Cara Uji Validitas dan Reliabilitas Kuesioner di SPSS

Uji validitas dan reliabilitas di SPSS dijalankan lewat satu menu yang sama: Analyze → Scale → Reliability Analysis. Sebuah butir dinyatakan valid bila nilai Corrected Item-Total Correlation (r hitung) lebih besar daripada r tabel, yaitu 0,361 untuk uji coba 30 responden, atau minimal 0,30 bila kampus Anda memakai kriteria tersebut. Satu variabel dinyatakan reliabel bila Cronbach's alpha ≥ 0,70. Panduan ini memakai satu set data uji coba dari awal sampai akhir: input, butir negatif, output SPSS, keputusan, hingga kalimat laporan untuk skripsi.

Langkah Singkat Uji Validitas dan Reliabilitas di SPSS

1. Masukkan data uji coba: satu baris per responden, satu kolom per butir, dan balik dulu skor butir negatif.
2. Klik Analyze → Scale → Reliability Analysis.
3. Pindahkan semua butir dari satu variabel (atau satu dimensi) ke kotak Items, biarkan Model: Alpha.
4. Klik Statistics, centang Item, Scale, dan Scale if item deleted, lalu Continue → OK.
5. Pada tabel Item-Total Statistics, bandingkan Corrected Item-Total Correlation dengan r tabel (atau 0,30).
6. Keluarkan butir yang tidak valid satu per satu, lalu jalankan ulang analisis.
7. Baca Cronbach's Alpha pada tabel Reliability Statistics: ≥ 0,70 berarti reliabel.
8. Ulangi untuk setiap variabel, lalu rangkum hasilnya dalam tabel.

Validitas dan Reliabilitas: Apa Bedanya?

Validitas menjawab pertanyaan "apakah butir ini mengukur konsep yang dimaksud?", sedangkan reliabilitas menjawab "apakah hasil pengukurannya konsisten?". Reliabilitas adalah syarat perlu, tetapi tidak cukup: kuesioner bisa sangat konsisten mengukur hal yang salah. Karena itu, alpha yang tinggi tidak membuktikan bahwa butir-butirnya valid.

Istilah "validitas" dalam skripsi mencakup beberapa jenis bukti. Artikel ini membahas yang paling sering diminta pada skripsi survei, yaitu validitas butir dengan korelasi butir-total.

Azwar (2012) menyebut korelasi butir-total sebagai indeks daya diskriminasi butir: butir yang baik bergerak searah dengan skor total skalanya. Validitas isi dibangun saat menyusun butir, sebagaimana dijelaskan dalam panduan membuat kuesioner skala Likert. Jika pembimbing meminta validitas konstruk, gunakan CFA dengan AMOS atau SEM-PLS dengan SmartPLS.

Persiapan Data Uji Coba

Berapa Responden Uji Coba dan Berapa r Tabelnya?

Praktik yang umum di Indonesia adalah uji coba pada sekitar 30 responden yang karakteristiknya mirip populasi penelitian, tetapi bukan anggota sampel utama. r tabel adalah nilai kritis korelasi Pearson pada α = 0,05 dua arah dengan df = n − 2 (Sugiyono, 2019):

Perhatikan bahwa r tabel mengecil ketika n membesar. Ini terjadi karena r tabel hanya menguji apakah korelasi berbeda dari nol, bukan apakah korelasinya cukup kuat. Butir dengan r = 0,25 dinyatakan tidak valid pada n = 30 (p = 0,183), tetapi "valid" pada n = 100 (p = 0,012), padahal kualitas butirnya sama saja. Itulah sebabnya banyak peneliti memakai batas minimal 0,30 (Azwar, 2012), baik sebagai kriteria tunggal maupun pendamping r tabel. Pilih satu kriteria, tulis di Bab 3, dan konsisten memakainya. Untuk ukuran sampel penelitian utama, gunakan rumus ukuran sampel yang sesuai desain Anda.

Menyusun Data di SPSS

Di Data View, isi satu baris untuk setiap responden dan satu kolom untuk setiap butir. Beri nama yang konsisten, misalnya X1.1–X1.5 untuk Kualitas Produk, X2.1–X2.4 untuk Kualitas Layanan, dan Y.1–Y.4 untuk Kepuasan Pelanggan. Di Variable View, tambahkan value labels 1–5 agar output mudah dibaca, dan pastikan tidak ada sel kosong yang tidak disengaja.

Uji setiap variabel (atau setiap dimensi, bila variabel Anda multidimensi) secara terpisah. Menggabungkan butir dari variabel yang berbeda dalam satu analisis menghasilkan alpha yang tidak bermakna.

Balik Skor Butir Negatif Sebelum Diuji

Butir negatif (unfavorable), misalnya "Produk ini cepat rusak", diberi skor terbalik: jawaban "sangat setuju" justru berarti kualitas produk rendah. Jika skornya tidak dibalik, korelasi butir-totalnya negatif dan alpha anjlok. Pada data contoh di bawah, butir X1.3 adalah butir negatif. Sebelum dibalik, r hitung X1.3 = −0,573 dan alpha Kualitas Produk hanya 0,264; setelah dibalik, r hitung menjadi 0,573 dan alpha naik menjadi 0,781.

Untuk skala 1–5, balik skornya lewat Transform → Recode into Different Variables (1 → 5, 2 → 4, 3 → 3, 4 → 2, 5 → 1) atau Transform → Compute Variable dengan rumus X1.3R = 6 - X1.3, lalu gunakan X1.3R dalam semua analisis berikutnya. Cara menyusun dan menyekor butir negatif dibahas lebih rinci dalam panduan kuesioner skala Likert.

Langkah Uji Validitas di SPSS (Reliability Analysis)

Label di bawah ini sesuai dengan SPSS 31; menu ini sudah lama tidak berubah sehingga langkahnya sama pada versi-versi sebelumnya (IBM Corp., t.t.).

1. Klik Analyze → Scale → Reliability Analysis.
2. Pindahkan X1.1, X1.2, X1.3R, X1.4, dan X1.5 ke kotak Items. Pastikan Model berisi Alpha.
3. Klik Statistics. Pada bagian Descriptives for, centang Item, Scale, dan Scale if item deleted. Opsi terakhir inilah yang memunculkan tabel Item-Total Statistics.
4. Bila ingin mendiagnosis butir bermasalah, centang juga Correlations pada bagian Inter-Item.
5. Klik Continue, lalu OK.

Alternatif: Korelasi Pearson Bivariate

Sebagian kampus meminta validitas dengan Analyze → Correlate → Bivariate: hitung dulu skor total (Transform → Compute Variable), lalu korelasikan setiap butir dengan skor total tersebut. Kelemahannya, skor total masih memuat butir itu sendiri sehingga korelasinya membesar. Pada data contoh, X1.5 mendapat r = 0,403 dengan cara ini (tampak valid karena > 0,361), padahal corrected item-total correlation-nya hanya 0,226. Jika pedoman kampus Anda mewajibkan cara Bivariate, ikuti pedoman tersebut, tetapi sadari bahwa hasilnya lebih longgar, terutama bila jumlah butirnya sedikit.

Membaca Output Item-Total Statistics

Data ilustrasi (fiktif) untuk latihan: uji coba kuesioner kepuasan pelanggan sebuah kafe pada 30 responden, skala Likert 1–5. Berikut tabel Item-Total Statistics untuk variabel Kualitas Produk setelah X1.3 dibalik. SPSS menampilkan desimal dengan titik dan tanpa nol di depan (misalnya .660); di sini angka ditulis dengan format Indonesia.

Tabel Reliability Statistics di atasnya menunjukkan Cronbach's alpha = 0,781 untuk 5 butir. Cara membacanya:

• Corrected Item-Total Correlation adalah r hitung. Empat butir berada di atas 0,361, sedangkan X1.5 hanya 0,226 sehingga tidak valid, baik menurut r tabel maupun menurut batas 0,30.
• Cronbach's Alpha if Item Deleted menunjukkan alpha jika butir itu dikeluarkan. Hanya X1.5 yang menaikkan alpha (dari 0,781 menjadi 0,821), sehingga keputusan mengeluarkannya konsisten.
• Scale Mean dan Scale Variance if Item Deleted adalah rata-rata dan varians skor total tanpa butir tersebut; keduanya jarang dilaporkan.

Setelah X1.5 dikeluarkan, analisis dijalankan ulang. Hasil putaran kedua: X1.1 = 0,702; X1.2 = 0,760; X1.3R = 0,547; X1.4 = 0,579, sehingga keempatnya valid, dengan alpha 0,821. Keluarkan butir satu per satu, karena nilai r setiap butir berubah setelah ada butir yang dihapus.

Sebelum menghapus butir, cek juga isinya. Jika butir yang gugur adalah satu-satunya wakil sebuah indikator, menghapusnya membuat indikator itu hilang dari instrumen. Dalam kasus seperti itu, lebih baik merevisi redaksinya dan melakukan uji coba ulang.

Uji Reliabilitas: Membaca Cronbach's Alpha

Cronbach's alpha (Cronbach, 1951) mengukur konsistensi internal: seberapa kompak butir-butir dalam satu variabel bergerak bersama. Nilainya naik bila korelasi antarbutir tinggi dan bila jumlah butirnya bertambah.

Sumber batas: 0,70 dari Nunnally dan Bernstein (1994); 0,60 untuk penelitian eksploratif dari Hair et al. (2019); kehati-hatian terhadap alpha di atas 0,90 dari Streiner (2003). Banyak pedoman menulis "α > 0,60 (Nunnally)", padahal Nunnally dan Bernstein (1994) merekomendasikan 0,70; jika kampus Anda memakai 0,60, sebutkan sumber yang benar-benar menyatakannya.

Sejak SPSS 28, daftar Model pada Reliability Analysis juga memuat Omega (McDonald's). Omega mengasumsikan satu faktor tanpa korelasi antarkesalahan dan kadang diminta reviewer jurnal sebagai pelengkap alpha. Untuk skripsi, alpha tetap menjadi laporan standar kecuali pembimbing meminta lain.

Contoh Kasus Lengkap: Kuesioner Kepuasan Pelanggan

Melanjutkan data ilustrasi (fiktif) di atas, tiga variabel diuji coba pada 30 responden dengan r tabel 0,361. Hasil uji validitas:

Nilai X1.5 berasal dari putaran pertama; nilai X1.1–X1.4 berasal dari putaran kedua setelah X1.5 dikeluarkan. Hasil uji reliabilitas instrumen final:

Contoh narasi hasil (sesuaikan dengan penelitian Anda — jangan disalin mentah):

Uji validitas dilakukan pada 30 responden uji coba dengan membandingkan corrected item-total correlation terhadap r tabel 0,361 (α = 0,05; df = 28). Dari 13 butir, satu butir variabel Kualitas Produk (X1.5; r = 0,226) tidak valid dan dikeluarkan, sehingga instrumen final terdiri atas 12 butir dengan r hitung 0,416–0,828. Butir X1.3 merupakan butir negatif dan skornya dibalik sebelum analisis. Uji reliabilitas menghasilkan Cronbach's alpha 0,821 untuk Kualitas Produk, 0,751 untuk Kualitas Layanan, dan 0,842 untuk Kepuasan Pelanggan; seluruhnya ≥ 0,70 sehingga instrumen dinyatakan reliabel.

Bagian ini biasanya diletakkan pada subbab instrumen penelitian; lihat struktur lengkapnya dalam panduan Bab 3 metodologi penelitian.

Uji Coba Terpisah atau Uji Coba Terpakai?

Ada dua cara menjalankan uji coba, dan keduanya perlu disebutkan secara eksplisit di Bab 3:

• Uji coba terpisah: kuesioner diuji pada responden di luar sampel, butir yang lemah direvisi atau dikeluarkan, lalu instrumen final disebarkan ke sampel penelitian. Cara ini paling kuat karena butir masih bisa diperbaiki.
• Uji coba terpakai: data dari sampel utama sekaligus dipakai untuk uji validitas–reliabilitas dan analisis utama. Cara ini lazim bila populasinya kecil atau sulit dijangkau. Konsekuensinya, butir yang gugur hanya bisa dikeluarkan (tidak bisa direvisi), dan r tabel memakai n sampel utama, misalnya 0,197 untuk n = 100.

Diskusikan pilihan ini dengan pembimbing sebelum menyebarkan kuesioner, karena sebagian program studi mewajibkan uji coba terpisah.

Kesalahan Umum yang Sering Ditandai Pembimbing

1. Lupa membalik skor butir negatif. Gejalanya r hitung negatif dan alpha rendah; periksa semua butir negatif sebelum menghapus apa pun.
2. Menguji semua variabel sekaligus. Alpha untuk gabungan butir dari variabel berbeda tidak bermakna; uji per variabel atau per dimensi.
3. Mencampur kriteria. Menulis r tabel di Bab 3 tetapi memakai 0,30 di Bab 4 (atau sebaliknya) membuat keputusan tampak dipilih-pilih.
4. Menghapus banyak butir dalam satu langkah. Hapus satu butir terlemah, jalankan ulang, lalu evaluasi lagi.
5. Menyebut hasil Bivariate sebagai "corrected". Korelasi Bivariate dengan skor total belum dikoreksi; sebut metode yang benar-benar dipakai.
6. Menganggap alpha tinggi berarti valid. Alpha hanya menunjukkan konsistensi, bukan ketepatan isi.
7. Uji coba pada responden yang tidak sebanding. Misalnya kuesioner untuk karyawan diuji coba pada mahasiswa; hasilnya tidak mencerminkan populasi sasaran.

Langkah Berikutnya

Setelah instrumen final valid dan reliabel, sebarkan kuesioner ke sampel penelitian dan hitung skor setiap variabel (biasanya jumlah atau rata-rata butir). Langkah analisis berikutnya biasanya uji normalitas, lalu analisis inti seperti regresi linier berganda. Simpan output uji coba dan catatan butir yang dikeluarkan, karena penguji sering menanyakan alasan setiap keputusan. Jika Anda ingin hasil uji coba diperiksa ulang, layanan olah data SPSS dari Jokify dapat menjalankan analisis pada data Anda sendiri dan menjelaskan setiap angka di output, agar Anda memahami keputusannya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Apakah r tabel untuk uji validitas memakai uji satu arah atau dua arah?

Yang paling umum adalah dua arah dengan α = 0,05, misalnya 0,361 untuk n = 30. Sebagian buku memakai r tabel satu arah karena korelasi butir-total diharapkan positif, sehingga nilainya lebih kecil (0,306 untuk n = 30). Keduanya bisa dipertanggungjawabkan selama Anda menyebutkan pilihan tersebut di Bab 3 dan tidak menggantinya setelah melihat hasil.

Apakah butir yang tidak valid harus selalu dibuang?

Tidak selalu. Pada uji coba terpisah, butir yang tidak valid bisa direvisi redaksinya lalu diuji coba ulang. Butir hanya dikeluarkan bila indikatornya masih terwakili oleh butir lain; jika butir itu satu-satunya wakil indikator, revisi lebih aman daripada menghapus.

Bagaimana jika semua butir valid tetapi Cronbach's alpha masih di bawah 0,70?

Periksa matriks korelasi antarbutir untuk mencari butir yang korelasinya mendekati nol dengan butir lain, dan pastikan tidak ada butir negatif yang terlewat dibalik. Alpha juga rendah bila jumlah butirnya sangat sedikit atau bila variabelnya sebenarnya terdiri atas beberapa dimensi yang perlu diuji terpisah. Jika setelah itu alpha tetap rendah, revisi butir dan lakukan uji coba ulang.

Apakah kuesioner adopsi dari penelitian lain perlu diuji ulang?

Ya, sebaiknya tetap diuji pada responden Anda, karena validitas dan reliabilitas melekat pada penggunaan instrumen di populasi tertentu, bukan pada kuesionernya semata. Terjemahan, perubahan redaksi, atau konteks responden yang berbeda dapat mengubah hasilnya. Sebutkan sumber instrumen asli beserta hasil uji Anda sendiri di Bab 3.

Apa beda Cronbach's alpha dan McDonald's omega?

Keduanya mengukur reliabilitas konsistensi internal. Alpha mengasumsikan setiap butir punya kontribusi yang setara terhadap konstruk, sedangkan omega memperhitungkan muatan faktor (loading) masing-masing butir sehingga sering dianggap lebih akurat bila muatannya berbeda-beda. Omega tersedia di SPSS 28 ke atas melalui pilihan Model pada Reliability Analysis.

Referensi

• Azwar, S. (2012). Penyusunan skala psikologi (Ed. 2). Pustaka Pelajar.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
• IBM Corp. (t.t.). IBM SPSS Statistics Base 31. Diakses 10 Oktober 2026, dari https://www.ibm.com/docs/en/SSLVMB_31.0.0/pdf/IBM_SPSS_Statistics_Base.pdf
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Streiner, D. L. (2003). Starting at the beginning: An introduction to coefficient alpha and internal consistency. Journal of Personality Assessment, 80(1), 99–103. https://doi.org/10.1207/S15327752JPA8001_18
• Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.