga mempengaruhi rumus dan teknik yang mereka gunakan dalam analisis data. Berikut adalah keempat skala pengukuran tersebut:

Skala Normal

Pada skala ini, pengukuran termasuk dalam kategori kualitatif. Skala normal adalah jenis skala yang paling dasar dibandingkan dengan yang lainnya. Skala ini tidak melakukan perhitungan berbasis angka karena tidak memiliki makna kuantitatif.

Pengumpulan data menggunakan skala normal biasanya dilakukan melalui pertanyaan terbuka atau pertanyaan dengan pilihan ganda yang diberi label. Contoh dari skala pengukuran normal meliputi kategori seperti jenis kelamin, warna rambut, atau lokasi geografis.

Skala Ordinal

Skala ordinal juga termasuk dalam pengukuran kualitatif. Memiliki urutan tertentu yang memberikan peringkat pada data, dan berguna untuk mengevaluasi data yang memerlukan urutan.

Umumnya, skala ordinal digunakan untuk mengukur data yang bersifat non-numerik dan nilai intervalnya tidak diketahui. Contohnya, dalam mengukur tingkat kepuasan, perusahaan dapat menggunakan survei dengan pilihan seperti tidak puas, cukup puas, puas, netral, dan sangat puas.

Skala Interval

Skala interval adalah jenis pengukuran numerik di mana jarak antara nilai-nilai yang berdekatan adalah konsisten. Ini merupakan skala pengukuran kuantitatif.

Pada skala interval, peneliti menganggap nilai 0 sebagai arbitrer, yang berarti mereka tetap dapat mengukur variabel meskipun nilainya negatif. Peneliti dapat menjumlahkan atau mengurangkan data dengan skala interval, tetapi tidak dapat mengalikannya atau membaginya. Contoh penerapan skala interval adalah pengukuran suhu dalam derajat Celsius.

Skala Rasio

Skala ini memungkinkan semua jenis perhitungan dan kesimpulan yang akurat. Berbeda dengan skala interval, skala rasio tidak memiliki nilai negatif. Contoh skala rasio termasuk pengukuran ukuran seperti tinggi badan.

Memahami berbagai jenis skala pengukuran dalam penelitian dan statistik akan mempermudah Anda dalam memilih metode yang tepat. Dengan demikian, hasil penelitian dan analisis dapat menjadi lebih akurat dan tepat.

http://jenis skala pengukuran dalam statistika

Kategori
Jasa Olah Data Jasa Skripsi Tesis Disertasi

Perbedaan Statistik Parametrik dan Nonparametrik beserta Kelebihannya

Uji statistik dalam ilmu statistik bermanfaat untuk membuat generalisasi terkait populasi dari sebuah sampel. Uji statistik ini menjadi teknik formal untuk menyimpulkan kewajaran hipotesis.Pengujian hipotesis mengklasifikasikan klasifikasi menjadi dua jenis, yakni parametrik dan nonparametrik. Lantas, apa perbedaan keduanya?

Ketahui Perbedaan Statistik Parametrik dan Nonparametrik

Peneliti sering menggunakan statistik parametrik maupun nonparametrik dalam penelitian. Namun, terdapat banyak perbedaan di antara keduanya. Pembeda ini bermanfaat sebagai acuan penelitian untuk menentukan uji statistik yang tepat. 

Pengertian

Dari segi pengertian, statistik parametrik adalah teknik untuk menguji hipotesis dengan menggunakan parameter populasi. Para peneliti sering menggunakan pengujian ini untuk jenis data rasio atau minimal interval.

Sedangkan untuk statistik nonparametrik tak mempunyai syarat dan tidak melibatkan perkiraan nilai populasi seperti pada uji statistik parametrik. Pengujian data statistik parametrik merupakan data berdistribusi normal. Berbeda dengan uji statistik nonparametrik, untuk data tak harus berdistribusi normal. 

Metode dan Penggunaan

Dari segi metode penggunaan, uji statistik parametrik dan nonparametrik mempunyai beberapa variasi. Pada uji parametrik berupa Uji-T, Anova dan Regresi. Uji-T berguna untuk menguji signifikansi kelompok sampel lebih dari satu. Lalu Anova untuk menguji perbedaan dua rata-rata atau lebih dan Regresi menguji pengaruh variabel terikat dan bebas. 

Sementara itu, untuk uji nonparametrik terdiri dari Uji Tanda, Spearman dan Wilcoxon. Untuk Uji Tanda dapat mengetahui perbedaan sebelum dan sesudah perlakuan. Spearman untuk mengukur keeratan hubungan dua variabel dan Wilcoxon mengukur perbedaan antara dua kelompok data berpasangan dan berskala ordinal. 

Kelebihan

Baik itu uji statistik parametrik maupun non parametrik mempunyai kelebihan tersendiri. Kelebihan statistik parametrik adalah tidak membutuhkan pengujian parameter populasi. Peneliti menganggap pengujian ini memenuhi syarat karena data observasi dinilai saling bebas dan memiliki distribusi normal dari populasi dengan varian homogen.

Sedangkan kelebihan statistik nonparametrik merupakan pengujian pada data dengan pengamatan secara nyata. Pengujian ini mudah dilakukan, pasalnya tak membutuhkan asumsi. Pada umumnya bersifat kualitatif dan tidak membutuhkan adanya urutan. 

Jadi, perbedaan utama antara statistik parametrik dan nonparametrik terletak pada penerapan, ukuran tendensi sentra dan informasi populasi. Kemudian berbeda dari segi pengukuran variabel dan cara mengukur derajat hubungan dua variabel kuantitatif. 

http://Perbedaan Statistik Parametrik dan Nonparametrik