57
f. Kecenderungan variabel
Untuk mengidentifikasi kecenderungan masing-masing variabel yang dikategorikan menjadi empat macam, dengan ketentuan sebagai berikut:
Tabel 7. Kategorisasi Kecenderungan Variabel Rentang Skor
Kategori X
x + 1.SD Sangat Tinggi
x + 1.SD ≥ X ≥ x Tinggi
x X ≥ x - 1.SD Rendah
X x - 1.SD
Sangat Rendah Keterangan:
X = Skor yang dicapai
x = Rerata skor keseluruhan
SD = Standar Deviasi skor keseluruhan
Djemari Mardapi, 2008:123
g. Histogram
Histogram atau grafik batang dibuat untuk menyajikan data hasil penelitian. Histogram dibuat berdasarkan data frekuensi yang telah ditampilkan dalam tabel
distribusi frekuensi.
2. Uji prasyarat analisis
Tujuan analisis data adalah menjawab atau mengkaji kebenaran hipotesis yang diajukan. Sebelum dilakukan analisis data terlebih dahulu dilakukan uji
prasyarat analisis dengan tujuan agar kesimpulan yang diambil dapat dipercaya dan dapat dipertanggungjawabkan. Berikut ini merupakan uji prasyarat analisis:
a. Uji Normalitas
Uji normalitas data merupakan uji yang digunakan untuk mengetahui normal tidaknya sebaran data. Pengujian normalitas data dalam penelitian ini
menggunakan rumus Kolomogorov-Smirnov dengan bantuan program SPSS 17.0 for Windows dengan cara sebagai berikut:
1 Pilih menu Analyze Non-parametric Test 1-Sample K-S.
58 2 Masukkan variabel variabel terikat Y dan variabel bebas X ke kotak Test
Variable List. 3 Pada Test Distribution centang V pada pilihan normal.
4 Klik OK. Sedangkan, untuk mengetahui data tersebut normal atau tidak, Sarjono dan
Julianita 2011: 64 menyatakan pedoman kriteria pengujian sebagai berikut: Jika angka signifikansi uji Kolmogorov-Smirnov Sig. 0,05 menunjukkan
data berdistribusi normal. Jika angka signifikansi uji Kolmogorov-Smirnov Sig. 0,05 menunjukkan
data tidak berdistribusi normal.
Tidak semua data berdistribusi normal, sehingga peneliti harus dapat mengidentifikasi alasan data tersebut tidak normal dan berikut ini 4 alasan data
tidak berdistribusi tidak normal dengan cara mengatasinya. 1 Data Ekstrim
Terlalu banyak nilai-nilai ekstrim dalam satu set data yang akan menghasilkan distribusi skewnessmiring. Normalitas data dapat dicapai dengan
menghilangkan data tersebut. Hal ini kemungkinan terjadi karena kesalahan menentukan pengukuran, kesalahan data-entry dan outlier dan untuk
mengatasinya dengan menghapus data tersebut dari data yang digunakan untuk alasan yang masuk akal.
2 Tumpang tindih dari Dua atau Lebih Proses Data tidak dapat terdistribusi secara normal karena sebenarnya berasal
dari lebih dari satu proses , penjumlahan atau pergeseran, atau dari sebuah proses yang sering bergeser . Jika dua atau lebih set data yang terdistribusi
secara normal yang tumpang tindih, data mungkin terlihat bimodal atau multimodal - itu akan memiliki dua atau lebih nilai yang paling sering terjadi.
Tindakan perbaikan untuk situasi ini adalah untuk menentukan X penyebab
59 bimodal atau distribusi multimodal dan kemudian stratifikasi data . Data harus
diperiksa lagi untuk normalitas dan setelah proses stratified dapat bekerja secara terpisah .
3 Kurangnya data Diskriminasi Round- off error atau perangkat pengukuran dengan resolusi rendah dapat
membuat benar-benar data continues dan data terdistribusi normal terlihat diskrit dan tidak normal . Kurangnya data diskriminasi dan karena terbatasnya jumlah
nilai yang berbeda - dapat diatasi dengan menggunakan sistem pengukuran yang lebih akurat atau dengan mengumpulkan lebih banyak data.
4 Nilai Mendekati Nol Jika proses memiliki banyak nilai mendekati nol, distribusi data akan miring
skewness ke kanan atau kiri. Dalam hal ini, transformasi seperti tenaga transformasi Box - Cox, dapat membantu membuat data normal. Dalam metode
ini , semua data dinaikkan , atau diubah , dengan eksponen tertentu , ditunjukkan dengan nilai Lambda . Ketika melakukan transformasi, semua data harus
dilakukan perlakuan diubah yang sama.
b. Uji Linieritas
Kategori