SURVIVAL ANALYSIS (ANALISIS MASA HIDUP) WITH KAPLAN MEIER ANALYSIS

BUAT UNDANGAN/EDARAN DALAM WAKTU KURANG DARI 2 MENIT

UJI HOMOGENITAS DENGAN SPSS (UJI LEVANE TEST)

Uji homogenitas digunakan sebagai prasyarat statistik parametrik untuk uji komparasi atau perbandingan dua kelompok data atau lebih, misalnya uji t dan uji ANOVA. Asumsi homogenitas harus dipenuhi untuk independen t-test dan uji ANOVA. Uji t dan uji ANOVA mensyaratkan bahwa himpunan data sampel diteliti memiliki karakteristik yang sama atau homogen. Jika varian kelompok data yang dibandingkan atau diuji tidak homogen akan menyebabkan kesimpulan hasil analisis menjadi bias.

Banyak metode yang digunakan untuk pengujian homogenitas antara lain: Uji Levene Test, Fisher F, Bartlett Test, uji run. Pada postingan ini, Quartilstat hanya menyajikan langkah uji homogenitas menggunakan teknik uji Levane Test dan menggunakan data hasil belajar siswa (HSL) yang terbadi menjadi dua kelompok data, yakni data HSL pretest (sebelum diberi perlakuan/intervensi) dan posttest (setelah diberi perlakuan/intervensi.  

Langkah-langkah pengujian homogenitas varians memenggunakan uji Levane Test adalah sebagai berikut:

1.     Fomulasi hipotesis

Ho : S² + S² = 0,   kedua sampel mempunyai varian sama/homogen)

Ha : S² + S² ≠ 0,  kedua sampel mempunyai varian berbeda/tidak  homogen

2.      Penentuan kriteria pengambilan keputusan:

Terima H₀ jika nilai sig. lebih besar daripada 0,05

Terima H₀ jika nilai sig. lebih kecil atau sama dengan 0,05

3.  Estimasi atau perhitungan Levane Test melalui SPSS (bisa juga dilakukan secara manual menggunakan rumus Levane Test)

4.      Kesimpulan

Misalkan seorang peneliti menguji homogenitas data kelompok/kelas pretest dan posttest hasil belajar siswa, dimana data kelompok merupakan data dummy 1 dan 2 dimana angka 1 menunjukkan kelompok pretest dan 2  menunjukkan kelompok posttest.

Kelas	HSL	Kelas	HSL
1	8	2	14
1	14	2	12
1	7	2	13
1	9	2	15
1	9	2	15
1	11	2	14
1	10	2	15
1	11	2	14
1	10	2	15
1	14	2	13
1	8	2	13
1	14	2	7
1	14	2	13
1	13	2	13
1	12	2	7
1	9	2	11
1	11	2	11
1	12	2	8
1	6	2	15
1	8	2	12
1	6	2	10
1	9	2	15
1	10	2	15
1	9	2	15
1	9	2	15
1	8	2	14
1	8	2	13
1	8	2	11
1	7	2	10
1	6	2	8

Langkah Uji Homogenitas dengan SPSS

1.      Input atau copy data ke jendela SPSS 

2.      Klik tab Variable View pada bagian jendela SPSS

3.      Ganti Variable Name VAR00003 dengan Kelas dan VAR00004 dengan HSL

4.      Klik Analyze ==> Compare Means ==> One-Way ANOVA

5.      Masukan item Kelas ke kolom Factor dengan cara klik tanda panah ke kanan di sebelah kolom Factor dan masukan item HSL ke kolom Dependent List.

6.      Klik tab Option 

7.      Beri tanda centang pada kolom Homogeneity of Variance Test, klik tab Continue

8.      Klik OK. Perhatikan outputnya dan interpretasi hasil analisis. 

Perhatikan bagian Test of Homogeneity of Variances pada kolom Sig. Berdasarkan tabel tersebut diperoleh sig. sebesar 0,922 Karena nilai sig. lebih besar daripada nilai α sebesar 0,05, maka keputusan yang diambil adalah menerima Ho. Hal ini berarti bahwa terdapat kesamaan varians pada kelompok data pretest dan posttest atau varians kedua data adalah homogen.

UJI MULTIKOLINEARITAS DENGAN SPSS (DENGAN UJI KORELASI PRODUCT MOMENT)

Uji multikolinearitas merupakan salah satu prasyarat analisis regresi linear berganda bersifat BLUE. Multikolinearitas adalah situasi dimana terdapat dua variabel independen atau lebih yang saling berkorelasi. Karena itu, uji multikolinieritas dilakukan untuk mengetahui apakah ada korelasi sempurna antar variabel-variabel independen dalam sebuah model regresi. Terjadinya masalah multikolinearitas dalam sebuah model regresi akan menyebabkan estimator OLS menghasilkan varian yang lebih besar yang pada akhirnya menyebabkan tingginya standar error. Dengan demikian, konsekwensinya jika terjadi multikolinearitas pada sebuah model regresi OLS tetapi uji asumsi lain telah terpenuhi adalah sebagai berikut:

1.   Estimator masih bersifat BLUE tapi varian dan kovarian estimator lebih besar sehingga sulit diperoleh estimasi yang tepat, sehingga

2.   Konsekwensi dari masalah nomor 1 menyebabkan interval estimasi cenderung lebih lebar dan nilai t-hitung akan kecil yang menyebabkan variabel independen menjadi tidak signifikan

3.    Nilai koefisien determinasi (R²) masih relative tinggi walaupun hasil uji t tidak signifikan.

Uji multikolinearitas bisa dilakukan dengan teknik yakni menggunakan uji korelasi Product Moment atau korelasi Pearson  menggunakan nilai VIF dan nilai tolerance. Uji korelasi Product Moment dilakukan untuk mengetahui kekuatan korelasi antar variabel independen. Permasalahan multikolinearitas terjadi jika nilai korelasi antar variabel independen cukup tinggi. Sebagai rule of thumb, jika nilai korelasi (R) antar variabel independen lebih besar daripada 0,85 maka dapat disimpulkan terdapat masalah multikolinearitas dalam model regresi. Sebaliknya jika nilai R lebih kecil atau sama dengan 0,85, maka model regresi tidak mengandung masalah multikolinearitas.

Sebagai contoh, seorang peneliti menggunakan 4 variabel independen (anggaplah X1, X2, X3, dan X4) dan 1 variabel dependen (Y). Uji multikolinearitas dilakukan untuk mengetahui korelasi silang antara variabel X1, X2, X3, dan X4.

Langkah-langkah uji normalitas dengan SPSS dengan teknik korelasi Product Moment:

1.      Copy nilai variabel X1, X2, X3 dan X4 ke dalam jendela program SPSS seperti tampilan berikut:

2.      Kemudian klik Analyze ==> Correlated ==> Bivariat, sampai muncul kotak dialog

3.    Masukkan semua variabel independen (X1, X2, X3, dan X4) ke tab Variables dengan cara klik tanda panah ke kanan. 

4.   Biarkan tanda centang pada kolom Pearson, lalu klik OK. Lalu muncul output hasil analisis seperti berikut. 

Langkah terakhir kita cek satu per satu nilai korelasi antar variabel independen berdasarkan tabel matriks korelasi di atas. Nilai korelasi X1 dengan X2 adalah sebesar 0,532, X1 dengan X3 sebesar 0,402, X1 dengan X4 sebesar 0,04, X2 dengan X3 sebesar 0,418, X2 dengan X4 0,013 dan X3 dengan X4 sebesar 0,162. Karena nilai korelasi antar variabel independen lebih kecil daripada 0,85, maka dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas dalam model regresi yang dihasilkan.