GODISNOWHERE™

Ini dulu pernah jadi pertanyaan favorit Ibu Judith ketika nyidang:

“Apa beda validitas dan reliabilitas??? Terus diujinya mana terlebih dahulu???”

Dan ini adalah pertanyaan favorit mahasiswa dari tahun ke tahun:

“Sebenernya harus ga sich kita pake uji validitas dan reliabilitas???”

Beberapa dosen senior mungkin akan berteriak-teriak: “PERLUUU!!!”

Tetapi dosen yang mengaku lebih senior akan berkata seperti ini:

“Oh, untuk tingkatan S-1 ga wajib itu, kalo S-2 nah baru…”

Padahal di luaran sana ia membangga-banggakan bahwa kurikulum S1-Manajemen UNPAR itu setara loh dengan program Magister Manajemen-nya…

Perlu ga perlu, harus ga harus, atau  apapun itu, menurutku pribadi sebenernya yang namanya uji validitas dan reliabilitas itu WAJIB hukumnya untuk case-case tertentu, dan tidak perlu dilakukan untuk case-case lainnya…

Terlebih dahulu marilah kita membahas apa itu validitas dan apa itu reliabilitas…

Valid sendiri berarti benar/tepat… Uji VALIDITAS menguji apakah alat ukur yang digunakan sudah benar atau belum, apakah si KUESIONER sudah melakukan pengukurannya secara tepat atau belum…

Misalnya saja, kita ingin menimbang berat badan, tetapi kita menggunakan alat ukur berupa penggaris/meteran >>> Ini mah Jaka Sembung bawa golok alias BENER-BENER GA VALID PIZAN!!!

Tapi, kita bisa mengetahui berat badan dengan berbagai metode:

1.  Isikan air ke dalam bak sampai penuh… Lalu masukkan tubuh seluruhnya ke dalam bak… Lalu kita ukur berapa liter air yang tumpah… Dengan asumsi bahwa 1 liter air = 1 kg, maka berat badan kita = banyaknya liter air yang tumpah

2. Dengan menggunakan jungkat-jungkit anak SD

3. Dengan menggunakan timbangan besi yang kiloannya kasar

4. dengan menggunakan timbangan badan yang menggunakan pegas

5. dengan menggunakan timbangan digital

Dari nomor 1 sampai ke nomor 5 masing-masing alat  dapat digunakan untuk mengukur berat badan, tetapi dari atas ke bawah tingkat pengukurannya makin akurat >>> Oleh karena itu dikatakan VALIDITAS nya makin tinggi…

Berbeda dengan validitas, RELIABILITAS mengukur apakah si responden sudah menjawab kuesioner dengan jujur/terpercaya belum???

Bisa jadi walaupun  alat ukur yang kita gunakan sudah sangat baik, tetapi si responden ini menjawabnya asal-asalan saja, maka hasil kuesionernya patut dipertanyakan… Misalnya saja, kita sudah menggunakan timbangan digital yang sangat akurat untuk menimbang berat badan, tetapi ketika ditimbang, si dudut teh loncat-loncatan, ato misalnya dia malah ngantongin batu bata segede goblog, yang menjadikan kita mandapati hasil pengukuran yang kacau… Maka hasil pengukurannya dikatakan TIDAK RELIABEL…

Perhatikan gambar di bawah ini:

Misalkan saja saya menembak dengan menggunakan 3 buah senapan… Semuanya diarahkan tepat ke tengah bidang sasaran, tetapi dari ketiganya didapati hasil tembakan seperti berikut:

Gambar yang paling kiri menunjukkan TIDAK VALID dan TIDAK RELIABEL…

Gambar yang tengah menunjukkan RELIABEL, tetapi TIDAK VALID…

Sedangkan gambar yang kanan menunjukkan VALID dan RELIABEL…

Kesalahan-kesalahan umun terjadi ketika kuesioner dibuat dengan memungkinkan si responden bisa berbohong karena pertanyaan yang bisa, contoh:

“Apakah Anda termasuk mahasiswa yang rajin?”

“YA!!!”

“Dari skala 1 sampai 5 kira-kira tingkat kerajinan Anda ada di mana?”

“4 = RAJIN”

Melihat hasil ini mungkin kita akan berpikir bahwa responden kita adalah mahasiswa yang rajin, tetapi mari kita sajikan ulang pertanyaan-pertanyaan lainnya yang dapat mengukur tingkat kerajinan secara VALID:

“Dalam sehari berapa jam waktu yang Anda habiskan untuk mengulang bahan kuliah?”

“TIDAK PERNAH”

“Dalam 1 minggu berapa kali Anda singgah ke perpus untuk belajar/membuat tugas?”

“HAMPIR TIDAK PERNAH”

“Dalam 1 bulan berapa banyak buku yang habis Anda baca?”

“GA PERNAH BACA BUKU”

Seperti inikah yang dinamakan rajin???

So, hati-hati dengan validity >>> Hati-hati ketika menyusun kuesioner!!!

Dan inilah contoh kuesioner yang TELAH di-acc oleh seorang dosen senior yang pendapatnya tidak dapat diganggu gugat:

Produk yang disediakan oleh Pasaraya X lengkap dengan kualitas yang baik dan harga yang relatif murah.

STS >TS >KS > S > SS

Ini adalah contoh kuesioner yang SANGAT TIDAK VALID!!!

Misal kita mau bilang produknya lengkap, tapi kualitasnya kurang dan harganya juga cenderung mahal, maka apa yang akan kita isi???

Seharusnya 1 pertanyaan HANYA MENGUKUR 1 sub variabel aja, Pak!!!

Ini bukan masalah salah atau benar, tapi masalah logis apa kaga… (copy cut kata-kata si babeh hahaha…)

…….

Masalah reliabilitas lebih lucu lagi…

Ketika seseorang ditanya: “Apakah Anda mengetahui tentang MM UNPAR?”

Dia jawab: “GATAU”

Trz di bawanya kan biasanya ada pertanyaan lagi: “Menurut Anda kualitas MM UNPAR bagaimana?”

Dia jawab lagi: “BAGUS”  >>> Sotoy banget dah…

Ato contoh laennya:

“Si Pa Wisnu ngajarnya enakeun ga???”

“Wah enakeun bngt lah dia mah…”

“Kalo dosen metlit+marketing yang ruangnya di 9522 ngajarnya gmn???”

“Nah kalo yg ini mah ga enak bngt lah pokonya” >>> Nah ini jawabnya geblek >>> Jelas-jelas dosen metlit+marketing yang bertapa di 9522 = Wisnu Wardhono

Ato ini dech satu contoh lagi:

Si Cuplis: “Tom, menurut loe BOLT rame ga???

Si Tom: “Wah rame banget, ceritanya seru, animasinya juga mantap, kocak pula lagi…”

Si Cuplis: “Ah menurut gua mah jelek ah, apa lucunya coba? Ceritanya juga garink tuch…”

Si Tom: “Ooo…”

Keesokan harinya…

Aku: “Tom, BOLT gmn??? Rame ga??? “

Si Tom: “Biasa aja menurut gua mah, uda mah gambarnya kurang bagus, ceritanya kurang seru pula…” >>> Nah ini omongannya ga bisa dipercaya kan…

…….

Kembali ke topik permasalahan…

Jadi, validity sama reliability mana duluan yang diukur???
Yach jelas lah validity doeloe >>> Karena menguji apakah si kuesioner sudah tepat belom ngukurnya >>> Kalo uda tepat baru sebar kuesioner >>> Kalo uda sebar kuesioner baru uji reliability >>>  Buat nguji apakah si responden jujur ga jawabnya >>> Kalo uda uji ini semua biasanya dilakukan uji normalitas…

Apa itu uji normalitas???

Selengkapnya dijelaskan dalam postingan lainnya oks…

…….

Oh, kelupaan…

Gini nich caranya uji validitas & reliabilitas pake SPSS:

Masuk ke Analyze >>> Scale >>> Reliability

Teruz variabelnya kita pindahkan ke kolom sebelah kanan…

Di Statistic pilih Scale if item delete >>> Continue >>> OK

Kita lihat yg corrected item-total correlation ada yang lebih kecil dari r-table ga, kalo ada berarti ga valid >>> harus dibuang >>> kalo ada lebih dari satu buang dulu 1 biji yang paling kecil >>> uji lagi sampe uda valid semua…

Teruz yang buat reliabilitas kita lihat yang alpha if item deleted ada yang lebih kecil dari r-table ga… Biasanya sich ngga, jadi cukup liat yang validitasnya aja…

Kalo jumlah sampelnya sangat sedikit disarankan uji reliabilitasnya menggunakan excel, dengan cara split-half reliability…

Oh, My GOD!!! Uda sering bngt aku menerangkan ttg hal ini, tetapi mengapa masi banyak juga yang bertanya-tanya apa itu bedanya antara pengaruh dan hubungan… Mereka yang sotoy biasanya menjawab: Oh, pengaruh itu satu arah, kalo hubungan dua arah… Teruz, so what gitu loh???

Kayanya hampir semua mahasiswa yang mau sidang tahu deh tentang hal ini, tetapi sayangnya kebanyakan dari mereka hanya sekedar tahu saja tetapi tidak mengerti… Apanya sich yang searah dan dua arah???

Untuk lebih jelasnya, marilah kita simak percakapan berikut:

Si monyet: “Chun, tau ga apa bedanya teh tawar sama teh manis???”

Aku: “Yach jelas lah yang namanya teh manis digulain, kalo teh tawar mah ngga…”

Si monyet: “Salah, Chun!!! Kalo teh manis ada sendoknya, kalo teh tawar ngga!!!”

Dasar monyet!!! Orang jawab serius, dia malah maen-maen… Tapi, kalo dipikir-pikir bener juga sich jawabannya…

Sebenernya penyebab teh itu bisa menjadi manis adalah gulanya… Semakin banyak kita memasukkan gula, maka semakin manislah rasa teh itu… Gula menjadi variabel X (sebab) dan rasa manis menjadi variabel Y (akibat)… Inilah yang dinamakan PENGARUH… X berpengaruh terhadap Y… Banyaknya gula berpengaruh terhadap tingkat kemanisan >>> sebab akibatnya jelas dan berlaku hanya 1 arah saja >>> X berpengaruh terhadap Y dan tidak dapat dibalik menjadi Y berpengaruh terhadap X…

Selain itu juga ternyata teh manis dan teh tawar berhubungan dengan ada/tidaknya sendok yang menyertai gelasnya… Jika kita pergi ke restoran dan membeli teh manis, pastilah ada sendoknya… Dan sebaliknya, ketika kita menjumpai minuman teh bersendok, pastilah teh itu teh manis… >>> hubungan bersifat 2 arah

Segala sesuatu yang berpengaruh pastilah ia berhubungan, tetapi segala sesuatu yang berhubungan belum tentu memiliki pengaruh…

Untung menghitung pengaruh, umumnya kita menggunakan regresi dengan persamaan: y = a +bX

Jika y = 2 + 0,1X >>> maka setiap kenaikan 1 X akan menaikkan y sebesar 0,1 >>> X berpengaruh terhadap Y >>> Y = gejala dan X = masalah >>> Jika tidak menginginkan adanya gejala tertentu, maka kita dapat menghilangkan/mengurangi X!!! Tetapi jika Y baik belum tentu X-nya juga baik, karena sekali lagi: PENGARUH SIFATNYA 1 ARAH SAJA!!!

Berbeda dengan hubungan yang menggunakan korelasi, di sini kita hanya melihat sejauh mana / seberapa besar hubungan antar variabelnya saja, tidak melihat urutan sebab akibatnya…

Umumnya dalam setiap skripsi dengan judul: PENGARUH, si penulis juga tetap akan melihat seberapa besar korelasinya (melihat besarnya hubungan), tetapi dalam skripsi yang berjudul: HUBUNGAN umumnya tidak akan ditemukan hal-hal yang berkaitan dengan mengukur besarnya pengaruh…

So, kalo paz sidang ditanya apa bedanya hubungan dan pengaruh, jangan bingung lagi kawan!!! Ingat saja tentang bedanya teh manis dan teh tawar hahaha…

Si cewe sms: “Chun, punya r-table ga euy??? Bagi donk kalo ada… Hari ini gua uda seharian nyari itu tabel di perpus satu pun ga ada euy… Nanya ke dosen pembimbing juga dia malah suru nyari di buku statistik da dianya juga ga punya… Tapi da gua cari di buku statistik juga ga ada euy… Kalo ada juga sample gua kan 129 responden, angkanya aneh gitu mah kalau pun tabelnya ketemu curiga ga ada dech… Huhuhu… Gmn donk??? Pusink nich… Stress…”

Aku: “Oh, sori yach sayah lagi dotA nich… Kalo mau gampang mah blg aja yang diuji validitas & reliabilitasnya 30 responden awal, kalo itu hasil r-table 28 (30-2) nya: 0,2407?

Karena kejadian seperti inilah maka tak heran di UNPAR kemudian serempak orang-orang melakukan uji validitas & reliabilitas dengan menggunakan sampel sebanyak 30 responden saja…

Alesannya yach logis banget sich: Yach kita uji 30 responden dulu aja, kalo uda ketauan valid & reliabel baru kita lanjut, karena buat apa sebar banyak-banyak kalo toh hasilnya ga valid & ga reliabel…

Kalo dari 30 itu ada yang ga valid dan ga reliabel gmn donk??? Oh,  coba naekin lagi aja jumlah sampelnya, kalo bisa sich 50 responden dech, kalo mau 100 responden juga boleh koq… (Kenapa naeknya menjadi 50/100 responden??? Karena nilai r-table 50/100 responden ternyata juga mudah ditemukan di skripsi lain tentunya…)

Alasan yang pragmatis memang, tetapi yach itulah kenyataannya… Jika saya menjadi dosen pembimbing, saya cenderung lebih senang jika penghitungan validitas & reliabilitas menggunakan jumlah sample penelitian, kalo respondennya ada 234 orang yach uji aja semua… Kalo masalah valid ga valid kan sebenernya ketika menyusun kuesioner, si dosen pembimbing juga sudah ikut campur ga bole gini ga bole gitu harus gini harus gitu… Yach sebenernya itulah yang namanya FACE VALIDITY… Dan masalah reliabel ato ngganya itu mah masalah si respondennya, ngisinya bener ato ngga, jadi yach ngapain juga kita pusink???

Kan ada pepatah kuno bilang: Kalo usul ga bole asal, kalo asal jangan usul… Menanggapi permasalahan di atas, maka saya mencoba memberikan solusi menemukan nilai r-table menggunakan SPSS: Situ Pinter Saya Senang!!!

…….

TABEL t

Sebagai contoh, akan dibuat tabel t dengan kriteria:
1. Tingkat Signifikansi (a) adalah 5% dan 2,5%. Hal ini berarti tingkat kepercayaan adalah 95% (100% - 5%) dan 97,5% (100% - 2,5%).
2. Derajat kebebasan (df ) dari 1 sampai 15.

Prosedur:
Untuk Tingkat Signifikansi (a) 5%
o Buka file baru, lalu buat variabel baru dengan nama df
o Isi variabel tersebut dengan angka 1, 2 …15., hingga terdapat 15 cases.

NB: pengisian berurutan kebawah.

o Menu Transform ?gt;  Compute Variables.

Pengisian:
? Target variable atau nama variabel hasil proses. Ketik t_5
? Numeric Expression atau proses perhitungan. Ketik IDF.T(0.95,df)
Disini dipakai 95% (dari 100% - tingkat signifikansi). Sedang df adalah nama variabel yang telah dibuat sebelumnya.
Selain dengan mengetik seperti diatas, ekspresi bisa dilakukan dengan mengambil fungsi khusus yang disediakan SPSS pada kotak kanan bawah.
o Abaikan bagian lain dan tekan OK. Maka SPSS akan memproses pembuatan tabel t sebanyak 15 df untuk tingkat: a = 5%, dimana hasilnya akan ditempatkan pada variabel baru t_5.
Untuk Tingkat Signifikansi (a) 2,5%
o Tetap di file yang sudah ada variabel df.
o Menu Transform ?gt;  Compute Variables.

Pengisian:
Target variable atau nama variabel hasil proses. Ketik t_2.5
Numeric Expression atau proses perhitungan. Ketik IDF.T(0.975,df)
Disini dipakai 97,5% (dari 100% - tingkat signifikansi = 100%-2,5%).
o Abaikan bagian lain dan tekan OK. Maka SPSS akan memproses pembuatan tabel t sebanyak 15 df untuk tingkat: a = 2,5%.

Cara membaca Tabel t:
Tabel t diatas adalah untuk SATU SISI.
Contoh:
Akan dicari t tabel/kritis untuk tingkat signifikansi 5% (0,05) dan degree of freedom adalah 14, pada uji satu sisi dan dua sisi.

Pembacaan untuk:
SATU SISI
Lihat pada df = 14 dan a = 5% didapat angka t kritis 1,7613
Arti: pada a = 5%, df = 14, dan uji satu sisi, t kritis adalah 1,7613

DUA SISI
Lihat pada df = 14 dan a = 2,5% didapat angka t kritis 2,1448, yang berarti + 2,1448 dan – 2,1448.
Arti: pada a = 5%, df = 14, dan uji DUA sisi, t kritis adalah 2,1448
Tips:
Untuk satu sisi, langsung cari berdasar a dan df tertentu. Sedang untuk dua sisi, cari pada a/2 dan df yang telah ditentukan.
Untuk pembuatan tabel t yang lain dan sesuai kebutuhan, data diatas bisa divariasi, baik untuk df maupun tingkat signifikan, dengan tetap menggunakan fungsi IDF.T(p,df).
Misal: mencari t tabel pada tingkat signifikansi 25% dan df = 17, maka setelah dibuat variabel df dengan isi yang sesuai (memuat angka 17), ketik IDF.T(0.75,df).
Angka t tabel dibaca dari variabel baru yang muncul kemudian
…….

TABEL r (Product Moment)
SPSS tidak menyediakan cara langsung untuk membuat tabel r. Untuk itu, pembuatan tabel r didahului dengan pembuatan tabel t, dan kemudian dibuat persamaan r dengan acuan t,. lalu ditransform dengan SPSS.
Sebagai contoh, akan dibuat tabel r dengan kriteria:
1. Tingkat Signifikansi (a) adalah 5% dan SATU SISI
2. Derajat kebebasan (df ) dari 1 sampai 15
Prosedur:
Disini dipakai t uji dua sisi 10%, karena r memakai uji 5% satu sisi.
Pembuatan tabel t:
o Buka file baru, lalu buat variabel baru dengan nama df
o Isi variabel tersebut dengan angka 1, 2 …15., hingga terdapat 15 cases.
NB: pengisian berurutan kebawah.
o Menu Transform ?? Compute Variables.

Pengisian:
? Target variable atau nama variabel hasil proses. Ketik t_10
? Numeric Expression atau proses perhitungan. Ketik IDF.T(0.9,df)
o Abaikan bagian lain dan tekan OK. Maka SPSS akan memproses pembuatan tabel t sebanyak 15 df untuk tingkat: a = 10%, dimana hasilnya akan ditempatkan pada variabel baru t_10.
Pembuatan tabel r
o Tetap di file yang sudah ada variabel df.
o Menu Transform ?? Compute Variables.
Pengisian:
? Target variable atau nama variabel hasil proses. Ketik r_5
? Numeric Expression atau proses perhitungan.
? Ketik: t_10/(sqrt(df+t_10 ** 2))

NB: copy paste aja dech rumusnya biar langsung bener hahaha…
o Abaikan bagian lain dan tekan OK. Maka SPSS akan memproses pembuatan tabel r sebanyak 15 df untuk tingkat: a = 5% dan satu sisi.

Prosedur pembuatan Tabel r 5% dua sisi:

o Buat variabel df dengan isian angka sesuai keperluan

o Buat variabel dengan nama t, dan buat tabel t 5% dua sisi (Penjelasan bisa lihat tabel t yang telah dibuat sebelumnya) yaitu IDF.T(0.95,df)

o Transform ke tabel r dengan prosedur transform persis sama, yaitu:

r = t /{akar(df+t^2}}

dengan penulisan di kotak dialog transform adalah t/(sqrt(df+t **2))

Hasil r-table:

1 0.9510565162951536

2 0.7999999999999999

3 0.6870488261325339

4 0.6083997886818164

5 0.5508627951300263

6 0.506727093415416

7 0.4715886587241373

8 0.4427959027864583

9 0.418662182940368

10 0.39806247281356977

11 0.38021594374092643

12 0.36456236212080034

13 0.35068836998914477

14 0.3382816393560135

15 0.32710130942171795

16 0.3169583145726142

17 0.3077019298036071

18 0.299210344040944

19 0.2913839133203392

20 0.2841402396130831

21 0.2774105199275027

22 0.2711367961851029

23 0.2652698548773754

24 0.25976760277445915

25 0.25459379636607216

26 0.24971703755907473

27 0.24510997217523833

28 0.24074864460909062

29 0.23661197394842742

30 0.2326813254544699

31 0.2289401575593489

32 0.22537372915154372

33 0.22196885535473992

34 0.21871370258862866

35 0.21559761566067798

36 0.2126109711388

37 0.20974505241326713

38 0.20699194275725274

39 0.20434443340116218

40 0.20179594419261748

41 0.19934045485592097

42 0.19697244521774865

43 0.19468684304942624

44 0.19247897840509842

45 0.1903445435211968

46 0.18827955749424896

47 0.18628033507859718

48 0.18434345904807717

49 0.18246575565043827

50 0.18064427275378944

51 0.17887626034301793

52 0.177159153073346

53 0.1754905546294773

54 0.17386822367361018

55 0.1722900611950538

56 0.17075409909923675

57 0.16925848989509243

58 0.16780149735808073

59 0.16638148806161854

60 0.16499692368304725

61 0.16364635400184488

62 0.16232841051760288

63 0.16104180062406112

64 0.1597853022827541

65 0.15855775914648965

66 0.15735807608839464

67 0.15618521509731045

68 0.1550381915045405

69 0.15391607051083825

70 0.15281796398579112

71 0.1517430275146904

72 0.1506904576706293

73 0.14965948949176633

74 0.14864939414579847

75 0.14765947676541316

76 0.14668907444016385

77 0.1457375543515351

78 0.1448043120393342

79 0.14388876978858434

80 0.14299037512715135

81 0.14210859942526524

82 0.14124293658879716

83 0.1403929018390616

84 0.13955803057235613

85 0.13873787729322332

86 0.13793201461583846

87 0.13714003232844357

88 0.13636153651618294

89 0.13559614873806727

90 0.13484350525419594

91 0.13410325629960126

92 0.13337506540146263

93 0.1326586087366672

94 0.13195357452689202

95 0.13125966246868592

96 0.13057658319614582

97 0.12990405777405972

98 0.12924181721943417

99 0.12858960204957248

100 0.12794716185501614

…….

Berdasarkan request, ditambahin nich r-table nya…

101 0.12731425489567488
102 0.12669064771874886
103 0.12607611479700598
104 0.12547043818617123
105 0.12487340720026781
106 0.12428481810375736
107 0.12370447381950703
108 0.12313218365161409
109 0.12256776302219421
110 0.12201103322130787
111 0.1214618211693283
112 0.12091995919085126
113 0.12038528479973591
114 0.11985764049439092
115 0.11933687356292011
116 0.11882283589745803
117 0.11831538381724513
118 0.1178143778999255
119 0.11731968282064989
120 0.11683116719855449
121 0.11634870345017125
122 0.1158721676495038
123 0.11540143939428489
124 0.11493640167823908
125 0.11447694076887312
126 0.11402294609068532
127 0.1135743101133608
128 0.11313092824479976
129 0.11269269872869696
130 0.1122595225464644
131 0.11183130332321384
132 0.11140794723775094
133 0.1109893629361829
134 0.11057546144915642
135 0.11016615611239912
136 0.10976136249051677
137 0.10936099830383338
138 0.10896498335811876
139 0.10857323947717178
140 0.10818569043792643
141 0.10780226190822194
142 0.10742288138687614
143 0.1070474781461346
144 0.1066759831762572
145 0.10630832913226648
146 0.10594445028263001
147 0.10558428245994612
148 0.1052277630133664
149 0.10487483076285453
150 0.10452542547917011
151 0.10417948974647138
152 0.10383696606151799
153 0.10349779870223409
154 0.10316193321222088
155 0.10282931636406868
156 0.10249989612391085
157 0.10217362161721306
158 0.10185044309581812
159 0.10153031190605033
160 0.1012131804579572
161 0.10089900219560702
162 0.1005877315683545
163 0.10027932400314897
164 0.09997373587766574
165 0.09967092449445408
166 0.09937084805581277
167 0.0990734656396216
168 0.0987787371758502
169 0.09848662342392417
170 0.09819708595073402
171 0.09791008710943191
172 0.09762559001887466
173 0.09734355854367682
174 0.09706395727498239
175 0.09678675151175413
176 0.09651190724270918
177 0.09623939112877804
178 0.09596917048612828
179 0.09570121326968754
180 0.09543548805720338
181 0.09517196403372902
182 0.09491061097667058
183 0.09465139924116735
184 0.09439429974601314
185 0.09413928395993744
186 0.09388632388829163
187 0.09363539206017542
188 0.09338646151587734
189 0.09313950579471336
190 0.09289449892322871
191 0.0926514154037104
192 0.09241023020303847
193 0.09217091874187644
194 0.09193345688413021
195 0.09169782092673538
196 0.09146398758971837
197 0.0912319340065292
198 0.09100163771465532
199 0.09077307664650847
200 0.09054622912048417
201 0.0903210738324011
202 0.09009758984702856
203 0.08987575658995577
204 0.08965555383963375
205 0.08943696171958822
206 0.08921996069093557
207 0.08900453154503164
208 0.08879065539631992
209 0.08857831367538127
210 0.08836748812217372
211 0.08815816077941281
212 0.0879503139861975
213 0.0877439303716668
214 0.0875389928489946
215 0.08733548460939969
216 0.08713338911634459
217 0.08693269009991564
218 0.08673337155133067
219 0.08653541771753907
220 0.08633881309602921
221 0.08614354242969571
222 0.0859495907019087
223 0.0857569431316118
224 0.08556558516864461
225 0.08537550248908345
226 0.08518668099075798
227 0.08499910678885322
228 0.0848127662116338
229 0.08462764579622765
230 0.08444373228456903
231 0.08426101261941041
232 0.08407947394040845
233 0.08389910358033509
234 0.08371988906135293
235 0.08354181809143375
236 0.08336487856074584
237 0.08318905853825136
238 0.08301434626831512
239 0.08284073016737928
240 0.08266819882076788
241 0.08249674097953151
242 0.08232634555732743
243 0.08215700162747601
244 0.08198869841996005
245 0.08182142531855995
246 0.08165517185807918
247 0.08148992772154504
248 0.08132568273752974
249 0.08116242687756735
250 0.08100015025351061
251 0.08083884311505508
252 0.08067849584729836
253 0.08051909896827668
254 0.0803606431266722
255 0.08020311909944026
256 0.08004651778964067
257 0.0798908302241335
258 0.07973604755151399
259 0.07958216103991271
260 0.07942916207501066
261 0.07927704215792714
262 0.07912579290332152
263 0.07897540603738033
264 0.07882587339596808
265 0.07867718692273204
266 0.07852933866730373
267 0.07838232078348577
268 0.0782361255275315
269 0.07809074525642101
270 0.07794617242617607
271 0.07780239959022288
272 0.07765941939776784
273 0.07751722459224986
274 0.0773758080097679
275 0.07723516257756573
276 0.07709528131255583
277 0.07695615731985345
278 0.07681778379136842
279 0.07668015400437402
280 0.07654326132018623
281 0.07640709918273428
282 0.07627166111733878
283 0.07613694072936493
284 0.07600293170294123
285 0.0758696277997566
286 0.07573702285782609
287 0.07560511079027342
288 0.07547388558418451
289 0.07534334129944488
290 0.07521347206761886
291 0.07508427209081212
292 0.07495573564063587
293 0.0748278570570804
294 0.07470063074752908
295 0.07457405118566679
296 0.0744481129105465
297 0.0743228105255249
298 0.07419813869734249
299 0.07407409215513935
300 0.0739506656895475
301 0.07382785415175157
302 0.073705652452581
303 0.07358405556166092
304 0.07346305850649888
305 0.07334265637163848
306 0.07322284429785297
307 0.07310361748130594
308 0.07298497117270271
309 0.07286690067655388
310 0.07274940135036527
311 0.07263246860388271
312 0.07251609789831479
313 0.07240028474562299
314 0.072285024707792
315 0.07217031339608791
316 0.07205614647036218
317 0.07194251963842513
318 0.07182942865525194
319 0.07171686932243787
320 0.07160483748744274
321 0.0714933290430267
322 0.07138233992655793
323 0.07127186611943376
324 0.07116190364643363
325 0.07105244857516156
326 0.07094349701540838
327 0.07083504511860027
328 0.07072708907722827
329 0.07061962512425618
330 0.07051264953262745
331 0.0704061586146615
332 0.07030014872154469
333 0.07019461624281584
334 0.07008955760582432
335 0.06998496927525776
336 0.06988084775260588
337 0.06977718957569343
338 0.06967399131817102
339 0.0695712495890862
340 0.06946896103234794
341 0.06936712232634396
342 0.06926573018341715
343 0.06916478134944981
344 0.06906427260345864
345 0.0689642007570938
346 0.06886456265426426
347 0.06876535517070215
348 0.06866657521356323
349 0.06856821972100989
350 0.06847028566181211
351 0.0683727700349498
352 0.0682756698692603
353 0.06817898222301287
354 0.06808270418357108
355 0.06798683286699433
356 0.06789136541768782
357 0.06779629900807371
358 0.06770163083816541
359 0.06760735813531868
360 0.06751347815380528
361 0.06741998817452917
362 0.06732688550465145
363 0.06723416747733729
364 0.06714183145134718
365 0.06704987481079358
366 0.06695829496477562
367 0.0668670893471037
368 0.06677625541599737
369 0.0666857906537692
370 0.06659569256655407
371 0.06650595868399801
372 0.06641658655899632
373 0.06632757376738373
374 0.06623891790769393
375 0.0661506166008668
376 0.06606266748997047
377 0.06597506823997172
378 0.06588781653742853
379 0.06580091009027304
380 0.0657143466275514
381 0.06562812389915565
382 0.0655422396755748
383 0.06545669174771032
384 0.06537147792655781

…….

Untuk jumlah lainnya dapat dihitung menggunakan SPSS dengan cara yang telah dijelaskan di atas…

NB: Makin banyak jumlah sampelnya, maka kemungkinan validnya juga makin besar… Berdasarkan pengalaman selama ini sich begitu yach…