KLIK DI SINI

Tulisan ini menjelaskan bahwa tidak semua skala yang menggunakan dua opsi adalah Skala Guttman, bisa saja Summated Rating atau Likert Scale menggunakan dua opsi jika itu diperlukan. Misalnya dikarenakan subjek kita adalah anak-anak yang tidak bisa membedakan perbedaan antar opsi atau kita ingin respons yang dikotomis dari responden.

Skala Guttman memiliki ciri bahwa setiap butir harus memiliki rentang berdasarkan “tingkat kesulitannya” yang menunjukkan level atribut yang diukur. Misalnya untuk mengukur perilaku seksual dengan menggunakan Skala Guttman, anda harus membuat butir yang bergerak dari perilaku seksual ringan (misalnya mencium) hingga perilaku seksual berat (misalnya berhubungan badan). Makanya, nilai reprodusibilitas dan skalabilitas diperlukan untuk menunjukkan apakah butir yang anda buat memiliki rentang seperti yang anda buat.

Apa yang harus kita lakukan jika ternyata kita membuat skala psikologi yang berisi dua opsi akan tetapi bukan Skala Guttman? Jawabannya adalah anda bisa melakukan analisis butir yang biasa dipakai untuk mengevaluasi skala psikologi pada umumnya. Misalnya korelasi butir-total untuk menunjukkan daya diskriminasi butir dan nilai alpha untuk menunjukkan reliabilitas atau konsistensi internal. Oleh karena data anda dikotomi, korelasi butir yang dipakai sebaiknya menggunakan korelasi biserial. Korelasi ini berbeda dengan korelasi point biserial yang dipakai oleh SPSS dalam menu Reliability. Anda dapat menggunaan program bantu menghitung korelasi biserial di Blog ini.

KLIK

Wahyu Widhiarso : Ada dua eksperimen, A & B. Eksperimen A: Selisih rerata skor kelompok kontrol-eksperimen adalah 1 (p signifikan), sedangkan di B selisihnya juga 1 (tapi p tidak signifikan). Kok bisa? Faktor apa yang memungkinkan kedua hasil eksperimen berbeda? (1). Ukuran sampel beda, (2). ? dst. Ayo teman2 berbagi informasi.

Hary Haryanta : seingatku dulu ketika di ajari pak sutrisno hadi, perbedaan itu tidak semata-mata dipengaruhi oleh perbedaan mean tetapi juga dipengaruhi besarnya varian untuk masing2x kelompok… jadi sebaran data ikut berpengaruh.. capet-capet ingat tentang istilahnya pak tris ttg SDm, SDbm, dll.

Wahyu Widhiarso : Setuju Mas Hary Haryanta. Nilai t didapatkan dari selisih rerata dibagi eror standard (istilah pak tris itu SDbm ya?). Semakin tinggi nilai t semakin mudah signifikan. Supaya mendapatkan nilai t tinggi diharapkan eror standardnya kecil.

Galang Lufi Hehehe kalo aku biasanya bikin grafik sambil munculkan error bars pake standar error measurement utk masing2 kelompok eksperimen. Aku baru analisis jika error bars antara dua kelompok sudah tidak bersinggungan.

Wahyu Widhiarso Galang Lufi. Cara itu bisa menurunkan error standard ya?

Azwar Dreamchaser Lha iyyalaaah . . eksp A dependennya IPK, ekps B dependennya tinggi badan dalam cm.

Wahyu Widhiarso Pak Azwar Dreamchaser, asumsinya sih Y nya di kedua eksp itu sama heee.

Mencoba menerjemahkan pesan Pak Azwar: Selisih 1 pada IPK lebih “berarti” daripada 1 dalam tinggi badan (satuan cm). Makanya yang eksp A lebih signifikan.

Galang Lufi Kalo sepahamanku cara yang biasa dipakai di lab kita ini cuma sekedar kasih tanda apakah desain bisa membuktikan hipotesis. Karena kalo setting lab dan pengukuran psikofisik kadang jika hasil ndak signifikan kita harus deteksi lebih awal untuk kemudian menyesuaikan kondisi eksperimen (cth: waktu penyajian, luminance,dll). Kalo utk menurunkan standar erorr aku ndak tau mas

Yang aku tahu (nek ra salah) karena standar error measurement kan rumusnya SD dibagi jumlah subjek, jadi jika variansnya tetap (SD range kecil) sementara jumlah subjek bertambah logikanya standar errornya mengecil, oleh karenanya error bar di grafik antara dua kondisi smakin tidak bersinggungan (kalau efeknya riil). Nah kalo error bar sdh gak bersinggungan biasanya perbedaannya signifikan…

Wahyu Widhiarso Penjelasan yang bagus Galang Lufi. So, supaya eror standar (SE) tetap kecil, dalam eksperimen diperlukan subjek yang homogen, biar tidak terlalu membumbungkan nilai varians.

Galang Lufi Eh mas, kadang kalo aku baca paper ada yg melaporkan peneliti mengexclude subjek yang nilainya berada di range 2 SD soale dianggep outlier. Ini secara statistika emang dihalalkan ya?

Wahyu Widhiarso Galang Lufi. Kayaknya kalau masih di atas 2SD itu masih normal. Kecuali kalau di atas 3SD, banyak referensi yang mengatakannya sebagai outlier. Mungkin mereka yang membuang di atas 2SD itu untuk mendukung tujuan penelitian saja, bukan untuk me-remove outlier.

Galang Lufi lha kuwi, emang boleh po mas?

Hary Haryanta menurutku bisa (tapi gak ada dasar teorinya dan menggunakan logika),.. Jadi kalo ingat kurve normal, wilayah yang ter-cover antara – 2 SD s/d + 2 SD mencapai 95,44%… Ini pendapat pribadiku loh…

Galang Lufi Iya sih mas, tapi yg buat aku binyung itu kan paradigma signifikansi p<0.05 iti maksudnya asumsinya ada 5% subjek yang tdk mendukung perbedaan signifikansi. Lha kalo di awal subjek itu (mungkin mereka ada di 2SD) udah diremove, lalu signifikansi kita jan-jane ora orisinil dunk? Gimana ya mas? Nek supervisorku kiy rodo konvensional. Beliau ndak mau mengutak-utik statistika, yang diutak-util desain eksperimen atau prosedurnya…

Wahyu Widhiarso Yang pernah aku temui adalah penelitian mengenai peranan kesesakan lingkungan -X terhadap perilaku agresi -Y. Model hubungannya mirip kurva logistik. Peranan X terhadap Y dengan regresi linier menjadi signifikan ketika subjek dengan tingkat kesesakan rendah (di bawah -2SD) diremove. Alasan peneliti membuang subjek di bawah -2SD adalah karena kondisi itu masih dalam ambang toleransi orang merasa sesak, sehingga agresi tidak muncul atau konstan. Lebih dari itu, orang sudah merasa sesak, maka muncullah agresi.

Agung Santoso Berasumsi skala pengukuran yang digunakan sama, maka ada beberapa hal yang mempengaruhi hasil analisis (berasumsi analisis menggunakan parametrik):

(1) besarnya n (sedikit meluruskan: standard eror itu = sd dibagi ‘akar’ dari n). Besarnya n ini tidak hanya memperkecil standard error tapi juga meningkatkan ‘power’ dari analisis.

(2) besarnya tipe error 1 yang dipilih. makin kecil, maka makin kecil pula kemungkinan memperoleh hasil yang signifikan.

(3) besarnya effect size dalam populasi. Makin besar effect size, makin besar kemungkinan memperoleh hasil analisis yang signifikan.

(4) besarnya power dari analisis. makin besar powernya, makin besar pula kemungkinan menemukan hasil analisis yang signifikan.

(5) bentuk distribusi dari statistik yang diujikan dalam hal ini perbedaan mean. Jika mengikuti kurve normal maka p-nya tentunya mengikuti distribusi seperti yang ada di tabel t. sementara kalau tidak maka mengikuti distribusi lain (entah apa).

(6) independensi observasi yang diambil. Kalau tidak independen maka ada overlap antar data yang mengakibatkan data terlihat makin homogen –> standard error makin mengecil –> pengujian makin terlihat signifikan.

(7) homogenitas varians antar kelompok. Jika tidak homogen maka estimasi nilai p nya akan berbeda dengan ketika varian antar kelompok itu homogen. …apa lagi ya? Tentu saja yang nomor 5,6 dam 7 itu faktor pemenuhan asumsi (biar jawaban terlihat banyak biar nilainya makin bagus hehe…)

Agung Santoso Menanggapi masalah ‘pembuangan’ outlier. Saya pikir keberadaan outlier perlu dicermati tidak serta merta dibuang. Ada beberapa penulis yang mendefinisikan outlier sebagai jarak di luar 3xIQR (angka 3 nya saya kurang yakin… mohon dicermati). Pedhazur menganjurkan supaya kita meneliti kembali siapa dan mengapa outlier terjadi. kalau alasan2 terjadinya outlier karena hal yang sifatnya kesalahan teknis (salah koding, subjek asal mengisi skala, kesalahan record, dll) maka outlier dapat dibuang, Tetapi jika data tersebut sah, maka tidak serta merta bisa dibuang begitu saja sepertinya. Membuang outlier akan mereduksi informasi. In my humble opinion.

Nb. Dimensi adalah kondisi ketika aspek2 dalam skala memiliki korelasi kecil, atau secara konseptual bersifat orthogonal (tidak dapat dijumlahkan karena memiliki arah ukur berbeda). Berikut ini salinan link bukunya. http://sdrv.ms/16wrC4Y

Rizqi Nur’aini A’yuninnisa: Apakah maksud mas weje tiap dimensi mnjadi X itu, dalam kasus saya, berarti analisis mediasinya ada 4 secara terpisah kalau pakai SPSS?

Wahyu Widhiarso:  Maksudnya tiap dimensi menjadi satu prediktor (X) jadi ada 4 X, sesuai jumlah dimensi. Ternyata di SPSS script dari Preacher hanya untuk satu X. Jadi dianalisis secara terpisah. Analisis jadi satu pakai AMOS atau LISREL lebih pas.

Rizqi Nur’aini A’yuninnisa: hehehe berarti lbih baik pake lisrel ya? ckckck
enak mana mas amos sama lisrel? klo lisrel yg for student feature nya uda cukup belum ya utk analisis itu?

Wahyu Widhiarso : Amos lebih user friendly, tetapi untuk analisis dengan mediator, signifikansi peranan tidak langsung, tidak muncul. Enaknya pakai LISREL atau MPLUS.

Rizqi Nur’aini A’yuninnisa : Oke Mas Weje. Terimakasih sarannya

Ali Mashuri : Mengadopsi istilah Bung Wahyu, secara empiris hubungan antar dimensi dalam suatu konstruk bisa bersifat koheren (korelasi antar dimensi tinggi ke arah positif), bipolar (korelasi antar dimensi tinggi ke arah negatif), dan orthogonal (korelasi antar dimensi rendah/tidak signifikan).

Dalam kasus ketika hubungan antar dimensi bersifat orthogonal, bukankah solusi terbaik adalah mentransformasi masing masing dimensi sebagai variabel diskrit/kategorial, bukannya sebagai variabel kontinum yang mungkin lebih cocok untuk dimensi yang bersifat koheren atau bipolar? Kalau saya tidak salah tafsir, transformasi dimensi suatu konstruk ke dalam variabel diskrit atau kontinum berimplikasi pada analisis statistik yang sedikit berbeda. Solusi yang ditawarkan Bung Wahyu, yakni melakukan analisis regresi berganda dengan masing masing dimensi sebagai prediktor, lebih pas untuk kasus pertama dan kedua.

Untuk kasus ketiga, ketika dimensi-dimensi dalam suatu konstruk bersifat orthogonal, mungkin uji-perbedaan atau regresi dengan variabel dummy (jika kategori dimensi lebih dari dua) lebih tepat. He he, ini cuman spekulasi saya, mohon ditanggapi.

Wahyu Widhiarso : @Cak Ali. Tergantung dari sifat konstruk. Kalau bersifat tipologi (e.g. sensing- intuition) maka transformasi ke diskrit nominal dimungkinkan. Tapi kalau secara konseptual arah ukur sama (e.g. IQ verbal-performance) maka masing2 dimensi ditetapkan sebagai variabel terpisah.
Sepertinya, yang dimaksud dalam buku Scaling Procedure yang saya lampirkan mencontohkan dimensi yang memiliki arah ukur sama. Makanya penulis buku menyarankan menggunakan regresi atau SEM.

Selengkapnya bisa dilihat di https://www.facebook.com/groups/341782239247746/

Pertanyaan mengenai berapa besar proporsi responden yang memilih opsi tengah sulit dijawab karena terkait dua faktor yaitu dari faktor responden dan butir. Dengan adanya perkembangan mutakhir teori psikometri pertanyaan ini dapat dijawab dengan memadukan kedua faktor tersebut dalam satu model analisis. Salah satu model yang memfasilitasi perpaduan ini adalah Pemodelan Rasch Campuran (MRM). Penelitian ini mengaplikasikan model tersebut untuk mengidentifikasi kecenderungan responden untuk memilih opsi tengah pada skala psikologi. Data penelitian didapatkan dari pengukuran kepribadian lima faktor pada 200 orang mahasiswa. Hasil analisis yang dilakukan secara terpisah pada tiap faktor kepribadian menunjukkan bahwa proporsi responden yang memilih opsi tengah cukup kecil dan hanya terjadi pada dua faktor kepribadian (27 persen pada faktor ekstraversi dan 11 persen pada faktor keterbukaan). Temuan lainnya adalah responden yang memiliki kecenderungan memilih opsi tengah hanya mengaktualisasikan kecenderungan tersebut hanya pada butir tertentu saja daripada semua butir.

Kata Kunci : Kecenderungan Memilih Opsi Tengah, Parameter Butir, Kepribadian Lima Faktor

Full text : PDF

Ada beberapa teknik analisis yang dapat dipakai untuk mengidentifikasi kerentanan skala terhadap heterogenitas karakteristik populasi. Teknik analisis yang banyak dipakai untuk mengidentifikasi kerentanan tersebut adalah analisis faktor yang juga dipakai untuk menguji validitas konstruk atribut yang diukur oleh skala. Analisis faktor merupakan teknik statistik yang dipakai untuk mengidentifikasi jumlah dimensi ukur di dalam skala. Ada dua jenis teknik analisis faktor yang dikembangkan oleh para ahli, yaitu analisis faktor eksploratori (EFA) dan analisis faktor konfirmatori (CFA). Analisis faktor eksploratori dilakukan secara apriori dan dilakukan ketika peneliti tidak memiliki landasan untuk mengelompokkan butir-butir di dalam skala. Sebaliknya analisis faktor konfirmatori dilakukan secara posteriori ketika peneliti memiliki landasan untuk mengelompokkan butir dan telah menetapkan berapa dimensi ukur di dalam skala mereka (Brown, 2006). Landasan tersebut dapat berupa kisi-kisi atau spesifikasi butir berdasarkan komponen atau aspek di dalam skala.

Baca selengkapnya di sini

Apakah Model itu?

Menurut Kamus Miriam-Webster, model adalah miniatur yang merepresentasikan sesuatu. Fungsi model adalah untuk menjelaskan atau memprediksi sebuah fenomena kompleks melalui cara yang sederhana. Gambar pisang adalah model untuk buah pisang. Karena gambar pisang merupakan miniatur maka, bau dan rasa pisang tidak dapat menjelaskan pisang asli. Demikian juga dengan hukum Archimedes yang merupakan model untuk menjelaskan hilangnya massa benda ketika di dalam air. Model tersebut mungkin tidak bisa berlaku pada air keruh, penuh limbah, atau air yang mengalir deras. Hal ini dikarenakan merupakan miniatur selalu memiliki keterbatasan dibanding dengan aslinya. Di sisi lain miniatur hanya berlaku pada kondisi tertentu. Oleh karena itu muncullah pernyataan Pak Box bahwa semua model (teoritis) semuanya salah karena merupakan hasil simplifikasi.

Model dalam Konteks Statistika

Dalam konteks statistika, ketika mendengar kata model pikiran kita mungkin mengarah pada pemodelan persamaan struktural (SEM). Sebenarnya kata model tidak hanya terpaut dengan SEM akan tetapi juga statistika dasar seperti analisis regresi. Dalam analisis regresi dikenal model linier, logistik, kuadratik, kubik dan sebagainya. Model-model ini menunjukkan bagaimana bentuk hubungan variabel prediktor (X) dan kriteria (Y).

Jika mengikuti model linier, maka peningkatan X akan diikuti dengan peningkatan Y. Misalnya peningkatan tinggi badan anak akan diikuti dengan berat badannya. XY juga bisa mengikuti model kuadratik ketika peningkatan X diikuti peningkatan Y akan tetapi pada titik tertentu semakin X meningkat justru Y mengalami penurunan. Contohnya adalah model hubungan stres dan performansi. Jadi, tidak terbuktinya hipotesis melalui uji statistik kadang disebabkan kesalahan penggunaan model. Dalam hal ini uji statistik yang kita pakai tidak dapat menjelaskan data. Misalnya harusnya menggunakan model linier akan tetapi mengggunakan model kuadratik.

Pencocokan Model terhadap Data

Data memberikan informasi dengan caranya sendiri. Kita lalu menafsirkannya dengan cara kita, yang dipandu dengan teori sebagai kaca mata dalam menginterpretasikan. Teori tersebut diimplementasikan dalam sebuah model. Maka muncullah proses menginterpretasi model dengan data yang dinamakan dengan pencocokan (fitting). Tentunya tidak semua proses pencocokan ini berhasil. Ada beberapa kasus/subjek yang cocok dan ada juga yang tidak. Kasus-kasus yang tidak cocok ini akan menghasilkan sampah dalam model yang dinamakan dengan residu. Semakin kecil residu yang dihasilkan maka semakin tinggi kecocokan model kita dengan data. Dalam SEM dikenal beberapa indeks kecocokan model (GFI, CFI, RMSEA dsb) yang menjelaskan hal ini. Modifikasi model kadang dilakukan untuk mendapatkan nilai kecocokan model yang tinggi.

Pencocokan Data terhadap Model

Kadang kita memiliki dasar yang kuat dengan model kita, sehingga dapat dikatakan data perlu mengikuti model yang kita ajukan. Menurut Pak Azwar, model linier adalah model prioritas. Hal ini dikarenakan model kuadratik sulit diinterpretasikan dan kurang memiliki nilai praktis. Oleh karena itu kita kadang mengkondisikan data untuk menyesuaikan dengan model kita. Agar uji regresi linier bisa berfungsi, kadang kita mentransformasi data, memotong data atau menganalisis secara terpisah berdasarkan kategori subjek. Bisa juga dengan membuang kasus mencil (outlier) yang sebenarnya merupakan prosedur baku proses skrining data sebelum data dianalisis.

Ketika prosedur ini dilakukan maka peneliti perlu memberikan justifikasi dan memberikan penjelasan. Misalnya ketika kita memotong data dengan menghapus individu yang memiliki skor stres rendah, kita harus menjelaskan bahwa model yang kita ajukan tidak berlaku pada individu dengan skor stres rendah. Misalnya ketika kita menganalisis terpisah subjek yang berasal dari karyawan BUMN dan swasta, dan menemukan bahwa model kita cocok dengan karyawan swasta, kita juga harus menjelaskan bahwa model kita berlaku pada karyawan swasta.

Penutup

Dalam menganalisis data, kita bisa menguji apakah data mengikuti model yang kita pakai (misalnya analisis regresi atau korelasi). Kita juga bisa mengembangkan model, misalnya mengembangkan model persamaan struktural (SEM). Setiap uji statistik merupakan representasi dari model dan setiap uji statistik secara tidak langsung adalah proses pencocokan antara data dan model. Kadang model yang perlu dimodifikasi dan kadang data yang perlu disesuaikan. Data merepresentasikan fenomena empirik sedangkan model merepresentasikan cara kita menginterpretasi fenomena itu. Jadi, model memiliki kelemahan karena merupakan simplifikasi dari fenomena yang kompleks. Oleh karena itu semakin komprehensif model yang kita kembangkan kelemahan itu akan terminimalisir.

File PDF selengkapnya dapat diunduh di sini