Sifat Dasar Regresi

Sifat Dasar Regresi

Statement yang sering kita temui dalam keseharian kita terkait dengan suatu phenomena yang kita temui diantaranya “pengaruh” atau “hubungan”. Kata “pengaruh” atau “hubungan” sering digunakan dalam rangka mencari keterkaitan dua keadaan yang terjadi baik itu karena adanya sebab akibat atau karena hanya adanya singgungan atau keterkaitan saja. Umum kita menggunakan “pengaruh” atau “hubungan” hanya sebatas asumsi melalui evaluasi panca indera saja, tanpa membuktikannya melalui proses kuantifikasi (peng-angka-an). Salah satu alat statistik yang membantu proses kuantifikasi asumsi-asumsi tadi adalah Regresi.

Asal Sejarah Istilah Regresi

Istilah regresi diperkenalkan oleh Francis Galton. Dalam suatu makalah yang terkenal, Galton mengemukakan bahwa meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai anak-anak yang tinggi dan bagi orang tua yang pendek untuk mempunyai anak-anak yang pendek, distribusi tinggi suatu populasi tidak berubah secara mencolok (besar) dari generasi ke generasi. Penjelasannya adalah bahwa ada kecenderungan bagi rata-rata tinggi anak-anak dengan orang tua yang mempunyai tinggi tertentu untuk bergerak atau mundur (regress) ke arah tinggi rata-rata seluruh populasi. Hukum regresi semesta (law of universal regression) dari Galton diperkuat oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah (yang) tinggi kurang daripada tinggi ayah mereka dan rata-rata tinggi anak laki-laki kelompok ayah (yang) pendek lebih besar dari pada tinggi ayah mereka, jadi “mundurnya”  (“regressing”) anak laki-laki yang tinggi maupun yang pendek serupa ke arah rata-rata tinggi semua laki-laki. Dengan kata-kata Galton, ini adalah “kemunduran ke arah sedang”.

Secara sederhana analisis Regresi dapat diartikan berkenaan dengan studi ketergantungan satu variabel, variabel tak bebas, pada satu atau lebih variabel lain, variabel yang menjelaskan (explanatory variables), dengan maksud menaksir dan atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel tak bebas, dipandang dari segi nilai yang diketahui atau tetap (dalam pengambilan sampel berulang) variabel yang menjelaskan (yang belakangan).

Ketergantungan Statistik Vs Fungsional

Analisis regresi menaruh perhatian pada apa yang dikenal dengan ketergantungan di antara variabel yang bersifat statistik, bukannya fungsional atau deterministik, seperti pada ilmu fisika klasik. Dalam hubungan di antara variabel yang bersifat statistik, pada dasarnya menghadapi variabel random atau stokhastik (proses stokhastik adalah proses yang penuh dengan kegagalan), yaitu variabel yang mempunyai distribusi probabilitas. Dalam ketergantungan fungsional atau deterministik, berhadapan dengan variabel tetapi variabel tidak bersifat statistik atau stokhastik.

Misal :

Ketergantungan hasil panen pada suhu, curah hujan, sinar matahari dan pupuk, pada dasarnya bersifat statistik dalam arti bahwa variabel yang menjelaskan (explanatory variables), meskipun jelas penting, tidak akan memungkinkan ahli agronomi untuk meramalkan hasil panen secara akurat karena kesalahan yang terdapat dalam pengukuran variabel-variabel dan juga sekelompok faktor (variabel) lain yang secara bersama-sama mempengaruhi hasil panen tadi. Jadi ada sesuatu yang hakiki atau variabilitas random dalam variabel tak bebas (hasil panen), yang tidak bisa dijelaskan sepenuhnya (tidak peduli berapapun banyaknya variabel yang diperhitungkan).

Dalam fenomena deterministik, berhadapan dengan hubungan sejenis, yang ditunjukkan oleh hukum Newton mengenai gravitasi, yang menyatakan : setiap partikel dalam alam semesta menarik setiap partikel lain dengan suatu gaya yang langsung sebanding dengan hasil kali masanya dan berbanding terbalik dengan kuadrat jarak antar partikel-pertikelnya. F = k(m1m2/r2).

Semisal, jikalau ada kesalahan pengukuran, katakan k dari hukum Newton mengenai grafitasi, hubungan yang seharusnya deterministik menjadi hubungan statistik. Karena dalam keadaan ini gaya hanya dapat diramalkan secara kira-kira dari mulai k (dan m1, m2, r2) tertentu yang mengandung kesalahan. Variabel F dalam kasus tersebut menjadi suatu variabel random.

Regresi dan Sebab Akibat

Meskipun analisis regresi berurusan dengan ketergantungan satu variabel pada variabel lain, ini tidak perlu berarti sebab akibat. Dalam perkataan Kendall dan Struart :”Sesuatu hubungan statistik, bagaimanapun kuat dan sugestif, tidak pernah dapat menetapkan hubungan sebab akibat. Gagasan mengenai sebab akibat harus datang dari luar statistik, pada akhirnya dari beberapa teori atau lainnya.”

Regresi Vs Korelasi

Analisis korelasi tujuan utamanya adalah untuk mengukur kuat atau derajat hubungan linier antara dua variabel. Sedangkan regresi tujuan utamanya untuk menaksir atau meramalkan nilai rata-rata satu variabel atas dasar nilai yang tetap variabel-variabel lain.

Teknik regresi dan korelasi mempunyai beberapa perbedaan yang mendasar. Dalam analisis regresi berlaku sifat asimetri yaitu cara bagaimana variabel tak bebas dan variabel yang menjelaskan diperlakukan. Variabel tak bebas diasumsikan bersifat statistik, random atau stokhastik, yaitu mempunyai distribusi probabilitas. Dipihak lain, variabel yang menjelaskan (explanatory variables) diasumsikan mempunyai nilai yang tetap (dalam pengambilan sampel secara berulang). Sedangkan, dalam analisis korelasi, kita memperlakukan yang manapun dari (dua) variabel secara simetris, tidak ada perbedaan antara variabel tak bebas dan variabel yang menjelaskan.

Istilah dan Notasi dalam Regresi

Dalam literatur istilah variabel tak bebas (dependent variables) dan variabel yang menjelaskan (explanatory variables) digambarkan dengan berbagai cara, sebagai berikut :

  1. Variabel tak bebas (dependent variables) = variabel yang menjelaskan (explained variables) = yang diramalkan (predictand) = yang diregresi (regressand) = tanggapan (response)
  2. Variabel yang menjelaskan (explanatory variables) = variabel bebas (independent variables) = peramal (predictor) = yang meregresi (regressor) = perangsang atau variabel kendali (stimulus or control variables)

Jika kita sedang mempelajari ketergantungan satu variabel pada hanya satu variabel yang menjelaskan, studi itu dikenal dengan analisis regresi sederhana atau dua variabel. Tetapi kalau kita mempelajari ketergantungan satu variable pada lebih dari satu variabel yang menjelaskan, maka dikenal sebagai analisis regresi majemuk (multiple regression analysis).

Dalam prakteknya ada beberapa persiapan dan pemahaman yang perlu dibangun oleh peneliti sebelum menerapkan data pada metode regresi. Satu bahasan telah diuraikan pada artikel sebelumnya, yaitu prasyarat skala ukur data yang kita gunakan dalam perhitungan regresi pada variabel penelitian (variabel bebas dan variabel tak bebas) karena sedikit banyak berpengaruh pada pemilihan jenis dari regresi itu sendiri (ex : regresi logistik dan regresi dengan variabel dummy). Selain itu, perlunya suatu proses pengujian pada model berupa pengujian asumsi regresi linier klasik yang memuat pengujian normalitas, multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas yang menguatkan bahwa model yang dihasilkan merupakan model yang memiliki taksiran yang baik.

Pada artikel selanjutnya kita akan ulas identifikasi kebagusan model berdasarkan asumsi-asumsi yang tadi diutarakan, diantaranya normalitas, multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas.

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

SEM dengan SmartPLS

SEM dengan SmartPLS

Para ahli metode penelitian mengelompokan SEM menjadi dua pendekatan. Pendekatan pertama disebut sebagai Covariance Based SEM (CBSEM) dan pendekatan lainnya adalah Variance Based SEM atau yang lebih dikenal dengan Partial Least Square (PLS). Untuk melakukan analisa dengan menggunakan CBSEM maka software yang sering digunakan adalah AMOS dan LISREL sedangkan untuk PLS software yang sering digunakan adalah smartPLS, warpPLS dan XLStat.

Mengapa Menggunakan PLS

PLS menggunakan metode bootstraping atau penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS. Selain terkait dengan normalitas data, dengan dilakukannya bootstraping maka PLS tidak mensyaratkan jumlah minimum sampel. Penelitian dengan memiliki sampel kecil dapat tetap menggunakan PLS.

Perbedaan PLS dengan CBSEM

  1. Hal utama yang membedakan antara PLS dan CBSEM adalah tujuan dari penggunaan metode. Tujuan dari penggunaan PLS adalah melakukan prediksi. Prediksi yang dimaksudkan adalah prediksi hubungan antar kosntruk. Sedangkan CBSEM lebih ditujukan sebagai metode untuk melakukan konfirmasi teori.
  2. Berdasarkan asumsi statistiknya, PLS digolongkan sebagai jenis non-parametrik sedangkan CBSEM lebih kepada normal distribution dan independent observation (parametrik).
  3. Dari sisi konstruk, CBSEM hanya dapat mengakomodir konstruk yang berbentuk reflektif. Sedangkan PLS dapat mengakomodir baik formatif maupun reflektif.
  4. Mengenai jumlah sampel. Dikarenakan PLS berbasis pada variance maka jumlah sampel yang digunakan dapat berkisar antara 30 s.d 100 sampel. Sedangkan CBSEM karena dasarnya covariance, maka sampel yang digunakan berkisar 200 s.d 800 sampel.
  5. Dari jumlah kosntruk dan indikator. PLS dapat mengakomodir hingga 100 konstruk dan 1000 indikator sedangkan CBSEM hanya bisa mengakomodir sampai 100 indikator.

Menggunakan SmartPLS 3.0

  1. Tampilan Smart PLS terdiri dari tiga jendela diantaranya jendela projek, jendela variabel atau indikator dan jendela tempat struktural model di gambar. 

  1. Sebelum menggambar model struktural yang harus dilakukan adalah menginputkan file yang akan dianalisis. Untuk menjalankan smartPLS 3.0 data harus disimpan dalam format .csv (disetting pada microsoft excel pada menu save as).
  2. Langkah pertama untuk memasukan data ke dalam smartPLS 3.0 adalah dengan cara membuat projek yang akan dikerjakan. Disudut kiri atas klik New Project. Lalu akan muncul jendela baru lalu isikan nama project yang akan dikerjakan. 

  1. Setelah diisikan nama project dan klik tombol OK maka project akan muncul pada jendela di sebelah kiri. Terdapat 2 menu yaitu menu untuk memasukan data pada smartPLS 3.0 dan menu untuk menggambarkan struktur model penelitian. 

  1. Untuk memasukan data double klik pada icon menu. Setelah di klik maka akan muncul layar yang berisikan file dimana kita menaruh data mentah dan filih file dengan format .csv. 

  1. Jika data telah dimasukan maka akan tampak pada jendela smartPLS. Indikator lain jika data sudah masuk dalam smartPLS secara sempurna adalah icon warna hijau, yang berarti data sudah komplit. Tetapi jika icon berwarna kuning maka maknanya data masih mengandung missing value. Adapun isi dari data yang diperlihatkan oleh smartPLS diantaranya adalah variabel atau indikator penelitian disertai nilai statistik deskrptifnya. 

  1. Setelah data berhasil dinputkan dengan sempurna maka langkah berikutnya adalah menggambar model struktural. Menggambar model struktural dapat dimulai dengan melakukan double klik pada menu nama project disebelah kiri jendela. Setelah di klik akan muncul tab baru di bagian kanan atas. 

  1. Nah jika tampilan sudah seperti poin 7 maka model struktural siap untuk digambar. Dalam menggambar gunakan dua icon yaitu “latent variabel” dan “connect” dengan cara klik icon laten variabel lalu klik pada bidang gambar dan seterusnya lakukan hal yang sama sesuai jumlah laten variabel. Lalu untuk menghubungkan pola hubungan gunakan icon connect

  1. Untuk memasukan observed variabel ke dalam laten variabel maka cukup men-drag atau menarik satu persatu observed variabel yang ada pada layar sebelah kiri bawah ke dalam bidang gambar disesuaikan dengan pasangan laten variabel-nya. 

  1. Jika observed variabel sudah dimasukan ke dalam laten variabel maka model berubah menjadi biru. Seperti gambar berikut ini. 

  1. Jika perlu mengganti nama dari masing-masing laten variabel cukup klik kanan pada laten variabel dan melakukan rename.
  2. Untuk melakukan pengujian pada menu smartPLS 3.0 pilih menu calculate dan pilih bootstrapping untuk menguji hipotesis. 

  1. Setelah di klik akan muncul jendela baru, pada menu subsampel isikan sebanyak 500 kali, lalu klik start calculation

  1. Maka akan muncul tab baru dalam smartPLS 3.0 hasil analisanya. Seperti gambar berikut.

(output ukuran numerik SEM oleh SmartPLS)

(output diagram jalur SEM oleh SmartPLS)

SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

SEM dengan LISREL 8.80 (Student)

SEM dengan LISREL 8.80 (Student)

Pada artikel sebelumnya kita sudah mengenal interface LISREL secara umum dan bagaimana membangkitkan data pada program LISREL. Selain itu dikenalkan juga menu-menu yang terdapat pada program LISREL. Pada kesempatan kali ini kita akan sedikit banyak mengupas penggunaan program LISREL pada metode khusus yaitu Structural Equation Modeling (SEM). Konsepsi SEM merupakan gabungan pemahaman kita terhadap analisis regresi, analisis jalur dan analisis faktor konfirmatori, karena berbasis metode-metode tadi secara fungsi dan interpretasi keluaran dari SEM akan tidak jauh berbeda, hanya saja dikarenakan gabungan dari metode-metode tadi SEM kadang kala dipandang rumit dan kompleks.

Sebelum kita langsung dalam pengoperasian program LISREL untuk SEM, ada baiknya kita telaah alur atau tahapan yang harus dipahami oleh peneliti dalam menggunakan metode Structural Equation Modeling (SEM), sebagai berikut

Prosedur aplikasi SEM

 Umumnya LISREL digunakan untuk memecahkan masalah model persamaan struktural (SEM). Hair, Anderson, Tatham dan Black mengemukakan 7 langkah dalam mengaplikasikan SEM sebagai berikut :

  1. Merumuskan model berbasis teori : teridentifikasi variabel laten endogen dan eksogen, argumentasi hubungan kausal antar variabel laten, serta mengidentifikasi indikator atau variabel manifest eksogen dan endogen.
  2. Mengkontruksi diagram jalur : tergambar dengan jelas setting atau adegan hubungan antar variabel laten dan teridentifikasi jumlah parameter yang akan diestimasi
  3. Merumuskan persamaan : model pengukuran dan model struktural
  4. Menentukan data input dan metode estimasi : menentukan matrik korelasi atau matriks kovarians dan metode estimasi maximum likelihood, dll
  5. Identifikasi model : model dapat menghasilkan estimasi yang bersifat unik (tunggal) atau tidak. Syarat suatu model menghasilkan estimasi unik adalah model tersebut bersifat just-identified atau over identified. Model dikatakan just-identified apabila derajat bebas model tersebut nol (0) dan dikatakan over identified apabila derajat bebas model lebih dari nol (> 0)
  6. Uji kesesuaian model : pendekatan dua tahap, secara individual digunakan uji t dan secara keseluruhan digunakan kriteria Goodness of Fit (GOF).
  7. Interpretasi dan modifikasi model : menjawab masalah penelitian dan memodifikasi model berdasarkan justifikasi teoritis tertentu.

Yang patut menjadi perhatian bersama adalah poin no 1, dimana dalam penggunaan SEM haruslah berbasis suatu teori tertentu. Ini dikarenakan fungsi SEM adalah mengkonfirmasikan model yang dibentuk pada data riil yang diperoleh dilapangan. Selain itu, penentuan arah hubunngan yang dibangun dalam model haruslah dikuatkan secara teori. Hal, ini juga yang akan berpengaruh pada penentuan jumlah data atau sampel penelitian yang layak digunakan dalam SEM dan layak dilihat dari sisi kecukupan sampel dalam menguji suatu model yang berbasiskan teori.

Oleh karenanya, apabila peneliti meragukan teori yang dipakainya dalam metode SEM dan ketidaksanggupan dalam memenuhi kecukupan sampel yang disyaratkan, pada bahasan berikutnya akan diuraikan konsepsi lain yaitu Partial Least Square (PLS) yang dapat mengakomodasi kekurangan-kekurangan tersebut.

Menggunakan LISREL

  • Transfer data mentah ke program LISREL
  1. Buka program LISREL, lalu klik File, sehingga tampil kotak dialog berikut : 
  2. Klik Import Data, sehingga muncul tampilan berikut: 
  3. Pada menu List file of type pilih .sav (file SPSS) dan pada menu Drives tempat menyimpan data SPSS untuk dimasukan ke dalam LISREL. 
  4. Klik OK, maka dilayar monitor akan tampil berikut : 
  5. Pada menu utama, klik Data, pilih Define Variables, maka dimonitor akan tampil kotak dialog sebagai berikut : 
  6. Blok semua variabel seperti tampil kotak dialog berikut: 
  7. Selanjutnya klik Variable Type maka dilayar akan muncul tampilan berikut : 
  8. Plih Continous dan Aplly to all, kemudian klik OK. Sekarang telah lengkap data ditransfer ke program LISREL.

 

  • Komputasi matriks kovarians dan uji normalitas
  1. Untuk memperoleh matriks kovarians dan uji normalitas, dari menu utama LISREL Windows Application-SEM.psf, klik menu Statistics, pilih Output Options, sehingga muncul menu berikut : 
  2. Pada Moment Matrix pilih Covariance, pilih Save to File dan LISREL System Data, isikan nama file misal SEM.cov dan pilih Perform test of multivariate normality, seperti tampilan berikut : 
  3. Selanjutnya klik OK, hasilnya adalah matriks kovarians langsung disimpan dalam file SEM.cov, sedangkan hasil uji normalitas ditunjukkan dalam keluaran sebagai berikut : 
  4. Dengan sudah diperolehnya file matriks kovarians, berarti pengolahan data dengan metode analisis SEM dapat dikerjakan.

 

  • Membangun diagram jalur
  1. Untuk membangun sebuah diagram jalur dalam program LISREL berdasarkan atas teori yang sudah ditetapkan sebelumnya dan sudah teridentifikasi klasifikasi jenis dari variabel-variabelnya, maka pada program LISREL pilih menu File lalu klik New, maka akan muncul tampilan jendela sebagai berikut : 
  2. Setelih dipilih menu Path Diagram kemudian klik OK maka akan muncul tampilan jendela kosong, lalu klik Setup untuk mengklasifikasikan variabel yang digunakan dalam model klik Variables. Perlu diperhatikan penggolongan variabel berdasarkan variabel manifest dan variabel laten yang digunakan dalam peneltian 
  3. Setelah semua variabel diklasifikasikan maka akan terlihat seperti pada jendela berikut ini dan siap untuk dibentuk menjadi model dalam diagram jalur. 
  4. Setelah semua variabel manifest dan variabel laten diklasifikasikan, klik Next untuk mendifinisikan sumber dan tipe data yang akan digunakan dalam pengolahan oleh program LISREL. Isikan pada Statistics from yaitu covariance karena file yang kita punya sebelumnya dalam bentuk covariance. File Type yaitu LISREL System Data dan pada File Name biarkan default dan isikan jumlah sampel data pada Number of Observation. Lalu klik OK. 
  5. Untuk proses pembuatan diagram jalur, kita tinggal men-drag atau menarik variabel-variabel yang ada pada daftar sebelah kiri ke jendela kosong sebelah kanan, lalu gunakan tools untuk membentuk korelasional atau jalur antar tiap variabel sesuai dengan kosep teoritisnya. Maka model diagram jalur yang sudah dibuat akan terlihat sebagai berikut : 
  6. Setelah seluruh variabel dipasangkan dengan dari variabel manifest ke masing-masing variabel latennya. Langkah selanjutnya adalah memproses diagram jalur dari data yang diinputkan dengan cara meng-klik gambar L (run Lisrel). Maka akan muncul jendela sytax program sebagai berikut : 
  7. Setelahnya klik kembali L (run Lisrel) maka akan muncul jendela berupa diagram jalur yang telah dilengkapi oleh program LISREL dengan nilai-nilai sepeti bobot faktor, koefisien jalur, erorr, t hitung. Seperti gambar berikut : 
  8. Dari diagram jalur tersebut, dapat dilihat beberapa opsi tampilan klik Estimate untuk merubah tampilan ke Standardized Solution, dll. Klik Model untuk merubah tampilan ke X-model, Y-model, Structural Model, dll.
  9. Dari hasil proses L (run Lisrel) tadi dihasilkan juga ouput LISREL yang berisi hasil perhitungan secara lengkap baik itu statistik deskriptif, matriks korelasi, matriks kovarians, model pengukuran, model struktural dan nilai-nilai GOF.

(output ukuran numerik SEM oleh LISREL)

(output ukuran GOF SEM oleh LISREL)

Dari hasil perhitungan data dengan menggunakan program LISREL di atas, untuk interpretasi hasil pengolahan atau analisis disesuaikan tahapannya dengan 7 tahapan yang sudah diutarakan sebelumnya. SELAMAT MENCOBA!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Linear Structural Relationships (LISREL)

Linear Structural Relationships (LISREL)

Kali ini kita akan sedikit berkenalan dengan salah satu software statistika yang sering digunakan juga oleh praktisi dan kekhususannya dalam hal pengujian suatu model. Beberapa jenis pemodelan dalam statistik khususnya ditinjau dari jenis data crossectional diantaranya adalah regresi, path analisis dan lebih kompleks lagi kita mengenal istilah SEM (Structural Equation Modelling). Nah, pada kesempatan kali ini kita akan berkenalan dengan software LISREL yang memiliki kekhususan dalam mengolah data crossectional tadi pada model-model regresi, path dan SEM.

Apa itu LISREL

Lisrel for Windows (joreskog & Sorbom 2006) adalah suatu aplikasi windows yang diperuntukkan untuk suatu perhitungan pemodelan diantaranya Structural Equation Modeling, Multilevel Structural Equation Modeling, Multilevel Linear and Nonlinear Modeling, Formal Inference-based Recursive Modeling dan Generalized Linear Modeling. Selain itu data yang digunakan oleh LISREL dapat berupa file yang diambil dari data eksternal dengan format data SPSS, SAS, STATA, Statistica, Microsoft Escel, SYSTAT dan lain sebagainya yang disimpan oleh LISREL sebagai PRELIS System File (PSF).

Software LISREL

Lisrel for Windows mengunakan PRELIS System File (PSF) sebagai media untuk menyimpan data mentah yang akan diolah oleh LISREL itu sendiri. Sebuah model persamaan struktural dapat di spesifikan dengan pembuatan suatu diagram jalur atau path diagram, SIMPLIS project file, LISREL project file, SIMPLIS syntax file atau LISREL syntax file. Kelima tipe file tersebut dapat mengolahdata dari file PSF. Jika pengguna telah mempersiapkan kelima file tadi, barulah LISREL dapat digunakan untuk mencari model yang fit bagi data yang ada pada file PSF.

Ketika kita membuka LISREL sedikitnya ada 3 menu utama yang akan muncul. Pertama, file menu yang digunakan untuk membuka data PSF dan file PTH. Juga untuk membuka file project LISREL dan SIMPLIS (LPJ dan SPJ). Kedua, jendela text editor yang digunakan untuk menampilkan syntak dan file output LISREL. Dan ketiga, jendela text editor yang memiliki jendela menu yang spesifik

Interface LISREL

Keterangan :

  1. Menu bar merupakan ikon-ikon perangkat operasi dari LISREL dimana fungsi-fungsinya berupa fungsi pembuka file .psf dan membuat diagram jalur .pth
  2. Jendela berwarna abu-abu merupakan jendela display hasil pemrosesan dengan program LISREL
  3. Untuk mengimport data klik File lalu Klik Import Data pada menu List file of type pilih .sav dan pada menu Drives tempat menyimpan data SPSS untuk dimasukan ke dalam LISREL lalu simpan menjadi file .psf.

Interface LISREL Import Data SPSS

Interface LISREL Data .PSF

Jika data telah dinputkan (.psf) ke dalam program LISREL maka interface program LISREL akan nampak seperti gambar di bawah ini, dimana akan muncul menu-menu yang dapat digunakan dalam pemrosesan data .psf :

Interface LISREL menu Data

Keterangan :

  1. Menu data berfungsi dalam mendefinisikan data variabel yang telah diinputkan kedalam program LISREL.
  2. Ataupun jika ingin melakukan peng-edit-an data yang telah dimasukan ke dalam program LISREL dapat dilakukan pada menu data

Setelah data didefinisikan dan siap untuk dilakukan pengolahan secara statistik, terdapat beberapa menu yang dapat dijadikan pilihan diantaranya statistics, graph, multilevel, surveyGLM. Pemilihan penggunaan metode statistik disesuaikan dengan kebutuhan dari penelitian.

Interface LISREL menu Statistics

Keterangan :

  1. Menu statistics berisikan metode statistik dalam rumpun structural equation modeling (analisis faktor, analisis regresi, dll)
  2. Dengan meng-klik salah satu metode yang diinginkan, prosedur pengaplikasian program LISREL dapat dilakukan.

Interface LISREL menu Statistics-Regresi

Keterangan :

  1. Dengan mengklik menu regresi linier maka akan tampak jendela untuk mendefinisikan variabel kedalam model regresi
  2. Jika telah didefinisikan variabelnya, dengan mengklik run, maka proses perhitungan dengan program LISREL dilakukan

Interface LISREL Output Regresi

Keterangan :

  1. Ouput program LISREL dengan metode regresi berisi persamaan regresi yang dihasilkan berdasarkan perhitungan
  2. Selain persamaan regresi yang dihasilkan oleh program LISREL juga berupa statistik deskriptif dari variabel penelitian

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Statistical Product and Service Solution (SPSS)

Statistical Product and Service Solution (SPSS)

Jika dalam suatu penelitian data sudah didapatkan, pertanyaan selanjutnya adalah akan disepertiapakan data yang sudah diperoleh, dengan bantuan apa kita memproses data yang sudah didapatkan. Pastinya data yang sudah didapatkan sedemikian rupa harus dikenakan proses pengolahan agar data tersebut bermakna dan memberikan informasi yang diharapkan peneliti dan menjadi jawaban kepada publik.

Salah satu yang alat bantu dalam pemrosesan data dalam statistika adalah SPSS. SPSS merupakan singkatan dari Statistical Package for Social Sciences. Pertama kali dirilis pada tahun 1968 oleh Norman Nie, seorang lulusan fakultas ilmu politik Standford University, yang sekarang menjadi profesor peneliti fakultas llmu politik di Standford dan profesor emeritus ilmu politik di University of Chicago. Semula SPSS hanya digunakan untuk ilmu sosial saja, tapi perkembangan berikutnya digunakan untuk berbagai disiplin ilmu sehingga kepanjangnya berubah menjadi “Statistical Product and Service Solution”.

SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial. SPSS sering digunakan untuk memecahkan problem riset dan bisnis. Dimana cara kerja yang sederhana, yaitu data yang diinput akan dianalisis berdasarkan metode yang peneliti inginkan. SPSS banyak digunakan oleh peneliti pasar, peneliti kesehatan, perusahaan survey, pemerintah, peneliti pendidikan, organisasi pemasaran, dll. Selain analisis statsitika, manajemen data dan dokumentasi data juga merupakan fitur-fitur dari software dasar SPSS.

Beberapa metode statistik yang termasuk dalam software dasar SPSS diantaranya :

  1. Statistik deskriptif : tabulasi silang, distribusi frekuensi, statistik deskriptif, explorasi.
  2. Statistik bivariat : t-test, ANOVA, korelasi, nonparametric test.
  3. Prediksi hasil numerik : regresi linier
  4. Prediksi untuk mengidentifikasi kelompok : analisis faktor, analisis cluster (two-step, k-means, hierarkis), diskriminan.

Adapun beberapa kemudahan yang lain yang dimiliki SPSS dalam pengoperasiannya adalah karena SPSS menyediakan beberapa fasilitas sebagai berikut :

  1. Data editor. Merupakan jendela untuk pengolahan data. Data editor dirancang sedemikian rupa seperti pada aplikasi-aplikasi spreadsheet untuk mendefinisikan, memasukan, mengedit dan menampilkan data.
  2. Viewer. Viewer mempermudah pemakaian untuk melihat hasil pemrosesan, menunjukkan atau menghilangkan bagian-bagian tertentu dari output, serta memudahkan distribusi hasil pengolahan dari SPSS ke aplikasi-aplikasi yang lain.
  3. Multidimensional pivot tabel. Hasil pengolahan data akan ditunjukkan dengan multidimensional pivot tables. Pemakaian dapat melakukan eksplorasi terhadap tabel dengan pengaturan baris, kolom serta layer. Pemakai juga dapat dengan mudah melakukan pengaturan kelompok data dengan melakukan splitting tabel sehingga hanya satu grup tertentu saja yang ditampilkan pada satu waktu.
  4. High resolution graphics. Dengan kemampuan grafikal beresolusi tinggi baik untuk menampilkan pie chart, bar charts, histogram, scatterplots, 3-D graphics, dll akan membuat SPSS tidak hanya mudah dioperasikan tetapi juga membuat pemakai merasa nyaman dalam pekerjaannya.
  5. Database access. Pemakai program ini dapat memperoleh kembali informasi dari sebuah database dengan menggunakan database wizard yang disediakannya.
  6. Data transformation. Transformasi data akan membantu pemakai memperoleh data yang siap untuk dianalisis. Pemakai dapat dengan mudah melakukan subset data, mengkombinasikan ketegori, add, agregat, merge, split dan beberapa perintah transpose files, serta yang lainnya.
  7. Electronic distribution. Pengguna dapat mengirimkan laporan secara elektronik menggunakan sebuah tombol pengiriman data (email) atau melakukan eksport tabel dan grafik ke mode HTML sehingga mendukung distribusi melalui internet dan intranet.
  8. Online help. SPSS menyediakan fasilitas online help yang akan selalu siap membantu pemakai dalam melakukan pekerjaannya. Bantuan yang diberikan dapat berupa petunjuk pengoperasian secara detail, kemudahan pencarian prosedur yang diinginkan sampai pada contoh-contoh kasus dalam pengoperasian program ini.
  9. Akses data tanpa tempat penyimpanan sementara. Analisis file-file data yang sangat besar disimpan tanpa membutuhkan tempat penyimpanan sementara.
  10. Interface dengan database relasional. Fasilitas ini akan menambah efisiensi dan memudahkan pekerjaan untuk mengekstrak data dan menganalisisnya dari database relasional.
  11. Analisis distribusi. Fasilitas ini diperoleh pada pemakaian SPSS for server atau untuk aplikasi multiuser. Kegunaan dari analisis ini adalah apabila peneliti akan menganalisis file-file data yang sangat besar dapat langsung me-remote dari server dan memprosesnya sekaligus tanpa harus memindahkan ke komputer user.
  12. Multiple sesi. SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu file data pada waktu yang bersamaan.
  13. Mapping. Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara konvensional atau interaktif, misal dengan menggunakan tipe bar, pie atau jangkauan nilai, simbol gradual dan chart.

 

>> SPSS Evnironment

Data View pada SPSS

Keterangan :

  1. Menu Bar : Kumpulan perintah-perintah dasar untuk mengoperasikan SPSS
  2. Tool Bar : Kumpulan perintah-perintah yang sering digunakan dalam pengoperasian SPSS dalam bentuk gambar atau tampilan pada speadsheet
  3. Column dan row (cell) : Tempat untuk menuliskan data yang akan diolah
  4. Data view : Halaman pengiputan data
  5. Variabel view : Halaman pendefinisian variabel
  6. Name cell (column) : Nama untuk variabel pada setiap cell per column
  7. Data bar : Tempat untuk membantu menuliskan data pada cell

 

Variabel Views pada SPSS

Keterangan :

  1. Column name : merupakan tempat untuk menuliskan “nama variabel/cell” per column, hanya boleh satu kata atau menggukan jeda “_”
  2. Type : menentukan tipe data (numerik, coma, dot, scientific, notation, string, dll)
  3. Width : menentukan jumlah karakter atau angka yang akan tampil dalam data view
  4. Decimals : menentukan jumlah angka di belakan koma
  5. Label : memberikan sebutan atau identitas pada suatu variabel, yang nantinya dalam hasil pengolahan data, nama yang akan muncul adalah nama labelnya.
  6. Values : memberikan keterangan “nama atau kategori” pengganti pada data variabel, yang ditentukan pada data nominal dan ordinal
  7. Missing : memberikan informasi apabila data tidak ada
  8. Columns : memberikan ukuran lebar column di layar data view
  9. Align : menentukan letak data (rata tengah, kiri atau kanan)
  10. Measure : menentukan jenis skala ukur data yang dimasukan (scale, nominal atau ordinal)

Penting bagi user pemula untuk mengenali interface dari SPSS agar tidak membuat bingung dalam penggunaanya. 2 bagian dari interface SPSS yaitu data view dan variabel view penting untuk diketahui fungsi dan perannya, kedua bagian sengaja dibuat terpisah dikarenakan dalam pengolahan data setelah data dinputkan pada bagian data view maka data tersebut harus didefinisikan didalam variabel view (atau sebaliknya) untuk membantu pengguna memahami konteks data atau variabel secara rule statistiknya sebelum melangkah kepada proses pengolahan data yang ada pada menu bar submenu analysze.

>> Pengoperasian SPSS

Setelah kita menggenal dan mengetahui ruang lingkung software SPSS, akan sangat membantu kita dalam proses penggunaan SPSS untuk keperluan olahdata dari data yang kita miliki. Berikut beberapa tahapan dalam pengoperasian SPSS diantaranya tahapan penginputan data dan tahapan pengolahan data.

  • Input data manual

Input data manual merupakan penggunaan sheet dari SPSS dengan cara memasukan data secara langsung ke dalam sheet SPSS dengan terlebih dahulu mendefinisikan karekteristik data yang dimiliki pada menu variabel view. Tahapannya adalah sebagai berikut :

  1. Masuk ke variabel View, isi cell name, type, width, dll sesuai dengan ketentuan jenis atau skala ukur dari data yang akan diolah.
  2. Masuk ke data View dan masukan data pada setiap cell sesuai dengan penggolongannya (column)
  3. Data siap di olah sesuai dengan metode statistik yang digunakan
  • Import database

Fungsi dari import database adalah untuk mengubah file data dari format lain ke dalam format SPSS, yaitu dapat dicontohkan dengan mengubah formal excel ke dalam format SPSS. Tahapannya adalah sebagai berikut :

  1. Pastikan data excel yang akan diimpor, tidak ada baris atau kolom yang tersembunyi (hide)
  2. Buka SPSS
  3. Klik menu File > klik Open > klik Data
  4. Pilih file yang akan dimport
  5. Klik file excel yang akan diimport > klik Open
  6. Data siap diolah sesuai dengan metode statistik yang digunakan

 

Import Data dalam SPSS

 

Yang perlu diperhatikan dalam proses penginputan data pada interface data view adalah jenis data dengan skala nominal atau ordinal. Terutama penggunaannya untuk kebutuhan olahdata yang cukup kompleks (cross tabulasi, chi square, regresi dummy atau regresi logistik) untuk menidentifikasi kebutuhan jenis variabel berdasarkan metoda statistik yang digunakan. Cara pertama dengan menginputkan bentuk data text secara langsung harus merubah tipe variabel dalam interface variabel view “type” menjadi string bukan numerik sehingga penginputan text pada interface data view memungkinkan secara langsung, selain itu merubah juga fungsi measure (skala ukur) dari scale menjadi nominal atau ordinal. Kedua, dengan mempertahankan inputan data sebagai numerik (baik itu pada data view atau variabel view) akan tetapi menambahkan pada “values’ berupa kategori dari data numerik yang dinputkan, lalu rubah measure (skala ukur) data yang kita inputkan menjadi nominal atau ordinal.

>> Pengolahan Data SPSS

Pada dasarnya pengolahan data SPSS dapat menggunakan berbagai model statistik yang sesuai dengan kebutuhan. Penggunaan berbagai model statistik dapat diterapkan pada software SPSS dengan menggunakan prosedur pengujian yang telah ditetapkan. Berdasarkan data yang telah diinputkan sebelumnya, maka kita dapat mencoba untuk mengolah menggunakan menu analysis pada SPSS. Tahapannya adalah sebagai berikut :

  1. Buka SPSS
  2. Pilih menu Analyze kemudian pilih menu analisis yang sesuai dengan tujuan olahdata, lalu klik
  3. Isi variabel pada metoda analisis yang dipilih pada bagian kolom keterangan yang tersedia, sesuaikan variabel dengan definisi metode analisis yang dipakai.
  4. Untuk melakukan analisis lengkapi pemrosesan data pada menu-menu yang tersedia pada metode analisis yang dipakai, jika diperlukan. Misal, jika kita menggunakan statistik regresi, apa saja hasil output yang diinginkan maka klik ‘statistics’, ‘plots’, ‘save’ atau ‘option’.
  5. Setelah proses pemilihan kebutuhan olahdata selesai, klik ‘Ok’ maka akan muncul output SPSS.

 

Menu Analyze pada SPSS

 

Ouput Analisis pada SPSS

 

Keunggulan output SPSS adalah kemudahan dalam hal editing ataupun keperluan untuk pembuatan laporan dari hasil olahdata (copy object dan copy). Output SPSS dapat disalin pada aplikasi lain semisal microsoft word atau excel dengan mudah, baik itu berupa gambar ataupun text untuk keperluan editing. Dengan segala kemudahan dan kesederhanaan dalam penggunaanya, SPSS menjadi tools yang banyak dipakai untuk berbagai keperluan analisa, baik itu yang memiliki latarbelakang statistik secara khusus ataupun yang tidak memiliki latar belakang statistik sekalipun dapat dengan mudah menggunakan SPSS sebagai tools pendamping dalam menyelesaiakan olahdata data penelitiannya.

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Teknik Pembuatan Kuisioner

Teknik Pembuatan Kuisioner

Tujuan pokok pembuatan kuisioner adalah untuk memperoleh informasi yang relevan dengan tujuan penelitian dan memperoleh informasi dengan reliabilitas dan validitas setinggi mungkin. Mengingat terbatasnya masalah yang dapat ditanyakan dalam kuisioner, maka senantiasa perlu diingat agar pertanyaan-pertanyaan memang langsung berkaitan dengan hipotesis dan tujuan penelitian.

Jika variabel penelitian sudah jelas, maka pertanyaan pun menjadi jelas (baca juga : Indeks dan Skala). Ini tentunya berkaitan dengan kemampuan teknis pembuatan kuisioner, walaupun titik tolaknya adalah variabel penelitian yang jelas dan relevan. Sebaliknya, jika variabel penelitian masih kabur dalam pikiran peneliti, pertanyaan-pertanyaan juga akan kabur dan mungkin sekali dimasukan banyak pertanyaan yang tidak relevan. Kekaburan dan kekacauan tersebut akan menimbulkan masalah yang berlarut-larut pada analisa data dan penulisan hasil penelitian.

Beberapa cara pemakaian kuisioner

  1. Kuisioner digunakan dalam wawancara tatap muka dengan responden
  2. Kuisioner diisi sendiri oleh kelompok. Misal, seluruh murid dalam satu kelas dijadikan responden dan mengisi kuisioner secara serentak
  3. Wawancara melalui telpon. Cara ini sering dilakukan dilazim Amerika Serikat dan negara-negara maju lainnya, tetapi tidak lazim di negara-negara berkembang. Prosedur ini lebih murah daripada wawancara tatap muka dan adakalanya orang tidak bersedia didatangi tapi bersedia diwawancarai melalui telpon
  4. Kuisioner diposkan, dilampirkan amplop dan dibubuhi perangko, untuk dikembalikan oleh responden setelah diisi. Cara ini dapat dilakukan untuk kuisioner yang pendek dan mudah dijawab, tetapi mungkin cukup besar proporsi yang tidak dikembalikan oleh responden.

Jenis pertanyaan

  1. Pertanyaan tertutup. Kemungkinan jawaban sudah ditentukan terlebih dahulu dan responden tidak diberi kesempatan untuk memberikan jawaban lain.
  • Misal : “Apakah ibu pernah mendengar tentang keluarga berencana?”
  • Opsi jawaban : 1. Pernah            2. Tidak pernah
  1. Pertanyaan terbuka. Kemungkinan jawaban tidak ditentukan terlebih dahulu dan responden bebas memberikan jawaban.
  • Misal : “Menurut pendapat ibu, apakah masalah yang paling penting bagi wanita di kota?”
  1. Kombinasi tertutup dan terbuka. Jawabanya sudah ditentukan tetapi kemudian disusul dengan pertanyaan terbuka.
  • Misal : “Apakah ibu pernah mendengar tentang cara-cara menjarangkan kehamilan atau membatasi kehamilan?”
  • Opsi jawaban : 1. Pernah        2. Tidak pernah        (Jika pernah) Cara-cara apa yang pernah ibu dengar?
  1. Pertanyaan semi terbuka. Pada pertanyaan semi terbuka, jawabanya sudah tersusun tetapi masih ada kemungkinan jawaban tambahan.
  • Misal : “Jenis kontrasepsi apa yang dipakai ?”
  • Opsi jawaban : IUD    (1) Pil  (2) Kondom    (3) Suntikan    (4) Sterilisasi   (5) Lainnya . . . (sebutkan)

Petunjuk membuat pertanyaan

  1. Gunakan kata-kata yang sederhana dan dimengerti oleh semua responden. Hindarkan istilah yang hebat tetapi kurang atau tidak dimengerti responden.
  • Misal : “Bagaimana status perkawainan Bapak?” lebih baik “Apakah bapak beristri?”
  1. Usahakan supaya pertanyaan jelas dan khusus.
  • Misal : “Berapa orang berdiam di sini?”

Apakah yang dimaksud “di sini” adalah bangunan, rumah atau yang lain? Arti kata “di sini” harus dijelaskan dan konsisten.

  1. Hindarkan pertanyaan yang mempunyai lebih dari satu pengertian
  • Misal : “Apakah saudara mau mencari pekerjaan di kota?” Lebih baik “Apakah saudara mencari pekerjaan? Kalau jawaban “Ya”, kemudian ditanyakan “Di mana saudara ingin bekerja?”
  1. Hindarkan pertanyaan yang mengandung sugesti
  • Misal : “Pada waktu senggang, apakah saudara mendengarkan radio atau melakukan yang lain?” Lebih baik “Apakah yang saudara lakukan pada waktu senggang?”
  1. Pertanyaan harus berlaku untuk semua respoden
  • Misal : “Apakah pekerjaan saudara sekarang?” Ternyata dia menganggur. Seharusnya ditanyakan terlebih dahulu “Apakah saudara bekerja?” Kalau jawabannya “Ya” lalu ditanyakan “Pekerjaan saudara?”

Susunan pertanyaan

Pertanyaan dikelompokan sesuai dengan tujuan penelitian, dimulai dengan identitas yang berisi : (1) nama responden (2) tempat tinggal (3) nama pewawancara (4) tanggal wawancara. Lalu disusul dengan pertanyaan tentang ciri-ciri demografi : jenis kelamin, usia, pendidikan, status, dll.

Dalam pola penyusunan kuisioner penelitian diserahkan kepada peneliti bagaimana pengelompokan pertanyaan itu dilakukan, sejauh mana peneliti ingin mengeksplorasi suatu informasi spesifik dari responden. Yang perlu diperhatikan ialah urutan yang cukup runut dan juga dimana ditempatkan pertanyaan yang sensitif. Pertanyaan sensitif tidak ditempatkan dibagian muka karena dapat segera mempengaruhi suasana wawancara. Biasanya pertanyaan semacam ini ditempatkan dibelakang, tetapi bukan pada penutup supaya wawancara tidak diakhiri dengan perasaan kurang baik.

Bentuk fisik kuisioner

Kuisioner sebaiknya rapi, jelas dan mudah digunakan. Menyusun kuisioner yang baik memerlukan lebih banyak waktu tetapi secara keseluruhan akan menghemat waktu. Hal-hal yang perlu diperhatikan adalah sebagai berikut :

  1. Ukuran kertas dan jenis kertas
  2. Diisi bolak balik atau tidak
  3. Pembagian ruangan tidak bersempit-sempit. Sisi kiri dan kanan cukup longgar
  4. Nomor urut pertanyaan. Nomor urut dari mula sampai akhir atau tiap kelompok mempunyai nomor sendiri. Berdasarkan pengalaman, kami menyarankan sistem nomor urut dari mula sampai akhir
  5. Penggunaan huruf besar, huruf kecil dan huruf miring
  6. Tanda panah atau kotak pertanyaan
  7. Kotak kolom (Pembuatan kotak kolom akan menghemat waktu dan tenaga pada tahap berikutnya)
  8. Untuk menghindarkan salah ambil, kuisioner dibuat berlainan warna untuk respoden pria atau wanita. Umpamanya, satu halaman muka dibuat berwarna biru untuk pria dan merah jambu untuk kuisioner wanita.

Pretest atau Survey Pendahuluan

Pretest dilakukan untuk menyempurnakan kuisioner. Melalui pretest akan diketahui berbagai hal :

  1. Apakah pertanyaan tertentu perlu dihilangkan. Pertanyaan tertentu mungkin tidak relevan untuk masyarakat yang diteliti, karena itu perlu dihilangkan.
  2. Apakah pertanyaan tertentu perlu ditambahkan. Adakalanya terlupa memasukan pertanyaan yang perlu dimasukan.
  3. Apakah tiap pertanyaan dapat dimengerti dengan baik oleh responden dan apakah pewawancara dapat menyampaikan pertanyaan tersebut dengan mudah.
  4. Apakah urutan pertanyaan perlu diubah.
  5. Apakah pertanyaan yang sensitif dapat diperlunak dengan mengubah bahasa.
  6. Berapa lama wawancara memakan waktu.

Berapakah jumlah responden untuk pretest? Untuk penentuan jumlah tidak ada patokan pasti dan tergantung pada homogenitas responden. Untuk pretest biasanya sebanyak 30 s.d 50 orang sudah mencukupi dan dipilih responden yang keadaannya kurang lebih sama dengan responden yang sesungguhnya diteliti. Pretest dilaksanakan di luar daerah penelitian.

Pedoman pengisian kuisioner

Pedoman pengisian kuisioner merupakan pegangan bagi pewawancara. Dalam pedoman pengisian kuisioner, tiap pertanyaan yang diajukan diberi keterangan yang jelas dan terinci. Juga dicantumkan jawaban yang diharapkan, terutama pada pertanyaan tertutup dan pertanyaan semi terbuka.

Penggunaan bahasa

Kuisioner di Indonesia hampir seluruhnya menggunakan bahasa Indonesia. Hal ini perlu ditinjau karena kebanyakan responden, terutama di pedesaan, tidak dapat berbahasa Indonesia dengan baik dan pewawancara tidak dapat diharapkan menerjemahkan pertanyaan-pertanyaan yang diajukan. Pertanyaan memang terjawab, tetapi sampai dimanakah reliabilitas dan validitas dari respon tersebut? Distorsi-distorsi dalam pengertian mudah terjadi, begitu pula dapat timbul perasaan yang kurang enak bagi responden karena pemilihan kata yang kurang tepat. Wawancara juga dapat tersendat-sendat karena pewawancara kurang lancar menerjemahkan di hadapan responden. Apabila karena alasan waktu dan kuisioner tidak mungkin diterjemahkan, maka coaching bahasa setidaknya dapat dilakukan dan pewawancara mempunyai satu eksemplar kuisioner dalam bahasa daerah dan pedoman wawancara yang sudah dibuat dapat dijadikan acuan juga bagi pewawancara dalam memandu selama proses wawancara berlangsung.

Teknik penyusunan kuesioner merupakan bagian yang sangat vital dalam model penelitian survey. Seperti telah kita ketahui bersama dalam artikel yang sudah dibahas terkait dengan “Indeks dan Skala”, secara riil tercermin dalam bentuk kuesioner penelitian yang disusun. Semakin baik konsep yang dimiliki tentang masalah penelitian (Teori dasar penelitian dan operasional variabel penelitian) seharusnya akan mempermudah peneliti dalam penyusunan kuesioner yang baik bagi penelitian dan bagi responden, sehingga data dan informasi yang terkumpul memuaskan dalam menggambarkan dan membuktikan phenomena yang sedang diteliti oleh peneliti. SEMANGAT MENELITI!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Method of Successive Intervals (MSI)

Method of Successive Intervals (MSI)

Dalam suatu penelitian khususnya dengan menggunakan intrumen angket atau kuesioner sebagai alat untuk mendapatkan data, khusunya lagi yang menggunakan konsep pertanyaan tertutup dengan metode penilaian menggunakan skala likert, dapat dipastikan data yang dihasilkan berupa data ordinal. Kadang kala dalam penelitian sosial dengan menggunakan beberapa metode parametrik membutuhkan data minimal berskala ukur interval, untuk itu untuk memudahkan dan memfasilititasi para peneliti dalam statistik ada sebuah metode yang dapat digunakan untuk mengkonversikan nilai skala ordinal menjadi skala interval. Metode tersebut dinamakan Method of Succesive Interval (MSI).

Dengan pendekatan distribusi normal baku (Z), data dengan skala ordinal dapat di rubah ke dalam skala interval. Adapun langkah-langkah menggunakan Method Of Succesive Interval (MSI) sebagai berikut :

  1. Perhatikan setiap item pertanyaan atau pernyataan dalam kuesioner.
  2. Untuk setiap item tersebut, tentukan berapa orang responden yang mendapat skor 1, 2, 3, 4, 5 (misal : skala Likert dengan 5 jenjang jawaban) yang disebut frekuensi.
  3. Setiap frekuensi dibagi dengan banyaknya responden hasilnya disebut proporsi.
  4. Hitung proporsi kumulatif dengan menjumlahkan nilai proporsi secara berurutan perkolom skor.
  5. Gunakan tabel distribusi normal, hitung nilai Z untuk setiap proporsi kumulatif yang diperoleh.
  6. Tentukan nilai tinggi densitas untuk setiap Z yang diperoleh (dengan menggunakan tabel tinggi densitas).
  7. Tentukan nilai skala dengan menggunakan rumus :

         Nilai Skala (scale value) =   (Density at lower limit) – (Density at upper limit)

                                                        (Area below limit) – (Area below lower limit)

  1. Tentukan nilai transformasi dengan rumus :

                        Y = NS + |NSmin|

Nilai Y merupakan hasil yang diperoleh yang menunjukan nilai scale value yang baru (skala interval) yang sudah dapat dianalisis lebih lanjut. Secara prinsip proses pengkonversial nilai jawaban likert dari kuisioner atau angket berlaku satu per satu pertanyaan, sehingga ketika peneliti dihadapkan kepada pertanyaan yang jumlahnya sangat banyak tentulah akan menjadi suatu tantangan tersendiri. Akan tetapi untuk mempermudah peneliti maupun data master dalam melakukan konversi data, sekarang tersedia pake “add-Insmethod of successive interval (MSI) pada software excel yang dapat dicari secara bebas melalui fasilitas google.co.id dengan key “method of successive interval”.

Hasil MSI dengan menggunakan bantuan Microsoft Excel terdiri dari dua bagian. Pertama merupakan summary dari proses perhitungan dan kedua merupakan data hasil perubahan dari data ordinal ke interval.

Gambar 1. Detail Perhitungan Proses MSI

Gambar 2. Data Interval Hasil MSI

 

SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pedoman Wawancara & Mewawancarai

Pedoman Wawancara & Mewawancarai

Proses survey lapangan baik itu dengan cara penyebaran angket atau kuisioner maupun deep interview, membutuhkan kemampuan dan keahlian tertentu. Pentingnya proses ini guna menghasilkan data yang maksimal dari objek data yang ditargetkan. Perlu kiranya seorang pewawancara memahami secara teoritis seluk beluk wawancara agar dalam prakteknya tidak menjadi canggung ataupun meremehkan, yang akan berakibat pada data yang tidak optimal didapatkan dari seorang responden.

Hal-hal pokok yang perlu diperhatikan dan dipelajari oleh pewawancara adalah sebagai berikut :

Alat-alat yang perlu dibawa :

  1. Buku catatan saku (bagai pewawancara)
  2. Buku catatan ukuran sedang
  3. Pensil lebih dari satu (2 atau 3). Selalu gunakanlah pensil supaya dapat dihapus kalau salah.
  4. Karet penghapus
  5. Pengasah pensil
  6. Kuisioner ekstra, sebagai cadangan kalau rusak
  7. Stopmap plastik
  8. Hardboard untuk menulis, kalau dirasa perlu
  9. Surat pengantar atau surat keterangan diri
  10. Surat izin survei
  11. Daftar responden
  12. Peta

Kode etik bagi pewawancara :

  1. Jujur di dalam pengisian kuisioner
  2. Cermat
  3. Objektif dalam menyampaikan pertanyaan, netral, tidak mempengaruhi responden dalam menangkap maksud pertanyaan dan menjawabnya
  4. Jujur dalam mencatat jawaban
  5. Tulislah jawaban respoden selengkapnya, persis seperti yang diucapkannya
  6. Menaruh perhatian dan penuh pengertian terhadap responden
  7. Sanggup membuat responden tenang dan bersedia untuk menjawab pertanyaan-pertanyaan
  8. Hargai responden. Apapun tanggapan saudara tentang dia lupakanlah itu. Responden adalah sangat penting bagi kita

Persiapan wawancara :

  1. Pelajari dan kuasailah isi kuisioner
  2. Cobalah menerapkan kuisioner itu pada diri sendiri, untuk menguji apakah kita tahu benar maksud pertanyaan itu. Lalu cobakan pada orang lain (kawan) sebagai latihan
  3. Pikirkan jam berapa yang cocok untuk menemui responden, mengingat pekerjaan mereka
  4. Ulang-ulangilah membaca instruksi, juga selama wawancara

Sikap pewawancara :

  1. Tugas pewawancara adalah merekam informasi tanpa menghiraukan apakah keterangan itu baik, tidak baik, menjemukan ataupun menyenangkan bagi kita. Tidak menentang atau bereaksi terhadap jawaban responden baik dengan kata-kata ataupun dengan gerakan. Misal menyatakan tidak setuju, heran, merendahkan dan sebagainya. Hindarkan sugesti.
  2. Adil, tidak memihak. Sopan dan hormat kepada responden. Semua responden kita perlakukan sama baiknya, siapapun dia. Sikap tersebut memberikan perasaan aman bagi responden untuk menyatakan pendapatanya.
  3. Hindari ketegangan. Wawancarailah secara obrolan. Hindarilah kesan seolah-solah responden sedang diuji. Namun harus waspada, responden diusahakan untuk tidak bercerita kian kemari. Dengan sopan kita mengembalikan perhatian respoden kepada pertanyaan semula.
  4. Sikap ramah sangat penting. Bermuka cerah agar tidak malas. Kesan yang kita berikan akan berpengaruh kepada responden.

Taktik pada wawancara :

  1. Usahakan pada waktu wawancara hanya respoden yang hadir. Tidak ada anggota keluarga atau teman responden yang hadir. Pewawancara pun seyogyanya tidak membawa teman.
  2. Reaksi atau jawaban pertama terhadap suatu pertanyaan itulah pendapat responden yang sesungguhnya. Kalau responden berubah pendapat setelah pindah ke pertanyaan lain, jawaban atas pertanyaan tadi jangan lah dihapus.
  3. Jangan tergesa-gesa menuliskan jawaban “tidak tahu”. Sering responden menjawab “tidak tahu”, tetapi sebenarnya dia sedang berpikir, karena itu tunggulah sejenak. Disini pewawancara harus sabar
  4. Pada jawaban “Ya” atau “Tidak”, sering responden menambahkan keterangan “Ya, kalau …”, “Ya, tetapi tidak …”., dalam hal ini tulislah lengkap, meskipun ini untuk jawaban tertutup.
  5. Tulislah dengan lengkap semua komentar responden. Kata-kata yang diucapkan untuk melukiskan perasaannya adalah sangat penting.
  6. Jawaban responden harus dimengerti maksudnya sebelum dicatat. Kalau belum jelas tanyakan lagi. Jawaban harus khusus, jangan terlalu umum ataupun mempunyai dua arti. “saya suka karena itu baik”, “saya tidak suka” atau “karena menarik”
  7. Usahakanlah sambil menulis tetap berbicara. Berikanlah pertanyaan yang mengajak dia berpikir. Membiarkan responden menanti terlalu lama, dapat menimbulkan kebosanan
  8. Selesai wawancara, periksalah kuisioner dengan teliti, untuk menjaga agar tidak ada nomor-nomor yang terlampaui.

Selamat berpetualang dalam mewawancarai…. Art of social connection!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Validitas & Reliabilitas

Validitas & Reliabilitas

Ketika kita berbicara tentang penelitian survey dengan menggunakan metode angket atau kuisioner perlu dipahami 2 instrumen yang menyertainya. 2 instrumen tersebut adalah validitas dan reliabilitas. Pada artikel sebelumnya (indeks dan skala) kita sudah membahas kiat-kiat dalam membangun sebuah instrument (angket atau kuisioner) yang baik secara umum. Pada kesempatan kali ini akan lebih teknis membahas evaluasi dari instrumen yaitu angket atau kuisioner yang telah disusun tadi. 2 instrumen yang umum digunakan yaitu Validitas dan Reliabiitas.

Validitas

Validitas menunjukkan sejauh mana suatu alat pengukur mengukur apa yang ingin diukur. Misal, bila seseorang ingin mengukur berat suatu benda, maka dia harus menggunakan timbangan. Timbangan adalah adalah alat pengukur yang valid bila dipakai untuk mengukur berat, karena timbangan memang mengukur berat. Bila panjang suatu benda yang diukur, maka harus menggunakan meteran. Meteran adalah alat pengukur yang valid bila digunakan untuk mengukur panjang, karena memang meteran mengukur panjang. Tetapi timbangan bukanlah alat pengukur yang valid bilamana digunakan untuk mengukur panjang.

Jenis Validitas

Validitas alat pengumpul data menurut pendapat beberapa ahli dapat digolongkan dalam beberapa jenis, yakni validitas konstruk, validitas isi, validitas prediktif, dan validitas eksternal.

1. Validitas Konstruk

Konstruk adalah kerangka dari suatu konsep. Untuk mencari kerangka konsep tersebut dapat ditempuh berbagai cara. Tiga cara berikut agak lazim dipakai dalam dunia penelitian.

  • Mencari definisi-definisi konsep yang dikemukakan para ahli yang ditulis dalam literatur. Definisi tentang sesuatu konsep biasanya berisi kerangka dari konsep tersebut, maka definisi tersebut sudah dapat langsung dipakai untuk menyusun pertanyaan dalam kuisioner atau angket.
  • Mendiskusikan konsep dengan ahli-ahli yang kompeten di bidang konsep yang akan diukur. Pendapat para ahli dan peneliti dicari kesamaannya, lalu berdasarkan kesamaan tersebut kemudian disusun kerangka konsep yang dapat diwujudkan berupa pertanyaan-pertanyaan yang akan dimasukan ke dalam kuisioner atau angket.
  • Menanyakan definisi konsep yang akan diukur kepada calon responden atau orang-orang yang memiliki karakteristik yang sama dengan target responden dalam penelitian.

Apabila terdapat kosistensi antara komponen-komponen konstruk yang satu dengan yang lainnya, maka konstruk yang satu dengan yang lainnya, maka kosntruk tersebut memiliki validitas. Kalau sekiranya tidak semua komponen tersebut konsisten antara satu dengan yang lainnya, maka komponen yang tidak konsisten tersebut bukanlah merupakan komponen yang valid dari suatu konsep.

Misal :

Kita ingin mengukur status ekonomi responden dengan menggunakan 5 komponen status ekonomi, yakni 1. Penghasilan perbulan 2. Pengeluaran perbulan 3. Pemilikan barang 4. Porsi penghasilan yang digunakan untuk rekreasi 5. Kualitas rumah. Bilamana semua komponen tersebut valid,  maka hasil pengukuran dengan masing-masing komponen akan berkorelasi satu sama lain. Orang yang berpenghasilan tinggi akan mempunyai pengeluaran perbulan tinggi, kualitas barang yang dimiliki akan lebih baik, dia menggunakan penghasilan dalam porsi lebih besar untuk rekreasi, dan kualitas rumahnya lebih baik. Tetapi hal demikian tidak selalu terjadi. Misal, kualitas rumah tidak berkorelasi dengan komponen lainnya. Bila keadaan demikian terjadi, maka komponen kualitas rumah bukan kompen yang valid dari kontruk status ekonomi.

2. Validitas Isi

Validitas isi suatu alat pengukuran ditentukan oleh sejauh mana isi alat ukur tersebut mewakili aspek yang dianggap sebagai aspek kerangka konsep.

Misal :

Seorang peneliti ingin mengukur keikutsertaan dalam program Keluarga Berencana dengan menanyakan metode kontrasepsi yang dipakai. Bila kemungkinan jawaban yang tersedia di dalam kuisioner tidak mencakup semua metode kontrasepsi, maka kuisioner atau angket tersebut tidak memiliki validitas isi.

3. Validitas Prediktif

Alat ukur yang dibuat oleh peneliti sering dimaksudkan untuk memprediksi apa yang akan terjadi di masa datang.

Misal :

Apakah soal ujian masuk perguruan tinggi memiliki validitas prediktif, sangat tergantung pada apakah ada korelasi yang tinggi antara nilai ujian masuk dengan prestasi belajar setelah menjadi mahasiswa. Bila ternyata terdapat korelasi yang tinggi antara nilai ujian seleksi dengan indeks prestasi belajar mahasiswa, maka soal ujian seleksi tersebut memiliki validitas prediktif.

4. Validitas Eksternal

Validitas eksternal adalah validitas yang diperoleh dengan cara mengkorelasikan alat pengukur baru dengan tolok ukur eksternal, yang berupa alat ukur yang sudah valid.

Misal :

Skala pengukuran motivasi untuk berprestasi yang diciptakan oleh Mehrabian (1973). Para peneliti di Amerika Serikat banyak memakai skala pengukuran tersebut, karena dianggap sudah teruji validitasnya. Di Indonesia alat ini sudah diteliti dan ternyata memiliki validitas yang cukup tinggi. Misalkan ada peneliti yang menciptakan alat pengukur baru yang berbeda dengan skala Mehrabian tetapi sama tujuannya. Alat pengukur yang baru tersebut kemudian di coba pada sekelompok responden yang juga diminta mengisi skala pengukuran Mehrabian yang sudah valid. Bila alat pengukuran baru tersebut memberikan hasil yang relatif sama dengan hasil pengukuran dengan alat ukur Mehrabian, dapatlah dikatakan bahwa alat ukur yang baru tersebut sudah memiliki validitas yang memadai. Untuk mengetahui apakah kedua alat ukur tersebut memiliki hasil yang sama, maka hasil pengukuran dengan kedua alat tersebut harus dikorelasikan jika korelasi yang dihasilkan tinggi dan signifikan berarti alat yang baru tersebut memiliki validitas yang memadai.

Cara Menguji Validitas

Setelah kita mengetahui beberapa bentuk dan definisi dari validitas di atas, berikut ini akan disampaikan cara menguji validitas alat ukur.

Langkah pertama : Mendefinisikan secara operasional konsep yang akan diukur. Pada tahap ini disusun butir-butir pertanyaan dalam kuisioner atau angket yang menjabarkan operasional konsep yang akan diukur dari responden.

Langkah kedua :  Melakukan uji coba skala pengukur tersebut pada sejumlah responden. Sangat disarankan agar jumlah responden untuk di uji coba minimal 30 orang. Dengan jumlah minimal 30 orang ini maka distribusi skor akan lebih mendekati kurva normal.

Langkah ketiga : Mempersiapkan tabel tabulasi jawaban.

Langkah keempat : Menghitung korelasi antara masing-masing pertanyaan dengan skor total dengan menggunakan rumus teknik korelasi product moment Pearson. Secara statistik, angka korelasi yang diperoleh harus dibandingkan dengan angka kritik tabel korelasi r. Jika pertanyaan-pertanyaan tersebut memiliki korelasi yang signifikan, hal ini berarti bahwa pertanyaan-pertanyaan tersebut memiliki validitas konstruk (konsistensi internal).

Reliabilitas

Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat ukur dapat dipercaya atau dapat diandalkan. Bila suatu alat ukur dapat dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten, maka alat ukur tersebut reliable. Dengan kata lain, reliabilitas menunjukkan konsistensi suatu alat ukur dalam mengukur gejala yang sama. Ada beberapa teknik yang dapat digunakan untuk menhitung indeks reliabilitas, yakni teknik pengukuran ulang, teknik belah dua dan teknik paralel.

  1. Teknik pengukuran ulang

Untuk mengetahui reliabilitas suatu alat ukur dengan pengukuran ulang, kita harus meminta responden yang sama agar menjawab semua pertanyaan dalam alat pengukuran sebanyak dua kali. Selang waktu antara pengukuran pertama dengan pengukuran kedua sebaiknya tidak terlalu dekat dan tidak terlalu jauh. Selang waktu antara 15 s.d 30 hari pada umumnya dianggap memenuhi persyaratan. Untuk menghitung reliabilitas yaitu dengan cara mengkorelasikan jawaban pada hasil pengukuran pertama dengan pengukuran ulangan. Bila terdapat korelasi yang signifikan antara pengukuran pertama dengan pengukuran ulangan, maka jawaban tersebut tergolong reliabel.

  1. Teknik belah dua

Bila kita ingin menggunakan teknik belah dua sebagai cara untuk menghitung alat ukur, maka alat ukur yang kita susun harus memiliki cukup banyak item yang mengukur aspek yang sama. Jumlah item sekitar 50 s.d 60 adalah jumlah yang cukup memadai. Makin besar jumlah item, reliabilitas yang diperoleh akan makin bertambah baik. Adapun langkah kerja yang perlu dilkukan sebagai berikut :

  1. Lakukan pilot survey (survey pendahuluan) kemudian dihitung validitas dari itemnya. Item-item yang valid dikumpulkan jadi satu, yang tidak valid dibuang.
  2. Membagi item yang valid menjadi 2 bagian. Untuk membelah alat ukur menjadi 2 bagian dilakukan dengan cara : (1) membagi item dengan cara random (acak) dan (2) membagi item berdasarkan nomor genap ganjil
  3. Skor untuk masing-masing item pada tiap belahan dijumlahkan.
  4. Mengkorelasikan skor total belahan pertama dengan skor total belahan kedua dengan menggunakan teknik korelasi product moment Pearson.
  5. Karena angka korelasi yang diperoleh adalah angka korelasi dari alat ukur yang dibelah, maka angka korelasi yang diperoleh lebih rendah daripada angka korelasi yang diperoleh jika alat pengukuran tersebut tidak dibelah. Karena itu dicari angka reliabilitas untuk keseluruhan item tanpa dibelah.

Cara mencari reliabilitas untuk keseluruhan item ialah dengan mengkoreksi angka korelasi yang diperoleh dengan rumus :

R total = 2 (R belahan) / (1 + R belahan)

Cara perhitungan di atas merumakan perhitungan reliabilitas dengan cara Spearman-Brown, ada beberapa teknik lain seperti rumus Flanaga, rumus Rulon, rumus KR-20, rumus KR-21, rumus Hoyt dan rumus Alpha Cronbach, penggunaan teknik-teknik tersebut disesuaikan dengn kebutuhan alat ukur dan bentuk data yang dihasilkan oleh alat ukur.

  1. Teknik paralel

Teknik ini dinamakan juga equivalent form atau alternatif form. Pada teknik ini, perhitungan reliabilitas dilakukan dengan membuat dua jenis alat ukur yang mengukur aspek yang sama. Kedua alat pengukur tersebut diberikan kepada responden yang sama, kemudian dicari validitasnya untuk masing-masing jenis.

Untuk menghitung reliabilitas, perlu mengkorelasikan skor total dari kedua jenis alat ukur tersebut. Angka korelasi yang diperoleh adalah indeks reliabilitas alat pengukur yang telah disusun.

Secara luas istilah atau konsepsi validitas dan reliabilitas diterapkan dalam hampir semua instrument penelitian, hanya penerapan perhitungan saja yang mungkin membedakan tergantung tipe penelitian yang dilakukan. Untuk konsepsi yang telah dibahas pada pemaparan di atas, lebih banyak digunakan dalam tipe penelitian survey, lebih spesifik dengan menggunakan kuesioner dengan opsi jawaban pertanyaan bersifat tertutup dan umum digunakan skala likert dengan output data bersifat ordinal. SEMANGAT MENELITI!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Indeks & Skala

Indeks & Skala

Dalam sebuah penelitian survey terutama yang menggunakan kuisioner atau angket dalam proses mendapatkan data penelitiannya, kiranya perlu diketahui beberapa istilah atau konsepsi yang dapat membantu peneliti dalam membangun frame yang tepat dalam proses persiapan hingga pelaksanaan penelitian.

Ada dua konsepsi yang dibahas pada kesempatan kali ini, yaitu indeks dan skala dalam kaitannya dengan penelitian survey. Dalam literature metodologi, istilah indeks dan skala sering digunakan secara salah, seolah-olah keduanya mempunyai arti yang sama. Bila dipandang selintas, indeks dan skala ada persamaan, yakni keduanya adalah ukuran ordinal yang disusun sedemikian rupa sehingga dapat mengurutkan responden dalam urutan yang lebih tepat menurut variabel tertentu.

Indeks dan skala adalah ukuran gabungan untuk suatu variabel. Agar diperoleh ukuran yang lebih lengkap dan tepat, maka ukuran suatu variabel tidaklah semata-mata didasarkan pada satu pertanyaan, melainkan pada beberapa pertanyaan. Misal, untuk mengukur nilai ekonomi anak, digunakan indeks ekonomi anak yang terdiri dari beberapa pertanyaan (skala) dan skor responden adalah jumlah skor dari pertanyaan tadi (indeks).

Perbedaan pokok antara indeks dan skala terletak pada penentuan skor. Indeks adalah akumulasi skor untuk tiap pertanyaan. Jadi, kalau suatu indeks terdiri dari 5 pertanyaan dan setiap pertanyaan memiliki jenjang skor 1 sampai 3, maka skor indeks berkisar antara 5 dan 15. Sebaliknya, skala disusun atas dasar penunjukkan skor pada pola-pola atribut (indikator). Artinya, dalam penyusunan skala diperhatikan instensitas (bobot) struktur dari atribut-atribut yang hendak diukur. Untuk lebih jelasnya kita uraikan pembahasan indeks dan skala sebagai berikut :

  1. Penyusunan Indeks

Pada kebanyakan penelitian sosial, peneliti belum memberikan perhatian yang cukup serius pada instrumen pengukuran (skala atau indeks). Karena itulah seringkali ditemui indeks dan skala yang kurang baik dan hasil penelitian yang kurang dapat dipercaya.

Walaupun dikatakan bahwa indeks lebih sering dipakai dalam penelitian sosial, sebenarnya penyusunan indeks bukanlah pekerjaan yang mudah. Langkah-langkah yang perlu ditempuh dalam penyusunan indeks adalah sebagai berikut :

  • Menyeleksi pertanyaan

Indeks adalah ukuran gabungan yang disusun untuk mengukur suatu variabel tertentu. Salah satu kriteria yang dipakai untuk menentukan “apakah pertanyaan dapat dimasukan ke dalam suatu indeks”, adalah validitas muka. Misal, seorang peneliti ingin mengukur nilai ekonomi anak, maka pertanyaan-pertanyaan yang hendak dimasukan haruslah menunjukkan tingkat ketergantungan ekonomi responden pada anak-anak. Oleh karenanya, pertanyaan-pertanyaan yang menunjukkan nilai psikologis anak tidak dapat dimasukan ke dalam indeks nilai ekonomi anak, walaupun hubungan keduanya amat erat (unidimensonality).

  • Hubungan antar pertanyaan

Secara teoritis, pertanyaan-pertanyaan yang mengukur suatu variabel harus berhubungan satu sama lain. Pada indeks nilai ekonomi anak, pertanyaan-pertanyaan tersebut harus mempunyai korelasi cukup tinggi satu sama lain maupun secara keseluruhan, karena semuanya mengukur derajat ketergantungan responden kepada anak secara ekonomis.

  • Menentukan skor

Setelah pertanyaan-pertanyaan untuk suatu indeks ditentukan, maka langkah selanjutnya adalah menentukan skor untuk pertanyaan-pertanyaan tersebut. Skor ini kemudian dijumlahkan untuk mendapatkan skor gabungan. Pada tahap ini, ada dua keputusan yang harus dibuat oleh peneliti.

Pertama, peneliti harus membuat keputusan tentang jenjang (range) skor untuk indeks yang disusunnya. Ada peneliti yang menggunakan jenjang 3 (1, 2, 3), jenjang 5 (1, 2, 3, 4, 5), jenjang 7 (1, 2, 3, 4, 5, 6, 7), jenjang mana yang cocok sangat tergantung dari populasi penelitian.

Kedua, yang harus dibuat adalah mengenai skor yang akan diberikan pada setiap pertanyaan. Apakah setiap pertanyaan akan diberi skor yang sama atau diberi penimbang (weighting). Kalau peneliti tidak mempunyai alasan yang kuat untuk meragukan ketidaksamaan bobot pertanyaan pada suatu indeks, maka sebaiknya setiap pertanyaan dipandang memiiki bobot yang sama, dan skor masing-masing indeks adalah jumlah dari skor masing-masing pertanyaan.

  1. Penyusunan Skala

Semua indeks disusun dengan suatu asumsi : responden yang memiliki skor yang lebih tinggi pada suatu indeks juga memiliki kualitas yang lebih tinggi dalam hal yang dipertanyakan. Dengan demikian indeks diharapkan dapat menguatkan para responden secara ordinal menurut suatu variabel tertentu.

Yang tidak diperhatikan dalam penyusunan indeks adalah kenyataan bahwa tidak semua indikator suatu variabel mempunyai bobot yang sama beratnya. Sedangkan skala dapat mengurutkan responden-responden ke dalam urutan ordinal dengan lebih tepat karena dalam proses tersebut diperhatikan intensitas bobot dari tiap pertanyaan. Ada 4 teknik penyusunan skala yang banyak digunakan dalam penelitian sosial diantaranya :

  • Metode Bogardus

Salah satu contoh skala yang baik adalah skala jarak sosial Bogardus. Skala ini berusaha untuk mengukur tingkat kesediaan orang kulit putih untuk berhubungan dengan orang Negro.

Misal :

Pertanyaan

Jawaban

1.      Apakah saudara menerima orang hitam sebagai warga di negeri ini?
2.      Apakah saudara menerima orang hitam bekerja di kantor saudara?
3.      Apakah saudara menerima orang hitam sebagai teman se-klub?
4.      Apakah saudara menerima orang hitam menjadi tetangga saudara?
5.      Apakah saudara menerima orang hitam kawin dengan saudara?

Skor Total

Kita lihat bahwa kelima pertanyaan dalam contoh skala menunjukkan intensitas hubungan yang semakin meningkat. Responden menjawab “Ya” untuk pertanyaan no. 5 pasti akan menjawab “Ya” untuk pertanyaan-pertanyaan lainnya karena intensitasnya lebih rendah.

Skala Bogrdus tidak hanya berguna untuk mengukur hubungan antar ras, tetapi dapat diubah untuk mengukur sikap politik, hubungan orang tua dan anak, hubungan antar negara, dll.

  • Metode Thrustone

Yang merupakan ciri pokok metode ini adalah penggunaan panel yang terdiri dari 50 s.d 100 ahli untuk menilai sejumlah pertanyaan guna mengukur variabel tertentu. Jenjang skala kemudian ditentukan atas dasar pendapat para ahli. Ringkasnya tahapan yang harus ditempuh untuk penyusunan skala adalah sebagai berikut :

  1. Peneliti mengumpulkan sejumlah pertanyaan (40 s.d 50) yang relevan untuk variabel yang hendak diukur.
  2. Suatu panel ahli diminta menilai relevansi pertanyaan-pertanyaan tadi terhadap variabel yang hendak diukur dan memberikan skor (misal : 1 s.d 10). Pernyataan yang paling mendapatkan penilaian yang sangat berbeda dari panel disingkirkan dan pertanyaan yang mendapatkan penilaian yang hampir sama diikutkan dalam skala.
  3. Setelah nilai skala tiap pertanyaan ditentukan, dipilih sejumlah pertanyaan (10 s.d 20) yang mempunyai nilai yang merata untuk skala yang ditentukan.
  4. Untuk mencegah systematic-bias pertanyaan-pertanyaan sebaiknya disusun acak, tidak mengikuti urutan skala.
  5. Skor responden pada skala ini adalah nilai rata-rata (mean atau median) dari nilai petanyaan-pertanyaan yang dipilihnya

Penafsiran pada skala Thrustone sama seperti membaca skor pada skala Bogardus; respoden yang mempunyai yang nilai lebih tinggi, berarti lebih mempunyai penilaian yang positif.

Dalam praktek metode Thurstone, sudah jarang digunakan karena prosedur penyusunannya amat memakan waktu dan tenaga. Disamping itu penilaian para ahli amat tergantung pada pengetahuan mereka tentang konsep yang hendak diukur. Karena itu skala yang disusun oleh para ahli dapat berubah dan ditinjau kembali dari waktu ke waktu.

  • Metode Guttman atau Metode Skalogram

Yang hendak dipertahankan oleh skala Guttman adalah ketunggalan dimensi (unidimensionality). Artinya skala sebaiknya hanya mengukur satu dimensi saja dari variabel yang memiliki beberapa dimensi. Misal, walaupun variabel nilai anak mempunyai dimensi ekonomi, dimensi psikologi dan dimensi sosial, namun suatu skala nilai anak sebaiknya hanya mengukur salah satu dimensi.

Prinsip lain dari skala Guttman ini adalah seperti pada skala Bogardus dan Thurstone. Pernyataan-pernyataan mempunyai bobot yang berbeda dan apabila seorang responden menyetujui pernyataan yang lebih berat bobotnya, maka diharapkan akan menyetujui pernyataan-pernyataan yang bobotnya lebih rendah.

Untuk menilai ketunggalan dimensi suatu skala diadakan analisa skalogram untuk mendapatkan koefisien reprodusibilitas, Kr dan koefisien skalabilitas, Ks. Koefisien reprodusibilitas (Kr) dan koefisien skalabilitas (Ks) menunjukkan derajat ketepatan instrumen pengukuran untuk digunakan dalam survei.

Dimana :

Kr = 1 – e/n dan Ks = 1 – e/x

Dan

e = jumlah kesalahan ; x = jumlah kesalahan yang diharapkan atau c (n – Tn) dan c adalah kemungkinan mendapatkan jawaban yang benar. Karena jawaban adalah “Ya” dan “Tidak” c = 0,5 ; n = jumlah jawaban ; Tn = jumlah pilihan jawaban

Ringkasnya langkah-langkah yang harus ditempuh untuk menyusun skala dengan metode Guttman adalah sebagai berikut :

  1. Susunlah sejumlah pertanyaan yang relevan untuk mengukur variabel yang diteliti
  2. Pre-test pertanyaan tersebut pada suatu sampel sebesar lebih kurang 50 responden
  3. Singkirkan pertanyaan-pertanyaan yang memperoleh jawaban yang ekstrem, yang disetujui atau tidak disetujui oleh 80 persen responden
  4. Susun jawaban yang diperoleh dalam suatu tabel Guttman. Pada baris susunlah responden menurut skor total jawaban dari terkecil sampai terbesar. Pada kolom susunlah pernyataan-pernyataan dari yang paling banyak mendapatkan jawaban sampai yang paling sedikit
  5. Hitung koefisien reprodusibilitas (Kr) dan koefisien skalabilitas (Ks). Skala yang memiliki Kr = 0,90 dan Ks = 0,60 ke atas dapat diterima
  6. Skor skala Guttman dihitung dari jumlah jawaban “Ya” untuk peryataan-pernyataan dalam skala tersebut. Jadi kalau responden menjawab “Ya” untuk 6 peryataan dalam skala Nilai Ekonomi Anak, skor totalnya adalah 6
  • Metode Perbedaan Semantik

Skala perbedaan semantik berusaha mengukur arti objek atau konsep bagi seorang responden. Responden diminta untuk menilai suatu objek atau konsep pada suatu skala yang mempunyai 2 adjektif yang bertentangan. Skala bipolar ini mengandung unsur evaluasi, unsur potensi dan unsur aktivitas.

Menurut Osgood, ketiga unsur tersebut dapat mengukur 3 dimensi sikap, yakni

  1. Evaluasi responden tentang objek atau konsep yang sedang diukur
  2. Persepsi responden tentang potensi objek atau konsep tersebut
  3. Persepsi responden tentang aktivitas objek

Misal :

Untuk mengukur sikap petani tentang Program Bimas, dapat diukur skala perbedaan semantik, sebagai berikut :

Baik                     : 5_ : __ : __ : __ : _1 : Buruk

Menguntungkan  : __ : __ : __ : __ : __ : Tidak berguna

Menyenangkan    : __ : __ : __ : __ : __ : Tidak menguntungkan

Bermanfaat          : __ : __ : __ : __ : __ : Tidak bermanfaat

Ringan                 : __ : __ : __ : __ : __ : Berat

Aktif                    : __ : __ : __ : __ : __ : Pasif

Cepat                   : __ : __ : __ : __ : __ : Lambat

Langkah-langkah untuk menyusun suatu skala perbedaan semantik adalah sebagai berikut:

  1. Tentukan konsep atau objek yang hendak diukur
  2. Pilih pasangan ajektif yang relevan untuk konsep atau objek tersebut. Penentuan ajektif harus dilakukan secara empiris pada dua kelompok sampel yang berbeda
  3. Skor untuk seorang responden adalah jumlah skor dari pasangan ajektif

 

Dari uraian di atas sekiranya diperoleh pemahaman bahwa indeks dan skala adalah dua konsep penyusunan instumen penelitian yang berbeda. Yang perlu diperhatikan oleh peneliti adalah dasar teori atau pengetahuan teoritis atas isu permasalahan yang diangkatnya, karena hal ini mempengaruhi peneliti dalam penentuan jenis instrumen penelitian yang disusunnya apakah mempertimbangkan sebagai indeks dan atau skala. Sehingga aturan-aturan atau teknik dalam penyusunanya dapat menjadi perhatian yang lebih dan agar dapat menuntun peneliti pada proses penelitian atau eksplorasi penelitian yang lebih terarah dan berbobot. SEMANGAT MENELITI!!!

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-