Uji Validitas dan Reliabilitas Instrumen dengan R

Artikel ini akan membahas contoh bagaimana melakukan pengujian validitas dan reliabilitas instrumen kuesionair sebelum digunakan untuk mengumpulkan data sample penelitian.

Misalkan kita akan menguji 2 variabel yang bernama KnowledgePreneur Leadership yang memiliki 7 indikator dan Technopreneur Harmony dengan 5 indikator, kita telah mengumpulkan beberapa data awal untuk pengujian, dengan data tabel9 di bawah ini ada 23 data pengujian yang dikumpulkan, langkah berikutnya adalah import data kita ke data frame di R, jika anda adalah pengguna awal R, silahkan dapat melihat artikel tutorial kami sebelumnya mengenai proses import data ke R,

resp	KPL1	KPL2	KPL3	KPL4	KPL5	KPL6	KPL7	TPH1	TPH2	TPH3	TPH4	TPH5
1	5	3	4	5	5	3	5	3	5	2	3	4
2	5	5	5	5	5	5	5	5	5	5	5	4
3	5	5	6	5	6	5	5	6	4	5	5	4
4	6	5	5	5	6	4	5	6	6	6	6	6
5	6	5	6	6	6	6	6	4	3	6	4	4
6	5	4	5	2	4	3	5	5	2	5	5	4
7	3	2	4	3	4	3	5	6	4	3	4	2
8	6	6	6	6	6	6	6	6	4	4	5	6
9	6	5	3	3	6	3	5	5	5	5	6	6
10	3	2	3	5	3	3	3	1	1	2	3	3
11	5	5	5	5	5	5	5	5	5	5	5	5
12	6	6	6	6	6	6	6	6	6	5	4	4
13	5	5	4	6	4	5	6	6	6	6	5	6
14	6	5	5	6	6	5	5	4	4	4	4	4
15	5	5	5	5	3	5	5	5	3	3	3	5
16	5	5	5	5	5	5	5	5	5	5	5	5
17	6	5	5	6	3	5	6	2	2	6	6	6
18	5	5	6	6	5	6	5	5	5	5	4	6
19	5	5	4	6	5	5	4	4	4	4	5	4
20	6	6	6	6	5	6	6	6	6	6	6	5
21	4	4	3	6	3	4	3	3	3	3	3	3
22	5	5	4	6	5	4	6	6	5	6	5	5
23	5	5	4	6	5	4	5	5	5	5	4	4

Pengujian Validitas Instrumen variabel KPL

Pengujian validitas instrumen kita akan lakukan dengan pengukuran korelasi antar indikator dengan total untuk tiap variabelnya. Pengukuran korelasi akan menggunakan fungsi  cor() dan bantuan package dplyr untuk fungsi select() dengan perintah di bawah ini,

Pengujian validitas pada variabel KPL

> library(dplyr)
> cor(select(table9,KPL1,KPL2,KPL3,KPL4,KPL5,KPL6,KPL7,sumKPL))

            KPL1      KPL2      KPL3      KPL4      KPL5

KPL1   1.0000000 0.8321850 0.5585926 0.2948178 0.6108004

KPL2   0.8321850 1.0000000 0.6000601 0.4752553 0.5095512

KPL3   0.5585926 0.6000601 1.0000000 0.2519275 0.4598479

KPL4   0.2948178 0.4752553 0.2519275 1.0000000 0.1079729

KPL5   0.6108004 0.5095512 0.4598479 0.1079729 1.0000000

KPL6   0.5431911 0.7651682 0.7801599 0.6733389 0.3321937

KPL7   0.6623912 0.5851437 0.6114632 0.1696273 0.4171469

sumKPL 0.8299236 0.8937834 0.7958107 0.5829337 0.6417921

            KPL6      KPL7    sumKPL

KPL1   0.5431911 0.6623912 0.8299236

KPL2   0.7651682 0.5851437 0.8937834

KPL3   0.7801599 0.6114632 0.7958107

KPL4   0.6733389 0.1696273 0.5829337

KPL5   0.3321937 0.4171469 0.6417921

KPL6   1.0000000 0.4871728 0.8720856

KPL7   0.4871728 1.0000000 0.7133480

sumKPL 0.8720856 0.7133480 1.0000000

kita dapatkan bahwa korelasi setiap indikator untuk variabel KPL adalah di atas 0.5 (yang di bold), hal ini menunjukkan hubungan yang kuat antara indikator dengan variabel KPL atau dapat dikatakan setiap indikator yang kita gunakan untuk mengukur variabel KPL sudah valid.

Pengujian Reliabilitas Instrumen variabel KPL

Pengujian reliabilitas instrumen kita akan lakukan dengan pengukuran Cronbach’s α dari data, analisis Reliability akan memerlukan tambahan fungsi alpha() dari package psych (mungkin perlu diinstal terlebih dahulu), selanjutnya uji reliabilitas dilakukan dengan perintah di bawah ini,

> library(dplyr)
> library(psych)
> alpha(select(table9,KPL1,KPL2,KPL3,KPL4,KPL5,KPL6,KPL7))

Reliability analysis 
Call: alpha(x = select(table9, KPL1, KPL2, KPL3, KPL4, KPL5, KPL6,
    KPL7))

  raw_alpha std.alpha G6(smc) average_r S/N   ase mean   sd
      0.87      0.88    0.93      0.51 7.3 0.041  4.9 0.77
 median_r
     0.54

 lower alpha upper     95% confidence boundaries
0.8 0.87 0.95

 Reliability if an item is dropped:
     raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r
KPL1      0.84      0.85    0.90      0.48 5.6    0.050 0.040
KPL2      0.83      0.84    0.89      0.46 5.2    0.056 0.039
KPL3      0.85      0.86    0.89      0.50 5.9    0.050 0.043
KPL4      0.89      0.89    0.92      0.58 8.4    0.036 0.019
KPL5      0.88      0.88    0.94      0.55 7.4    0.040 0.037
KPL6      0.83      0.85    0.86      0.48 5.5    0.054 0.039
KPL7      0.86      0.87    0.93      0.52 6.5    0.046 0.043
     med.r
KPL1  0.49
KPL2  0.49
KPL3  0.51
KPL4  0.59
KPL5  0.59
KPL6  0.51
KPL7  0.54

 Item statistics
      n raw.r std.r r.cor r.drop mean   sd
KPL1 23  0.83  0.84  0.84   0.77  5.1 0.87
KPL2 23  0.89  0.89  0.90   0.84  4.7 1.06
KPL3 23  0.80  0.80  0.79   0.71  4.7 1.01
KPL4 23  0.58  0.56  0.51   0.42  5.2 1.13
KPL5 23  0.64  0.64  0.56   0.50  4.8 1.07
KPL6 23  0.87  0.86  0.87   0.81  4.6 1.08
KPL7 23  0.71  0.74  0.67   0.62  5.1 0.85

Non missing response frequency for each item
        2    3    4    5    6 miss
KPL1 0.00 0.09 0.04 0.52 0.35    0
KPL2 0.09 0.04 0.09 0.65 0.13    0
KPL3 0.00 0.13 0.26 0.35 0.26    0
KPL4 0.04 0.09 0.00 0.35 0.52    0
KPL5 0.00 0.17 0.13 0.39 0.30    0
KPL6 0.00 0.22 0.17 0.39 0.22    0
KPL7 0.00 0.09 0.04 0.57 0.30    0

dari hasil pengujian di atas kita lihat nilai raw_alpha sebesar 0.87 menunjukkan nilai reliabilitas yang sudah cukup bagus untuk indikator variabel KPL.

Pengujian di atas menunjukkan bahwa instrumen variabel KPL sudah layak digunakan untuk pengumpulan data sample penelitian. Bagaimana dengan variabel TPH, silahkan anda mencobanya, jika langkah anda tepat maka seharusnya akan didapat:

Korelasi TPH1 0.7746555, TPH2 0.7686643, TPH3 0.8262377, TPH4 0.7754025, TPH5 0.7032110, dan Cronbach’s α 0.82

Demikian tutorial untuk pengujian instrumen penelitian anda, selamat mencoba, sukses selalu.

Proporsi Peluang Distribusi Normal dengan R

Artikel ini akan membahas bagaimana menghitung luas area proposi peluang pada kurva distribusi normal dengan pemrograman R.

Contoh

Kita memiliki data hasil test IQ mahasiswa dengan rata-rata  m=100 dan standard deviation s=15, maka kita dapat gunakan perintah pnorm(x,m,s) untuk mengetahui berapa peluang mahasiswa memiliki IQ di bawah nilai x seperti ditunjukkan pada gambar di bawah,

Misalnya kita ingin mengetahui peluang kelompok mahasiswa memiliki IQ dibawah 110, maka digunakan perintah di bawah ini,

> pnorm(110,100,15)

[1] 0.7475075

didapat peluang mahasiswa memiliki IQ dibawah 110 adalah 0.7475 atau 74.75%

Peluang mahasiwa yang memiliki IQ antara 90 dan 120 dapat dihitung dengan perintah

> pnorm(120,100,15)-pnorm(90,100,15)
[1] 0.6562962

atau dapat digunakan perintah yang ada dalam package R yang bernama tigerstats, sehingga dapat kita lakukan instalasi terlebih dahulu untuk package ini melalui menu Tools -> Install Packages dan memasukkan nama tigerstats, setelah terinstal maka peluang mahasiswa yang memiliki IQ antara 90 dan 120 dapat dihitung dengan perintah di bawah ini,

> library("tigerstats")

> pnormGC(c(90,120), region="between", m=100, s=15, graph=TRUE)
[1] 0.6562962

didapatkan hasil proporsi sebesar 0.6563 atau 65.63% dan akan menghasilkan graphic otomatis di bagian Plot windows seperti gambar di bawah ini

 

Descriptive Statistics in R

Statistik deskriptif merupakan salah satu bidang statistik yang cukup banyak digunakan dalam proses analisis data, berikut ini contoh analisis statistik deskriptif dengan pemrograman R, bagi anda yang belum pernah atau baru pertama menggunakan R dapat melihat dulu artikel sebelumnya penggunaan Pemrograman R untuk Pemula.

Di ini kami berikan contoh analisis statistik deskriptif dengan pemrograman R:

Contoh 1: 

Langkah pertama kita siapkan data berupa vector dengan perintah di bawah ini

> dataku <- c(82, 75, 88, 93, 53, 84, 87, 58, 72, 94, 69, 84, 61, 91, 64, 87, 84, 70, 76, 89, 75, 80, 73, 78, 60)

Menentukan range data kita gunakan perintah range()

> range(dataku)
[1] 53 94

Menentukan data terkecil (minimum) kita gunakan perintah min()

> min(dataku)
[1] 53

Data terbesar dapat kita cari dengan menggunakan perintah max()

> max(dataku)
[1] 94

Rata-rata data dihitung dengan perintah mean()

> mean(dataku)
[1] 77.08

Menentukan median dengan perintah median()

> median(dataku)
[1] 78

Menentukan mode diperlukan package modeest, jika belum terinstal maka dapat dilakukan instalasi package terlebih dahulu dengan memilih menu Tools -> Instal Packages akan muncul tampilan dibawah ini, kemudian masukkan nama package modeest seperti pada gambar di bawah,

Setelah library Modeest terinstal kita tinggal memanggil perintah di bawah ini dan meggunakan perintah mfv() untuk menentukan mode dari data

> library(modeest)
> mfv(dataku)
[1] 84

Variance dan Standard Deviation dari data dapat dihitung dengan perintah var() dan sd() di bawah ini

> var(dataku)
[1] 133.41

> sd(dataku)
[1] 11.55032