Transcript Rancangan Penelitian - George The Educator

Rancangan Korelasi
Pengertian Korelasi
 Dalam rancangan penelitian korelasi, peneliti
menggunakan uji statistik korelasi untuk mendeskripsikan
dan mengukur tingkat asosiasi (atau hubungan) antara 2
atau lebih variabel.
 Peneliti tidak berupaya mengontrol dan memanipulasi
variabel-variabel seperti pada rancangan eksperimen.
 Korelasi = suatu uji statistik yang menentukan
kecenderungan atau pola bagi dua (atau lebih) variabel
atau 2 set data yang bervariasi secara konsisten.
 Dalam korelasi, ketika kita memiliki 2 variabel saja, maka
ini berarti 2 variabel berbagi varian (variance) yang umum,
atau keduanya sama-sama co-vary. Bila 2 variabel samasama co-vary, maka keduanya membutuhkan dasar
matematis yang cukup kompleks.
 Co-vary = kita memprediksi suatu skor pada suatu variabel dengan






pengetahuan tentang skor individu pada variabel lainnya.
Ilustrasi: Asumsikan bahwa skor pada kuis matematika kelas 4 SD
memiliki jangkauan dari nilai 30 sampai 90.
Kita ingin mencari tahu apakah skor pada suatu pekerjaan sekolah pada
matematika (Variabel 1) dapat memprediksi skor kuis matematika
(Variable 2).
Jika skor pada latihan tidak menjelaskan skor pada kuis matematika,
maka kita tidak dapat memprediksi skor siapapun kecuali dengan
mengatakan mungkin skornya menjangkau dari nilai 30 sampai 90.
Jika latihan dapat menjelaskan varian dalam seluruh skor kuis
matematika maka kita dapat memprediksi skor matematika secara
sempurna.
Situasi ini jarang dicapai, malah kita mungkin mendapati bahwa 40%
variance dalam skor kuis matematika dijelaskan oleh skor latihan. Hal
ini mempersempit prediksi kita pada skor kuis dari 30-90 menjadi 4060.
Dengan kata lain bahwa ketika variance bertambah, kita lebih mampu
memprediksi skor dari variable independen hingga variable dependen.
Kapan kita menggunakan korelasi?
 Anda menggunakan rancangan korelasi ketika hendak
mencari hubungan antara 2 atau lebih variabel jika
variabel-variabel tsb saling mempengaruhi. Contoh:
hubungan antara guru yang menjalankan praktekpraktek pengajaran yang terus berkembang dengan
penggunaan bahasa pengajaran yang formal.
 Rancangan korelasi memungkinkan anda
memprediksi hasil, contohnya, prediksi terhadap
kemampuan pembelajaran di sekolah, kualitas
pembelajaran di sekolah, motivasi siswa, dan
rancangan pengajaran yang mempengaruhi prestasi
siswa.
Tipe-tipe rancangan korelasi
 Rancangan Penjelasan (Explanatory Design)
 Rancangan Prediksi (Prediction Design)
Explanatory Design
 Explanatory research design = suatu rancangan
korelasi yang diminati peneliti karena adanya 2
variabel (atau lebih) saling co-vary, yaitu perubahan
dalam suatu variabel direfleksikan dengan perubahan
dalam variabel lainnya.
 Explanatory designs terdiri dari asosiasi sederhana
antara 2 variabel (misal: rasa humor dan performance
dalam drama) atau lebih dari 2 variabel (misal:
tekanan dari teman atau perasaan dikucilkan yang
berdampak pada peminum miras)
Prediction Design
 Prediction research design = rancangan untuk
mengidentifikasi variabel yang akan memprediksi
suatu hasil atau kriteria. Dalam bentuk penelitian,
peneliti mengidentifikasi 1 atau lebih variabel
predictor dan suatu variabel criteria (atau variabel
hasil).
 Variabel predictor = suatu variabel yang digunakan
untuk meramalkan (forecast) suatu hasil dari
penelitian korelasi.
 Dalam kasus prediksi kesuksesan guru di suatu
sekolah, predictor mungkin dapat berupa “mentoring”
selama pelatihan guru atau “lamanya pengalaman
mengajar”.
 Dalam banyak penelitian prediksi, peneliti sering
menggunakan lebih dari 1 variabel predictor.
 Variabel Criterion = Hasil yang sedang diprediksi
dalam penelitian korelasi.
 Meskipun lebih dari 1 hasil dapat diprediksi tetapi
umumnya hanya ada 1 variabel criterion.
 Untuk mengidentifikasi penelitian prediksi,
perhatikan karakteristik berikut:
 Peneliti umumnya memasukkan kata prediksi dalam
judul laporan atau mungkin bisa ditempatkan dalam
pernyataan tujuan penelitian atau pertanyaan
penelitian.
 Peneliti umumnya mengukur variabel predictor dalam
satu waktu dan mengukur variabel criterion di lain
waktu. Oleh karena itu, anda harus menguji suatu
kajian untuk menentukan apakah peneliti membangun
suatu dimensi “waktu” ke dalam rancangan penelitian.
Contoh: Predictor kesuksesan guru, “mentoring”, diukur
selama program pelatihan guru, sedangkan
“kesuksesan” diukur setelah program pelatihan selesai
dan para siswa pelatihan mempraktekkan ilmu
keguruannya.
 Peneliti meramalkan kinerja (performance). Biasanya
ini dirumuskan dalam pernyataan tujuan penelitian atau
di dalam pertanyaan penelitian. Untuk membenarkan
(justification) masalah penelitian, penulis juga
menyebutkan maksudnya untuk “memprediksi” hasil.
Karakteristik Utama Rancangan
Korelasi
 Tampilan skor (scatterplots dan matrix)
 Asosiasi antar skor (arah, bentuk, dan kekuatan)
 Analisis multi variabel (korelasi sebagian dan multi
regresi)
Tampilan skor (scatterplots dan
matrix)
 Peneliti memplot skor untuk 2 variabel pada grafik
untuk menyajikan gambar visual dari bentuk skor.
 Ini memungkinkan peneliti mengidentifikasi tipe
asosiasi antar variabel dan menemukan skor ekstrim.
Terutama plot tsb dapat menyajikan informasi ttg
bentuk asosiasi – apakah skornya linear atau kurva
linear (U-shaped form).
 Juga mengindikasikan arah asosiasinya (misal: 1 skor
naik dan skor lain juga naik) dan derajad
asosiasi(apakah relasi sempurna dengan korelasi = 1.0
atau kurang sempurna).
 Suatu matriks korelasi menyajikan tampilan visual
koefisien korelasi bagi seluruh variabel dalam suatu
kajian.
 Untuk menyederhanakan tabel, peneliti
menempatkan angka-angka pada variabel dan hanya
memasukkan angka-angka di kolom heading.
 Koefisien yang hanya berkisar antara -.33 dan +.65
ditampilkan dalam cells dalam tabel.
 Asterisk (bintang) mengindikasikan apakah koefisien
secara signifikan berkorelasi pada level p < .05 and p <
.01.
Asosiasi antar skor (arah, bentuk,
dan kekuatan)
 Koefisien korelasi r berguna untuk menggambarkan
dan mengukur asosiasi antara 2 variabel jika
asosiasinya linear.
 Alih-alih menggunakan koefisien r, peneliti
menggunakan korelasi koefisien Spearman rho (rs)
untuk data non-linear dan untuk tipe data lain yang
terukur pada skala kategori (berdasarkan ranking)
 Jika anda mengukur 1 variabel pada skala continuous
(interval atau rasio) dan lainnya pada skala kategori,
dikotomi, maka korelasi statistik bukanlah r namun
korelasi point-biserial.
 Asumsikan bahwa peneliti mengkorelasikan skor
interval berangkai pada variabel depresi dengan pria
dan wanita (variabel dikotomi)
 Suatu statistic korelasi point-biserial digunakan
dengan cara mengkonversi variabel dikotomi menjadi
skor numerik yaitu Pria = 1 dan Wanita = 2. Dengan
menggunakan angka-angka tersebut dan rumus untuk
data ordinal, peneliti mengkalkulasi koefisien korelasi
point biserial yang mengukur derajad dan arah asosiasi
antara depresi pada pri dan wanita.
 Koefisien phi digunakan untuk menentukan derajad
dan arah asosiasi ketika kedua ukuran variabelnya
dikotomi.
 Contoh: Pria dan Wanita mungkin berkorelasi dengan
penggunaan narkoba (tidak dan ya). Dalam situasi ini,
peneliti juga mengkonversi kedua variabel dikotomi
menjadi (pria=1, wanita=2; tidak mengkonsumsi
narkoba=1, mengkonsumsi narkoba =2) dan kemudian
menggunakan rumus koefisien phi untuk
mengkalkulasi skor yang telah dikonversi tadi.
 Derajad asosiasi = asosiasi antara 2 variabel atau set
skor merupakan koefisien korelasi antara –1.00 hingga
+1.00, dengan 0.00 yang mengindikasikan tidak
adanya asosiasi linear. Asosiasi antara 2 set skor ini
merefleksikan apakah ada asosiasi konsisten dan
dapat diprediksi antar skor.
 Meskipun korelasi mengukur derajad
relasi/hubungan, banyak peneliti suka
mengkuadratkan korelasi korelasi dan menggunakan
nilai akhir untuk untuk mengukur kekuatan
relasi/hubungan. Dalam prosedur ini, peneliti
menghitung koefisien determinasi.
 Koefisien determinasi (coefficient of
determination) = koefisien yang menilai proporsi
variabilitas dalam satu variabel yang dapat
dideterminasikan atau dijelaskan oleh variabel kedua.
Contoh: Jika anda memperoleh r=+.70 (atau –.70),
dengan mengkuadratkan nilai ini akan diperoleh r2 =
.49 (atau 49%). Ini berarti hampir separuh (49%)
variabilitas dalam Y dapat dideterminasikan atau
dijelaskan oleh X.
 Ilustrasi: Tingkat pendidikan ortu menjelaskan bahwa
ada 49% kepuasan siswa terhadap sekolahnya (r2 =.49).
Ukuran Koefisien Korelasi
 .20 –.35: terdapat sedikit hubungan dan secara statistik
sedikit signifikan untuk 100 partisipan atau lebih.
Ukuran koefisien ini mungkin bernilai untuk
mengeksplorasi interkoneksi antar variabel tapi sedikit
nilainya untuk tujuan prediksi.
 .35 –.65: ketika korelasi diatas .35, maka akan
bermanfaat bagi prediksi terbatas. Mereka merupakan
nilai yang umum digunakan untuk mengidentifikasi
keanggotaan variabel dalam prosedur analisis faktor
(interkorelasi antar variabel dengan suatu skala), dan
banyak koefisien korelasi untuk relasi bivariate
ditemukan pada wilayah ini.
 .66 –.85: ketika korelasi ditemukan pada wilayah ini,
prediksi yg bagus dapat muncul dari 1 variabel ke
variabel lainnya. Koefisien dalam wilayah ini dianggap
sangat bagus.
 .86 dan diatasnya: korelasi di wilayah ini umumnya
dicapai untuk kajian atau penelitian construct validity
dan reliabilitas tes-retes. Malah para peneliti ingin
korelasi uji validitas dan reliabilitas setinggi ini. Ketika
2 atau lebih variabel berelasi, korelasi setinggi ini
jarang dicapai. Kalaupun setinggi ini, maka 2 variabel
sesungguhnya mengukur ciri-ciri/karakteristik dasar
yang sama dan harus dikombinasikan dalam analisis
data.
Analisis multi variabel (korelasi
sebagian dan multi regresi)
 Untuk melihat dampak apa yg dimiliki multi variabel
pada suatu hasil, peneliti menggunakan analisis
regresi.
 Regression line = suatu garis yang tepat mengisi
semua poin skor pada suatu grafik.
 Garis ini mendekati semua poin pada plot grafik dan
dikalkulasi dengan menggambarkan suatu garis yang
meminimalisir jarak dalam kotak dari garis.
 Rumus Regression line seperti berikut
 Contoh: kita menduga seorang individu yang
menggunakan Internet 14 jam/minggu memiliki skor
depresi senilai 41.
 Jika a= 6, b = 2.5, and X= 14  Y(yang diprediksi)
=2.5(14) + 6 = 41
 Multiple regression (atau multiple correlation) =
suatu prosedur statistik untuk menguji relasi
kombinasi dari multi variabel independen dengan satu
variabel dependen.
Y(predicted) =b1(X1)+b2(X2)+a
Dimana :
Y=the predicted scores
b1=a constant for the slope of X1 ( b2, for X2)
a=the intercept
 Asumsikan bahwa kemiringan (slope) untuk b1=.24 dan
b2=.19 dan intercept=10.77. Prediksi persamaan untuk
kedua variabel independen menjadi:
Y(predicted) =.24 (X1)+.19 (X2)+10.77
Y(predicted) =.24 (10) +.19 (70) +10.77
 Tabel Regresi menunjukkan jumlah total variance
yang dijelaskan dalam suatu variabel dependen oleh
semua variabel independen yang disebut r2
 Bobot beta = koefisien yang mengindikasikan
kekuatan prediksi suatu variabel setelah
menghilangkan efek seluruh predictor yang lain
Langkah-langkah melakukan
penelitian korelasi
1. Tentukan apakah dengan penelitian korelasi akan
2.
3.
4.
5.
6.
menjawab masalah penelitian anda.
Identifikasi individu untuk diteliti.
Identifikasi 2 atau lebih ukuran untuk masingmasing individu dalam penelitian.
Kumpulkan data dan monitor ancaman-ancaman
potensial.
Analisis data dan representasikan hasilnya dalam
tabel dan grafik.
Interpretasikan hasil penelitian.
Tentukan apakah dengan penelitian
korelasi akan menjawab masalah
penelitian anda
 Penelitian korelasi tidak membuktikan suatu relasi, tetapi
mengindikasikan suatu asosiasi antar 2 atau lebih variabel.
 Karena anda tidak membandingkan kelompok-kelompok dalam
penelitian korelasi, maka anda menggunakan pertanyaan
penelitian ketimbang hipotesis.
 Contoh pertanyaan penelitian korelasi:
1.
2.
3.
Apakah kreatifitas berhubungan dengan skor tes IQ pada anakanak SD? (mengasosiasikan 2 variabel)
Apa sajakah faktor-faktor yang menjelaskan perilaku etis siswa
keguruan selama pengalaman mengajarnya di sekolah?
(mengeksplorasi relasi kompleks)
Apakah ranking di SMA dapat digunakan untuk memprediksikan
IPK mahasiswa tingkat I pada semester 1? (prediksi)
Identifikasi individu untuk diteliti.
 Kelompok sampel perlu ukuran memadai untuk diuji statistik
korelasi, contoh: N = 30; Semakin besar ukuran yang
berkontribusi pada minimnya error variance, semakin baik
keterwakilannya.
 Ilustrasi: seorang peneliti meneliti 100 atlit yang sedang belajar
di SMA dengan maksud mengkorelasikan derajad partisipasi
mereka dalam beragam olahraga dan aktifitas merokok.
 Suatu jangkauan skor yang sempit dari suatu populasi mungkin
akan mempengaruhi kekuatan korelasi hubungannya. Sebagai
contoh, jika anda memperhatikan relasi antara tinggi badan
pemain basket dan jumlah keranjang dalam satu
permainan/game, anda mungkin akan menemukan hubungan
kuat antara diantara anak-anak usia TK-SMA. Tapi jika anda
memilih dari kumpulan pemain NBA, maka hubungannya secara
signifikan akan lebih lemah.
Identifikasi 2 atau lebih ukuran
untuk masing-masing individu
dalam penelitian
 Karena pengertian dasar dari korelasi adalah untuk
membandingkan partisipan pada 2 atau lebih karakteristik,
maka ukuran-ukuran variabel dalam pertanyaan penelitian
harus diidentifikasi dan instrumen-instrumen yang
mengukur variabel-variabel perlu diperoleh.
 Idealnya, instrumen-instrumen tsb harus dibuktikan
validitas dan reliabilitasnya.
 Umumnya 1 variabel diukur pada masing-masing
instrumen, tetapi 1 instrumen tunggal mungkin saja
memuat 2 variabel yang nantinya akan dikorelasikan.
Kumpulkan data dan monitor ancaman-ancaman potensial
 Ilustrasi: Suatu sampel database kecil berisi 10 mahasiswa ditujukkan pada
tabel berikut. Peneliti ingin menjelaskan variabilitas IPK mahasiswa tahun I.
 Asumsikan bahwa peneliti ini telah mengidentifikasi 4 predictor melalui
tinjauan pustaka. Dalam penelitian-penelitian terdahulu, predictor-predictor
ini secara positif berkorelasi dengan prestasi di perkuliahan.
 Peneliti dapat memperoleh informasi untuk variabel predictor dari kantor
admisi. Kriteria, yaitu IPK (GPA) selama tahun I, diperoleh dari kantor
registrar.
 Dalam kajian regresi, peneliti mengidentifikasi faktor atau kombinasi faktor
mana yang paling tepat menjelaskan variance pada IPK (GPA) tahun I.
 Ulasan data ini menunjukkan bahwa skor bervariasi pada masing-masing
variabel, dengan variasi yang lebih banyak di antara skor Tes Masuk PT (GRE)
ketimbang di antara skor rekomendasi dan kecocokkan pada program studi
tertentu. Juga ditunjukkan bahwa nilai IPK (GPA) dan Tes Masuk PT (GRE)
yang lebih tinggi secara positif berhubungan dengan IPK (GPA) semester I.
 Karena data ini diperoleh dari kantor admisi maka peneliti tidak perlu
khawatir akan prosedur-prosedur yang mengancam validitas skor.
Analisis data dan representasikan
hasilnya dalam tabel dan grafik
 Peneliti mencari pola (pattern) respon dan menggunakan
prosedur statistik untuk menentukan kekuatan
hubungan dan arahnya.
 Analisis dimulai dengan pengkodean data dan
mentransfernya dari instrumen ke file komputer.
Kemudian ditentukanlah statistik yang tepat untuk
digunakan.
 Pertanyaan awal adalah apakah data berhubungan itu
secara linear atau curva linear. Maka scatterplot skor (jika
penelitian menggunakan bivariate) dapat membantu
menjawab pertanyaan tsb.
 Juga pertimbangkan apakah:
Hanya 1 variabel independen yang dikaji/diteliti
(Pearson’s correlation coefficient)
Suatu variabel mediasi menjelaskan baik variabel
independen maupun dependen dan perlu dikontrol
(partial correlation coefficient)
Ada lebih dari 1 variabel independen perlu dikaji/diteliti
untuk menjelaskan variabilitas dalam suatu variabel
dependen (multiple regression coefficient)
 Berdasarkan uji statistic yang paling banyak digunakan, peneliti
kemudian mengkalkulasi apakah statistic tsb signifikan berdasarkan
skor-skor yang ada. Contohnya: suatu p-value diperoleh dalam kajian
bivariate dengan cara:
 Men-setting alpha level
 Menggunakan critical value dari tabel r. (Dapat diperoleh dari banyak
buku-buku statistik)
 Menggunakan degree of freedom N = 2 dengan tabel r
 Mengkalkulasi koefisien r yang diamati dan membandingkannya
dengan r-critical value.
 Menolak atau menerima hipotesis null pada level signifikansi tertentu,
contoh: p < 0.05
 Selain itu, berguna untuk melaporkan effect size (r2). Dalam analisis
korelasi, effect size adalah Pearson’s correlation coefficient kuadrat.
Dalam merepresentasikan hasil, peneliti korelasi akan menyajikan
matriks korelasi dari semua variabel dan juga tabel statistic (untuk
kepentingan kajian regresi) yang melaporkan nilai R dan R2 dan beta
weights bagi masing-masing variabel.
Interpretasikan hasil penelitian
 Bagian ini membutuhkan pembahasan tentang kekuatan dan arah
dari hasil penelitian korelasi yang:
 mempertimbangkan dampak variabel-variabel intervensi dalam suatu
korelasi partial
 menginterpretasikan bobot regresi variabel dalam analisis regresi
 mengembangkan persamaan prediktif yang digunakan dalam
kajian/penelitian prediksi.
 Dalam seluruh rangkaian langkah penelitian korelasi, perhatian
seutuhnya adalah:
 apakah data anda mendukung teori-teori, hipotesis-hipotesis, atau
pertanyaan-pertanyaan penelitian.
 apakah hasil penelitian anda mengkonfirmasi atau tidak (confirm or
disconfirm) temuan-temuan pada penelitian lainnya/sebelumnya.
 apakah refleksi yang dibuat apakah menyinggung tentang ancamanancaman yang akan menimbulkan kekeliruan-kekeliruan koefisien
 apakah dimungkinkan langkah-langkah yang ditempuh pada
penelitian selanjutnya mampu mengatasi/menjawab perhatian
(concern) tsb.
Bagaimana mengevaluasi
penelitian korelasi?
Untuk mengevaluasi dan menilai kualitas penelitian korelasi,
peneliti/penulis akan mempertimbangkan:
 Ukuran sampel yang memadai untuk diuji/diteliti.
 Tampilan hasil korelasi dalam matriks dan grafik.
 Intepretasi tentang arah dan kekuatan asosiasi antara 2 atau lebih





variable.
Penilaian kekuatan relasi / hubungan berdasarkan koefisien
determinasi, p-value, effect size, size of the coefficient.
Pilihan statistic yang tepat untuk menganalisis data.
Identifikasi variabel predictor dan criterion.
Jika model visual relasi digunakan, maka peneliti mengindikasikan
arah relasi antar variabel atau arah berdasarkan data yang diobservasi.
Identifikasi secara jelas terhadap prosedur statistik.