library(tidyverse)
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──
## ✓ ggplot2 3.3.2     ✓ purrr   0.3.4
## ✓ tibble  3.0.4     ✓ dplyr   1.0.2
## ✓ tidyr   1.1.2     ✓ stringr 1.4.0
## ✓ readr   1.4.0     ✓ forcats 0.5.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

Proses uji reliabilitas adalah suatu proses pengujian yang dilakukan setelah melakukan proses pengujian validitas, proses pengujian reliabilitas menggunakan rumus :

  1. Alpha Cronbach
  2. Spearman Brown
  3. Kristoff
  4. Angoff
  5. Rullon

Proses pengujian reliabilitas digunakan untuk mengukur konsistensi data responden dalam menjawab kuisioner, yaitu pada waktu kita melakukan penarikan data menggunakan kuisioner, uji ini dapat dilakukan bersama terhadap seluruh pertanyaan yang diajukan. Seperti yang sudah disampaikan sebelumnya uji ini hanya dilakukan pada butir pertanyaan yang telah melalui uji validitas, pengukuran pada dasarnya bisa dilakukan dengan cara :

  1. Repeated Measure

Disini sebuah pertanyaan akan disodorkan kembali pada waktu yang berbeda, kemudian dilihat apakah responden masih konsisten dengan jawabannya.

  1. One Short

Disini pertanyaan hanya diajukan sekali untuk kemudian dibandingkan dengan hasil pertanyaan yang lain.

Sebagai acuan umumnya pengujian ini menggunakan 2 pedoman yaitu :

  1. Jika nilai Cronbach’s Alpha > 0.60 maka reliabel
  2. Jika nilai Cronbach’s Alpha < 0.60 maka tidak reliabel

Contoh Kasus :

Seorang member dari grup pengembang software dasitech indoensia membuat sebuah penelitian, yaitu melukakan penyebaran kuisioner dengan menggunakan skala untuk mengetahui kualitas dari static site generator dengan menggunakan skala likert, yaitu:

|:——————|:—:|———————:| |Angka 1 | = |sangat tidak setuju | |Angka 2 | = |tidak setuju | |Angka 3 | = |setuju | |Angka 4 | = |sangat setuju |

Kuisioner tersebut dibagikan kepada 10 responden, dan didapatkan hasil sebagai data berikut ini :

data.kuisioner2 <- tribble(
  ~Responden, ~Q1,~Q2,~Q3,~Q4,~Q5,~Q6,~Q7,~Q8,~Q9,~Q10,
     1, 4, 4, 3, 4, 4, 3, 3, 3, 3, 3,
     2, 4, 3, 3, 4, 3, 3, 3, 3, 3, 3,
     3, 2, 2, 1, 3, 2, 2, 3, 1, 2, 3,
     4, 3, 4, 4, 3, 3, 3, 4, 3, 3, 4,
     5, 3, 4, 3, 3, 3, 4, 3, 4, 4, 3,
     6, 3, 2, 4, 4, 3, 4, 4, 3, 4, 4,
     7, 2, 3, 3, 4, 4, 4, 3, 4, 2, 3,
     8, 1, 2, 2, 1, 2, 2, 1, 3, 2, 2,
     9, 2, 2, 3, 3, 4, 2, 1, 1, 4, 4,
    10, 3, 3, 3, 4, 4, 4, 4, 4, 3, 3
)
data.kuisioner2
## # A tibble: 10 x 11
##    Responden    Q1    Q2    Q3    Q4    Q5    Q6    Q7    Q8    Q9   Q10
##        <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1         1     4     4     3     4     4     3     3     3     3     3
##  2         2     4     3     3     4     3     3     3     3     3     3
##  3         3     2     2     1     3     2     2     3     1     2     3
##  4         4     3     4     4     3     3     3     4     3     3     4
##  5         5     3     4     3     3     3     4     3     4     4     3
##  6         6     3     2     4     4     3     4     4     3     4     4
##  7         7     2     3     3     4     4     4     3     4     2     3
##  8         8     1     2     2     1     2     2     1     3     2     2
##  9         9     2     2     3     3     4     2     1     1     4     4
## 10        10     3     3     3     4     4     4     4     4     3     3
library(dplyr)
data.kuisioner1 <- dplyr::select(data.kuisioner2, Q1:Q10)
data.kuisioner1
## # A tibble: 10 x 10
##       Q1    Q2    Q3    Q4    Q5    Q6    Q7    Q8    Q9   Q10
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1     4     4     3     4     4     3     3     3     3     3
##  2     4     3     3     4     3     3     3     3     3     3
##  3     2     2     1     3     2     2     3     1     2     3
##  4     3     4     4     3     3     3     4     3     3     4
##  5     3     4     3     3     3     4     3     4     4     3
##  6     3     2     4     4     3     4     4     3     4     4
##  7     2     3     3     4     4     4     3     4     2     3
##  8     1     2     2     1     2     2     1     3     2     2
##  9     2     2     3     3     4     2     1     1     4     4
## 10     3     3     3     4     4     4     4     4     3     3

Untuk mendapat nilai pengujian reliabilitas, maka di RStudio mengguankan package psych, maka kita harus menginstal package pada software RStudio dengan menggunakan command line sebagai berikut :

Untuk menggunakan package psych dengan menggunakan command line sebagai berikut :

library(psych)
## 
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha
alpha(data.kuisioner1)
## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done
## Warning in cor.smooth(R): Matrix was not positive definite, smoothing was done

## Warning in cor.smooth(R): Matrix was not positive definite, smoothing was done
## 
## Reliability analysis   
## Call: alpha(x = data.kuisioner1)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N   ase mean   sd median_r
##       0.87      0.88    0.97      0.41   7 0.059    3 0.62     0.44
## 
##  lower alpha upper     95% confidence boundaries
## 0.76 0.87 0.99 
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N var.r med.r
## Q1       0.85      0.85    0.98      0.40 5.9 0.052  0.44
## Q2       0.86      0.87    0.99      0.42 6.6 0.050  0.44
## Q3       0.85      0.85    0.99      0.39 5.7 0.053  0.37
## Q4       0.85      0.85    0.98      0.39 5.8 0.049  0.44
## Q5       0.87      0.87    0.99      0.42 6.5 0.054  0.45
## Q6       0.85      0.85    0.99      0.39 5.7 0.046  0.43
## Q7       0.86      0.86    0.99      0.41 6.1 0.048  0.44
## Q8       0.88      0.87    1.00      0.44 7.0 0.032  0.44
## Q9       0.87      0.87    0.99      0.43 6.9 0.045  0.45
## Q10      0.88      0.88    0.99      0.44 7.1 0.034  0.45
## 
##  Item statistics 
##      n raw.r std.r r.cor r.drop mean   sd
## Q1  10  0.78  0.77  0.75   0.71  2.7 0.95
## Q2  10  0.66  0.64  0.62   0.56  2.9 0.88
## Q3  10  0.80  0.82  0.83   0.74  2.9 0.88
## Q4  10  0.79  0.79  0.78   0.72  3.3 0.95
## Q5  10  0.63  0.66  0.64   0.54  3.2 0.79
## Q6  10  0.84  0.81  0.82   0.78  3.1 0.88
## Q7  10  0.75  0.72  0.72   0.65  2.9 1.10
## Q8  10  0.60  0.56  0.56   0.47  2.9 1.10
## Q9  10  0.53  0.57  0.53   0.42  3.0 0.82
## Q10 10  0.48  0.53  0.54   0.39  3.2 0.63
## 
## Non missing response frequency for each item
##       1   2   3   4 miss
## Q1  0.1 0.3 0.4 0.2    0
## Q2  0.0 0.4 0.3 0.3    0
## Q3  0.1 0.1 0.6 0.2    0
## Q4  0.1 0.0 0.4 0.5    0
## Q5  0.0 0.2 0.4 0.4    0
## Q6  0.0 0.3 0.3 0.4    0
## Q7  0.2 0.0 0.5 0.3    0
## Q8  0.2 0.0 0.5 0.3    0
## Q9  0.0 0.3 0.4 0.3    0
## Q10 0.0 0.1 0.6 0.3    0

Lalu bagaimana membacanya?

  1. raw_alpha adalah apa yang kita sebut Cronbach’s Alpha, karena nilainya lebih dari 0.6 maka mengindikasikan bahwa data tersebut reliabel

  2. std.alpha sebenernya mirip dengan raw_alpha , tapi saat ini kita hanya perlu raw_alpha

  3. G6 adalah Guttman’s Lambda 6

  4. average_r adalah rata-rata korelasi antar item (digunakan untuk menghitung std.alpha )

  5. mean dengan skala mean

  6. sd dengan skala sd

Selain 6 variabel diatas, maka yang perlu dianalisa adalah nilai alpha dari masing-masing item, jika nilanya kurang dari raw_alpha bisa dinyatakan bahwa item tersebut perlu dilakukan perbaikan.

Proses pengujian yang kita lakukan dapat disimpulkan bahwa item 1, item 2, item 3, item 4, dan item 6 memiliki nilai alpha lebih rendah dari raw_alpha, sehingga perlu dilakukan perbaikan.

Sedangkan untuk item 5, item 7, item 8, item 9, dan item 10 adalah reliabel, sehingga dapat digunakan untuk pengujian selanjutnya.

Daftar pustaka :

  1. Applied Statistics with R