Skala pengukuran

Skala pengukuran
untuk mendapatkan informasi mengenai data, orang dapat digambarkan dari beberapa karakteristik seperti umur, pendidikan, jenis klamin, pendapatan, dan merek barang suatu tertentu. dalam skala pengukuran yang bisa digunakan untuk mendapatkan data dan untuk diolah dalam sebuah penelitian. Menurut Stevens (1946) diantaranya adalah Skala Nominal, Skala Ordinal, Skala Interval dan Skala Rasio. pada kesempatan ini kita akan membahas mengenai satu persatu.

1. Skala Nominal

Skala nominal merupanaka skala pengukuran yang menyatakan kategori, atau kelompok dari suatu subyek misalkan variabel jenis kelamin, responden dapat dikelompokkan ke dalam kategori laki-laki dan wanita. kedua kelompok ini dapat diberi kode angka 1 dan 2. angka ini hanya berfungsi sebagai label kategori semata tanpa nilai intrinsik (yang terkandung didalamnya) dan tidak memiliki arti apa-apa. jadi angka 1 dan 2 haya sebagai pengelompokan subyek kedalam kelompok yang berbeda. artinya jika jenis kelamin perempuan ditandai sebagai angka 1 maka jenis kelamin lelaki di tandai sebagai angka 2.

2. Sekala Ordinal

Skala ordinal merupakan sekala yang menggolongkan variabel kedalam kelompok sekaligus memberikan renking kedalam kategori. misal kita ingi melakukkan pengukuran pada katagori air minerala, Merek Aqua, Aquaria, Aquades dan Aquana. kita dapat meminta responden untuk memberikan penilaian terhadap merek air mineral yang terbaik menurutnya.

Merek Air Mineral        Ranking

Aqua                                    1

Aquaria                               2

Aquades                              3

Aquana                                4

dari tabel diatas dapat kita simpulan bahwa merek air mineral Aqua berada di peringkat 1 yang lebih disukai dibandingkan dengan Aquaria yang berada di peringkat 2, merek air mineral Aquaria yang lebih disukai dibandingkan dengan Aquades yang berada di peringkat ke 3 dan merek Aquana berada di peringkat terakhir yang disukai setelah Aqua, Aquaria, dan Aquades. pengukuran yang dilakukan tersebut dinamakan dengan skala ordinal dan data yang didapatkan merupakan data adalah data ordinal.
pada dasarnya skala likert atau yang disebut dengan summated scale (sekala yang dijumlahkan) merupakan sekala ordinal dimana responden di minta untuk menjawab suatu pertanyaan yang diberikan oleh seorang peneliti untuk mendapatkan jawaban yang valid dan reliabel. skala likert terdiri dari (1) sangat tidak setuju, (2) tidak stuju, (3) ragu-ragu /netral (4) setuju dan (5) sangat setuju.

3. Skala Interval
Mengambil informasi dari responden dengan memberikan beberapa pertanyaan untuk melakukan ranking dan sekaligus diminta untuk memberikan rate (nilai) sesuai dengan lima skala penilaian.

Nilai Skala      Pilihan
      1                Sangat Tinggi
      1                Tinggi
      1                Moderat
      1                Rendah
      1                Sangat Rendah

4. Skala Rasio
Skala rasio adalah skala interval yang memiliki nilai dasar yang tidak dapat dirubah. misalkan umur responden memiliki nilai dasar nol. skala rasio dapat ditransformasikan dengan cara mengalikan dengan konstanta, tetapi transformasi tidak dapat dilakukan jika dengan cara menambahkan konstanta karna akan merubah nilai dasarnya.

Jenis Sampel Penelitian

Aku bingung mencari sampel yang kugunakan dalam penelitian..???. pada postingan ini info klasik akan memberikan sedikit informasi mengenai pengertian sampel dan teknik sampling apa saja yang digunakan dalam penelitian. Penelitian sampel baru boleh dilakukan apabila keadaan subjek dari populasi homogen atau sama. contoh kecil jika kita ingin mengetahui rasa manis satu gelas teh yang berasal dari teko yang sama maka kita tidak perlu mencicipi gelas teh yang lainnya. jika kita merasa teh manis,  maka kita dapat menyimpulkan bahwa seluruh gelas yang berasal dari teko yang sama memiliki rasa manis. istilah sampel dari KBBI sam·pel adalah "1" sesuatu yg digunakan untuk menunjukkan sifat suatu kelompok yg lebih besar; "2" bagian kecil yang mewakili kelompok atau keseluruhan yg lebih besar. adapun pengertian sampel:

Sampel adalah sebagian atau wakil populasi yang diteliti apabila dimana penelitian sampel apabila kita bermaksud untuk menggeneralisasikan hasil penelitian sample. untuk menentukan sampel yang akan digunakan dalam penelitian, terdapat berbagai teknik sampling yang digunakan seperti berikut ini :

➤Probability Sampling
Probability sampling adalah teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel. teknik sampling ini meliputi :

a. Simple Random Sampling

Dikatakan simple (sederhana) karena pengambilan anggota sampel dari populasi dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu. 

b. Proportionate Stratified Random Sampling 

Teknik ini digunakan bila populasi mempunyai anggota/unsur yang tidak homogen dan berstrata secara proposional. 

c. Disproportionate Stratified Random Sampling 

Teknik ini digunakan untuk menentukan jumlah sampel, bila populasi berstrata tetapi kurang proporsional. 

d. Cluster Sampling (Area Sampling) 

Teknik daerah digunakan untuk menentukan jumlah sampel bila obyek yang diteliti atau sumber data sangat luas, misal penduduk dari suatu negara, propinsi atau kabupaten.

➤Nonprobability Sampling
Nonprobability sampling adalah teknik pengambilan sampel yang tidak memberikan peluang atau kesempatan sama bagi setiap unsur atau anggota populasi untuk dipilih menjadi sampel. Teknik sampling nonprobability meliputi :

a. Sampling Sistematis

Sampling sistematis adalah teknik pengambilan sampel berdasarkan urutan dari anggota populasi yang telah diberikan nomor urut.

b. Sampling Kuota

Sampling kuota adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri-ciri tertentu sampai jumlah (kuota) yang diinginkan.

c. Sampling Insidential

Sampling insidential adalah teknik penentuan sampel berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan/insidential bertemu dengan peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data.

d. Sampling Purposive

Sampling purposive adalah teknik penentuan sampel dengan pertimbangan tertentu.

e. Sampling Jenuh

Sampling jenuh adalah teknik penentuan sampel jika semua anggota populasi digunakan sebagai sampel. Hal ini sering dilakukan bila jumlah populasi relatif kecil, kurang dari 30 orang, atau penelitian yang ingin membuat generalisasi dengan kesalahan yang sangat kecil. Istilah lain sampel jenuh adalah sensus, dimana semua anggota populasi dijadikan sampel.

f. Snowball Sampling

Snowball Sampling adalah teknik penentuan sampel yang mula-mula jumlahnya kecil, kemudian membesar. Ibarat bola salju yang menggelinding yang lama-lama menjadi besar.

Cara melakukan uji normalitas dengan menggunakan SPSS

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki disteribusi normal. (Imam Ghazali, 2016). Pada postingan ini saya akan membahas mengenai bagai mana cara melakukan uji normalitas dengan menggunakan SPSS. pertama-tama kita harus mengetahui uji apa saja yang ada dalam uji normalitas, kemudian mengetahui ketentuannya baru ketahap selanjutnya yaitu cara melakukan uji normalitas dengan menggunakan SPSS. postingan ini hanya menekankan pada analisis grafik yaitu grafik histogaram dan normal plot dan uji statistik One sample kolmogrov smirnov. dalam uji normalitas ada beberapa cara yang dilakukan untuk melihat apakah residual berdisteribusi normal atau tidak yaitu dengan cara analisis grafik dan uji statistik

1. Analisi grafik

untuk mengetahui variabel pengganggu atau residual memiliki disteribusi normal dalam analisi grafik kita harus melihat grafik histogram dan grafik normal plot. ketentuannya adalah

-dikatakan grafik histogram menunjukkan pola distribusi normal apabila grafik terlihat berbentuk simetris, tidak melenceng kekanan ataupun kekiri. maka residual atau pariabel pengganggu terdiistribusi secara normal.-dikatakan grafik normal plot menunjukkan pola distribusi normal apabila titik-titik menyebar berhimpit disekitar garis diagonal dan maka menunjukkan residual terdistribusi secara normal. 

cara melakukan uji normalitas dengan menggunakan SPSS dapat dilakukan dengan langkah-langkah berikut:

1. Dari menu utama SPSS, Pilih menu Analyze, kemudian sub menu Regression kemudian klik Linear.

2. lakukan regresi dengan memasukkan masing-masing variabel, pilih Plots

3. Beri tanda centang pada Histogram dan Normal probability plot, klik Continue kemudian Ok

2. Uji statistik

untuk mengetahui variabel pengganggu atau residual memiliki disteribusi normal dalam dalam uji statistik diantaranya dengan menggunakan uji One sample kolmogrov smirnov. uji one sample kolmogrov smirnov digunakan untuk mengetahui distribusi data, residual terdistribusi normal jika nilai signifikansi lebih dari 0,05.

cara melakukan One sample kolmogrov smirnov dengan menggunakan SPSS dapat dilakukan dengan langkah-langkah berikut:

1. Dari menu utama SPSS, Pilih menu Analyze, kemudian sub menu Nonparametric test, lalu pilih Legacy dialogs dan klik 1-Sample K-S

2. Masukkan Unstandarizad dan beri tanda centang pada Normal kemudian pilih Ok

Cara melakukan uji autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan penggangu pada periode t sebelumnya (Imam Ghozali, 2016). Dalam uji aotokorelasi untuk mendiaknosis adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian durbin Watson (DW tes). Pada postingan ini kita akan membahas lebih detail bagaimana cara melakukan uji autokorelasi, adapun langkah-langkah yang harus diketahui dalam melakukan uji autokorelasi diantaranya sebagai berikut:

• Mengetahui dasar pengambilan keputusan dalam uji Durbin Watson (DW tes) 

1. Jika nilai d (durbin watson) lebih kecil dari nilau dl atau nilai d (durbin watson) lebih besar dari 4 dikurangi dl maka dapat disimpulkan adanya autokorelasi. 
2. Jika nilai d (durbin watson) terletak di antara nilai du dan 4- du maka tidak terdapat autokorelasi 
3. Jika nilai d (durbin watson) terletak diantara dl dan du atau d (durbin watson) berada di antara 4-du dan 4-dl maka tidak ada keputusan adanya autokorelasi atau tidak. 

• Menentukan nilai tabel Durbin Watson
dalam menentukan nilai tabel pada durbin watson bukanlah hal yang sulit karna kita hanya berpatokan pada tarap signifikan pakai, berapa banyak jumlah responden yang kita gunakan dan berapa banyak variabel yang kita gunakan. adapun simbol yang ada pada tabel durbin watson diantaranya adalah:

-Simbol ‘k’ pada tabel menunjukkan banyaknya variabel bebas (Independen), namun tidak termasuk variabel terikat.
-Simbol ‘n’ pada tabel menunjukkan banyaknya observasi.

sebagai contoh misalkan kita melakukan penelitian dengan menggunakan tiga variabel bebas diantaranya adalah tangible, empati dan reliability dalam penilitain kita mencari tabel durbin watson dengan tarap signifikan sebesar 5% dan jumlah observasi 30 responden. maka kita hanya mencari nilai tabel durbin watson kita dengan melihat jumlah (n) observasi dan (k) variabel bebas, seperti gambar dibawah.

• Menyimpulkan nilai Durbin Watson

setelah kita mendapatkan nilai tabel durbin watson maka kita harus melakukan kesimpulan seperti gambar dan keterangan seperti yang ada dibawah. hal ini bertujuan apakah nilai tabel durbin watson yang kita peroleh dari tabel DW tersebut bebas adari autokorelasi atau tidak. seperti yang sudah kita ketahui hasil dari tabel durbin watson ditemukan nilai du = 1.649 dan nilai dl  =  1.213 kurangi 4  hasil du dan dl (4-1.649 dan 4-1.213)

pengujian Autokorelasi dapat dilihat hasil yang diperoleh nilai DW sebesar 2,111 berdasarkan tabel Durbin Watson untuk nilai dl = 1,213 dan du = 1,643 maka dari nilai DW = 2,111 tersebut berada diantara 1,643 dan 4 - 1,643 = 2,351. sehingga kita dapat menyimpulkan bahwa tidak tedapat autokorelasi. maka dapat disimpulan bahwa tidak ada kecenderungan terjadi autokorelasi positif maupun negative pada uji autokorelasi.

Uji Heteroskedastisitas Dengan SPSS

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan kepengamatan yang lain (Imam Ghozali, 2016). dalam uji hetroskedastisitas ada beberapa uji yang biasa dilakukan diantaranya iyalah analisis grafik dan uji statistik. diantara kedua uji tersebut merupakan pedoman yang digunakan untuk menyimpulkan apakah adanya heteroskedastisitas atau tidak. Deteksi ada tidaknya Heteroskedastisitas yaitu dilakukan dengan cara:

a. menganalisi grafik scatterplot
dalam menganalisis grafik scatterplot ada beberapa ketentuan yang menjadi acuan apakah terjadinya heteroskedastisitas, ketentuannya adalah jika ada pola tertentu seperti titik-titik membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyampit), maka mengindikasikan telah terjadinya heteroskedastisitas. namun sebaliknya jika titik- titik pada grafik scatterplot menyebar secara acak (tidak membentuk pola) serta tersebar baik diatas maupun di bawah angka nol maka tidak adanya heteroskedastisitas. contoh grafik yang ada dibawah.

 

dapat kita lihat grafik scetterplots yang terdapat diatas bahwa  titik- titik menyebar secara acak (tidak membentuk pola) serta tersebar baik diatas maupun dibawah angka 0 (nol) pada sumbu Y. Hali ini dapat disimpulkan bahwa tidak terjadinya heteroskedastisitas pada model regresi.

b. Uji glejser

uji glejer merupakan uji statistik yang menggambarkan lebih jelas tentang adanya gejala pada uji heteroskedastisitas, karna jika hanya menggunakan analisa grafik scatterplot pada uji heteroskedastisitas dengan jumlah pengamatan yang sedikit (responden) akan cenderung signifikan. maka uji glejser merupakan uji statistik yang menjamin keakuratan ada atau tidaknya heteroskedastisitas pada suatu penelitian. dasar pengambilan keputusan dalam uji glejser yaitu:

-Jika probabilitas signifikan lebih besar dari 5 %. maka tidak terjadi heteroskedastisitas
-Jika probabilitas signifikan lebih kecil dari 5 %. maka terjadi heteroskedastisitas

Cara melakukan uji glajser dengan menggunakan SPSS:

1. Pilih menu Transform dan kelik dibagian Computer Variabel
 

2. Beri nama dan kode pada Target Variabel dan Numeric Expression seperti gambar di bawah kemudian kelik ok.

3. pilih menu Analyce kemudian Regression lalu kelik Linear

4. Masukkan RES2 ketempat kolom Dependent dan Variabel independen ke kolom Block 1 of 1, kemudian tekan Save dan hilangkan tanda centang pada Unstandardized, kelik Continu dan ok.

setelah melakukan langkah-langkah uji glejser diatas kita dapat melihat output data SPSS yaitu coefficients. Berdasarkan pengujian heteroskedastisitas dengan menggunakan uji glajer yang harus di perhatikan adalah nilai sig (signifikansi) variabel bebas yaitu variabel tangible, empathy dan reliability lebih besar dari 0,05. Hal ini dapat dilihat bahwa tidak ada nilai variabel yang di bawah 0,05 maka dapat di simpulkan tidak terjadinya terjadinya heteroskedastisitas

 

Uji Multikolinearitas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar varibel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara varibel independen. jika variabel independen memiliki korelasi yang kuat maka diindikasikan terjadinya problem multikolinieritas, dalam uji multikolinieritas tentunya yang kita harapkan adalah tidak terjadinya problem multikolinieritas sehingga dalam penelitian kita lancar tanpa kendala, untuk itu kita harus mengetahui gejala terjadinya problem multikolinieritas yang cukup tinggi.

cara mengetahui gejala terjadinya problem multikolinieritas yang cukup tinggi dapat dilakukan dengan beberapa cara yaitu diantaranya adalah:

➤Menganalisis matrik korelasi variabel-variabel independen. Jika antar varibel
    independen ada korelasi yang cukup tinggi (umumnya di atas 0,90) maka hal ini
    merupakan ada indikasi adanya multikolinieritas.

CONTOH :
variabel-variabel independen yang kita miliki adalah tiga variabel:
1. Reliability
2. Tangible
3. Empathy

varibel indevenden yang berada pada tabel di atas tampak bahwa variabel reliability, tangible dan empathy dibawah korelasi yang tinggi yaitu 0,90. maka dapat disimpulkan tidak terjadinya problem multikolinieritas.

untuk menganalisa tabel matriks korelasi yaitu dengan menganalisa masing-masing variabel independen dengan variabel independen lainya. sebagai contoh yaitu variabel reliability dengan variabel tangible dengan koralsi sebesar -195. artinya variabel reliability dengan variabel tangible jauh dari korelasi yang tinggi yaitu 0,90. maka dapat disimpulkan tidak terjadinya problem multikolinieritas.

➤Besaran nilai VIF (Variance Inflation Factor) dan Tolerance merupakan pedoman
    suatu model regresi yang bebas multikolineiritas adalah :

a. Dikatakan bebas multikolineritas jika nilai VIF lebih dari 10
b. Dikatakan multikolineritas jika nilai tolerance kurang dari 0,10

CONTOH :
variabel-variabel independen yang kita miliki adalah tiga variabel:
1. Reliability
2. Tangible
3. Empathy

Berdasarkan pengujian multikolinieritas dengan besaran nilai VIF (Variance Inflation Factor) dan Tolerance, perhitungan nilai tolerance menunjukkan tidak ada variabel bebas yaitu tangible, empathy dan reliability yang memiliki nilai kurang dari 0,10. Dan hasil perhitungan nilai VIF (Variance Inflation Factor) jugak menunjukkan tidak ada variabel bebas yaitu tangible, empathy dan reliability yang memiliki nilai VIF lebih dari 0,10. Hal ini dapat disimpulkan bahwa tidak ada problem multikolonieritas.

Uji Asumsi klasik

Berdasarkan persyaratan statistik yang harus dipenuhi dalam analisis regresi linier berganda yang bersetandar ordinary least square atau yang disingkat dengan "OLS" merupakan sebuah keharusan yang harus dipenuhi sebelum menganalisa variabel yang digunakan (regresi linier berganda) maka terlebih dahulu akan dilakukan pengujian asumsi klasik dengan tujuan untuk mengetahui penyimpangan dalam variabel. ada beberapa macam pengujian yang dilakukan dalam uji asumsi klasik. Pengujian yang dilakukan dalam uji asumsi klasik meliputi :

1. Multikolinieritas

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar varibel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara varibel independen jika terjadi korelasi antar variabel independen maka dapat disimpulkan terjadinya penyimpangan dalam uji multikolinieritas. untuk mengetahui apakah terjadi peroblem multikolinieritas antar variabel indevenden diantaranya iyala:

➤Menganalisis matrik korelasi variabel-varibel independen
Jika antar varibel independen ada korelasi yang cukup tinggi (umumnya di atas 0,90) maka hal ini merupakan ada indikasi adanya multikolinieritas.Melihat besaran VIF (Variance Inflation Factor) 

➤dan nilai tolerance sebagai pedoman
Suatu model regresi yang bebas multikolineiritas adalah jika bebas multikolineritas nilai VIF lebih dari 10 dan nilai tolerance kurang dari 0,10

2. Uji heteroskedastisitas

Uji heteroskedastisitas bertujuana untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual suatu pengamatan kepengamatan yang lain. untuk deteksi ada tidaknya heteroskedastisitas yaitu dilakukan dengan cara:

➤menganalisi grafik plot jika grafik plot terdapat pola tertentu seperti titik-titik membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyampit), maka mengindikasikan telah terjadinya heteroskedastisitas.

➤Uji glejer" jika variabel independen signifikan secara statistik mempengaruhi pariabel dependen, mada ada indikasi terjadi heteroskedastisitas. Hal ini dapat di ketahui dari perobabilitas signifikan sebesar 5%. 

3. Autokorelasi

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan penggangu pada periode t dengan kesalahan penggangu pada periode t sebelumnya. Untuk mendiaknosis adanya autokorelasi dalam suatu model regresi dilakukan melalui pengujian durbin Watson atau disingkat dengan (DW tes). untuk melakukan uji Durbin Watson terlebih dahulu kita harus mengetahui nilai tabel DW, kemudian baru kita kurangi nilai du-4 dan dl-4. sehingga kita dapat menentukan apakah model regresi berada di ketentuan H0/Ha.

➤Ho : Tidak ada autokorelasi baik positif maupun negative.
➤Ha : Ada autokorelasi baik positif maupun negative.

4. Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki disteribusi normal. Cara untuk melihat apakah residual berdisteribusi normal atu tidak yaitu dengan dua cara yaitu analisis grafik dan uji statistik.

➤Analisi grafik" Dengan melihat grafik histogram maupun grafik normal plot :

1. Jika grafik histogram maupun grafik normal plot memberikan pola distribusi yang tidek menceng kekiri dan kekanan maka disebut normal. Sedangkan pada grafik normal plot terlihat titik-titik mendekati garis diagonal, maka model regresi memenuhi asumsi normalitas 
2. Jika grafik histogram maupun grafik normal plot memberikan pola distribusi yang menceng (skewness) kekiri dan tidak normal. Sedangkan pada grafik normal plot terlihat titik-titik           menyebar disekitar garis diagonal, maka model regresi tidak memenuhi asumsi normalitas

➤Uji statistik
Uji one sample kolmogrov smirnov digunakan untuk mengetahui distribusi data, residual terdistribusi normal jika nilai signifikansi lebih dari 0,05.