A. Uji Reliabilitas
Setelah data diperoleh dan diolah, tahap selanjutnya adalah melakukan uji reliabilitas.
Dalam penelitian, reliabilitas adalah sejauh mana pengukuran dari suatu tes tetap konsisten setelah dilakukan berulang-ulang terhadap subjek dan dalam kondisi yang sama. Penelitian dianggap dapat diandalkan bila memberikan hasil yang konsisten untuk pengukuran yang sama. Tidak bisa diandalkan bila pengukuran yang berulang itu memberikan hasil yang berbeda-beda.
Langkah-langkah melakukan uji reliabilitas di Rstudio adalah sebagai berikut :
1. ## load the data
```{r}
dat <- read.csv('data-starbucks.csv')
```
2. #Mengelompokkan Data (Apabila data perlu dikategorikan terlebih dahulu)
```{r}
library(dplyr)
kat1<-select(dat, 1,2,3,4) kat2<-select(dat,5,6,7)
```{r}
kat1<-select(dat, 1,2,3,4) : artinya bahwa variabel kat1 berisi data dari tabel “dat” kolom 1,2,3, dan 4
3. #Uji Realiabilitas tiap kategori
```{r}
library(psych) psych::alpha(kat1) psych::alpha(kat2)
```
B. Uji Validitas
Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian terhadap isi sebenarnya yang diukur. Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu mengukur apa yang diukur. Disini kita akan menggunakan metode korelasi pearson yaitu dengan cara mengkorelasikan antara skor item dengan skor total dari semua item yang ada.
Dengan metode ini, akan dihasilkan hasil uji tiap item pertanyaan, apakah sudah valid/tepat dalam mengukur kategori tertentu.
Langkah-langkahnya adalah :
1. Menghitung total dari setiap baris
```{r}
library(dplyr)
kat1_total <- kat1 %>%
mutate(total_col= rowSums(., na.rm=TRUE)) head(kat1_total)
```
2. Gunakan fungsi korelasi
```{r}
res <- cor(kat1_total) data.frame(round(res, 3))
```
3. Bandingkan dengan nilai r-tabel (nilai r-tabel sesuai jumlah responden) dan simpulkan kevalidannya
Jika rhitung>rtabel maka pertanyaan sebagai instrumen atau alat ukur dianggap valid dalam mengukur apa yang seharusnya diukur, dan sebaliknya.
#Cara cepat :
1. Buat variabel total tiap baris :
```{r}
jmlkat1 <- data.frame(rowSums(kat1)) jmlkat2 <- data.frame(rowSums(kat2))
```
2. Buat fungsi sebagai berikut :
```{r}
validitas <- function(variabel,jumlah,alpha) { p <- ncol(variabel)
n <- nrow(variabel)
y <- matrix(,nrow=p,ncol=1) for (i in 1:p) {
y[i,] <- cor(variabel[,i],jumlah) }
y <- as.data.frame(y)
rtabel <- qt(1-alpha/2,n)/sqrt((n)+(qt(1-alpha/2,n))^2) rtabel <- as.data.frame(rep(rtabel,p))
hasil1 <- cbind(y,rtabel)
hasil2 <- ifelse(hasil1[,1]>=hasil1[,2],"Item Valid","Item Tidak Valid") hasil <- cbind(hasil1,hasil2)
colnames(hasil) <- c("r hitung","r tabel","Hasil Uji") print(hasil)
}
```
● validitas <- function(variabel, jumlah, alpha): Mendefinisikan fungsi validitas dengan tiga argumen input, yaitu :
○ variabel = variabel yang akan diuji validitasnya
○ jumlah = variabel referensi yang akan digunakan dalam perhitungan validitas, dalam hal ini berarti variabel total tiap baris
○ alpha = tingkat signifikansi yang digunakan dalam uji t-tabel, disini kita sepakatkan untuk menggunakan 5% atau 0,05
● p <- ncol(variabel): Menghitung jumlah kolom (variabel) dalam matriks variabel dan menyimpannya dalam variabel p.
● n <- nrow(variabel): Menghitung jumlah baris (observasi) dalam matriks variabel dan menyimpannya dalam variabel n.
● y <- matrix(,nrow=p,ncol=1): Membuat matriks kosong y dengan jumlah baris sebanyak p dan jumlah kolom sebanyak 1. Matriks ini akan digunakan untuk menyimpan koefisien korelasi antara variabel variabel dengan variabel jumlah.
● for (i in 1:p) { y[i,] <- cor(variabel[,i],jumlah) }: Menggunakan loop for untuk menghitung koefisien korelasi antara setiap kolom variabel variabel dengan variabel jumlah, dan menyimpannya dalam matriks y.
● y <- as.data.frame(y): Mengubah matriks y menjadi data frame untuk memudahkan manipulasi data.
● rtabel <- qt(1-alpha/2,n)/sqrt((n)+(qt(1-alpha/2,n))^2): Menghitung nilai t-tabel (quantile) pada tingkat signifikansi alpha/2 dengan derajat kebebasan n, dan menyimpannya dalam variabel rtabel.
● rtabel <- as.data.frame(rep(rtabel,p)): Mengubah vektor rtabel menjadi data frame dengan mengulang nilainya sebanyak p kali.
● hasil1 <- cbind(y,rtabel): Menggabungkan data frame y (yang berisi koefisien korelasi) dengan data frame rtabel (yang berisi nilai t-tabel) secara berdampingan, dan menyimpannya dalam data frame hasil1.
● hasil2 <- ifelse(hasil1[,1]>=hasil1[,2],"Item Valid","Item Tidak Valid"): Menggunakan fungsi ifelse untuk membandingkan setiap nilai pada kolom pertama hasil1 (koefisien korelasi) dengan nilai pada kolom kedua hasil1 (nilai t-tabel), jika koefisien korelasi lebih besar atau sama dengan nilai t-tabel, maka hasilnya "Item Valid", jika tidak, maka hasilnya "Item Tidak Valid".
3. Jalankan fungsi validitas pada tiap kategori
```{r}
validitas(kat1,jmlkat1, 0.05) validitas(kat2,jmlkat2, 0.05)
```
