Maria selalu bergulat dengan Matematika. Sehingga ketika ia perlu menganalisis data
dari angket, ia bertanya-tanya “Apakah saya akan mampu menganalisis data-data saya?”Ia
pun mengunjungi professor yang mengajar statistik pendahuluan untuk mempelajari apa yang
harus ia lakukan. Ia berharap guru besarnya tersebut berbicara tentang statistik apa yang akan
digunakan oleh Maria. Sebaliknya guru besarnya mengajukan pertanyaan-pertanyaan
berikut : Bagaimana anda merencanakan dan mengorganisasikan data-data anda sebelum
data-data tersebut anda analisis? Pertanyaan-pertanyaan apa yang anda harapkan untuk
dijawab dengan analisis data-data anda itu? Bagaimana anda menyajikan hasil penelitian
anda dalam laporan anda? Bagaimana anda memberikan struktur terhadap interpretasi
terhadap hasil-hasil penelitian anda? Maria sekarang menyadari bahwa analisis data itu
terdiri dari beberapa langkah.
Umpamakan seorang orangtua menandai “Setuju”. Skor numeric apa yang akan diberikan
terhadap jawaban seperti ini sehingga anda akan memberikan skor yang sama terhadap semua
orang yang menjawab “setuju”?. Untuk menganalisis data-data ini, anda perlu memberikan
skor terhadap jawaban-jawaban seperti 5=sangat setuju, 4=setuju, 3=tak tentu, 2= tidak
setuju, 1=sangat tidak setuju. Berdasarkan angka-angka ini orangtua yang memberikan
jawaban setuju akan mendapatkan skor 4.
Beberapa petunjuk bisa membantu anda dalam rangka memberikan angka terhadap
pilihan-pilihan jawaban:
Untuk skala-skala kontinyu (lihat bab 6, dengan asumsi skalanya interval), anda
seharusnya memberikan skor secara konsisten terhadap masing-masing pertanyaan
dengan menggunakan sistem penomoran yang sama. Dalam contoh di atas, anda
harus secara konsisten memberikan skor terhadap skala seperti “sangat setuju”
sampai pada “sangat tidak setuju” skor lima sampai skor 1.
Untuk skala-skala kategorikal seperti “Tingkat atau kelas apa yang anda ajar?:
____ sekolah menengah atas, __________ sekolah menengah pertama, __________
sekolah dasar”, anda secara mana suka bisa memberikan angka yang masuk akal
seperti 3=sekolah menengah atas, 2= sekolah menengah pertama, dan 1=sekolah
dasar. Walaupun demikian aturan yang baik adalah makin positif jawabannya akan
makin tinggi kategori informasinya atau akan makin tinggi angka yang diberikan.
Untuk membuat pemberian skor ini mudah, anda bisa memberikan angka-angka
sebelumnya yang terdapat dalam instrumen bagi pilihan-pilihan jawaban seperti
contoh berikut:
Harap berikan jawaban anda terhadap pertanyaan ini :
“anak-anak kelas 4 SD harus diuji kemampuan Matematikanya
------------- (5) sangat setuju
------------- (4) setuju
------------- (3) tak tentu
------------- (2) tidak setuju
------------- (1) sangat tidak setuju
Disini anda bisa melihat bahwa angka-angka sudah ditentukan terlebih dahulu dan
anda tahu bagaimana menskor masing-masing pilihan jawaban tersebut. Kadang-
kadang anda bisa menyuruh para partisipan untuk mengisi dalam lingkaran untuk
jawaban-jawaban dengan menggunakan “bubble sheets” (bulatan) seperti yang
digunakan untuk membantu penskoran dalam mengevaluasi dosen dalam mata kuliah
tertentu. Apabila mahasiswa menghitamkan lingkaran-lingkaran pada halaman itu
anda bisa menscan jawaban-jawaban mahasiswa untuk keperluan analisis. Bila anda
menggunakan instrumen yang tersedia secara komersial, perusahaan akan selalu
memberikan petunjuk penskoran untuk mendeskripsikan bagaimana instrumen itu
harus diberi skor.
Salah satu prosedur yang dapat membantu anda dalam memberikan skor terhadap
jawaban itu adalah dengan jalan membuat buku kode. Codebook (buku kode) adalah
daftar dari variabel-variabel atau pertanyaan-pertanyaan yang mengindikasikan
bagaimana si peneliti memberi kode atau memberi skor terhadap jawaban-jawaban
dalam instrumen atau ceklist. Sebuah contoh dari buku kode itu diperlihatkan oleh
Diagram 7.1. Perhatikan bahwa masing-masing variabel diberikan nama (misalnya
tingkat atau kelas) yakni definisi ringkas dari sebuah variabel (tingkat atau kelas dari
mahasiswa) diberikan, dan angka diberikan untuk masing-masing pilihan jawaban
(misalnya 10 = kelas 10; 11=kelas 11, 12 = kelas 12.
Penjumlahan Skor
Dalam kasus-kasus lain kita boleh jadi perlu menjumlahkan jawaban terhadap semua
pertanyaan yang terdapat dalam instrumen seperti skor berskala Tabel 7.1. Penjumlahan ini
terjadi karena butir-butir soal secara individual boleh jadi menggambarkan perspektif seorang
partisipan. Di samping itu para partisipan bisa jadi salah paham terhadap pertanyaan tunggal
atau si peneliti boleh jadi membuat redaksi pertanyaan sedemikian rupa sehingga jawabannya
berisi bias. Ringkasnya, jawaban-jawaban terhadap pertanyaan-pertanyaan tunggal bisa jadi
tidak reliabel dan tidak secara tepat mencerminkan skor seorang individu (sebagaimana
dibicarakan dalam Bab 6). Satu solusi terhadap masalah ini adalah membuat skala atas dasar
jawaban-jawaban terhadap pertanyaan-pertanyaan tunggal. Summed score (penjumlahan
jawaban) adalah skor-skor dari seorang individu yang dijumlahkan dari beberapa pertanyaan
yang mengukur variabel yang sama. Para peneliti menjumlahkan butir-butir secara individual
untuk menghitung skor menyeluruh dari sebuah variabel. Seperti diperlihatkan pada Tabel
7.1 ketiga partisipan yakni Jane, Jim dan John memberikan jawaban terhadap lima
pertanyaan. Si peneliti menjumlahkan skor masing-masing individu untuk mendapatkan skor
tunggal bagi sebuah variabel yang mencakup kelima pertanyaan.
Perbedaan Skor
Skor-skor penjumlahan untuk masing-masing individu digunakan untuk mendapatkan skor
test secara menyeluruh yang dapat dibandingkan dari satu periode ke periode lainnya. Net
different scores adalah skor-skor di dalam penelitian kuantitatif yang menggambarkan
perbedaan atau perubahan skor masing-masing individu. Perubahan itu boleh jadi lebih
bermakna ketimbang perubahan-perubahan lainnya. Sebuah perubahan kecil pada skor yang
tinggi bisa jadi lebih bermanfaat ketimbang perubahan yang besar pada skor yang rendah.
Contoh, perubahan yang kecil dari 98 ke 99 berskala 100 mungkin bisa lebih bermakna
ketimbang perubahan dari 46 ke 66 pada skala yang sama (skala 100). Dalam ekperimen para
peneliti sering mengumpulkan skor-skor pada sebuah instrumen sebelum penelitian dimulai
(waktu 1) dan sesudah penelitian berakhir (waktu 2). Si peneliti mengumpulkan skor-skor ini
atas dasar pretest dan postest, yang merupakan pengukuran yang biasa dikumpulkan selama
penelitian eksperimen. Pada tabel 7.1, untuk masing-masing keenam partisipan itu kita
melihat skor pretest untuk Matematika skor penjumlahan dari semua butir-butir dalam test
sebelum satu unit pembelajaran Matematika diajarkan. Kita juga melihat untuk masing-
masing partisipan skor postest untuk Matematikan tersebut, skor yang dijumlahkan pada
akhir sebuah unit yang merupakan pencerminan skor menyeluruh dari test akhir atau postest.
Skor bersih memperlihatkan seberapa banyak kinerja masing-masing partisipan menjadi lebih
baik antara pretest dan postest.
Menginput Data
Setelah memilih program statistik langkah anda selanjutnya adalah meng-enter data-data dari
instrumen atau cheklist ke dalam program-program komputer. Inputting the data (menginput
data) terjadi ketika peneliti mentransfer data-data dari jawaban-jawaban terhadap instrumen-
instrumen ke dalam file komputer untuk analisis. Bagi mereka yang baru dalam proses ini,
tabel ini sama dengan tabel spreadsheet yang digunakan dalam banyak paket-paket perangkat
lunak (misanya excel). Tabel 7.2 memperlihatkan sebuah database yang kecil untuk 50 orang
siswa yang berpartisipasi dalam penelitian tentang penggunaan tembakau di sekolah. Anda
telah melihat variabel-variabel dalam database ini dalam buku kode yang ditampilkan pada
diagram 7.1. Bila anda cermati Tabel 7.1 terlihat bahwa tabel tersebut berisikan cells-cells
dalam bentuk baris dan kolom yang ke dalamnya si peneliti menginput data untuk analisis.
Anda akan melihat pada kolom pertama diperlihatkan angka untuk masing-masing partisipant
yang diikuti oleh nomor identifikasi yang diberikan kepada masing-masing ke 50 orang
siswa. dalam kolom-kolom yang lain adalah variabel-variabel yang oleh si peneliti diukur
(misalnya jender, tingkat/kelas, orangtua, dan seterusnya). Dengan menggunakan buku kode
para peneliti memberikan angka kepada masing-masing jawaban yang memperlihatkan skor
pada masing-masing variabel. Di halaman bagian bawah dari lembaran tersebut dicatat
informasi (dijumpai dalam buku kode) yang memberikan yang mengaitkan antara angka
dan jawaban yang terdapat dalam instrumen. Nama-nama variabel itu pendek dan
sederhana tetapi deskriptif sifatnya (tidak lebih dari 8 huruf untuk SPSS seperti untuk jender,
merokok, atau mengunyah tembakau).
Proses pengimputan data ke dalam tabel ini (George 7 Mallery 2001) membuat
database SPSS sebagai berikut:
Masukkan data dari skor-skor yang terdapat di dalam instrumen ke dalam cell-cell tabel
dengan jalan memilih cell dan mengetikkan nilai yang tepat. Masukkan data-data baris
per baris untuk masing-masing individu dan gunakan kolom untuk nilai bagi masing-
masing variabel. Values adalah angka-angka yang diberikan kepada pilihan-pilihan
jawaban untuk sebuah variabel (misalnya 1= laki-laki, dan 2 = wanita).
Beri masing-masing partisipan nomor identifikasi dan tempatkan nomor ini pada kolom
pertama dan gunakan nomor-nomor atau angka-angka ini pada kolom 1 dengan
menggunakan SPSS (misalnya, 001, 002, 003, atau 343, 344, 345). Nomor anda sendiri
boleh jadi mencerminkan tiga digit terakhir dalam nomor kartu penduduk (misalnya,
343, 344, 345) atau sesuatu nomot identifikasi yang lain.
Dalam SPSS, anda melihat judul kolom sebagai variabel: var001, var002, var003, dan
seterusnya. Daripada menggunakan judul-judul tersebut gantikan nama-nama itu
dengan variabel sendiri (misalnya var002 diganti dengan jender).
Anda juga bisa memberikan nama kepada nilai-nilai dan variabel-variabel sehingga
print out anda akan berisikan nama-nama ini dan diperolehnya cara yang mudah untuk
mengidentifikasi informasi anda. Anda bisa juga memberikan nama terhadap variabel-
variabel anda seperti “orangtua”, atau nilai-nilai untuk variabel ini, seperti “kawin”,
“bercerai”, dan “berpisah”.
Membersihkan Database
Cleaning the data adalah proses menginspeksi data untuk melihat skor atau nilai yang berada
di luar rentangan nilai yang diharapkan. Salah satu cara melakukan ini adalah dengan jalan
menginspeksi tabel-tabel data secara visual. Untuk database yang besar distribusi
frekuensinya akan memberikan rentangan skor untuk mendeteksi jawaban-jawaban yang
berada diluar rentangan yang diharapkan. Contoh, para partisipan boleh jadi memberikan
angka enam untuk jawaban untuk skala “sangat setuju” ke “sangat tidak setuju” padahal
pilihannya cuma lima. Alternatifnya si peneliti boleh jadi mengetikkan skor untuk seorang
partisipan “3” untuk gender, sedangkan nilai yang sah adalah “1” untuk wanita dan “2” untuk
pria.
Prosedur yang lain adalah menggunakan SPSS dan menjalankan program pengurutan
kasus dari angka yang besar ke angka yang kecil untuk masing-masing variabel. Proses ini
menyusun nilai-nilai dari sebuah variabel dari angka yang paling kecil ke angka yang paling
besar yang memungkinkan anda untuk secara mudah mendeteksi rentangan yang keliru atau
kasus-kasus yang salah nomor. Apapun prosedurnya, penampakan visual dari data-data itu
akan membantu membersihkan data-data dan membebaskannya dari kesalahan-kesalahan
yang nampak sebelum anda memulai analisis data.
Ukuran Variabilitas Variabilitas menyatakan sebaran skor dalam sebuah distribusi. Range
(rentangan), variance (varoansi), dan standard deviasi semua menyatakan jumlah variabilitas
dalam sebuah distribusi skor. Informasi ini membantu kita melihat bagaimana terpencarnya
jawaban-jawaban terhadap butir-butir pertanyaan dalam sebuah instrumen. Variabilitas juga
memainkan peranan yang sangat penting dalam banyak penghitungan-penghitungan statistik
yang lebih rumit.
Kita bisa melihat sejauh mana skor-skor itu bervariasi dengan jalan melihat range
(jarak antara skor tertinggi dan terendah). Range of scores (rentangan nilai) adalah perbedaan
antara skor tertinggi dan skor terendah dari butir-butir sebuah instrumen. Dalam tabel 7.3 kita
melihat bahwa skor-skor berjarak dari yang terendah 60 ke yang tertinggi 99, sebesar 39 poin.
The variance (variansi) menyatakan sebaran skor seputar rata-rata. Untuk
menghitungnya relatif mudah:
Cari perbedaan antara mean dan skor mentah untuk masing-masing individu
Pangkat duakan perbedaan tersebut untuk masing-masing individu
Jumlahkan pangkat dua masing-masing skor itu
Bagi dengan jumlah individu
Dalam contoh tabel 7.3 variansinya sama dengan 173.96. Informasi ini tidak banyak berarti
tapi bermanfaat ketika menghitung statistik yang lebih lanjut. Akar pangkat dua dari variansi,
standar deviasi (SD) tidak memberikan informasi yang bermanfat dan kita perlakukan angka
tersebut sebagai indikator dari sebaran nilai. Dalam tabel 7.3, standar deviasinya adalah
13,90. Apabila skor-skor tersebut memiliki standar deviasi 3,90, kita mengatakan bahwa
variansi skor itu berada di seputar rata-rata kurang dari 13,90.
Makna dari standar deviasi menjadi jelas ketika kita membuat grafik dari sebuah
distribusi skor secara teoritis sebagaimana diperlihatkan dalam Diagram 7.3 ini disebut
distribusi normal atau kurva probabilitas normal (normal distribution atau normal
probability curve). Dalam kenyataanya skor aktual bisa jadi tidak sesuai dengan distribusi
normal ini (misalnya distribusi gaji), akan tetapi apabila kita mengambarkan rata-rata dari
banyak sampel dan menghitung rata-rata gaji untuk setiap sampel maka kita mendapatkan
umpamanya 5.000 buah angka rata-rata maka distribusinya akan mengambarkan distribusi
normal. Memperhatikan kembali diagram 7.3 bagian yang dihitamkan memperlihatkan
persentase skor-skor yang cenderung berada pada jarak antara masing-masing standar deviasi
dari mean. Contoh, 60% dari skor berada pada +1 SD (34%) dan -1 SD (34%) standar deviasi
dari mean: 95% antara +2 SD (13.5% + 34%) dan -2 SD (13.5% + 34%). Anda juga bisa
mengasosiasikannya dengan skor-skor presentile, z score, t score dengan masing-masing
standar deviasinya.
Percentile memberikan tipe statistik dedskriptif lainnya. Measures of relative standing
adalah statistik yang mendeskripsikan sebuah skor kaitannya dengan sekelompok skor
tertentu. Dalam diagram 7.3, 2.28% dari skor berada pada dua standar deviasi dibawah rata-
rata. Dengan mengetahui dimana sebuah skor berada dalam sebuah distribusi merupakan
kunci untuk keperluan pengujian hipotesis. Dua buah statistik yang sering digunakan adalah
persentile skor dan z score.
Ukuran dari posisi relatif adalah percentile score. Percentile rank (percentile skor) dari
sebuah skor tertentu adalah persentase partisipan dalam sebuah distribusi skor yang berada
pada atau dibawah skor tertentu. Anda menggunakan angka tersebut untuk menentukan
dimana dalam sebuah distribusi skor, skor seorang individu berada dalam kaitannya dengan
skor-skor lainnya. Dalam tabel 7.3 kita melihat bahwa seorang individu dengan skor 94
berada pada percentile ke 80, dengan 20% para partisipan memiliki skor di atas skor individu
ini, dan 80% dari partisipan memiliki skor pada atau berada dibawah individu ini.
Ukuran yang lain dari posisi yang relatif ini adalah skor standar. A standar score (skor
standar) adalah skor yang dihitung yang memungkinkan seorang si peneliti membandingkan
skor-skor dari skala-skala yang berbeda. Penghitungan ini mencakup mentransformasikan
skor mentah menjadi skor yang memiliki makna relatif. A z score adalah bentuk skor standar
yang populer yang memiliki rata-rata nol dari standar deviasi 1. Ini menghasilkan sebuah z
score yakni skor standar yang bermanfaat untuk memungkinkan anda membandingkan skor-
skor dari sebuah instrumen terhadap skor-skor dari instrumen yang lain. Dengan
menggunakan skor-skor standar ini merupakan juga kunci dari penghitungan berbagai tipe
statistik. Prosedurnya adalah menetapkan sebuah skor, menguranginya dengan mean, dan
membaginya dengan standar deviasi. Dalam tabel 7.3 kita melihat bahwa seseorang dengan
skor 60 memiliki z score -1.57, atau skor yang berarti satu setengah standar deviasi dibawah
rata-rata atau mean.
Pengujian Hipotesis
Ada lima langkah dalam pengujian hipotesis: (a) mengidentifikasi hipotesis null dan hipotesis
alternatif, (b) menentukan level of significance, atau alpha level, (c) mengumpulkan data, (d)
menghitung statistik sampel, dan (e) membuat keputusan untuk menolak atau menerima
hipotesis null.
1. Mengidentifikasi hipotesis null dan hipotesis alternatif. Sebagaimana anda mungkin
masih ingat pada bab 5 hipotesis null adalah prediksi tentang populasi dan biasanya
dinyatakan dengan menggunakan kata-kata “tidak adanya perbedaan (atau tidak adanya
hubungan atau asosiasi). Walaupun demikian hipotesis alternatif menyatakan perbedaan
(atau hubungan atau asosiasi) dan arah perbedaan ini bisa positif atau negatif
(alternative directional hypothesis) atau positif atau negatif (alternative non-directional
hypothesis).
Kembali pada data-data siswa sekolah menengah pada tabel 7.2 anda berkemungkinan
merumuskan hipotesis null dan hipotesis alternatifnya sebagai berikut:
Hipotesis Null:
Tidak terdapat perbedaan antara orang-orang yang perokok dan bukan perokok dalam
hal skor depresi.
Hipotesis alternatif (non-directional dan directional)
Terdapat perbedaan antara orang-orang perokok dan orang-orang yang tidak perokok
dalam hal skor depresi mereka.
(atau dirumuskan dengan cara lain):
Para perokok lebih banyak mengalami depresi ketimbang yang tidak perokok.
2. Menentukan level of singnificance atau alpha level dalam rangka menolak hipotesis
null. Apabila kita mengumpulkan sejumlah rata-rata sampel dan apabila hipotesisnya
benar (tidak ada perbedaan), distribusi teoritis cenderung mendekati kurva normal
berbentuk bell (lonceng) sebagaimana diperlihatkan oleh diagram 7.4. Dalam diagram
ini sebuah kurva normal memperlihatkan distribusi rata-rata sampel dari semua
kemungkinan apabila hipotesis nolnya benar. Kita mengharapkan kebanyakan dari rata-
rata (mean) kita berada di pusat kurva bila hipotesisnya benar. Akan tetapi sejumlah
kecil berada pada daerah-daerah yang ekstrim (kiri atau kanan). Dengan kata-kata lain
kita berharap bahwa bagi setiap sampel orang-orang perokok dan non perokok skor
depresinya sama tapi dalam jumlah yang persentasinya kecil anda berkemungkinan
menemukan hal yang berbeda seperti anda lihat ada daerah-daerah yang ditandai
dengan tanda hitam pada masing-masing ujung kurva. Kita mengharapkan akan ada
probabilitas yang sangat rendah bahwa skor itu akan berada di daerah ini.
Sebuah standar diperlukan untuk daerah-daerah probabilitas yang rendah ini untuk
menandainya secara persis di dalam kurva ini. Ini disebut menentukan tingkat
signifikansi. A significance level (or alpha level) adalah tingkat probabilitas yang
mencerminkan resiko maksimum yang ingin anda ambil bahwa perbedaan-perbedaan
yang teramati itu terjadi secara kebetulan. Biasanya tingkat ini ditentukan 0,01 (1 dari
100 kali skor sampel terjadi karena kebetulan) atau 0,05 (5 dari 100 kali skor sampel
terjadi karena kebetulan). Ini berarti bahwa 1 dari 100 kali (atau 5 dari 100 kali nilai
probabilitas yang sangat rendah yang teramati apabila hipotesis nullnya benar. Dalam
beberapa situasi perlu ditentukan tingkat aplhanya bahkan lebih kecil (rendah dari 0,01
atau 0,05). Umpamakan seorang peneliti menguji pengaruh dari obat-obatan yang
memiliki efek samping yang sangat berbahaya. Tingkat alphanya bisa jadi ditentukan
lebih rendah untuk menolaknya, misalkan 0,001, apabila obat itu memiliki pengaruh
samping yang merusak bagi penderita penyakit kanker ketimbang tingkat apha yang
lebih tinggi misalnya 0,05 apabila obat tersebut memiliki pengaruh samping yang
kurang berbahaya untuk orang-orang dengan penyakit acne.
Daerah kurva normal untuk nilai-nilai probabilitas yang rendah jika hipotesis nullnya
benar disebut daerah kritis (critical region). Apabila data-data sampel (perbedaan
antara perokok dan tidak perokok dalam hal depresi) berada pada daerah kritis,
hipotesis nullnya ditolak. Ini berarti bahwa “tidak ada perbedaan” sebagaimana yang
dinyatakan dalam hipotesis null kita menemukan hipotesis alternatifnya yang benar:
“terdapat perbedaan”
Juga perhatikan dalam diagram 7.4 bahwa daerah kritis ini yang ditandai oleh tingkat
signifikansi terjadi pada kedua ujung kurva. Bila daerah kritis untuk menolak hipotesis
null dibagi menjadi dua daerah pada ujung distribusi sampel, kita memiliki two-tailed
test of significance (uji signifikansi dua arah) (Vogt, 1999). Walaupun demikian,
apabila kita menempatkan daerah itu hanya pada satu ujung untuk menolak hipotesis
null kita memiliki one-tailed test of significance (uji signifikansi satu arah). Anda
menggunakan uji satu arah apabila penelitian terdahulu memperlihatkan arah yang
mungkin (misalnya hipotesis alternatif terarah). Sebaliknya uji signifikansi dua arah
lebih konservatif, atau lebih berat karena daerah penolakan pada ujung manapun dari
kurva akan lebih rendah daripada daerah penolakan pada uji satu arah. Kita mengatakan
bahwa uji satu arah memiliki lebih besar kekuatan dengan makna bahwa kita akan lebih
cenderung menolak hipotesis null.
3. Mengumpulkan data. Anda mengumpulkan data dengan jalan menggunakan instrumen
atau merekam tingkah laku pada lembaran ceklist untuk para partisipan. Kemudian
seperti dibicarakan pada bab-bab sebelumnya, anda melakukan pengkodean terhadap
data dan menginputnya ke dalam file komputer untuk analisis.
4. Hitung statistik sampel. Berikutnya dengan menggunakan program-program komputer
anda menghitung statistik atau nilai ρ dan menentukan apakah ia berada di dalam atau
diluar daerah kritis. A ρ value (nilai ρ) adalah probabilitas bahwa sebuah hasil terjadi
secara kebetulan apabila hipotesis nullnya benar. Setelah menghitung nilai ρ tersebut,
kita membandingkannya dengan nilai di dalam tabel yang biasanya terletak pada
halaman belakang dari buku-buku statistik pada umumnya (misalnya Gravetter &
Wallnau, 2000) apakah pengujian anda satu arah atau dua arah dan derajat kebebasan
bagi uji statistik kita (atau melihat hasil print out dari nilai ini). Degrees of freedom
(df) (tingkat kebebasan) yang digunakan dalam uji statistik biasanya jumlah skor
dikurang satu. Contoh untuk sebuah sampel skor, df = n-1. Tingkat kebebasan
menentukan jumlah skor di dalam sebuah sampel yang bebas untuk bervariasi karena
rata-rata sampel menentukan pembatasan terhadap variabilitas sampel. Dalam sebuah
sampel skor, apabila nilai rata-ratanya diketahui semua skornya kecuali satu bisa
bervariasi (misalnya bebas satu sama lain dan memiliki nilai), karena satu skor dibatasi
oleh rata-rata sampel (Gravetter & Wallnau, 2007).
Bagian yang paling sukar adalah menentukan uji statistik apa yang akan digunakan.
Tabel 7.5 memperlihatkan uji-uji statistik yang biasa dipakai di dalam penelitian
pendidikan. tujuh buah pertanyaan perlu dijawab sebelum kita sampai kepada
menentukan uji statistik yang tepat (juga lihat Rudestan & Newton, 1992, untuk kriteria
yang sama).
Apakah anda ingin membandingkan kelompok/mengaitkan variabel-variabel di
dalam hipotesis atau pertanyaan penelitian anda?
Berapa banyak variabel bebas yang anda miliki dalam sebuah pertanyaan atau
hipotesis penelitian?
Berapa banyak variabel terikat yang anda miliki dalam sebuah pertanyaan atau
hipotesis penelitian? Biasanya para peneliti hanya menggunakan satu variabel bebas,
atau apabila variabel bebasnya banyak masing-masing variabel dianalisis satu demi
satu.
Apakah anda secara statistik melakukan kontrol terhadap covariat dalam analisis
anda terhadap hipotesis dan pertanyaan penelitian?
Bagaimana anda mengukur variabel-variabel bebas? Ingat dalam bab 6 ada dua
jenis skala: kategorikal (nominal dan ordinal) dan skala continu (interval/rasio)
Bagaimana anda mengukur variabel-variabel terikat? Sama dengan variabel-
variabel bebas identifikasi apakah variabel-variabel terikat merupakan variabel-
variabel kategorikal atau variabel kontinu.
Apakah skor-skor variabel anda itu terdistribusi secara normal yakni bisakah anda
mengansumsikan bila skor-skor itu dibuat grafiknya, terdistribusi seperti kurva
normal? Statistik tertentu telah dirancang untuk bisa dilakukan paling tepat dengan
data-data yang terdistribusi secara normal dan statistik-statistik lainnya akan lebih
baik digunakan terhadap data-data yang terdistribusi secara tidak normal (lihat
lampiran c untuk informasi tambahan tentang distribusi yang tidak normal).
Dengan ketujuh pertanyaan ini test statistik apa yang akan anda gunakan untuk
meneliti hipotesis-hipotesis null ini?
“tidak terdapat perbedaan antara perokok dan orang yang tidak merokok dalam hal
skor depresinya”
“tidak terdapat perbedaan antara perokok dan orang yang tidak merokok dan
afiliasi kelompok teman sejawat”
Untuk hipotesis pertama anda memilih t test dan untuk hipotesis kedua chi-kuadrat.
Bisakah anda mengidentifikasi kesimpulan apa yang diambil dalam memilih kedua
uji statistik ini berdasarkan tujuh kriteria di atas?
5. Membuat keputusan tentang menerima atau menolak hipotesis null. Misalkan anda
telah menghitung test statistik untuk kedua test hipotesis tersebut dengan menggunakan
data-data yang dilaporkan sebelumnya dalam tabel 7.2, misalkan anda menggunakan
SPSS versi 14.0 dan memiliki print out seperti tergambar dalam tabel 7.6. Dalam tabel
7.6 anda membandingkan orang perokok dan yang bukan perokok dalam hal skor
depresi mereka. Test statistik yang dihitung adalah analisis t test dan hasilnya
menyatakan bahwa 26 orang yang tidak merokok memiliki rata-rata 69,77 dalam hal
skor depresi, sedangkan 24 orang perokok memiliki rata-rata 79,79 ini dengan
perbedaan 10,02 diantara kedua kelompok itu. Test signifikansi dua arah
memperlihatkan nilai t = -7.49 dengan 48 df (derajat kebebasan), dengan menghasilkan
nilai ρ probabilitas = 0,00 (ρ = 0,00). Nilai ρ signifikan karena ia lebih rendah dari nilai
alpha = 0,05. Apabila nilai ρ nya lebih rendah dari alpha ini berarti hipotesis nullnya
ditolak; apabila nilai ρ nya itu lebih besar dari nilai alpha, ini berarti hipotesis nulnya
diterima. Kemudian kesimpulan kita adalah terdapat perbedaan antara mereka yang
bukan perokok dan yang merokok dalam hal tingkat depresi mereka, kita menolak
hipotesis null (terdapat perbedaan) dan menerima hipotesis alternatif (terdapat
perbedaan).
Dalam membuat pernyataan ini kita mengikuti prosedur berikut :
a) Lihat pada nilai test statistik dan nilai ρ nya. Anda bisa menemukan nilai ρ ini pada
print out.
b) Tentukan apakah nilai ρ yang teramati lebih rendah atau lebih tinggi dari nilai ρ yang
diperoleh dari distribusi skor untuk statistik dengan derajat kebebasan tertentu dan
dengan test satu atau dua arah pada tingkat signifikan tertentu. Anda bisa
menentukan nilai tabel untuk ρ secara manual dengan membandingkan nilai statistik
dengan nilai tabel distribusi untuk statistik atau anda bisa minta bantuan program
komputer untuk mengidentifikasi nilai ρ yang teramati, dan anda bisa
menginterpretasi apakah nilai tersebut lebih tinggi atau lebih rendah dari nilai alpha.
c) Tentukan apakah hipotesis nullnya ditolak atau diterima. Kita perlu menentukan
apakah nilai ρ secara statistik signifikan untuk menolak atau menerima hipotesis
null. Statistical significance(signifikansi secara statistik) adalah apabila nilai ρ
dari skor yang teramati lebih rendah dari nilai alpha yang sudah ditentukan
sebelumnya oleh si peneliti.