dilakukan adalah menghitung effect size agregasi yang juga disebut dengan
summary effect. Pada penghitungan agregasi, ada dua model yang dapat dipilih,
yaitu model tetap dan model acak. Langkah terakhir sebelum dilaporkan adalah
membuat forest plot, untuk kemudian diinterpretasikan. Pada bab ini, ketiga langkah
tersebut dibahas lebih detail
Setelah effect size, variansi, dan standar error dari effect size sudah
diperoleh, maka prosedur analisis dilanjutkan dengan menghitung summary effect.
Summary effect dihitung untuk mengetahui rangkuman atau gambaran umum
mengenai effect size yang akan diamati. Untuk menghitung summary effect size
tentu tidak dapat langsung merata-rata effect size dari semua studi yang dianalisis.
Hal tersebut karena studi-studi yang dianalisis memiliki keragaman khususnya jika
ditinjau ukuran dan karakteristik sampel. Keragaman tersebut perlu diperhitungkan
dalam membuat summary effect.
a. True Effect pada Model Fix Effect (FE) vs Random Effect (RE)
Untuk memudahkan dalam pengumpulan data, suatu studi biasanya
menggunakan teknik sampling untuk mendapatkan informasi mengenai sesuatu
yang sedang diteliti. Semakin besar sampel yang digunakan dalam suatu studi,
maka data yang terobservasi akan mendekati data asli. Oleh karena sampel
dalam suatu studi biasanya terbatas maka data yang terobservasi memuat error
yang berasal dari kesalahan sampling.
Seperti yang telah disinggung di atas, bahwa perbedaan mendasar antara
model FE dan RE adalah asumsi mengenai true effect. Model Fixed effect
menggunakan asumsi bahwa seluruh studi-studi yang dianalisis mempunyai
true effect yang sama. Model FE mengasumsikan bahwa keberagaman
observed effect (pada studi-studi yang dianalisis) hanya diakibatkan oleh
sampling error. Dengan kata lain, observed effect (Yi ) merupakan akumulasi
true effect (θ) dan sampling error (ε i ). Secara sistematis dituliskan sebagai
berikut .
Y = θ+ε i
Sementara model Random Effect (RE) menggunakan asumsi bahwa studi-
studi yang dianalisis memiliki true effect yang tidak sama atau bervariasi.
Dalam model RE true Effect Size diasumsikan berdistribusi normal. Oleh
karena itu, keberagaman pada observed effect (Yi ) pada model RE tidak hanya
dipengaruhi oleh sampling error (ε i ). Seperti pada model FE, Tetpi juga
dipengaruhi oleh keberagaman true Effect Size (ζ i) itu sendiri. Secara matematis
dapat di tuliskan sebagai berikut.
Yi =μ + ζ i + ε i ; (μ : mean true effect)
Perbandingan asumsi mengenai true effect pada model FE dan RE dapat
dilihat pada Gambar 3. 1.
Kapan model Fixed Effect digunakan? Model Fixed Effect (FE) digunakan
ketika populasi studi yang dianalisis memenuhi dua kondisi. Pertama kita
meyakini bahwa semua studi yang dianalisis identik (setara) secara fungsional.
Kedua, tujuan analisis adalah untuk membuat kesimpulan Effect Size hanya
berdasarkan populasi yang teridentifikasi dan tidak melakukan generalisasi
dalam skala yang lebih luas (Borenstein et al., 2009).
Kapan menggunakan model Random Effect? Model Random Effect (RE)
digunakan ketika populasi studi yang dianalisis berbeda secara fungsional yang
disebabkan karena treatment yang dilakukan oleh beberapa orang (Borenstein
et al., 2009). Perbedaan tersebut bisa diakibatkan perbedaan karakteristik
sampel/partisipan yang diamati, dan bagaimana treatment diterapkan kepada
sampel.
Gambar 3. 1. Asumsi true effect model FE dan RE (Borenstein et al., 2009)
Keterangan simbol:
● : True Effect
■ : Observed Effect
▼: Summary/mean Effect
Keterangan:
Menghitung Batas bawah (LLM) dan batas atas (ULM) menggunakan rumus:
Menghitung nilai Z untuk menguji hipotesis nol (H0 : True effect θ=0) ,
menggunakan rumus:
Perlu diingat bahwa nilai variansi dari true effect (τ 2) tidak mungkin
bernilai kurang dari nol. Pada perhitungan statistik deskriptif, kita tahu
bahwa
rumus varians (s) adalah:
Oleh karenanya, meskipun x1 ¿x, nilai s akan selalu bernilai positif. Oleh
karena itu, apabila diperoleh hasil estimasi (T 2) ¿ 0, maka hal itu
disebabkan oleh sampling error, atau berarti nilai Q ¿ df. Pada kasus ini
kita menyimpulkan bahwa (T2) =0 ((Borenstein et al., 2009). Dengan
kata lain, hasil estimasi (T2) yang digunakan adalah
T2 ≥ 0
Setelah diperoleh nilai T2, kemudian dilanjutkan dengan menghitung nila
M dengan prosedur yang hampir sama seperti pada model FE.
Perbedaannya terletak pada variansi. Pada model RE variansi tidak
hanya berasal dari sampling error, tetapi juga berasal dari variansi true
effect (τ 2) tadi. Oleh karena itu, variansi dari masing-masing studi
dijumlahkan lagi dengan variansi true effect (τ 2) yang telah diestimasi
sebelumnya (V*y1=Vyi+T2).
Dimana
Dan
Karena X1 dan X2 independen, maka varians sampel dari D (VD) hanyalah jumlah
dari varians sampel kelompok 1(VX1) dan Kelompok 2 (VX2).
Jika varians populasi kedua kelompok diasumsikan tidak sama σ 12 ≠ σ 22, maka
persamaan estimasi varians sampel dari kelompok 1 dan kelompok 2 menjadi:
Tampaknya antara pers. (6.9) lebih menarik dari pers. (6.6) karena tidak
memerlukan asumsi homogenitas varians. Namun, varians sampel dari D (V D)
menjadi kurang akurat dari pada varians sampel dari D(V D) bila asumsi
homogenitas varians sesuai. Ukuran sampel yang lebih besar mungkin
diperlukan untuk memperbaiki VD. Oleh karena itu, meta-analisis yang paling
banyak dipublikasikan didasarkan pada homogenitas varians dalam menghitung
varians sampel. Jika varians sampel dari D di kuadradkan. Maka akan diperoleh
standaerd error dari D.
11
perhitungan, diperoleh total weight dari sebelas penelitian (∑ W iYi )
i=1
11
sebesar 169,968 total weight dari effect size sebelas penelitian (∑ W iYi ¿
i=1
11
perhitungan, diperoleh total weight dari sebelas penelitian (∑ W 1*) sebesar
i=1
11
32,649 dan total weight (W*) dari effect size kesebelasan penelitian (∑ W
i=1
*
1Y1) sebesar 2,576. Hasil perhitungan disajikan pada Tabel 6.11.
Informasi lain yang dapat diperoleh dari forest plot pada Gambar 6.2
adalah mengenai konsistensi effect size dari sebelas penelitian dan
penyebab summary effect menjadi tidak signifikan. berdasarkan forest plot
pada Gambar 6.2 diperoleh informasi bahwa dari sebelas penelitian hanya
ada tiga penelitian yang memiliki effect size yang jatuh pada interval 0,50
sampai 0,90, yakni penelitian yang dilakukan oleh Farhan dan Husnul.
Interval kepercayaan (confidence interval) yang membatasi setiap effect
size menunjukkan ketepatan suatu penelitian. Jika interval kepercayaan
tidak termasuk 0, maka penelitian tersebut signifikan secara statistik. Hal
ini mengindikasikan bahwa sebagian besar effect size tidak begitu
konsisten antara penelitian yang satu dengan penelitian yang lainnya dan
hanya ada empat penelitian yang signifikan secara statistik (tujuh
penelitian lainnya tidak signifikan secara statistik). Selain itu, dari sebelas
penelitian diperoleh relative weight tertinggi sebesar 9,28% dari relative
weight total, yakni penelitian yang dilakukan oleh Wulansari. Penelitian
Wulansari memiliki pengaruh yang cukup besar terhadap summary effect
dibandingkan penelitian lainnya, sehingga menarik summary effect ke arah
yang mendekati garis 0 (ke arah yang tidak signifikan).
3. HETEROGENITAS
Seperti yang telah dijelaskan sebelumnya bahwa summary effect
dengan fixed-effect model dapat menjadi informasi yang akurat jika semua
penelitian (kesebelas penelitian) menghasilkan “true” effect size yang sama
pada populasi homogen. Namun, jika diperhatikan forest plot pada Gambar 1
terlihat ada berbagai effect size yang berbeda dalam berbagai jenis populasi.
Dengan kata lain, domain penelitian yang dianalisis dalam metaanalisis
harus dilihat heterogen. Hal ini yang kemudian menjadi landasan atau dasar
untuk dilakukannya uji homogenitas. Pada Bab sebelumnya telah dijelaskan
bahwa ada tiga jenis informasi heterogenitas, yakni Q-statistic (pvalue),
A. Menghitung Q-Statistic
B. Menghitung I2
Selain menggunakan Q-statistic untuk mengetahui ukuran variansi di
sekitar summary effect, ada I2 yang juga menggambarkan proporsi dari
ukuran variansi di sekitar summary effect dalam skala 0 sampai 100
persen. Untuk menghitung I2 digunakan persamaan berikut:
Jika I2 rendah (katakanlah ukuran rendah kurang dari atau sama dengan
25%), maka tidak ada heterogenitas atau dengan kata lain “true” effect
size pada semua penelitian sama, sehingga dengan menafsirkan hasil
summry effect dengan fixed-effect model saja sudah cukup. Jika I 2 tinggi
(katakanlah ukuran tinggi lebih besar dari 25%), maka ada heterogenitas
yang tidak hanya disebabkan oleh sampling error atau dengan kata lain
“true” effect size pada semua penelitian tidak sama, sehingga untuk
menafsirkan summary effect dengan fixed-effect model menjadi tidak tepat
atau tidak akurat, melainkan menggunakan random-effect model sama (Yi
= μ+ζi+ εi) karena mempertimbangkan dua faktor yang menyebabkan
ketidaktepatan dalam estimasi effect size, yakni variabilitas populasi (ζi ¿
atau variasi dari “ true” effect size (T2).
C. Menghitung T2
Varians dari “true” effet size ( T2) ini artinya nanti digunakan untuk
menghitung weight dari effect size yang baru pada Random-effect model
(Wi*).