16 Desember 2012

Pengenalan VisualPLS

Software VisualPLS dikembangkan oleh Jen Rui dari National Kaohsiung University Taiwan. Software ini merupakan pengembangkan dari software Laten VAriable Partial Least Square (LVPLS) yang diperkenalkan oleh Lohmoller dan masih under DOS. Sedangkan VisualPLS sudah dapat dijalankan under Windows. Software ini dapat didownload di http://www2.kuas.edu.tw/prof/fred/vpls
 

Selain fitur yang mudah digunakan karena graphical user interface seperti SmartPLS, PLSGraph. Kemampuan software ini dapat melakukan model yang melibatkan variabel moderating (interaction model) dan second order factor model dengan pendekatan repeat measured. Output hasil analisis model sudah dalam format html dan MS.Excel.  Tutorial ini menggunakan VPLS versi 1.04

Tampilan menu awal VPLS

Menu Awal VisualPLS

Sebelum menggambar atau membangun model, anda terlebih dahulu mengenal tools pada VPLS

Menu Tools VisualPLS

Keterangan :
  1. Select : untuk memilih menu yang diinginkan
  2.  Construct : membuat konstruk baru atau variabel laten
  3. Second Order Construct : membuat second order konstruk
  4. Set Path : membuat garis regresi antarkonstruk
  5. Zoom in : memperbesar gambar model
  6. Model Parameter : digunakan untuk membuat parameter pada model seperti missing value, output quality, dan Stone Qeisser (Q2)
  7. Run : melakukan run/eksekusi PLS Algorithm pada model
  8. BootStrap : untuk melakukan eksekusi model dengan Bootstrapping
  9. Jacknife ; untuk melakukan eksekusi model dengan Jacknifing
  10. PLS Report in Excel : output model dalam format MS Excel
  11. PLS Report in Web Format : output model dalam format html
  12. Area menggambar model
Setelah mengenal tools/menu VPLS, untuk memulainya klik New Model dan akan terlihat menu tampilan seperti di bawah ini 
 
Menu Konfigurasi New Model


Pada menu ini kita akan membuat project baru. Pilih PLS Project tempat menyimpan project baru yang akan dibuat.  Pada Raw Data File, cari file data model yang akan diinput untuk dianalisis. VPLS dapat membaca input data berupa : CSV (comma delimiter),*dat, *txt, raw-tab atau space delimiter. Untuk output file ada 4 pilihan menyimpan hasil output seperti LVPLS Code, LVPLS Output, Bootstrap Report dan Jacknifing Report. Menu ini bersifat opsional. 
Kemudian OK.

Baca juga :

Referensi :

Ghozali, I. (2011). Structural Equation Modeling Metode Alternatif dengan Partial Least Square PLS edisi 3. Semarang : Badan Penerbit Universitas Diponegoro

Henseller, J.,Ringle,C.M and Sinkovics.R.R. (2009). The Use of Partial Least Squares Path Modeling in International Marketing : Advances in International Marketing (20).pp.277-319.

Lohmoller,J.B. (1989). Latent Variables path Modeling with partial Least Squares. Berlin, Heidelberger : Springer

Michael, H., and Andreas, M.K. (2004). A Beginner's Guide to Partial Least Square Analysis. Lawrence Erlbaum Association, Inc.

Vincenzo, et al. (2010). Handbook of Partial Least Square. Berlin, Heidelberg : Springer-Verlag.

06 Desember 2012

Uji Park Untuk Uji Asumsi Klasik Heterokedastisitas

Dalam asumsi klasik untuk menguji apakah terjadi pelanggaran terhadap heterokedastisitas dapat dilakukan dengan UJI PARK. Uji ini dikembangkan oleh Park pada tahun 1966, pengujian dilakukan dengan meregresikan nilai log residual kuadrat sebagai variabel dependen dengan variabel independennya. 
 

 
Perhatikan formula di bawah ini :

Rumus Uji Park


Dimana :
ln (resid2) = nilai residual kuadrat yang ditransformasikan ke dalam log natural (sebagai variabel dependen)
B0 = konstanta
B1X1 = Koefisien regresi dari variabel X1
B2X2 = Koefisien regresi dari variabel X2
e = eror term

Langkah analisis dengan SPSS :
  1. Lakukan analisis regresi seperti biasa, masukan variabel Y ke kolom dependen dan variabel X1 dan X2 ke kolom Independen.
  2. Pilih Save,kemudian centang (tik) residuals unstandardized, terus OK
  3. Sekarang nilai residual sudah tersimpan
  4. Hitung nilai residual kuadrat lalu ditransformasikan kebentuk log natural. Nah sekarang sudah terbentuk variabel baru ln (resid2).
  5. Lakukan analisis regresi, sekarang masukan variabel ln (resid2) ke kolom dependen sedangkan variabel X1 dan X2 ke kolom independen.

Kriteria uji : pada uji t, jika nilai signifikan pada variabel independen (X1 dan X2) tidak signifikan berarti tidak terjadi pelanggaran heterokedastisitas.
Hasil Uji

Hasil Uji Park

Hasil output uji Park di  atas, terlihat pada tabel uji t, nilai signifikansi masing-masing variabel X1 dan X2 (0.830) dan X2 (0.725) tidak signifikan atau > 0.05. Hal ini menunjukan bahwa dalam model regresi tidak terjadi pelanggaran terhadap heterokedastisitas.

Baca juga :

Referensi :

Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall

Imam Ghozali. (2012). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.


29 November 2012

Uji Asumsi Klasik Heterokedastisitas dengan Metode Grafik

Dalam analisis Regresi Berganda, salah satu uji asumsi klasik adalah uji Heterokedastisitas. Uji ini bertujuan untuk menguji apakah model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan kepengamtan lain tetap maka disebut homokedastisitas. atau tidak terjadi heterokedastisitas. Salah satu cara untuk menguji ada tidaknya heterokedastisitas yaitu dengan menggunakan grafik.
 
 
Pelanggaran terjadinya heterokedastisitas mengakibatkan estimasi kuadrat eror terkecil tidak mempunyai varian yang minimum (tidak Best), sehingga hanya memenuhi karakteristik LUE (Linier Unbiased Estimator). Meskipun estimator kuadrat terkecil masih bersifat linier dan tidak bias.

Langkah analisis dengan SPSS, anda harus melakukan langkah analisis regresi terlebih dahulu. Hasil uji terlihat pada output di bawah ini.



Pada grafik scatter plot di atas adalah uji heterokedastisitas. Jika pola tertentu, seperti titik-titik yang membentuk pola teratur (bergelombang, melebar, kemudian menyempit) maka mengindikasikan telah terjadi heterokedastisitas. Tetapi jika tidak ada pola yang serta titik-titik menyebar dari atas dan bawah angka 0 pada sumbu Y, maka tidak terjadi pelanggaran. Penafsiran metode grafik perlu kehati-hatian, namun perlu diuji dengan metode lain. Ada alternatif : uji Park, Glejser, White, Goldfelt-Quandt, Breusch Pagan Godfrey dan uji Korelasi Spearman.

Baca Juga :

Referensi :

Elliot,A.c and Woodward,W.A.(2007).Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hair,J.F,.Black,W.C.,Babin,B.J and Anderson,R.E. (2009). Multivariate Data Analysis 7th Edition.Prentice Hall

Imam Ghozali. (2012). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21 Update PLS Regresi. Semarang : Badan Penerbit Universitas Diponegoro.

25 Maret 2012

Input Data pada Lisrel

Telah banyak dikembangkan software untuk analisis metode Structural Equation Modeling (SEM). Software tersebut diantaranya LISREL (Joreskog dan Sorborn,1993), AMOS (Arbuckle, 1994, 1997), Mplus (Muthen dan When, 1998), EQS (Bentler, 1989,1995) Ezpath (Steiger, 1989) LISCOMP (Muthen 1988), Tetrad (Scheines,et al,1994), ROMANO, SEPATH dan STREAMS dan Mx (Neale,1997). 
 

Diantara software tersebut  Lisrel menjadi terpopuler dibandingkan yang lain karena memiliki kemampuan yang lebih untuk menganalisis berbagai metode yang kompleks. Pengembangan Lisrel saat ini  sampai versi 8.8 (full version),  untuk mendapatkannya anda bisa membeli atau  sewa. Lisrel juga tersedia versi student 8.8 (versi ini gratis). Lisrel 8.8 student version tentunya memiliki keterbatasan dibandingkan dengan full version. Batasannya adalah :
  •  Model SEM dibatasi maksimum 15 variabel observeb
  • Analisis-analisis statistik dasar dan manipulasi data dibatasi maksimum 20 variabel
  • Pemodelan multilevel dibatasi maksimum 15 variabel
  • General Linier Model (GLM) dibatasi dibatasi maksimum 20 variabel
  • Hanya dapat mengimpor data ASCII, tab-delimited, comma-delimited dan SPSS 
Pada kesempatan kali ini, contoh yang dilakukan menggunakan Lisrel 8.54. Langkah-Langkah menggunakan Lisrel 8.54 sebagai berikut :
Menyiapkan input data
Input data pada Lisrel dapat dilakukan dengan dua program yang disediakan yaitu PRELIS dan SIMPLIS. Selain untuk input data, program SIMPLIS digunakan untuk input perintah. Program SIMPLIS relatif sulit dilakukan karena membutuhkan bahasa perintah tersendiri. Namun kali ini kita akan menggunakan program PRELIS yang relatif lebih mudah dilakukan. Input data yang dilakukan agar data dapat disimpan di dalam PRELIS yang nantinya dianalisis dengan Program Lisrel. Data ini berupa data mentah yang sebelumnya disimpan pada berbagai macam program seperti SPSS, MS. ExceL, SAS, dBase, Systat, Statistica,  BMDP dan lain-lain. Namun untuk Lisrel 8.8 Student Version input data hanya dapat dilakukan untuk data yang berformat SPSS (*.sav), Comma Delimited Data (*.csv), Tab Delimited Data (*.txt) dan Free Format Data (*.dat, *.raw).
Pada bagian berikut ini akan kita bahas cara menyiapkan/menginput data yang berasal dari SPSS (.sav).
Langkah-langkah input data dapat dilakukan dengan dua cara :
Klik File >Import Data in Free Format, atau
Klik File >Import External Data in Other Formats.
1. Buka program LISREL
2. Klik File > Import External Data in Other Formats >Open.
Pada Look in, pilih folder tempat data disimpan. Pada Files of Type pilih SPSS for Windows (*.sav). Pada File Name pilih nama file (contoh, nama file Staying Intension). Kemudian klik Open.

Pilih File Input
 
Akan muncul tampilan Save As. Isikan pada File Name nama file untuk menyimpan data PRELIS. Dalam contoh kita beri nama Latihan Lisrel. Setelah itu klik Save.

Pilih Tempat Simpan
 
Secara langsung file data SPSS kita akan tersimpan dalam bentuk file PRELIS dengan nama Latihan Lisrel.psf, dan akan tampil seperti pada gambar berikut :
 
Simpan Dalam Prelis
Apabila data mentah tidak disimpan dalan SPSS (.sav), dapat dilakukan dengan format data yang lain seperti  MS.Excel, anda dapat menyimpan terlebih dahulu dengan format .csv atau .txt. Selanjutnya menentukan jenis data yang kita input.
  • Menentukan jenis data.
Jenis data dalam LISREL dibagi 2 yaitu data continous dan data ordinal. Data dikatakan continous jika memiliki kategori lebih dari 15. Sebaliknya, kurang dari 15  dikatakan data ordinal.

Tentukan Jenis Data
 
Langkahnya : Klik Data >Define Variables, maka akan muncul tampilan sebagai berikut :
Setelah itu klik nama variabel dan klik Variable Type, tentukan jenis datanya. Lakukan langkah tersebut untuk masing-masing variabel menurut jenis datanya. Jika seluruh variabel jenis data sama, klik Apply to all (diberlakukan sama).

Membuat matrik covariance dan matrik korelasi
Input data pada LISREL dapat berupa data mentah maupun matriks covariance dan matriks korelasi.
Setelah data mentah disimpan dalam PRELIS, klik Statistics dan klik Output Options pada bagian Statistics.
Akan muncul kotak dialog berikut:

Membuat Matrik Kovarian

Pada moment matrix pilih covariances, klik save to file, kemudian tulis nama file untuk menyimpan matriks kovarians tersebut. Kemudian klik OK. Dalam contoh diatas data disimpan pada partisi E, folder Lisrel dengan nama file data.cov
Data matriks kovarians akan tersimpan dalam format text documen. File tersebut dapat dibuka dengan program Notepad (bagian program Windows).
Membuat Matriks korelasi.
Matriks korelasi dibagi dua yaitu :
  1. Matriks korelasi continous yang dihasilkan dari data continous. Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Pearson’s Correlation.
  2. Matriks korelasi ordinal yang dihasilkan dari data ordinal. Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Polychoric Correlation.
Terdapat empat jenis matriks korelasi untuk data ordinal, yaitu :
  1. Polychoric : matriks korelasi yang seluruh variabel memiliki skala ordinal dan juga diperlakukan sebagai ordinal.
  2. Tetrachoric : matriks korelasi dimana seluruh variabel memiliki skala dichotomous (variabel dummy; 1 dan 0).
  3. Polyserial : matriks korelasi dimana variabel memiliki skala ordinal dan juga skala interval, yang diperlakukan sebagai ordinal.
  4. Biserial : matriks korelasi dimana variabel memiliki skala interval (continuos) dan juga skala dichotomous.
Untuk membuat matrik korelasi, data mentah disimpan dalam PRELIS.
Klik Output Options>Statistics
Pada moment matrix pilih Correlations> klik save to file, kemudian tulis nama file untuk menyimpan matriks korelasi tersebut. Klik OK
Membuat Asymtotic Covariance Matrix
Asymtotic Covariance Matrix merupakan perhitungan matriks varians dan kovarians yang dihitung berdasarkan data yang berdistribusi tidak normal.
Untuk membuat Asymtotic Covariance Matrix adalah sebagai berikut:
Klik Output Options>Statistics.
Klik Save to file pada Asymptotic Covariance Matrix, kemudian tulis nama file tempat penyimpanan di bawahnya. Klik OK

Baca juga :

Referensi :

Byrne,B.M. (1998). Structural Equation Modeling With Lisrel, Prelis and Simplis. New Jersey: Lawrence Erlbaum Association

Joreskog,K.G and Sorbom,D. (1993). Lisrel 8: Structural Equation Modeling White the Simplis Command Language.North Lincoln: Scientific Software International,Inc

Joreskog,K.G and Sorbom,D.(1999).Lisrel 8 New Statistical Feature.Chicago: Scientific Software International

Mueller, R.O. (1996). Basic Principles of Structural Equation Modeling : An Introduction to Lisrel and EQS. New York : Springer Verlag.

Viera, A.L. (2011). Interactive Lisrel in Practice : Getting Started with a Simplis Approach. New York : Springer.

Ghozali, I dan Fuad . (2014). Structural Equation Modeling : Teori, Konsep, dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro.

06 Februari 2012

Structural Equation Model Dengan WarpPLS : Alternatif NonLinier Partial Least Square (PLS) Path Model

Banyak penelitian untuk mencari hubungan dan regresi dibangun bedasarkan asumsi hubungan linier. Apabila asumsi tesebut tidak terpenuhi,pastinya hubungan tersebut adalah nonlinier. Banyak uji untuk mengetahui hubungan linier dalam penelitian, seperti grafik scatter plot, grafik residual, perbandingan R kuadrat, estimasi kurva dan lain sebagainya.
 

Uji hubungan linier dengan scatterplot akan diketahui dengan melihat pola titik-titik pada grafik. Apabila terdapat hubungan linier maka akan membentuk pola garis lurus diagonal dari kiri bawah menuju ke kanan atas. apabila hubungan tersebut nonlinier, pola titik titik akan membentuk sebuah kurva. Kurva tersebut bisa berbentuk kurva S, kurva J, atau yang lainnya. Beberapa contoh grafik scatterplot hubungan nonlinier.

Hubungan nonlinier berbentuk Surva S

Hubungan nonliner berbentuk Kurva J
 
Salah satu alternatif software aplikasi untuk mencari/meneliti hubungan nonlinier pada model SEM berbasis Partial Least Square yaitu WarpPLS. WarpPLS dapat mengidentifikasi dan megestimasi hubungan inner model yang nonlinier. Ada 4 estimasi model yang dilakukan  yaitu :
  1. Warp3 PLS Regression : hubungan antar laten variabel diidentifikasi dan diestimasi berbentuk kurva "S" (S curve)
  2. Warp2 PLS Regression : hubungan antar laten variabel diidentifikasi dan estimasi berbentuk kurva "U" (U curve)
  3. PLS Regression : hubungan antar laten variabel diidentifikasi dan estimasibersifat linier.
  4. Robust Path Analysis : untuk mengetahui/menghitung skor faktor dari rata-rata nilai semua indikator dengan variabel latennya.
Contoh kali ini menggunakan model Technology Acceptance Model (TAM). Dalam TAM terdiri dari 6 variabel laten/konstruk yaitu Perceived Uselfulness (PU), Behavioral Intention (BI), Perceived Ease of Use (PEU), Attitude (AT), Frequency of Use (FU), dan Task Use (TU). dari kelima konstruk tersebut masing-masing terbentuk oleh indikator indikatornya yaitu :

Path Diagram 

  • Perceived Uselfulness (PU) dengan 5 indikator (USEF1-USEF5), indikator ini bersifat reflektif
  • Behavioral Intention (BI) dengan 3 indikator (BI1-BI3), indikator ini bersifat reflektif
  • Perceived Ease of Use (PEU) dengan 5 indikator (EOU1-EOU5), indikator ini bersifat reflektif
  • Attitude (AT) dengan 5 indikator (AT1-AT5), indikator ini bersifat reflektif
  • Frequency of Use (FU) dengan 2 indikator (USE1-USE2), indikator ini bersifat reflektif
  • Task Use (TU) dengan 2 indikator (USE3-USE4), indikator ini bersifat formatif
 Ada 3 kriteria model fit indices atau keseuaian model yaitu Average Path Coeffecient (APC), Average R-Square (ARS) dan Average Variant Inflantion Factor (AVIF).Hasil output nilai APC sebesar 0.225 dengan p-value <0.001. Nilai ARS sebesar 0.171 dengan p-value sebesar <0.001 dan AVIF sebesar 1.161 (<5). Model fit indices merupakan ukuran yang sangat penting karena menunjukkan keseuaian model dengan data dan menunjukkan kualitas dari model yang diteliti. Kriterianya yaiut nilai p-value APC dan ARS <0.05 dan AVIF <5 sehingga model fit dengan data.
  
Baca juga :

2. Cara Seting Metode Algorithm di WarpPLS

3. Tutorial Analisis Segementasi (FIMIX)

4. Mengenal GeSCA

Referensi :

Ghozali,I.(2006). Structural Equation Modeling Metode Alternatif dengan Partial Least Squares.Semarang : Badan Penerbit Undip

Lohmoller,J.B. (1998). Latent Variable Path Modeling with Partial Least Squares. Springer Verlag Berlin

Vinci,V.E.,Chin,W.W.,Hanseller,J and Wang,H. (2010). Handbook of Partial Least Square: concepts, Methods and Applications.Berlin, Heidelberger: Springer

Yamin,S dan Kurniawan,H. (2011). Partial Least Square Path Modeling : Aplikasi dengan software XLstat, SmartPLS, dan Visual PLS.Jakarta : Salemba Infotek

23 Januari 2012

Uji Tanda (Sign Test)

Uji Ttanda (Sign Test) sama halnya dengan uji WilCoxon yaitu untuk membandingkan dua kelompok sampel data yang saling berhubungan. Uji tanda menghitung 2 kelompok data untuk semua sampel dan diklasifikasikan menjadi perbedaan positif dan negatif tidak berbeda secara signifikan. 
 
 
Uji Tanda dilambangkan dengan khai-kuadrat (). Formula uji Tanda :


Dimana : = Hasil perhitungan, = jumlah selisih positif,  = jumlah selisih negatif.

Contoh kasus
Dari 15 orang siswa TK diminta untuk menyusun urutan angka dari terkecil sampai yang terbesar. Skor dihitung dari benarnya susunan. Pada hari berikutnya siswa tersebut diminta kembali untuk menyusun angka tersebut dengan diiringi musik. Data sebagai berikut :

Data skor urut angka
Langkah-langkah analisis :
  1. Klik Analyze>Nonparametric Test>2 Related Samples
  2. Masukkan kedua variable ke kolom Test Pair List,Pilih Sign
  3. Klik Continue, kemudian OK
Hasil Output SPSS

Hasil uji Sign

Dari nilai test statistcs di atas nilai signifikansi sebesar 0.013 (<0.05) maka tolak hipotesis nol (H0). Jadi kesimpulannya, terdapat perbedaan skor yang signifikan terhadap perlakuan tanpa musik dan dengan musik.

Baca juga :

3. Uji Friedman

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

21 Januari 2012

UJI RUNS TEST

Analisis Runs Test termasuk dalam statistik nonparametrik. Uji ini digunakan untuk menguji pada kasus satu sampel. Sampel yang diambil dari populasi, apakah sampel yang diambil berasal dari sampel acak atau bukan . Pengujian ini untuk kasus satu sampel. Prosedur pengujian dilakukan dengan mengurutkan data sampel dan mencari letak nilai mediannya. 
 
 

Contoh kasus

Nilai ujian 30 siswa diambil dari populasi. Apakah pengambilan sampel ini bersifat acak? Data sebagai berikut :
Data Nilai Ujian

Langkah-langkah :
  1. Klik Analyze>Nonparametric>Runs
  2. Masukkan variabel Nilai ujian ke dalam Variable (s) dan klik Mode
  3. Klik OK
Hipotesis
H0 = Nilai ujian siswa bersiswa acak
H1 = Nilai ujian siswa bersifat tidak acak

Kriteria uji
Tolak Hipotesis nol (H0) bilai bilai asymtotic significant value uji Run Test < 0.05

Hasil Output SPSS 

Hasil Runs Test

Pada hasil output SPSS tersebut di atas menunjukkan nilai asymtotic significant uji Runs test sebesar 0.320 (> 0.05), maka hipotesis nol (H0) diterima yang berarti bahwa nilai ujian siswa bersifat acak.

Baca juga :

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

08 Januari 2012

Uji Q Cochran

Uji Q-Cochran termasuk pengujian statistik nonparametrik yang digunakan untuk peristiwa atau perlakuan lebih dari dua. Uji ini merupakan perluasan dari uji McNemar. Data yang digunakan berbentuk binary (dikotomis). Perlakuan lebih dari dua yang dimaksud adalah sebelum, ketika dan sesudah perlakuan. Sampel diperoleh dari data yang saling berhubungan.


Formula uji Q Cochran :

Rumus Q Cochran
 
Dimana :  Q = Nilai hasil perhitungan, k = jumlah kolom, = jumlah keseluruhan dalam kolom,  = jumlah keseluruhan dalam baris

Contoh kasus.
Peneliti sosial politik ingin mengetahui apakah terdapat perubahan preferensi pemilih terhadap calon Bupati A. Survei dilakukan sebelum kampanye, ketika kampanye dan sesudah kampanye. Data Yang diperoleh sebagai berikut :

Data Input

 Dari data yang diperoleh, jawaban responden : 1 = pilihan calon Bupati A, 0 = Tidak calon Bupati A

Hipotesis :
  • H0 = Tidak terdapat perubahan preferensi pemilih terhadap calon bupati A sebelum, ketika dan sesudah kampanye
  • H1= Terdapat perubahan preferensi pemilih terhadap calon bupati A sebelum, ketika dan sesudah kampanye.

Kriteria Uji :
Tolak hipotesis nol (H0) jika nilai signifikansi p-value (<0.05)
Langkah-langkah analisis :

Langkah K Related Sample

  1. Klik Analyze>Nonparametric>K Related Sampel
  2. Masukkan variabel sebelum, ketika dan sesudah ke kolom Test Variable
  3. Pilih Q-Cochran, kemudian OK 

 

Langkah Q Cochran

Hasil Output Uji Q Cochran 

Ada 2 output yang dikeluarkan dari hasil uji Q-Cochran yaitu tabel frekuensi yang mana tabel frekuensi memberikan deskripsi terhadap nilai yang diperoleh dari responden pada masing-masing variabel sebelum, ketika dan sesudah kampanye dilakukan dan tabel tes Cochran Q yang memberikan nilai uji statistik dan signifikansinya.

Frequencies

Tabel frekuensi di atas menunjukan bahwa frekuesni responden pada hasil survei terhadap pemilihan Calon Bupati A. Responden yang tidak memilih calon Bupati A sebelum kampanye sebanyak 14 responden sedangkan yang memilih sebanyak 6 responden. Pada masa ketika kampanye, yang memilih calon Bupati A sebanyak 7 responden dan yang tidak memilih sebanyak 13 responden. Sesudah kampanye dilakukan, responden yang tidak memilih calon Bupati A sebanyak 7 responden dan yang memilih sebanyak 13 responden. 

Test Statistics

Dari pengujian tes Q-Cochran di atas memperolh nilai sebesar 5.375 dengan signifikansi sebesar 0.068. Karena nilai signifikansi sebesar 0.068 > 0.05 maka tolak hipotesis nol yang menyatakan bahwa "Tidak ada perubahan preferensi pemilih terhadap calon Bupati A antara sebelum, ketika dan sesudah kampanye".

Baca juga :

1. Uji Runtest

2. Uji Sign test

3. Uji Wilcoxon 

Referensi :

Elliot,A.C and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Ho, Robert. (2006). Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS.London New York: Chapman & Hall CRC

Landau,S and Everits,B.S. (2004).A Handbook of Statistical Analysis Using SPSS. London New York Washington: CRC Press LLC

Muijs,D. (2004). Doing Quantitative research In Education. London California: Sage Publications

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek