See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/334644017

Pengantar Analisis Meta

Book · July 2018

CITATIONS READS

11 7,585

5 authors, including:

Heri Retnawati Ezi Apino

Universitas Negeri Yogyakarta Universitas Negeri Yogyakarta
126 PUBLICATIONS   1,135 CITATIONS    21 PUBLICATIONS   447 CITATIONS   

SEE PROFILE SEE PROFILE

Hasan Djidu Kartianom Kartianom

Sembilanbelas November University Institut Agama Islam Negeri Bone
18 PUBLICATIONS   213 CITATIONS    10 PUBLICATIONS   164 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Instructional Project View project

Mathematics Assessment View project

All content following this page was uploaded by Ezi Apino on 16 August 2019.

The user has requested enhancement of the downloaded file.

 Kartianom, H. Djidu, R. D. Anazifa
H. Retnawati, E. Apino,
H
adirnya buku ini merupakan bagian dari pemenuhan kebutuhan referensi mengenai meta-
analisis (analisis meta), khususnya referensi yang menggunakan bahasa Indonesia. Saat
ini penelitian analisis meta sangatlah populer, karena penelitian ini dapat digunakan untuk
meringkas, mengintegrasikan, menggabungkan/mengagregasikan dan mengintepretasikan hasil
penelitian-penelitian terpilih dalam bidang ilmu tertentu. Hal tersebut menunjukkan bahwa ber-
bagai kalangan seperti akademisi, mahasiswa, maupun praktisi telah menunjukkan ketertarikan-
nya pada penelitian analisis meta ini.
Dengan hadirnya buku ini diharapkan dapat mengurangi dahaga para pembaca terkait
wawasan mengenai analisis meta. Selain itu, kehadiran buku ini juga diharapkan dapat
mempermudah para pembaca untuk memahami teknik dan prosedur analisis meta yang dapat
diaplikasikan dalam berbagai disiplin ilmu. Penyajian materi yang komprehensif dan dilengkapi
dengan contoh penerapannya akan semakin mempermudah pembaca untuk menguasai teknik
analisis meta ini. Selain itu, di dalam buku ini juga disediakan tutorial analisis meta menggunakan
9 7 8 6 0 2 6 2 14 2 3 3 84 59 68 7 8 9 1 0 1 1 1 2

software free (gratis), yang tentunya sangat bermanfaat bagi para pembaca dalam melakukan
praktik analisis meta. Adapun buku ini terdiri dari 10 Bab yaitu:
Bab 1. Pendahuluan
Bab 2. Langkah-Langkah Meta-Analisis
Bab 3. Model Efek Tetap vs Model Efek Acak dan Membuat Forest Plot
Bab 4. Meta-Analisis pada Deskripsi Ukuran Pemusatan
Bab 5. Meta-Analisis Pre-Post Contrasts
Bab 6. Meta-Analisis Group Contrasts
Bab 7. Meta-Analisis Korelasi
Bab 8. Publikasi Bias
Bab 9. Meta-Analisis Menggunakan Software
Bab 10. Melaporkan Hasil Meta-Analisis

ISBN 978-602-6243-89-8

Penerbit:
Parama Publishing
Jalan Sadewa No. 1
Sorowajan Baru Yogyakarta
Telp. 081228153789 9 786 026 24 389 8

-2 -1 0 1 2
Halaman Judul

Heri Retnawati
Ezi Apino
Kartianom
Hasan Djidu
Rizqa D. Anazifa
Pengantar Analisis Meta
Penulis : Heri Retnawati
Ezi Apino
Kartianom
Hasan Djidu
Rizqa Devi Anazifa

Editor : Ezi Apino

Sampul : Heri Retnawati
Layout : Hasan Djidu

Cetakan : Pertama, 2018

ISBN : 978-602-6243-89-8

Penerbit:
Parama Publishing
Jalan Sadewa No. 1
Sorowajan Baru Yogyakarta
Telp. 0812 2815 3789

©2018, Hak Cipta dilindungi undang-undang,

dilarang keras menterjemahkan, memfotokopi, atau memperbanyak
sebagian atau seluruh isi buku tanpa izin tertulis dari penerbit
Undang-undang Republik Indonesia Nomor 19 Tahun 2002 tentang Hak Cipta.
Sanksi pelanggaran pasal 72:
1. Barang siapa dengan sengaja dan tanpa hak melakukan perbuatan sebagai-
mana dimaksudkan dalam pasal 2 ayat (1) atau pasal 49 ayat (1) dan ayat (2)
dipidana dengan pidana penjara masing-masing paling singkat 1 (satu) bulan
dan/atau denda paling sedikit Rp1.000.000,00 (satu juta rupiah), atau pidana
paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp5.000.000.000
(lima milyar rupiah).
2. Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau
menjual kepada umum suatu ciptaan atau barang hasil pelanggaran Hak
Cipta sebagaimana diumumkan pada ayat (1), dipidana dengan pidana pen-
jara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp500.000.000
(lima ratus juta rupiah).

ii
Kata Pengantar

Puji syukur “Alhamdulllah”, kami panjatkan kehadirat Allah SWT

atas limpahan rahmat-Nya, sehingga buku “Pengantar Analisis Meta” ini
dapat kami selesaikan dengan baik.
Buku ini ditulis untuk memberikan pemahaman awal bagi pembaca,
khususnya pembaca dari bidang pendidikan dan sosial yang ingin meman-
faatkan hasil penelitian-penelitian yang telah ada melalui analisis meta.
Setelah memahami sejarah, langkah utama, mengumpulkan bahan analisis
meta, menghitung effect size, dan membedakan model acak dan model tetap,
pembaca dipandu untuk melakukan workshop praktik analisis meta melalui
penyajian berbagai contoh dalam buku ini. Contoh-contoh ini terkait dengan
tujuan penelitian pada analisis meta yang memanfaatkan data proporsi,
rerata, selisih skor pre-post test, desain eksperimen, dan korelasi sebagai
effect size. Pemanfaatan free software yang dapat diunduh dari internet juga
dibahas, untuk membantu pembaca agar lebih mudah melakukan analisis
meta.
Buku ini terbit atas dukungan berbagai pihak. Untuk itu, perkenan-
kanlah kami mengucapkan terima kasih kepada Prof. Dr. Badrun Karto-
wagiran, atas dukungan dan kepercaannya kepada kami untuk mengampu
mata kuliah baru. Terima kasih pula kami sampaikan kepada mahasiswa
PEP S3 angkatan 2017, yang telah mengujicoba pemanfaatan draft buku ini,
dan Mas Dr. Ari Setiawan atas semua bantuannya menerbitkan buku-buku
kami. Tidak lupa, terima kasih untuk anggota “berondong D16” atas semua
kerja keras dan usahanya, dengan teriring doa semoga semuanya lancar da-
lam hidup dan kehidupan.
Buku ini merupakan edisi pertama, sehingga kami menyadari berba-
gai kealpaan kami lakukan. Untuk itu, masukan yang membangun dari pem-
baca kami harapkan, sehingga menjadi bahan perbaikan di edisi berikutnya.

Salam

Tim Penulis

iii
 Daftar Isi

Halaman Judul i
Kata Pengantar iii
Daftar Isi iv
BAB 1. Pendahuluan 1
Sejarah Analisis Meta 4
Penggunaan Analisis Meta 5
Kelebihan dan Kekurangan Analisis Meta 7
BAB 2. Langkah-Langkah Analisis Meta 9
Merumuskan Pertanyaan Penelitian dan Menentukan Penelitian yang
Relevan 9
Menentukan Pertanyaan Penelitian 9
Menentukan Penelitian yang Relevan 12
Melakukan Pengkodean 18
Menghitung Effect Size 19
Effect Size Berdasarkan Rata-Rata (Means) 21
Effect Size Berdasarkan Data Biner 27
Effect Size Berdasarkan Data Korelasi 29
Mengkonversi Nilai Effect Size 30
Faktor-Faktor yang Mempengaruhi Presisi Effek Size 31
Koreksi Bias dan Prosedur Umum dalam Analisis Meta 32
BAB 3. Model Efek Tetap vs Model Efek Acak dan
Membuat Forest Plot 34
Summary Effect 34
True Effect pada Model Fix Effect (FE) vs Random Effect (RE) 35
Menghitung Summary Effect Size dengan Fixed-Effect Model 36
Menghitung Summary Effect Size dengan Random-Effect Model 37
Membuat Forest Plot 40
BAB 4. Meta-Analisis pada Deskripsi Ukuran Pemusatan 43
Analisi Meta pada Data Proporsi 43
Data Proporsi (Langsung) 44
Data Proporsi dengan Logit 46
Analisis Meta pada Rerata 47
Contoh 4.1. Analisis Meta dengan Proporsi 50

iv
 Contoh 4.2. Analisis Meta dengan Proporsi Menggunakan Logit 54
Contoh 4.3. Analisis Meta dengan Rerata pada Skor yang Memiliki
Rentang yang Sama 59
Contoh 4.4. Analisis Meta dengan Rerata pada Skor yang Memiliki
Rentang yang Berbeda 62
BAB 5. Meta-Analisis Pre Post Contrasts 68
Apakah Meta-Analisis Pre-Post Contrasts? 68
Langkah-Langkah Analisis 70
Menghitung Effect Size, Variansi Effect, dan
Standard Error Effect 71
Menghitung Summary Effect, Variansi, dan
Standard Error Summary Effect 76
Missing Data pada Meta-Analisis 79
Missing Data pada Meta-Analisis Pre-Post Contrasts 80
Perlakuan Terhadap Missing Data 80
Worked Example Meta-Analisis Pre-Post Contrast 84
Unstandardized Mean Difference (UDM) 84
Standardized Mean Difference (SDM) 93
BAB 6. Meta-Analisis Group Contrasts 105
Menghitung Effect Size dari Group Contrasts 107
Unstandardized Mean Difference 107
Standardized Mean Difference 111
Proportion Difference 116
Odds Ratio 119
Menghitung Summary Effect dari Group Contrasts 123
Fixed-Effect Model 124
Random-Effect Model 131
BAB 7. Meta-Analisis Korelasi 136
Menghitung Effect Size Berdasarkan Korelasi 139
Menghitung Summary Effect 140
Summary Efect dengan Model Efek Tetap
(Fixed-Effect Model) 141
Summary Effect dengan Model Efek Acak
(Random-Effect Model) 144
Menguji Heterogenitas Effect Size 146
Uji Heterogenitas Menggunakan Parameter 𝑄 147

v
 Uji Heterogenitas Menggunakan Parameter Tau-Squared (𝜏 2 ) 147
Uji Heterogenitas Menggunakan Parameter 𝐼 2 150
Contoh Studi Meta-Analisis Korelasi dan Analisisnya 151
BAB 8. Publikasi Bias 166
Penelitian dengan Hasil yang Signifikan Lebih Mungkin
Dipublikasikan 166
Penelitian yang Dipublikasikan Lebih Mungkin Dijadikan Sampel
dalam Meta-Analisis 167
Sumber Bias Lainnya 168
Dampak dari Publication Bias 169
Metode untuk Mendeteksi dan Mengatasi Bias 170
Funnel Plot 172
Rank Correlation dan Regression Method 174
Fail-Safe N 175
Trim and Fill 179
BAB 9. Analisis Meta Menggunakan Software 182
Instalasi Software 182
Persiapan Data untuk Analisis Meta 184
Melakukan Analisis Meta dengan JASP 185
Menganalisis Publikasi Bias dari Analisis Meta 191
BAB 10. Melaporkan Hasil Analisis Meta 200
Format Laporan Resmi 200
Artikel 202
Daftar Pustaka 205
Riwayat Penulis 208

vi
 KEMENTERIAN RISET TEKNOLOGI & PENDIDIKAN TINGGI
UNIVERSITAS NEGERI YOGYAKARTA
PROGRAM PASCASARJANA

RENCANA PEMBELAJARAN SEMESTER

Program Studi : Penilaian dan Evaluasi Pendidikan

Nama Mata Kuliah : Analisis Meta Kode: PEP9253 SKS: 2
Dosen : Dr. Heri Retnawati, M. Pd
Program Studi : S3 Penelitian dan Evaluasi Pendidikan
Prasyarat : Statistika, Regresi dan Korelasi, Desain Eksperimen

Deskripsi Mata Kuliah

Mata kuliah ini menyajikan konsep dasar analisis meta dan penerapannya di
bidang pendidikan dan ilmu-ilmu sosial, yang meliputi urgensi dan sejarah
analisis meta, langkah-langkah, sumber data, effect size, model acak dan mo-
del tetap, analisis meta pada ukuran tendensi sentral (proporsi, logit proporsi,
rerata), pre-post test, desain eksperimen, korelasi, dan menerapkannya pada
projek analisis meta sesuai dengan bidang ilmu mahasiswa.

Capaian Pembelajaran (Mata Kuliah)

Sikap
- Mahasiswa memiliki motivasi atau semangat untuk terlibat aktif dalam
perkuliahan

Kognitif
- Mahasiswa dapat menjelaskan sejarah dan urgensi analisis meta
- Mahasiswa mendeskrisikan langkah-langkah analisis meta
- Mahasiswa mampu memilih dan menggunakan berbagai sumber data
analisis meta
- Mahasiswa mampu mengitung effect size
- Mahasiswa membedakan model acak dan model tetap
- Mahasiswa mampu membuat forest plot
- Mahasiswa mampu menerapkan analisis meta pada ukuran tendensi
sentral (proporsi, logit proporsi, rerata)

vii
- Mahasiswa mampu menerapkan analisis meta pada data pre-post test
- Mahasiswa mampu menerapkan analisis meta pada data desain
eksperimen
- Mahasiswa mampu menerapkan analisis meta data korelasi
- Mahasiswa mampu melakukan publikasi bias analisis meta
- Mahasiswa mampu melakukan analisis meta dengan software
- Mahasiswa mampu menulis artikel hasil analisis meta sesuai bidang ilmu
masing-masing

Kegiatan Perkuliahan
1 2 3 4
Pert. Capaian Pembelajaran Bahan Kajian/ Pokok Bentuk/Mo-
ke- Bahasan del/Metode
1 Kontrak Belajar  Mahasiswa memahami Diskusi
garis besar perkuliahan
 Membuat kesepakatan
aturan perkuliahan
2 Mahasiswa dapat menjelas-  Sejarah analisis meta Ceramah
kan sejarah dan urgensi ana-  Urgensi analisis meta Diskusi
lisis meta  Manfaat analisis meta
3 Mahasiswa mendeskrisikan  Merumuskan tujuan Diskusi
langkah-langkah analisis analisis meta
meta  Menentukan data yang
diperlukan pada analisis
meta
 Menyesuaikan data dengan
tujuan analisis meta
4 Mahasiswa mampu memi-  Hasil penelitian Ceramah
lih dan menggunakan ber- pemerintah Tanya jawab
bagai sumber data analisis  Artikel Jurnal Tugas
meta  Hasil unduhan
(pengindeks, mesin
pencari)
 Tesis dan disertasi
5 Mahasiswa mampu meng-  proporsi, Ceramah
hitung effect size  logit proporsi, Tanya jawab
 rerata Tugas
 pre-post test, Workshop
 desain eksperimen,
 korelasi

viii
 1 2 3 4
Pert. Capaian Pembelajaran Bahan Kajian/ Pokok Bentuk/Mo-
ke- Bahasan del/Metode
6 Mahasiswa membedakan  model tetap Ceramah
model acak dan model tetap  model acak Tanya jawab
dan membuat forest plot  forest plot Tugas
Workshop
7-8- Mahasiswa mampu mene- Analisis meta pada Ceramah
9 rapkan analisis meta pada  proporsi Tanya jawab
ukuran tendensi sentral  proporsi logit Tugas
(proporsi, logit proporsi,  rerata Workshop
rerata)  uji homogenitas

9-10 Mahasiswa mampu Analisis meta pada Ceramah

menerapkan analisis meta  pre-post test Tanya jawab
pada data pre-post test  uji homogenitas Tugas
Workshop
11- Mahasiswa mampu Analisis meta pada Ceramah
12 menerapkan analisis meta  desain eksperimen Tanya jawab
pada data desain ekspe-  uji homogenitas Tugas
rimen Workshop
12 Mahasiswa mampu Analisis meta pada Ceramah
menerapkan analisis meta  korelasi Tanya jawab
data korelasi  uji homogenitas Tugas
Workshop
13 Mahasiswa dapat  publikasi bias Ceramah
melakukan publikasi bias  membuat funnel plot Tanya jawab
pada analisis meta dan  interpretasi funnel plot Tugas
membuat funnel plot Workshop
14 Mahasiswa dapat melaku-  JASP dan pemanfaannya Ceramah
kan analisis meta dengan  Interpretasi output Tanya jawab
software Tugas
Workshop
15 Mahasiswa mampu menulis  Review artikel Diskusi
artikel hasil analisis meta  Presentasi tugas
sesuai bidang ilmu masing-
masing
16 Review Perkuliahan  Review Perkuliahan Diskusi dan
tanya jawab

ix
Penilaian:
No. Komponen Penilaian Bobot (%)
1. Penyelesaian tugas 40 %
2. Diskusi dan presentasi 20 %
4. Tugas Projek 30 %
5. Aspek motivasional selama perkuliahan 10 %
Jumlah 100%

Referensi

Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2009).

Introduction to meta-analysis. West Sussex, UK: John Wiley & Sons.
Card, N. A. (2012). Applied meta-analysis for social science research. New
York, NY: The Guilford Press.
Hunter, J. E., & Schmidt, F. L. (2004). Methods of meta-analysis: Correcting
error and bias in research finding (2nd Ed.). Thaousand Oaks, CA:
Sage Publication.
Lipsey, M. W., & Wilson, D. B. (2001). Practical meta-analysis: Applied
Social Research Methods Series (Vol. 49). Thaousand Oaks, CA:
Sage Publication.

Mengetahui,
Ketua Program Studi S3 PEP Dosen Pengampu Mata Kuliah

(Prof. Dr. Badrun Kartowagiran) (Dr. Heri Retnawati, M.Pd.)

NIP. 19530725 197811 1 001 NIP. 19730103 200003 2 001

x
BAB 1. Pendahuluan
Bab 1
Pendahuluan

Dalam suatu penelitian, salah satu bahan yang digunakan peneliti

untuk menjawab pertanyaan penelitian adalah data. Ada berbagai data yang
dapat digunakan oleh peneliti. Secara tradisional, para peneliti di bidang pen-
didikan mengumpulkan dan menganalisis data primer (primary data). Selain
data primer, terdapat pula data sekunder. Data sekunder (secondary data)
adalah data yang diperoleh dari pihak lain atau menganalisis kembali dari
data sendiri yang telah dipublikasi.
Berdasarkan pemanfaatan data menggunakan data yang dikumpulkan
tidak langsung, paling tidak ada 4 macam sudut pandang logis yang dapat
digunakan. Pendekatan yang lazim yaitu
1. Analisis meta (meta analysis), yang merupakan penelitian menggunakan
studi-studi yang telah ada dan telah digunakan oleh peneliti lain yang
dilakukan secara sistematis dan kuantitatif untuk memeroleh kesimpulan
yang akurat.
2. Telaah sistematik (systematic review) merupakan kajian yang meng-
gunakan studi-studi yang telah ada dan telah digunakan oleh peneliti lain
yang dilakukan secara sistematis dan kualitatif untuk memeroleh penda-
laman tentang sesuatu.
3. Analisis data sekunder (secondary data analysis), menggunakan sumber
data yang tersedia secara umum, misalnya menggunakan data penelitian
atau laporan yang telah ada.
4. Analisis ulang atau juga disebut telaah (review) dari penelitian yang telah
dipublikasi.
Berbagai cara pemanfaatan penelitian tersebut disesuaikan dengan
penelitian yang akan dilakukan, khususnya sesuai dengan tujuan penelitian
yang akan dicapai oleh peneliti. Pada buku ini hanya akan difokuskan pada
analisis meta saja.

1
 Analisis meta merupakan salah satu bentuk penelitian, dengan meng-
gunakan data penelitian-penelitian lain yang telah ada (data sekunder). Oleh
karena itu analisis meta merupakan metode penelitian kuantiatif dengan cara
menganalisis data kuantitatif dari hasil penelitian sebelumnya untuk mene-
rima atau menolak hipotesis yang diajukan dalam penelitian-penelitian ter-
sebut.
Analisis meta merupakan metode penelitian yang semakin populer
digunakan untuk meringkas hasil penelitian. Analisis meta banyak diguna-
kan dalam kajian teori penelitian. Selain itu, analisis meta dapat menjadi
sumber landasan dalam pembuatan kebijakan. Bagi peneliti, penting untuk
mengetahui metode dalam melakukan analisis meta. Oleh karena itu, analisis
meta sebaiknya dijadikan topik dalam mata kuliah pengenalan metodologi
penelitian.
Analisis meta perlu dilakukan karena adanya realitas bahwa tidak ada
penelitian yang terbebas dari kesalahan dalam penelitian meskipun peneliti
telah berusaha meminimalisir kesalahan atau eror dalam penelitan tersebut.
Untuk itu perlu dilakukan koreksi terhadap ketidaksempurnaan penelitian
atau yang disebut dengan artefak (Hunter & Schmidt, 2004). Menurut
Hunter dan Schmidt (2004) terdapat 11 artefak yang dapat dikoreksi dalam
analisis meta, yaitu
1. Kesalahan pengambilan sampel
2. Kesalahan pengukuran pada variabel dependen
3. Kesalahan pengukuran pada variabel independen
4. Sifat dikotomi pada variabel dependen
5. Sifat dikotomi pada variabel independen
6. Variasi rentang dalam variabel independen
7. Variasi rentang dalam variabel dependen
8. Ketidaksempurnaan validitas konstruk pada variabel dependen
9. Ketidaksempurnaan validitas konstruk pada variabel independen
10. Kesalahan pada pelaporan atau transkripsi
11. Varians yang disebabkan faktor luar
Analisis meta merupakan sintesis secara sistematik berbagai macam
penelitian pada topik penelitian tertentu. Analisis meta mengumpulkan pene-
litian-penelitian dengan topik-topik yang relevan. Dalam meta-analisis ada
data yang kemudian diolah dan digunakan untuk membuat kesimpulan
secara statistik. Data tersebut dapat dinyatakan dengan berbagai ukuran yang

2
dihitung atau dicari terlebih dahulu dengan formula yang dinyatakan dengan
berbagai persamaaan matematika, yang sangat terkait dengan tujuan pene-
litian dari analisis meta yang dilakukan. Ukuran tersebut disebut sebagai
effect size. Analisis meta mencakup analisis konten (content analysis) yang
mengkode karakteristik dari suatu penelitian, misalnya umur, tempat pene-
litian, atau domain tertentu dalam bidang kelimuan tertentu. Effect size yang
memiliki karakteristik sama dikelompokkan bersama dan dibandingkan.
Effect size adalah indeks kuantitatif yang digunakan untuk merang-
kum hasil studi dalam analisis meta. Artinya, effect size mencerminkan
besarnya hubungan antar variabel dalam masing-masing studi. Pilihan in-
deks effect size bergantung pada jenis data yang digunakan dalam studi. Ada
empat jenis data dalam penelitian menurut Borenstein, Hedges, Higgins, dan
Rothstein (2009), yaitu:
1. Dikotomi
Pada data yang dibangun secara dikotomi seperti “ya” atau “tidak”,
hidup atau mati, sukses atau gagal, maka effect size yang digunakan be-
rupa relative risk atau risk ratio (RR), odds ratio (OR), atau risk
difference (RD).
2. Kontinu
Pada data yang dibangun secara kontinu, seperti bobot dan tekanan
darah, maka effect size yang digunakan antara lain mean difference
(MD) atau standardized mean difference (SMD).
3. Time-To-Event Atau Survival Time
Untuk data jenis ini, misalnya waktu kambuh, waktu sembuh, maka
digunakan rasio hazard.
4. Ordinal
Data hasil yang dikategorikan berdasarkan kategori tertentu, misalnya
ringan/sedang/berat.
Masing-masing jenis data akan menentukan effect size yang digunakan
dalam analisis meta.
Sebelum mengkaji lebih mendalam mengenai analisis meta, terlebih
dahulu akan dibahas sejarahnya. Sejarah ini akan memperdalam pemahaman
pembaca, mengapa analisis meta urgen untuk dilakukan, dan memberikan
gambaran umum bagaimana analisis meta dilakukan.

3
Sejarah Analisis Meta

Sejarah analisis meta dimulai pada tahun 1904 sejak Karl Pearson me-
rata-rata korelasi efektivitas inokulasi pada penyakit tipus. Setelah itu, pada
tahun 1944 R.A. Fisher menyatakan bahwa “when a number of quite inde-
pendent tests of significance have been made, it sometimes happens that
although few or none can be claimed individually as significant, yet the
aggregate gives an impression that the probabilities are on the whole lower
than would often have been obtained by chance”. Kemudian pada tahun
1952, Hans J. Eysenck menelaah literatur dan menyimpulkan bahwa tidak
ada efek yang menguntungkan dari psikoterapi, dimana kesimpulan tersebut
beliau dapatkan dari keresahan, karena selama 20 tahun penelitian secara
empiris tidak dapat menyelesaikan permasalahan tersebut. Hasil dari kesim-
pulan tersebut menyebabkan perdebatan di berbagai kalangan. Setelah itu,
pada tahun 1953 W. G. Cochran mendiskusikan metode untuk mengukur
rata-rata dari rata-rata antara penelitian-penelitian independen.
Tonggak penting analisis meta adalah pada tahun 1978. Pada tahun
ini Gene V Glass menganalisis 375 hasil penelitian psikoterapi. Hasil pene-
litian tersebut kemudian dipublikasikan oleh Glass dan Smith yang menya-
takan bahwa psikoterapi memang benar-benar memberikan manfaat positif
bagi kehidupan manusia dan mematahkan pernyataan dari Eyesenck. Glass
kemudian menyebut metode tersebut sebagai analisis meta. Pada waktu yang
bersamaan dengan Glass, pendekatan statistika yang serupa untuk menyin-
tesis hasil penelitian dilakukan oleh Rosenthal dan Rubin (1978) pada bi-
dang efek harapan intrapersonal dan Schmidt dan Hunter (1977) pada bidang
generalisasi tes karyawan.
Sebelum tahun 1990 penggabungan data dari hasil beberapa peneli-
tian sebagian besar dilakukan dengan telaah naratif (narrative review). Akan
tetapi terdapat beberapa keterbatasan dalam telaah naratif tersebut. Keter-
batasan pertama adalah subjektivitas. Keterbatasan kedua adalah telaah nara-
tif tidak memberikan manfaat karena mengakibatkan semakin banyaknya
informasi yang tersedia secara beragam. Adanya keterbatasan-keterbatasan
tersebut meyebabkan para peneliti mulai beralih dari telaah naratif dan mulai
mengadopsi telaah sistematik (systematic review) dan analisis meta. Pada
telaah sistematik, terdapat peraturan-peraturan yang baku untuk dilaksana-
kan, misalnya mulai dari pemilihan penelitian yang akan dianalisis. Kunci

4
dari sebagaian besar telaah sistematik adalah dengan mensistesis data secara
statistik atau disebut dengan analisis meta. Rumus-rumus yang digunakan
dalam analisis meta merupakan lanjutan dari rumus-rumus yang digunakan
dalam penelitian primer (Borenstein et al., 2009)
Setelah tahun tersebut, banyak analisis meta dilakukan. Analisis ini
bukan hanya untuk bidang psikologi saja, namun juga merambah ke bidang
lain. Bidang-bidang tersebut misalnya bidang sosial dan humaniora terma-
suk pendidikan, kependudukan, dan lain-lain; bidang kedokteran dan kese-
hatan yang merupakan pengguna analisis meta paling banyak, bidang eko-
nomi, bidang hukum, farmasi, psikologi, kriminologi, bisnis, ekologi, dan
lain-lain.
Dalam bidang pendidikan, beberapa contoh dari penelitian yang digu-
nakan dalam analisis meta antara lain perbandingan antara pembelajaran
jarak jauh dan pembelajaran tradisional di kelas, pengaruh penilaian dari
sekolah di negara-negara berkembang, hubungan antara tugas guru dan pres-
tasi siswa. Contoh lain adalah pemanfaatan pembelajaran berbasis teknologi
informasi yang telah dilakukan di berbagai belahan dunia. Hasil dari analisis
meta tersebut dapat memberikan pengaruh terhadap kebijakan pendidikan
dan pelaksanaanya di berbagai negara dari berbagai belahan dunia.

Penggunaan Analisis Meta

Berawal dari ada banyaknya penelitian yang membahas suatu topik

tertentu atau suatu domain tertentu, pasti akan menimbulkan pertanyaan dari
benak masyarakat pengguna penelitian-penelitian tersebut. Terlebih lagi ha-
sil penelitian memberikan kesimpulan yang berbeda-beda. Pengguna hasil
penelitian akan mempertanyakan bagaimana hasil akhir penelitian-peneli-
tian tersebut. Hasil akhir ini berupa agregasi kesimpulan dari penelitian-
penelitian tersebut. Untuk memeroleh agragasi ini, suatu metode yang siste-
matik diperlukan.
Salah satu metode ini adalah analisis meta. Selain sebagai metode
yang sistematis, analisis ini juga diperlukan untuk membantu dalam meran-
cang penelitian baru. Selain itu telaah sistematik juga berfungsi dalam
publikasi. Peran telaah sistematik dalam publikasi adalah membatu untuk
memposisikan penelitian baru dalam hal mendeskripsikan apa yang telah
diketahui sebelumya dan apa yang diharapkan dari penelitian baru tersebut.

5
 Analisis meta digunakan untuk menganalisis penelitian-penelitian
empiris yang telah dilakukan oleh peneliti sebelumnya, hasil penelitian
kuantitatif, hasil penelitian dalam bentuk yang dapat dibandingkan misalnya
rerata, koefisien korelasi (correlation coefficients), dan odds-ratio. Hasil
penelitian tersebut dijadikan bahan unuk menghitung effect size, yang digu-
nakan untuk menyusun agregat. Analisis meta juga digunakan untuk mengu-
ji konstruk dan hubungan yang dapat dibandingkan. Analisis meta ini meru-
pakan metode penelitian khusus untuk menggabungkan penelitian-peneli-
tian yang dapat diukur effect size-nya.
Analisis meta juga merupakan cara untuk meringkas, menginte-
grasikan, menggabungkan/mengagregasikan dan mengintepretasikan hasil
penelitian-penelitian terpilih dalam bidang ilmu tertentu. Analisis meta tidak
dapat digunakan untuk meringkas makalah yang disajikan secara teoretis,
review penelitian-penelitian kualitatif, dan usulan kebijakan. Analisis meta
hanya dapat menganalisis penelitian kuantitatif, yaitu penelitian yang meng-
gunakan pengukuran kuantitatif dari suatu variabel dan melaporkan statistik
deskriptif atau inferensial untuk menjelaskan hasil penelitian. Analisis meta
tidak dapat digunakan untuk penelitian seperti studi kasus, ethnografi, dan
penemuan naturalistik. Analisis meta juga mengkodekan penelitian-pene-
litian untuk dianalisis. Kode-kode ini membantu menjelaskan hasil agregasi
layaknya penelitian seperti yang biasanya ditampilkan pada suatu publikasi
ilmiah.
Hasil penelitian yang dapat digunakan dalam analisis meta mempu-
nyai karakteristik tertentu. Karakteristik pertama adalah hasil penelitian
dapat dibandingkan secara konseptual (conceptual comparable), bahwa pe-
nelitian-penelitian tersebut mempunyai kesamaan konstruk dan hubungan.
Tantangan dalam analisis meta adalah dalam analisis meta tidak dapat meng-
analisis penelitian-penelitan yang secara jelas berbeda baik pada konstruk
maupun hubungan. Hasil penelitian mempunyai hasil yang mirip secara
statistik, sehingga tidak tepat apabila menggabungkan penelitian-penelitian
dengan desain penelitian yang berbeda yang menghasilkan hasil penelitian
dengan bentuk berbeda meskipun mempunyai topik penelitian yang sama.
Analisis meta mempunyai beberapa fungsi. Berikut ini merupakan
fungsi dari analisis meta yaitu:
a. Mengidentifikasi heterogenitas pengaruh pada berbagai macam pene-
litian dan apabila memungkinkan maka dapat ditarik kesimpulannya.

6
b. Meningkatkan kekuatan statistik dan presisi unutk mendeteksi penga-
ruh.
c. Mengembangkan, memperbaiki, dan menguji hipotesis.
d. Mengurangi subjektivitas dari perbandingan penelitan dengan meng-
gunakan prosedur yang sistematis dan perbandingan eksplisit.
e. Mengidentifikasi kesenjangan data antara pengetahuan dasar dan me-
ngarahkan untuk penelitian selanjutnya.
f. Menentukan ukuran sampel untuk penelitian selanjutnya.

Kelebihan dan Kekurangan Analisis Meta

Analisis meta memungkinkan kita untuk mengkombinasikan berba-

gai macam hasil penelitian dengan cara kuantitaitf. Analisis meta juga mam-
pu menggambarkan hubungan antar penelitian dengan baik, sehingga dapat
mengatasi adanya perbedaan hasil antar penelitian. Selain itu, sifat meta-
anaisis yang lebih objektif dari pada narative review, memungkinkan anali-
sis meta lebih fokus pada data, bukan fokus pada kesimpulan dari berbagai
macam studi. Terlebih lagi, analisis meta lebih mudah dilakukan kerena dila-
kukan secara kuantitaif dan berfokus pada effect size. Analisis meta juga
mempunyai kelebihan lainnya, yaitu:
1. Prosedur analisis meta menerapkan disiplin yang berguna dalam proses
merangkum temuan penelitian.
2. Analisis meta merupakan studi yang dilakukan dengan cara yang lebih
canggih dari pada prosedur peninjauan konvensional yang cenderung
mengandalkan ringkasan kualitatif atau “vote-counting”.
3. Analisis meta mampu menemukan pengaruh atau hubungan yang dika-
burkan dalam pendekatan lain untuk meringkas penelitian.
4. Analisis meta menyediakan cara terorganisir untuk menangani infor-
masi dari sejumlah besar temuan penelitian yang sedang dikaji.
Selain kelebihan-kelebihan tersebut, analisis meta juga memiliki
beberapa kekurangan. Analisis ini membutuhkan waktu yang lebih lama
dalam penyelesaiannya dari pada review penelitian kualitatif konvensional.
Selain itu, dalam melaksanakan analisis meta seorang peneliti membutuhkan
pengetahuan yang khusus dalam memilih dan mengkomputasi effect size
yang tepat dan menganalisis secara statistika.

7
 Kekurangan lainnya adalah adanya bias pada pengambilan sampel
dan publikasi. Bias pada pengambilan sampel disebabkan karena ketidak-
seragaman tiap-tiap studi. Pada bias publikasi disebabkan karena data yang
digunakan cenderung merupakan data yang telah terpublikasi yang biasanya
datanya signifikan, sedangkan data yang tidak signifikan cenderung tidak di
publikasikan.
Selain masalah bias sampel dan publikasi, kekurangan lainnya adalah
studi yang digunakan dalam analisis meta tidak sebanding atau sering dike-
nal dengan analogi apel and orange. Analogi tersebut mempunyai arti bah-
wa dalam analisis meta dapat ditemukan studi-studi yang yang berbeda
dalam analisis yang sama. Kekuragan lainnya adalah adanya kesalahan seca-
ra metodologi. Kesalahan dalam menentukan kesimpulan suatu studi dapat
disebabkan karena kesalahan yang bersifat metodologi. Oleh karena itu,
untuk mengatasinya peneliti sebaiknya menggunakan data dan statistik yang
terdiri dari effect size, sample size, moderator variable, atau yang lainnya.

8
BAB 2. Langkah-Langkah Analisis Meta
Bab 2
Langkah-Langkah Analisis Meta

Untuk melakukan analisis meta, 3 langkah utama adalah merumuskan

pertanyaan penelitian analisis meta yang akan dilakukan, mengumpulkan
studi-studi atau hasil penelitian sebagai bahan analisis meta, menghitung
effect size, dan menyusun laporan hasil analisis. Secara detail, tiap bagian
diulas sebagai berikut.

Merumuskan Pertanyaan Penelitian dan

Menentukan Penelitian yang Relevan

Dalam melakukan analisis meta, ada beberapa langkah awal yang

perlu dilakukan. Langkah-langkah tersebut yaitu menentukan pertanyaan
penelitian, menentukan penelitian yang relevan, melacak dan mengumpul-
kan penelitian, dan pilot coding, Langkah-langkah tersebut akan dijelaskan
sebagai berikut.

Menentukan Pertanyaan Penelitian

Pada dasarnya meta-analisis menggunakan dua pendekatan umum,

yaitu combining studies dan comparing studies. Dalam studi kombinasi
melibatkan effect size dari studi primer untuk mengestimasi effect size yang
setipe atau rentang dari effect size tersebut. Sedangkan comparing studies
melibatkan heterogenitas dari effect size. Tujuan dari combining studies
dalam meta-analisis adalah untuk mengidentifikasi rata-rata dari effect size,
sedangkan tujuan dari comparing studies dalam meta-analisis adalah untuk
mengevaluasi hubungan antara effect size dan karakteristik penelitian.
Dalam menentukan pertanyaan penelitian maka perlu melakukan
agregasi kemudian mengestimasi proporsi atau rerata dari banyak penelitian.
Selain itu perlu membandingkan antara kelompok perlakukan dan kelompok

9
kontrol, perbedaan pretes dan postes, korelasi antara dua variabel, atau
moderator dari hasil.
Pertanyaan dalam analisis meta terkait dengan 4 hal, yakni ukuran
pemusatan, perbandingan pre-post, perbandingan dua kelompok, dan kore-
lasi. Masing-masing disajikan sebagai berikut.

a. Penelitian terkait dengan ukuran pemusatan (Central Tendency Re-

search)
Temuan penelitian jenis ini menggambarkan karakteristik minat
yang diukur pada sampel responden tunggal. Distribusi nilai pada varia-
bel tersebut diringkas dengan beberapa statistik seperti mean, median,
modus, atau proporsi. Suatu penelitian memberikan temuan untuk sejum-
lah sampel tertentu, sehingga teknik analisis meta dapat diterapkan untuk
meringkas distribusi temuan tersebut di seluruh sampel dan menganalisis
hubungannya dengan berbagai karakteristik penelitian dan sampel. Seba-
gian besar statistik umum yang digunakan untuk menggambarkan ten-
densi sentral dalam suatu penelitian dapat dikonfigurasi sebagai effect
size yang dapat digunakan dalam analisis meta jika operasionalisasi
variabel sama untuk semua temuan. Oleh karena itu dapat disimpulkan
bahwa semua penelitian perlu menggunakan ukuran yang sama.

b. Perbandingan pre-post (Pre-post contrast)

Pada bentuk perbandingan pre-post adalah dengan membanding-
kan kecenderungan sentral (misalnya, mean atau proporsi) pada variabel
yang diukur pada satu waktu dengan kecenderungan sentral pada variabel
yang sama yang diukur di lain waktu. Hal ini sering dilakukan untuk
memeriksa perubahan. Statistik deskriptif yang digunakan untuk mewa-
kili temuan ini umumnya adalah perbedaan langsung antara dua nilai
tendensi sentral, dari nilai gain atau selisih yang didefinisikan sebagai
perbedaan untuk setiap responden.

c. Perbandingan antar grup (Comparison of group contrast)

Jenis penelitian ini melibatkan satu atau lebih variabel yang diukur
pada dua atau lebih kelompok responden dan kemudian dibandingkan
antar kelompok tersebut. Statistik deskriptif yang biasanya dilaporkan
adalah nilai tendensi sentral, misalnya, rata-rata atau proporsi, yang dapat

10
 dibandingkan untuk setiap kelompok responden. Ada dua bentuk pene-
litian comparison of group contrast, yaitu experimentally created groups
dan naturally occurring groups. Dalam experimentally created groups,
kelompok responden yang dibandingkan mewakili kondisi dalam ekspe-
rimen atau kuasi. Dalam naturally occurring groups kelompok respon-
den yang dikontraskan diidentifikasi berdasarkan kondisi sebenarnya/
alamiah dalam unit eksperimen. Karakteristik yang membedakan kelom-
pok dapat terjadi secara alami atau dapat didefinisikan oleh peneliti.

d. Hubungan antar variabel (Association between variables)

Jenis temuan penelitian ini merupakan kovariat atas dua variabel
untuk menentukan apakah ada hubungan di antara keduanya. Misalnya,
penelitian semacam itu dapat menguji korelasi antara status sosial eko-
nomi keluarga dengan nilai matematika siswa di sekolah dasar. Temuan
semacam ini dapat dilaporkan sebagai koefisien korelasi atau indeks
asosiasi yang berasal dari analisis variabel, misalnya, koefisien chisquare,
odds ratio, lambda, atau sejenisnya. Terdapat dua kategori dalam hu-
bungan antar variabel, yaitu:
1) Mesurement research
Measurement research berhubungan dengan asosiasi pada isu-isu
yang berkaitan dengan karakteristik instrumen pengukuran. Misalnya,
koefisien reliabilitas test-retest. Contoh umum lainnya adalah studi vali-
ditas prediktif, seperti korelasi antara skor pada tes SAT dan nilai kuliah
yang bertujuan untuk menilai keabsahan tes SAT berdasarkan kecen-
derungan prestasi mahasiswa di perguruan tinggi.
2) Individual differences research
Kategori penelitian korelasional yang lebih umum ini meneliti
kovariat antara karakteristik atau pengalaman individu yang dipilih.
Misalnya, penelitian tentang hubungan antara jumlah saudara kandung
dan IQ, hubungan antara penggunaan alkohol dan kekerasan dalam ru-
mah tangga, atau hubungan antara jumlah waktu yang dihabiskan untuk
pekerjaan rumah dan nilai sekolah menengah siswa. Analisis meta pada
temuan dari asosisasi atau korelasi antara dua variabel adalah bersifat
umum, dan beberapa statistik effect size berlaku pada situasi tersebut.

11
Menentukan Penelitian yang Relevan

Sebelum melakukan analisis meta, perlu dipertegas spesifikasi dari

literatur yang akan digunakan dalam meta-analisis. Terdapat tiga alasan
utama pentingnya untuk menentukan kriteria, pertama kriteria-kriteria ter-
sebut dapat digunakan untuk memandu dalam memilih penelitian mana yang
akan digunakan dalam meta-analisis. Alasan kedua adalah kriteria tersebut
penting untuk menentukan populasi yang berkaitan dengan pembuatan
kesimpulan. Alasan ketiga adalah transparasi yang berkaitan dengan publi-
kasi meta-analisis.
Beberapa kriteria yang harus diperhatikan adalah bidang ketertarikan
yang akan dianalisis, karakteristik sampel, desain penelitian, waktu pene-
litian, tipe publikasi, dan informasi effect size. Karakteristik penelitian yang
digunakan dalam analisis meta harus jelas. Salah satu karakteristik dari
analisis meta yang baik adalah bahwa peneliti sangat eksplisit tentang popu-
lasi penelitian yang temuannya harus diperiksa dan dirangkum. Kriteria
kelayakan pada penelitian yang digunakan dalam analisis meta tergantung
pada topik analisis meta, akan tetapi, secara umum kategori yang harus di
pertimbangkan untuk diaplikasikan yaitu sebagai berikut.

a. Fitur pembeda dari studi kualifikasi

Jika analisis meta membahas tentang efektivitas intervensi, maka
kriteria kelayakan yang menentukan karakteristik suatu intervensi harus
relevan, memberikan definisi apa pun yang diperlukan, bahkan memberi
contoh tentang apa yang harus disertakan dan dikecualikan. Jika analisis
meta membahas perbandingan kelompok (misalnya, perbedaan jenis
kelamin), kriteria tersebut harus memuat sifat kelompok dan perban-
dingan yang dipermasalahkan. Jika topik analisis meta berkaitan dengan
hubungan antara dua konstruk, kriteria yang menentukan konstruk terse-
but harus jelas dan bagaimana operasional dari kedua konstruk juga harus
dapat dikenali.

b. Responden penelitian
Karakteristik dari responden penelitian harus jelas, misalnya apa-
bila menyertakan remaja sebagai subjek penelitian maka definisi remaja

12
 harus jelas misal dibawah usia 18 atau 21 tahun, sehingga tidak mencam-
pur remaja dan orang dewasa. Sama halnya ketika menggukan subjek
penelitian yang menggunakan karakteristik demografi tertentu misalnya
subjek penelitian pada kondisi tertentu (sekolah dasar), subjek penelitian
yang memiliki atau tidak memiliki gejala penyakit tertentu, subjek pene-
litian yang berada pada kebudayaan tertentu atau agama tertentu. Oleh
karena itu pemilihan responden penelitian harus jelas.

c. Variabel kunci
Kriteria pada penelitian juga harus mengacu pada variabel spesifik
yang diperlukan untuk menjawab pertanyaan penelitain. Pada penelitian
perbandingan kelompok, variabel mengacu pada beberapa variabel
penting dimana kelompok tersebut dibandingkan. Dalam studi korelasi,
terdapat kovariat atau variabel kontrol yang diinginkan dan juga kons-
truksi tertentu untuk diwakili dalam korelasi utama yang didefinisikan
sebagai fitur pembeda dari penelitian yang telah dibahas.
Selain itu, karena analisis meta berkisar pada pengkodean statistik
effect size untuk mewakili temuan penelitian, satu kriteria yang diper-
lukan dalam kategori ini adalah bahwa terdapat informasi statistik yang
cukup untuk memungkinkan penghitungan atau estimasi statistik ukuran
effect size yang sesuai, dan informasi ringkasan lainnya, atau hubungan
yang melibatkan variabel kunci.

d. Desain penelitian
Menentukan bentuk temuan penelitian yang relevan adalah hal
yang penting. Pada penelitian yang melibatkan adanya intervensi, maka
kriteria ini akan sejalan dengan rancangan eksperimental dan akan me-
nunjukkan apakah akan memilih desain random assignment control
group studies, percobaan kuasi dari berbagai jenis, atau desain sejenis
lainnya.
Pada analisis meta, kriteria yang membatasi memungkinkan anali-
sis meta didasarkan pada studi terbaik, namun mungkin membatasi jum-
lah dan rentang studi yang memenuhi syarat. Namun, kriteria yang long-
gar dapat menyebabkan penggunaan penelitian yang tersedia sebagai
bahan meta-analisis lebih luas, namun dapat memungkinkan terjadinya
kesalahan atau bias dalam meta-analisis.

13
e. Rentang budaya dan bahasa
Jika pembatasan budaya atau bahasa tidak diperlukan untuk me-
ngejar pertanyaan penelitian, bias dan keterbatasan yang melekat dalam
pembatasan semacam itu harus dipertimbangkan dan ditangani sebagai
bagian dari analisis meta.

f. Jangka waktu
Analisis meta dapat mengacu pada studi-studi terbaru misalnya
dari titik mana permasalahan muncul atau sejak kapan metode atau ins-
trumen tertentu tersedia. Meta-analisis juga mulai pada penelitian yang
disesuaikan dengan waktu suatu fenomena terjadi. Berdasarkan budaya
dan kriteria bahasa yang telah dijelaskan sebelumnya, analisis meta
sebaiknya mempertimbangkan permasalahan yang waktunya sesuai
dengan kriteria.

g. Jenis publikasi
Berbagai macam jenis publikasi dapat digunakan dalam analisis
meta, yaitu artikel jurnal, buku, desertasi, laporan teknis, naskah yang
belum dipublikasi, presentasi dari suatu konferensi, dan lain sebagainya.
Apabila tidak apa batasan pada tipe dari laporan penelitian yang diikut-
sertakan dalam analisis meta, maka tipe dari laporan penelitian yang
digunakan harus dispesifikasikan dan ditentukan. Biasanya analisis meta
menggunakan laporan penelitian resmi karena paling mudah untuk dicari.
Selain itu, penggunaan penelitian resmi didasari bahwa penelitian resmi
mempunyai kualitas penelitian yang lebih bagus misalnya dalam hal kua-
litas metodologi penelitiannya. Akan tetapi, hal tesebut tidak serta merta
dapat diterima karena penelitian yang tidak dipublikasikan mungkin
lebih bagus. Lebih penting lagi, bahwa efek dilaporaknnya penelitian
yang telah dipublikasi lebih luas dari pada yang belum dipublikasikan
(Begg, 1994; Lipsey & Wilson, 1993; Smith, 1980).

h. Kualitas metodologi
Adanya kontroversi dalam menentukan kriteria metodologi yang
digunakan dalam analisis meta dan sulitnya menentukan kriteria yang

14
tepat, maka pembahasan mengenai cara menentukan kriteria terkait de-
ngan metodologi perlu dilakukan. Beberapa hal yang perlu dipertim-
bangkan diantaranya:
1. Kesulitan dalam menentukan seberapa inklusif variasi metodologi
yang harus dilakukan analisis meta. Pendekatan inklusif lebih banyak
memiliki manfaat dari banyak penelitian untuk digunakan, repre-
sentasi yang lebih lengkap dari penelitian yang tersedia mengenai
suatu topik, dan kesempatan untuk menguji secara empiris hubungan
antara karakteristik metode dan temuan penelitian.
2. Hasil penelitian tidak sesuai karena perbedaan metodologi antar pene-
litian. Meta-analisis relatif sedikit saja yang telah memeriksa berbagai
karakteristik metodologis dalam hubungannya dengan temuan studi
yang biasanya untuk menentukan apakah ada hubungan yang kuat
atau tidak (Lipsey, 1992; Schulz, Chalmers, Hayes, & Altman, 1995;
Sellers, Crawford, Bullock, & McKinlay, 1997; Shadish, 1992; Weiss
& Weisz, 1990; Wilson, 1995).
3. Kualitas laporan metodologi dalam penelitian ilmu sosial masih
buruk. Laporan penelitian terkadang ambigu dalam menjelaskan
metodologi yang penting atau masalah prosedural sehingga membuat
peneliti susah dalam memahami metodologi yang digunakan.
4. Pandangan peneliti megenai suatu metodologi penelitian.
5. Beberapa peneliti dan ahli analisis meta telah mengembangkan skema
untuk menilai kualitas metodologi. Meskipun belum ada kesepakatan,
tetapi mereka menghasilkan saran yang potensial tentang karakteristik
penting dari metode. Beberapa saran diantaranya adalah coding stu-
dies
6. Dengan memperhatikan karakteristik metodologi penelitian yang
digunakan, maka harus ada hubungan timbal balik antara batasan kri-
teria kelayakan dan tingkat pengkodean studi yang dipilih. Beberapa
variasi metodologi diperbolehkan digunakan dalam analisis meta
tetapi harus memerhatikan tahap selanjutnya yaitu pengkodean. Hal
tersebut memberikan kesempatan terhadap peneliti untuk memeriksa
sejauh mana penelitian dengan metode yang berbeda menghasilkan
temuan yang berbeda dan membuat penyesuaian yang mungkin
diperlukan dalam meningkatkan validitas dari kesimpulan.

15
 7. Walaupun kebanyakan analisis meta berfokus pada aspek substantif
dari studi yang peneliti rangkum, analisis meta dapat digunakan untuk
mempelajari metode sebagai masalah tersendiri (misalnya, Heinsman
& Shadish (1996) dan Wilson (1995)). Dengan analisis meta kita bisa
memeriksa hubungan yang muncul antara metode yang digunakan
dalam penelitian tersebut dengan temuan penelitian. Dengan demi-
kian, analisis meta memberi kesempatan untuk menemukan fitur
metodologis mana yang penting untuk dipelajari. Oleh karena itu,
perlu untuk tidak hanya mempertimbangkan masalah metodologis
sebagai kriteria kelayakan tetapi juga dalam hal penyelidikan.

Dalam menentukan kriteria penelitian yang akan digunakan untuk

meta-analisis, antara studi satu dengan studi lainnya dapat berbeda-beda. Hal
tersebut tergantung pada fokus dan tujuan serta sifat dari studi analisis meta
yang akan dilakukan, apakah bersifat terbatas (inklusif) atau lebih terbuka
(ekslusif).
Setelah menentukan kriteria, maka pencarian literatur dapat mulai
dilakukan dengan mencari dari berbagai macam sumber, diantaranya:
a. Hasil penelitian-penelitian berbagai lembaga dan universitas
b. Database bibliografi tekomputerisasi
Hal penting dalam mengumpulkan referensi adalah menggunakan kata
kunci dalam pencariannya. Beberapa database yang dapat digunakan
misanlnya Google Scholar, Google, EBSCO, Proquest, Phsychological
Abstracts (PsycINFO dan PsychLit), Sociological Abstracts, ERIC
(Educational Resources Information Center), dan MEDLINE, LC
MARC, NTIS, NCJRS, Ageline, Economic Literature Index, Springer,
DOAJ, ACI, Family Resource, dan lain-lain.
c. Volume referensi bibliografi
Pencarian manual dapat dilakukan dengan menggunakan kumpulan
abstrak yang telah dicetak tahunan oleh Psychological Abstracts,
Sociological Abstract, dan ERIC.
d. Jurnal yang relevan
Dalam mencari jurnal yang relevan, penting halnya untuk mencermati
tipe studi yang diminati dengan mengecek daftar untuk memeriksa
artikel-artikel yang berhubungan dengan topik yang akan digunakan

16
 dalam analisis meta. Jurnal yang relevan dapat diperoleh dengan men-
carinya pada jurnal print out atau melalui database yang biasanya sudah
disediakan di perpustakaan.
e. Prosiding dari konferensi
Beberapa layanan bibilografi menyediakan publikasi informasi seperti
makalah dari konferensi akan tetapi hal tersebut tidak biasa ditemukan.
Beberapa organisisi profesional biasanya mempublikasi program atau
prosiding dari konferensi yang mereka selenggarakan yang terdiri dari
makalah-makalah yang dipresentasikan dan alamat penulis. Dengan di-
cantumkannya alamat penulis, maka pihak yang membutuhkan makalah
dapat langung menghubungi penulis. Selain itu, dengan dicantumkannya
nama penulis dapat dijadikan bahan sebagai kata kunci dalam mencari
publikasi lainnya dari penulis yang sama.
f. Penulis atau ahli di bidang ilmu tertentu
Untuk penelusuran menyeluruh, disarankan untuk berkorespondensi
kepada penulis yang telah mempublikasikan penelitian di bidang yang
diminati, atau pakar yang mengetahui bidang itu, dan meminta bantuan
mereka untuk mengidentifikasi penelitian yang belum ditemukan. Penye-
lidikan ini mungkin hanya meminta identifikasi dokumen mereka sendiri
atau orang lain yang menurut mereka mungkin relevan. Pendekatan yang
lebih baik mungkin adalah dengan mengirimkan salinan bibliografi studi
yang memenuhi syarat yang diidentifikasi sampai saat ini dan mena-
nyakan apakah pakar penulis dapat menyarankan studi tambahan yang
harus dipertimbangkan. Penulis lain yang relevan dapat diidentifikasi
melalui Google Scholar.
g. Laporan instansi pemerintah
Salah satu sumber lainnya tidak boleh diabaikan adalah instansi peme-
rintah yang berorientasi pada penelitian. Instansi pemerintah akan me-
nyediakan data mulai dari ringkasan penelitian, prosiding, monograf,
catatan tentang proyek penelitian yang didanai yang dapat mengiden-
tifikasi peneliti atau penelitian yang relevan dalam proses.
h. Skripsi, Tesis, dan Disertasi
Skripsi dapat diperoleh dari perpustakaan. Tesis dan desertasi dapat dipe-
roleh dari repositori atau tesis yang telah dipublikasikan pada suatu
jurnal. Contoh jurnal yang dapat digunakan misalnya JRPM (Jurnal Riset

17
 Pendidikan Matematika), Jurnal Inovasi Pendidikan IPA (JIPI), Jurnal
Cakrawala Pendidikan, dan lain-lain.

Melakukan Pengkodean

Dalam mengadministrasikan hasil penelitian yang akan diagregasikan

dalam analisis meta, pengkodean perlu dilakukan, Hal-hal yang perlu diper-
hatikan adalah mempertimbangkan pertanyaan penelitian, mempertim-
bangkan aspek spesifik dari penelitian tertentu. Hal-hal yang dipertimbang-
kan dalam melakukan pengkodean sebagai berikut.

Tabel 2. 1. Karakteristik Penelitian berdasarkan Pertimbangan Coding

Aspek Umum Aspek Khusus Contoh
Karakteristik Prosedur pengam- Sampel berasalah dari tempat
sampel bilan sampel yang unik, representatif, atau
suatu negara
Karakterisktik Komposisi gender, komposisi
demografi etnik, status sosiso-ekonomi,
umur, IQ
Karakteristik Sumber informasi Self-report, laporan lainnya,
pengukuran observasi
Proses pengukuran Observasi tertutup dan terbuka,
performance yang terencana dan
tidak terencana
Ukuran yang Ukuran spesfik, original vs
digunakan dipersingkat, terjemahan
Karakteristik Tipe desain Eksperimen, kuasi eksperimen,
desain pre-post comaprisions, regres-
sion discontinuity
Karakteristik Tipe dari kelompok kontrol,
spesifik dari length of longitudinal time span
desain yang
digunakan
Karakteristik Status publikasi Terpublikasi dan tidak terpubli-
sumber kasi, kualitas publikasi

18
 Aspek Umum Aspek Khusus Contoh
Tahun penelitian Tahun publikasi, tahun pengum-
pulan data
Pendanaan Didanai atau tidak didanai, sumb-
er pendanaan
Karakteristik Disiplin, gender, etnik
peneliti
Kulitas peneliti Validitas internal Menggunakan random assign-
ment, condition concealment,
attritiion
Validitas eksternal Menggunakan prosedur random
sampling, sampel berdasarkan
dari subpopulasi
Validitas konstruk Reliabilitas dari pengukuran,
karakteristik dari pengukuran
yang relevan
Sumber: (Card, 2012, p. 66)

Mengembangkan pedoman dalam mengkodekan bahan sumber data

meta-analsis dapat dilakukan dengan mengumpulkan data misalnya berupa
tahun publikasi, tipe publikasi (artikel jurnal, buku, bab dalam buku, tesis,
desertasi, laporan teknis, makalah dalam konferensi), lokasi, jumlah sampel
keseluruhan, jumlah sampel laki-laki atau perempuan. Pengkodean ini diper-
lukan ketika peneliti memerlukan informasi tambahan untuk menginter-
pretasikan hasil analisis meta. Setelah dikodekan, langkah selanjutnya
adalah menghitung effect size.

Menghitung Effect Size

Penelitian menggunakan metode pengukuran yang berbeda-beda.

Dengan ukuran yang sangat berbeda ini menghasilkan nilai numerik yang
berbeda yang hanya bermakna dalam kaitannya dengan operasionalisasi dan
skala tertentu yang digunakan. Oleh karena itu, temuan kuantitatif pada
penelitian-penelitian tersebut dikodekan dengan cara yang memungkinkan
mereka digabungkan dan dibandingkan secara statistik dengan mengguna-
kan effect size.

19
 Berbagai ukuran efek statistik yang digunakan untuk mengkode ber-
bagai bentuk temuan penelitian kuantitatif dalam meta-analisis didasarkan
pada konsep standarisasi. Statistik effect size menghasilkan standarisasi sta-
tistik dari temuan penelitian sehingga nilai numerik yang dihasilkan dapat
ditafsirkan secara konsisten di semua variabel dan ukuran yang terlibat.
Standarisasi dalam konteks ini memiliki arti yang sama persis bila kita
berbicara tentang standar skor dalam pengujian dan pengukuran.
Dengan cara yang sama, statistik ukuran efek yang paling umum
dalam analisis meta membakukan variasi dalam distribusi sampel skor untuk
ukuran yang diminati. Oleh karena itu, kunci dalam meta-analisis adalah
menentukan effect size yang mampu mewakili temuan kuantitatif dari
sekumpulan studi penelitian dalam bentuk standar yang memungkinkan
perbandingan numerik dan analisis bermakna di seluruh penelitian. Meta-
analis harus menggunakan statistik effect size yang memberikan standarisasi
yang sesuai untuk desain penelitian tertentu, bentuk temuan kuantitatif,
variabel, dan operasionalisasi yang disajikan dalam rangkaian penelitian
yang sedang diselidiki. Ada banyak effect-size yang bisa diterapkan untuk
satu keadaan atau keadaan lain, namun, dalam praktiknya, hanya sedikit
yang banyak digunakan. Sebagian besar temuan empiris masuk dalam salah
satu dari beberapa kategori generik dimana statistik ukuran efek spesifik dan
prosedur statistik terkait dikembangkan dan diakui secara luas.
Adanya effect size menjadikan meta-analisis mungkin untuk dilaku-
kan, karena effect size diperoleh dari dependent variable. Effect size men-
standarisasi temuan dari berbagai macam studi yang dapat secara langsung
dibandingkan. Indeks standar yang dapat digunakan sebagai effect size ada-
lah standarized mean difference, koefisien korelasi, dan odds-ratio, asalkan
mempunyai karakteristik yaitu dapat dibandingkan antar penelitian, menun-
jukkan besaran dan arah hubungan yang diminati, serta ukuran sampel yang
independen. Perbedaan pada suatu meta-analsis dapat disebabkan karena
perbedaan penggunaan statistika dalam penelitian dan belum adanya tans-
formasi data menjadi data yang sudah terstandarisasi.
Dalam satu meta-analisis dapat mencakup lebih dari satu jenis analisis
statistika misalnya t-test, ANOVA, multipel regresi, korelasi, oods ratio,
atau chi-square yang kemudian harus diubah dalam bentuk effect size. Ter-
dapat bermacam-macam jenis effect size. Effect size dibagi berdasarkan pada

20
rata-rata (mean), data biner, dan korelasi. Berikut ini merupakan penjelasan
dari masing-masing effect size

Effect Size Berdasarkan Rata-Rata (Means)

a. Raw (unstandardized) mean difference (𝑫)

Perbedaan rata-rata mentah dapat digunakan sebagai effect size ketika
skala hasil secara inheren bermakna atau terkenal karena penggunaan yang
meluas. Effect size ini hanya bisa digunakan apabila semua penelitian dalam
analisis menggunakan skala yang tepat sama. Apabila suatu hasil studi dila-
porkan dalam skala yang bermakna dan dianalisis dengan menggunakan ska-
la yang sama, maka meta-analisis dapat dilakukan secara langsung dengan
menggunakan perbedaan rata-rata mentah atau raw mean difference. Keun-
tungan utama dari raw mean difference adalah secara intuitif bermaka baik
secara inheren (misalnya, tekanan darah, yang diukur pada skala yang dike-
tahui) atau karena penggunaannya yang luas (misalnya, tes prestasi nasional
untuk siswa, di mana semua pihak terkait sudah terbiasa dengan skala).
Apabila terdapat sebuah studi yang melaporkan dua kelompok (treat-
men dan kontrol) dan rata-rata dari kedua kelompok tersebut ingin diban-
dingkan, maka 𝜇1 dan 𝜇2 adalah rata-rata sebenarnya dari dua kelompok
tersebut. Oleh karena itu, perbedaan rata- rata populasi yaitu
∆= 𝜇1 − 𝜇2 (2.1)
Berikut ini akan dijelaskan raw (unstandardized) mean difference (𝐷) untuk
penelitian dengan independent groups dan matched groups.

Menghitung 𝑫 untuk penelitian dalam independent groups

Perbedaan rata-rata dari penelitian dengan menggunakan dua inde-
pendent groups dapat diestimasi. 𝑋̅1 dan 𝑋̅2 adalah rata-rata dari dua inde-
pendent groups, maka:
𝐷 = 𝑋̅1 − 𝑋̅2 (2.2)
𝐷 adalah digunakan untuk raw mean difference, sedangkan 𝑑 digunakan
untuk standarized mean difference.
Jika kita mengasusmsikan bahwa standar deviasi dari dua populasi sama,
maka 𝜎1 = 𝜎2 = 𝜎 , maka varians 𝐷 adalah
𝑛1 + 𝑛2 2
𝑉𝐷 = 𝑆 (2.3)
𝑛1 𝑛2 𝑝𝑜𝑜𝑙𝑒𝑑

21
dimana

2
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22
𝑆𝑝𝑜𝑜𝑙𝑒𝑑 =√ (2.4)
𝑛1 + 𝑛2 − 2
𝑆1 dan 𝑆2 adalah standar deviasi dari dua kelompok dan 𝑛1 dan 𝑛2 adalah
ukuran sampel dari dua kelompok.
Jika kita tidak mengasumsikan bahwa standar deviasi pada dua popu-
lasi sama, maka varians 𝐷 adalah
𝑆12 𝑆22
𝑉𝐷 = + (2.5)
𝑛1 𝑛2
Selanjutnya standar eror dari 𝐷 adalah akar dari 𝑉 yaitu
𝑆𝐸𝐷 = √𝑉𝐷 (2.6)

Menghitung 𝑫 untuk penelitian dalam matched group atau skor pretes-

postes
Desain penelitian lain selain menggunakan independent group, adalah
matched group dengan unit analisis adalah pasangan tersebut. Keunggulan
dari penggunaan desain ini adalah masing-masing pasangan berperan seba-
gai kontrolnya sendiri, sehingga mengurangi kesalahan dan meningkatkan
kekuatan statistik. Besarnya dampak tergantung pada korelasi, misalnya
semakin tinggi korelasi maka menghasilkan varians yang semakin rendah
(meningkatkan presisis).
Jika kita memiliki perbedaan skor untuk masing-masing pasangan,
yang memberikan perbedaan rata-rata (𝑋̅𝑑𝑖𝑓𝑓 ) dan standar deviasi dari per-
bedaan tersebut (𝑆𝑑𝑖𝑓𝑓 ), maka
𝐷 = 𝑋̅𝑑𝑖𝑓𝑓 (2.7)
2
𝑆𝑑𝑖𝑓𝑓
𝑉𝐷 = (2.8)
𝑛
dengan 𝑛 adalah banyaknya pasangan dan
𝑆𝐸𝐷 = √𝑉𝐷 (2.9)
Pada saat peneliti mendapatkan data dalam bentuk mean, standar
deviasi dan ukuran sampel pada masing-masing kelompok, maka data terse-
but dapat dihitung untuk digunakan sebagai effect size, contoh apabila pada
suatu penelitian ditemukan p-value, rata-rata, dan ukuran sampel pada suatu
tes signifikansi maka kemudian dapat dihitung effect size dan varians. Pada

22
systematic review terkadang mengikutsertakan penelitian yang menggu-
nakan independent groups dan juga menggunakan matched group sekaligus.

b. Standardized mean difference (𝒅 dan 𝒈)

Standardized mean difference mengubah semua effect size menjadi
metrik umum dan dengan demikian memungkinkan kita memasukkan
ukuran hasil yang berbeda dalam sintesis yang sama. Effect size ini sering
digunakan dalam penelitian primer dan meta-analisis, oleh karena itu akan
menjadi intuitif bagi banyak peneliti.
Jika peneliti ingin membandingkan penelitian menggunakan dua
kelompok independen dengan 𝜇1 dan 𝜎1 sebagai rata-rata dan standar devi-
asi kelompok 1 dan 𝜇2 dan 𝜎2 sebagai rata-rata dan standar deviasi kelompok
2. Jika standar deviasi dari dua populasi sama (diasumsikan sebagian besar
data dari teknik analisis parametrik) maka 1 = 2 = , kemudian para-
meter dari standardized mean difference atau populasi dari standardized
mean difference adalah
 − 2
 = 1 (2.10)

Berikut ini akan dibahas cara untuk menghitung  pada penelitian
yang menggunakan independent group dan penelitian yang menggunakan
matched group yang menggunakan pre-post atau matched group design dan
desain penelitian-penelitian lainnya. Oleh karena itu, kita mengasusmsikan
bahwa 𝜎12 = 𝜎22

Menghitung 𝒅 dan 𝒈 dari studi-studi yang menggunakan independent

groups
Kita dapat mengestimasi standardized mean difference () dari studi-
studi yang menggunakan dua independent groups yaitu dengan rumus seba-
gai berikut
𝑋̅1 − 𝑋̅2
𝑑= (2.11)
𝑆𝑤𝑖𝑡ℎ𝑖𝑛
𝑋̅1 dan 𝑋̅2 adalah rata-rata sampel dua kelompok, sedangkan 𝑆𝑤𝑖𝑡ℎ𝑖𝑛 adalah
standar deviasi gabungan yang diperoleh dari
(𝑛1  1)𝑆12 + (𝑛2  1)𝑆22
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 = √ (2.12)
𝑛1 + 𝑛2 − 2

23
dimana 𝑛1 dan 𝑛2 adalah ukuran sampel dari dua kelompok dan 𝑆1 dan 𝑆2
adalah standar deviasi dari dua kelompok.
Estimasi sampel dari standardized mean difference disebut dengan
Cohen’s 𝑑 pada sintesis penelitian. Indeks  yang diusulkan oleh Cohen
sebagai parameter populasi adalah untuk mendeskripsikan ukuran dari
analisis kekuatan statistik disebut 𝑑. Simbol untuk parameter effect size
adalah  dan parameter untuk estimasi sampel adalah 𝑑. Varians 𝑑 diperoleh
dari
𝑛1 + 𝑛2 𝑑2
𝑉𝑑 = + (2.13)
𝑛1 𝑛2 2 (𝑛1 + 𝑛2 )
Persamaan pertama disebelah kanan tanda = menunjukkan ketidakpastian
estimasi dari perbedaan rata-rata, sedangkan persamaan kedua menunjukkan
ketidakpastian dari estimasi 𝑆𝑤𝑖𝑡ℎ𝑖𝑛 . Persamaan yang digunakan untuk
menghitung standar eror dari 𝑑 adalah
𝑆𝐸𝑑 = √𝑉𝑑 (2.14)
Akan tetapi terdapat bias pada 𝑑. Bias dapat dihilangkan dengan melakukan
koreksi dengan Hedges’ g. Prosedur untuk mengubah 𝑑 menjadi Hedges’ g
digunakan faktor koreksi yaitu 𝐽. Persamaan untuk mendapatkan faktor
koreksi (𝐽) digunakan rumus sebagai berikut
3
𝐽 =1− (2.15)
4𝑑𝑓 − 1
𝑑𝑓 adalah derajat bebas yang digunakan untuk mengestimasi 𝑆𝑤𝑖𝑡ℎ𝑖𝑛 untuk
dua kelompok independen yaitu dengan 𝑛1 + 𝑛2 − 2 yang menghasilakan
eror kurang dari 0,007 dan kurang dari 0,035 persen ketika 𝑑𝑓 ≥ 10,
kemudian
g=𝐽 ×𝑑 (2.16)
2
𝑉g = 𝐽 × 𝑉𝑑 (2.17)
dan
𝑆𝐸g = √𝑉g (2.18)
Faktor koreksi (J) selalu lebih kecil dari 1,0 dan g akan selalu lebih kecil dari
𝑑 pada nilai absolute and varians dari g akan selalu lebih kecil dari varians
𝑑. Akantetapi 𝐽 akan selalu mendekati 1,0 kecuali 𝑑𝑓 selalu kecil (kurang
dari 10) dan perbedaan biasanya.

24
Menghitung 𝒅 dan g dari studi-studi yang menggunakan matched group
atau skor pre-postes
Standardized mean difference dari studi-studi yang menggunakan
matched group atau skor pre-post dalam satu kelompok. Persamaan untuk
mengestimasi 𝑑 adalah
𝑌̅𝑑𝑖𝑓𝑓 𝑌̅1 − 𝑌̅2
𝑑= = (2.19)
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 𝑆𝑤𝑖𝑡ℎ𝑖𝑛
Persamaan ini sama digunakan untuk kelompok independen. Independent
groups menggunakan standar deviasi di dalam kelompok, sedangkan mat-
ched group menggunakan standar deviasi dari perbedaan skor. Untuk meng-
hitung 𝑑 dari standar deviasi diperlukan standar deviasi dalam kelompok
yang berperan sebagai penyebut.
Pada saat menggunakan studi dengan matched group, maka standar
deviasi dalam kelompok dapat diperoleh dengan formula sebagai berikut
𝑆𝑑𝑖𝑓𝑓
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 = (2.20)
√2 (1 − 𝑟)
dimana 𝑟 adalah korelasi antar pasangan yang diobservasi, misalnya korelasi
pretes-postes. Persamaan untuk mencari varians 𝑑 adalah
1 𝑑2
𝑉𝑑 = ( + ) 2 (1 − 𝑟) (2.21)
𝑛 2𝑛
dimana 𝑛 adalah jumlah dari pasangan. Untuk memperoleh standar eror
digunakan formula sebagai berikut
𝑆𝐸𝑑 = √𝑉𝑑 (2.22)
Karena korelasi antara nilai pre-postes diperlukan untuk menghitung standar
deviasi dalam kelompok dari standar deviasi dari selisih, kita harus meng-
asumsikan bahwa korelasi ini diketahui atau dapat diperkirakan dengan
presisi tinggi. Jika tidak, kita dapat memperkirakan korelasi dari studi terkait,
dan mungkin melakukan analisis sensitivitas dengan menggunakan berbagai
korelasi yang masuk akal. Untuk menghitung statistik Hedges, maka derajat
kebebasan untuk menghitung 𝐽 adalah 𝑛 − 1, dimana 𝑛 adalah jumlah
pasangan.

c. Response ratios (R)

Pada domain penelitian dimana hasil akhir diukur dengan menggu-
nakan skala fisik seperti panjang, area, atau massa dan tidak biasanya meng-
hasilkan hasil nol, maka rasio dari rata-rata dua grup dapat dijadikan effect

25
size. Response ratio sering digunakan dalam ekologi. Effect size ini hanya
bermakna apabila hasilnya memiliki titik nol alami, namun bila kondisi ini
berlaku, ini memberikan perspektif unik mengenai effect size.

Gambar 2. 1. Respon Rasio Dianalisis dalam Log Unit

Untuk respons ratio, perhitungan dilakukan dengan menggunakan log scale.

Kita menggunakan log response ratio dan standard error dari log response
ratio dan menggunakannya untuk melakukan analisis dalam meta-analisis.
Formula untuk response rasio adalah
𝑋̅1
𝑅= (2.23)
𝑋̅2
Dimana 𝑋̅1 adalah rata-rata kelompok 1 dan 𝑋̅2 adalah rata-rata kelompok 2,
maka log response ratio dapat diperoleh dari
𝑋̅1
ln 𝑅 = ln(𝑅) = ln ( ) = ln(𝑋̅1 ) − ln(𝑋̅2 ) (2.24)
𝑋̅2
Varians dari log response ratio yaitu
2
1 1
𝑉ln 𝑅 = 𝑆𝑝𝑜𝑜𝑙𝑒𝑑 ( )+( ) (2.25)
𝑛1 (𝑋̅1 )2 𝑛2 (𝑋̅2 )2
Dimana 𝑆𝑝𝑜𝑜𝑙𝑒𝑑 adalah standar deviasi yang dikumpulkan. Persamaan untuk
mencari standard error adalah sebagai berikut
𝑆𝐸ln 𝑅 = √𝑉ln 𝑅 (2.26)
Perlu diingat bahwa untuk mencari varians digunakan log response ratio
bukan menggunakan response ratio, lalu varians tersebut dianalisis untuk

26
menghasilkan summary effect, confidence limit, dan komponen lainnya
dengan menggunakan log unit. Selanjutnya nilai tersbut dikonversi kembali
ke bentuk response ratio menggunakan persamaan berikut
𝑅 = exp(ln 𝑅) (2.27)
𝐿𝐿𝑅 = exp(𝐿𝐿ln 𝑅 ) (2.28)
dan
𝑈𝐿𝑅 = exp(𝑈𝐿ln 𝑅 ) (2.29)

Effect Size Berdasarkan Data Biner

Untuk data dari studi prospektif, seperti uji coba secara acak, yang
pada awalnya dilaporkan sebagai jumlah kejadian dan non-kejadian dalam
dua kelompok (2 x 2 tabel), peneliti biasanya menghitung rasio risiko, rasio
odds, dan/atau selisih risiko. Data ini dapat direpresentasikan sebagai sel A,
B, C, dan D, seperti ditunjukkan pada Tabel 2. 2.

Tabel 2. 2. Nomenklatur untuk Tabel 2 x 2

Kejadian Bukan Kejadian N
Perlakuan A B 𝑛1
Kontrol C D 𝑛2

a. Risk Ratio (RR)

Kita dapat menghitung risiko suatu kejadian (seperti risiko kematian)
pada masing-masing kelompok (misalnya, diobati dan kontrol). Rasio risiko
ini kemudian menjadi ukuran efek (risk ratio). Formula untuk menghitung
risk ratio adalah sebagai berikut
𝐴⁄𝑛1
𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = (2.30)
𝐶 ⁄𝑛 2
Kemudian untuk menghitung log risk ratio adalah sebagai berikut
Log 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = ln(𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜) (2.31)
dengan varians yaitu
1 1 1 1
𝑉log 𝑅𝑖𝑠𝑘𝑅𝑖𝑠𝑘 = − + − (2.32)
𝐴 𝑛1 𝐶 𝑛2
dengan standard error yaitu
𝑆𝐸log 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = √𝑉log 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 (2.33)

27
 Perlu diingat bahwa kita tidak menggunakan varian untuk risk ratio
pada matrik asli, tetapi menggunakan log risk ratio dan varians pada analisis
untuk menghasilkan summary effect dan confidence limits dalam log unit.
Kemudian setelah memperoleh nilai summary effect, maka nilai tersebut kita
ubah kembali menjadi risk ratio menggunakan persamaan berikut
𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = exp (log 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜) (2.34)
𝐿𝐿𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = exp(𝐿𝐿ln 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 ) (2.35)
dan
𝑈𝐿𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 = exp(𝑈𝐿ln 𝑅𝑖𝑠𝑘𝑅𝑎𝑡𝑖𝑜 ) (2.36)

b. Odds Ratio (OR)

Kita dapat menghitung kemungkinan kejadian (seperti rasio kematian
terhadap kehidupan) di setiap kelompok (misalnya, diobati dan kontrol).
Formula untuk menghitung odds ratio adalah
𝐴𝐷
𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = (2.37)
𝐵𝐶
Formula log oods ratio yaitu
log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = ln(𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜) (2.38)
Sedangkan varians ditentukan melalui formula berikut
1 1 1 1
𝑉log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = + + + (2.39)
𝐴 𝐵 𝐶 𝐷
dan Standard Error (SE) dari odds ratio yaitu
𝑆𝐸log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = √𝑉log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 (2.40)
Perlu diingat bahwa proses perhitugan log odds ratio di atas dalam
log unit, sehingga setelah memperoleh nilai summary effect, maka nilai terse-
but kita ubah kembali menjadi odds ratio dengan persamaan
𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = exp (log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜) (2.41)
𝐿𝐿𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = exp(𝐿𝐿ln 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 ) (2.42)
dan
𝑈𝐿𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = exp(𝑈𝐿ln 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 ) (2.43)

c. Risk Difference (RD)

Kita dapat menghitung risiko suatu kejadian (seperti risiko kematian)
pada masing-masing kelompok (misalnya, diobati dan kontrol). Selisih da-

28
lam risiko ini kemudian menjadi ukuran efek (selisih risikonya). Risk Diffe-
rence adalah selisih antara dua resiko, misalnya resiko pada kelompok treat-
men adalaah 0.05 dan resiko pada kelompok kontrol adalah 0.10, maka risk
difference adalah -0.05. Berbeda halnya dengan risk ratio dan odds ratio,
risk difference menggunakan raw unit bukan log unit. Risk difference didefi-
nisikan sebagai
𝐴 𝐶
𝑅𝑖𝑠𝑘𝐷𝑖𝑓𝑓 = − (2.44)
𝑛1 𝑛2
dengan varians yaitu
𝐴𝐵 𝐶𝐷
𝑉𝑅𝑖𝑠𝑘𝐷𝑖𝑓𝑓 = 3 + 3 (2.45)
𝑛1 𝑛2
Sehingga Standard Error (SE) dari risk defference yaitu
𝑆𝐸𝑅𝑖𝑠𝑘𝐷𝑖𝑓𝑓 = √𝑉𝑅𝑖𝑠𝑘𝐷𝑖𝑓𝑓 (2.46)
Untuk memilih antara menggunakan risk ratio, odds ratio, atau risk diffe-
rence, penelitian harus mempertimbangkan faktor substansif dan faktor
teknis.

Effect Size Berdasarkan Data Korelasi

Ketika suatu studi melaporkan data sebagai korelasi (𝑟), maka digunakan
koefisien korelasi sebagai effect size. Korelasi ditransformasi menggunakan
𝓏 Fisher dan melakukan analisis dengan menggunakan indeks ini. Kemudian
summary effect diubah kembali ke korelasi untuk membaca hasil analisis
hasil akhir. Skema analisis effect size pada data korelasi disajikan pada
Gambar 2. 2.
Untuk mentransformasi 𝑟 ke 𝓏 Fisher digunakan persamaan berikut
1+𝑟
𝓏 = 0,5 × ln ( ) (2.47)
1−𝑟
Adapun varians dari 𝓏 dan standar erornya yaitu
1
𝑉𝓏 = (2.48)
𝑛−3
𝑆𝐸𝓏 = √𝑉𝓏 (2.49)
Jika kita ingin mentransformasi kembali 𝓏 ke 𝑟, maka kita dapat meng-
gunakan persamaan berikut.
𝑒 2𝓏 − 1
𝑟 = 2𝓏 (2.50)
𝑒 +1

29
 Gambar 2. 2. Effect Size Korelasi Dianalisis dalam Fisher’s 𝓏 Unit

Mengkonversi Nilai Effect Size

Apabila suatu penelitian dalam analisis didasarkan pada jenis data

yang sama (rata-rata, biner, atau korelasi), peneliti harus memilih ukuran
efek berdasarkan jenis data tersebut. Ketika beberapa penelitian menggu-
nakan rata-rata, data yang lain menggunakan data biner, dan yang lainnya
menggunakan data korelasional, maka kita dapat menerapkan formula untuk
mengkonversi antara effect size. Studi yang menggunakan effect size yang
berbeda mungkin mempunyai perbedaan satu sama lain secara substansif,
dan perlu dipertimbangkan apakah akan digunakan dalam meta-analisis atau
tidak.
Mengubah log odds ratio ke 𝒅
Kita dapat mengubah log odds ratio ke standarized mean difference
(𝑑) menggunakan persamaan berikut
√3 (2.51)
𝑑 = Log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 ×
𝜋
Sedangkan varians 𝑑 dapat dihitung menggunakan persamaan berikut
3
𝑉𝑑 = 𝑉Log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 × 2 (2.52)
𝜋

30
Mengubah 𝒅 ke log odds ratio
Mengubah standardized mean difference 𝑑 ke log odds ratio yaitu
dengan persamaan berikut
𝜋
Log 𝑂𝑑𝑑𝑠 𝑅𝑎𝑡𝑖𝑜 = 𝑑 (2.53)
√3
dan varians dari Log Odds Ratio yaitu
𝜋2
𝑉Log 𝑂𝑑𝑑𝑠𝑅𝑎𝑡𝑖𝑜 = 𝑉𝑑 (2.54)
3

Mengubah 𝒓 ke 𝒅
Untuk mengubah korelasi (𝑟) menjadi standardized mean difference
(𝑑) dapat digunakan persamaan berikut
2𝑟
𝑑= (2.55)
√1 − 𝑟 2
dan varians 𝑑 dihitung menggunakan persamaan berikut
4𝑉𝑟
𝑉𝑑 = (2.56)
(1 − 𝑟 2 )3

Mengubah 𝒅 ke 𝒓
Untuk mengubah dari standard mean difference (𝑑) menjadi korelasi
(𝑟) menggunakan persamaan berikut
𝑑
𝑟= (2.57)
√𝑑2 + 𝑎
dimana 𝑎 adalah faktor koreksi untuk kasus dimana 𝑛1 ≠ 𝑛2 yaitu
(𝑛1 + 𝑛2 )2
𝑎= (2.58)
𝑛1 𝑛2

sedangkan untuk kasus 𝑛1 = 𝑛2 , maka digunakan 𝑎 = 4. Sedangkan varians

untuk 𝑟 yaitu
𝑎2 𝑉𝑑
𝑉𝑟 = 2 (2.59)
(𝑑 + 𝑎)3

Faktor-Faktor yang Mempengaruhi Presisi Effek Size

Terdapat dua faktor yang mempengaruhi tingkat presisi yaitu ukuran

sampel dan desain penelitian. Ukuran sampel merupakan faktor dominan

31
untuk menentukan ketepatan, dimana sampel yang besar menghasilkan hasil
yang lebih presisi dari pada sampel yang kecil. Pada faktor desain penelitian,
penelitian dengan menggunakan matched group menghasilkan estimasi
yang lebih presisi (apabila dibandingkan dengan menggunakan penelitian
dengan independet groups) dan clustered group meghasilkan estimasi yang
kurang presisi. Oleh karena itu dapat disimpulkan bahwa penelitian yang
menghasilkan estimasi effect size yang presisi mengumpulkan informasi
yang lebih akurat dalam meta-analisis.

Koreksi Bias dan Prosedur Umum dalam Analisis Meta

Koreksi bias dapat dilakukan apabila sampel berukuran kecil yaitu

𝑛 < 20. Bias dapat dikoreksi sebelum melakukan analisis dengan mengapli-
kasikan persamaan sebagai berikut
3
𝐸𝑆 = 𝐸𝑆𝑠𝑚 [1 − ] (2.60)
4𝑁 − 9
Setelah effect size dihitung, selanjutnya dilakukan uji homogenitas
untuk melihat signifikansi variasi effect size. Uji homogenitas secara lengkap
disajikan pada Bab 3. Setelah menguji homogenitas, peneliti perlu mengesti-
masi rerata effect size terbobot unik, kemudian menguji signifikansinya.
Rerata Effect size terbobot yang unik penghitungannya berbeda-beda, ter-
gantung dari rumusan masalah dan pertanyaan penelitian yang menjadi
fokus analisis meta.
Dari data effect size tiap studi, batas bawah dan batas atasnya dapat
dihitung. Demikian pula pada rerata effect size terbobot, batas bawah dan
batas atasnya dapat diestimasi. Hasil estimasi batas bawah dan batas atas
kemudian digunakan untuk menggambar forest plot. Gambar ini digunakan
untuk menginterpretasikan hasil meta analisis, baik kecenderungan dan
besarnya. Cara menggambar dan menginterpretasikan forest plot disajikan
pada Bab 3.
Setelah melakukan interpretasi, diperlukan pula informasi publikasi
bias. Apakah sumber-sumber yang digunakan merupakan sumber-sumber
yang signifikan saja, ataukah sumber-sumber dengan kualitas metode pene-
litian yang semuanya bagus. Penyimpulan dengan dasar studi-studi yang
melibatkan ukuran sampel yang berbeda-beda, tentu akan menghasilkan
kesimpulan yang bisa saja bagus atau bisa saja memuat bias. Langkah

32
detailnya disajikan pada Bab 8. Secara ringkas, langkah-langkah analisis
meta disajikan dalam diagram alur pada Gambar 2. 3.

Gambar 2. 3. Prosedur Umum dalam Analisis Meta

33
BAB 3. Model Efek Tetap vs Model Efek Acak dan Membuat Forest Plot
Bab 3
Model Efek Tetap vs Model Efek Acak
dan Membuat Forest Plot

Dalam melakukan analisis meta, setelah menghitung effect size, yang

perlu 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.

Summary Effect

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. Kera-
gaman tersebut perlu diperhitungkan dalam membuat summary effect.
Dalam meta-analisis kita menghitung effect size berdasarkan infor-
masi atau hasil amatan yang dilaporkan dari sejumlah studi yang dianalisis.
Karena informasi yang diperoleh berasal dari sampel (bukan populasi) maka
effect size (𝐷, 𝑑, 𝑟, dsb) yang dihasilkan merupakan effect size yang teramati
dari sampel (observed effect). Akan tetapi effect size yang sebenarnya pada
level populasi (true effect) tidak diketahui nilainya. Bagaimana kondisi true
effect inilah yang membedakan antara model efek tetap (Fixed Effect [FE])
dengan model efek acak (Random Effect [RE]).

34
 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 terob-
servasi 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 mem-
punyai true effect yang sama. Model FE mengasumsikan bahwa kebera-
gaman observed effect (pada studi-studi yang dianalisis) hanya diakibatkan
oleh sampling error. Dengan kata lain, observed effect (𝑌𝑖 ) merupakan aku-
mulasi true effect (𝜃) dan sampling error (𝜀𝑖 ). Secara matematis dituliskan
sebagai berikut.
𝑌𝑖 = 𝜃 + 𝜀𝑖 (3.1)
Sementara itu, model Random Effect (RE) menggunakan asumsi bah-
wa 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 (𝜀𝑖 ) seperti pada model FE,
tetapi juga dipengaruhi oleh keragaman true Effect Size (𝜁𝑖 ) itu sendiri.
Secara matematis dapat dituliskan sebagai berikut.
𝑌𝑖 = 𝜇 + 𝜁𝑖 + 𝜀𝑖 ; (𝜇: mean true effect) (3.2)
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 mela-
kukan 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

35
(Borenstein et al., 2009). Perbedaan tersebut bisa diakibatkan perbedaan
karakteristik sampel/partisipan yang diamati, dan bagaimana treatment dite-
rapkan 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

Menghitung Summary Effect Size dengan Fixed-Effect Model

Langkah-langkah menghitung Summary Effect Size pada model FE

sebagai berikut:
Menghitung rerata effect terbobot (𝑴) menggunakan rumus:
k

W Y i i
M i 1
k (3.3)
Wi
i 1

Dimana
1
𝑊𝑖 = , (3.4)
𝑉𝑌𝑖

36
Keterangan
𝑌𝑖 : Effect Size studi ke-𝑖, dan
𝑉𝑌𝑖 : variansi Effect Size studi ke-𝑖
Menghitung variansi dari summary effect (𝑽𝑴 ) menggunakan rumus:
1
VM  k

W
i 1
i
(3.5)

Menghitung standar error dari summary effect (𝑺𝑬𝑴 ) menggunakan rumus:

SEM  VM (3.6)
Menghitung Batas bawah (𝑳𝑳𝑴 ) dan batas atas (𝑼𝑳𝑴 ) menggunakan rumus:
𝐿𝐿𝑀 = 𝑀 − 1.96 × 𝑆𝐸𝑀 (3.7)
dan
𝑈𝐿𝑀 = 𝑀 + 1.96 × 𝑆𝐸𝑀 (3.8)
Menghitung nilai 𝒁 untuk menguji hipotesis nol (H0: True effect 𝜽 = 𝟎),
menggunakan rumus:
𝑀
𝑍= , (3.9)
𝑆𝐸𝑀
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test:
𝑝 = 1 − Φ(±|𝑍|), (3.10)
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test:
𝑝 = 2[1 − Φ(|𝑍|)], (3.11)
dimana Φ(|𝑍|) standar normal distribusi kumulatif (standard normal cumu-
lative distribution). Φ(|𝑍|) dapat dihitung dengan MS. Excel dengan fungsi
“=NORMSDIST(Z)”.

Menghitung Summary Effect Size dengan Random-Effect Model

Seperti yang disebutkan di atas bahwa model RE mengasumsikan

adanya keragaman true effect pada masing-masing studi. Oleh karena itu,
sebelum menghitung nilai 𝑀 dan terlebih dahulu dilakukan perhitungan
untuk mengestimasi variansi dari true Effect Size dari semua studi (disim-
bolkan dengan 𝜏 2 ). 𝜏 2 disini diestimasi karena kita tidak memiliki informasi
mengenai true effect size pada studi-studi yang dianalisis. Artinya, jika kita

37
mengetahui true effect size dari setiap studi maka kita dapat langsung meng-
hitung variansi nya. Berikut ini langkah-langkah menghitung summary effect
pada model RE:
Mengestimasi Tau Square (𝜏 2 ):
Mengestimasi nilai 𝜏 2 dapat dilakukan dengan memanfaatkan infor-
masi yang ada pada observed Effect Size (disimbolkan dengan 𝑇 2 ) meng-
gunakan metode DerSimonian and Laird sebagai berikut.
𝑄 − 𝑑𝑓
𝑇2 = , (3.12)
𝐶
dimana 𝑄 adalah 𝑊𝑆𝑆 (weighted sum square) atau Jumlah Kuadrat Terbobot
(JK terbobot),
2
 k 
 WiYi 
Q  WiYi 2   i 1k  , df  k  1
k
(3.13)
i 1
Wii 1

dimana 𝑘 adalah banyaknya studi yang dianalisis, dan

k

k W i
2

C  Wi  i 1
k (3.14)
i 1
W
i 1
i

Perlu diingat bahwa nilai variansi dari true effect (𝜏 2 ) tidak mungkin ber-
nilai kurang dari nol. Pada perhitungan statistik deskriptif, kita tahu bahwa
rumus varians (𝑠) adalah
(𝑥𝑖 − 𝑥̅ )2
𝑠=∑ , (3.15)
𝑛−1
Oleh karenanya, meskipun 𝑥𝑖 < 𝑥̅ , 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 menyim-
pulkan bahwa 𝑇 2 = 0 (Borenstein et al., 2009). Dengan kata lain, hasil esti-
masi (𝑇 2 ) yang digunakan adalah
𝑇2 ≥ 0 (3.16)
2
Setelah diperoleh nilai 𝑇 , kemudian dilanjutkan dengan menghitung nilai
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

38
karena itu, variansi dari masing-masing studi dijumlahkan lagi dengan va-
riansi true effect (𝜏 2 ) yang telah diestimasi sebelumnya ( VY*  VY  T 2 ).
i i

∗
Menghitung Rerata Effect terbobot (𝑴 ) menggunakan rumus:
k

W Y i
*
i
M*  i 1
k (3.17)
W
i 1
i
*

dimana
1
Wi*  (3.18)
VY*i
dan
VY*i  VYi  T 2 (3.19)
Menghitung variansi dari summary effect (𝑽𝑴∗ ) menggunakan rumus:
1
VM *  k

W*
i 1
i
(3.20)

Menghitung Standar Error dari summary effect (𝑺𝑬𝑴∗ ):

SEM *  VM * (3.21)
Menghitung Batas bawah (𝑳𝑳𝑴∗ ) dan batas atas (𝑼𝑳𝑴∗ ):
𝐿𝐿𝑀 = 𝑀∗ − 1.96 × 𝑆𝐸𝑀∗ (3.22)
dan
𝑈𝐿𝑀 = 𝑀∗ + 1.96 × 𝑆𝐸𝑀∗ (3.23)
Menghitung nilai 𝒁 untuk menguji hipotesis nol (H0: true effect 𝜽 = 𝟎),
𝑀∗
𝑍= , (3.24)
𝑆𝐸𝑀∗
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test:
𝑝∗ = 1 − Φ(±|𝑍 ∗ |), (3.25)
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test:
𝑝∗ = 2[1 − Φ(|𝑍 ∗ |)], (3.26)
∗ |)
dimana Φ(|𝑍 standar distribusi normal kumulatif (standard normal cu-
mulative distribution). Φ(|𝑍 ∗ |) dapat dihitung dengan MS. Excel dengan
fungsi “=NORMSDIST(𝒁∗ )”.

39
Membuat Forest Plot

Dalam melakukan analisis meta, untuk memahami summary effect

size atau juga disebut sebagai effect size dari agregasi, dibuat forest plot. Plot
ini terdiri dari batang-batang, dan tiap batangnya merupakan interval keper-
cayaan hasil estimasi titik dari masing-masing studi. Interval kepercayaan
ini ditentukan dengan taraf signifikansi tertentu yang digunakan peneliti.
Jika menentukan taraf signifikansi 5%, maka interval kepercayaan yang
disajikan adalah 95%. Dalam forest plot ini disajikan juga hasil effect size
hasil agregasi.
Forest plot memuat berbagai unsur. Selain batang-batang dalam plot,
interval kepercayaan masing-masing studi dan effect size-nya juga disajikan.
Tiap batang dalam forest plot memiliki makna tertentu. Ujung kiri merupa-
kan batas bawah, ujung kanan merupakan batas atas. Di bagian tengah me-
muat persegi dengan ukuran berbeda-beda yang luasnya menyatakan besar-
nya pembobotan, dan posisinya menyatakan letak effect size dari tiap studi.
Pada bagian paling bawah, ada wajik (diamond) yang luasnya merupakan
jumlah luas dari total bobot tiap studi, dan posisinya menyatakan besaran
effect size agregasi. Bagian-bagian forest plot disajikan pada Gambar 3. 2.

Batas Bawah Batas Atas

Luasan menunjukkan bobot
dari tiap studi

Effect size hasil agregasi Posisi Effect Size

Gambar 3. 2. Bagian-Bagian dari Forest Plot

Pemaknaan dari forest plot menggunakan plot yang utuh. Dari plot
ini, peneliti dapat menentukan, besar dan arah dari tiap-tiap studi maupun
agregat. Sebagai contoh pada Gambar 3. 3 diperoleh bahwa ukuran sampel
studi 1 kecil, namun secara statistik, studi ini signifikan. Hal ini ditunjukkan
dengan luasan effect size yang kecil, namun berada jauh di sebelah kanan
dari kriteria, misalkan pada gambar tersebut kriterianya 500. Namun pada

40
studi 8, bobotnya besar, namun hasil ini berada di bawah kritera. Mengenai
effect size agregasinya berada sedikit di atas kriteria.

Gambar 3. 3. Contoh Forest Plot untuk Memaknai Hasil Analisis Meta

Tendensi Sentral

Demikian pula pada contoh forest plot untuk desain eksperimen atau
selisih pre-post test. Jika suatu studi effect size-nya berada di sebelah kanan,
maka kelompok eksperimen lebih diuntungkan dibandingkan kelompok
kontrol. Demikian pula, pada selisih pre-post tes, ketika membuat selisih
skor post dikurangi skor pre, jika effect size agregat berada di sebelah kanan
nilai 0, maka diperoleh hasil interpretasi skor post test lebih tinggi diban-
dingkan skor pre test. Contoh forest plot untuk kasus ini disajikan pada
Gambar 3. 4. Demikian pula halnya dengan analisis meta terkait korelasi.
Kecenderungan nilai korelasi agregat dari studi-studi ditunjukkan dengan
nilai dan arahnya. Adapun proses pembuatan forest plot dapat menggunakan
software yang akan diuraikan pada Bab 9 dalam buku ini.

41
 Gambar 3. 4. Contoh Forest Plot untuk Memaknai Hasil Analisis Meta
Grup Kontras

42
BAB 4. Meta-Analisis pada Deskripsi Ukuran Pemusatan
Bab 4
Meta-Analisis Deskripsi Ukuran Pemusatan

Pada deskripsi ukuran pemusatan, hanya ada satu variabel yang

menjadi kata kunci. Kata kunci tersebut yaitu penelitian-penelitian yang
akan dimetakan mengukur hal yang sama, atau mengukur variabel yang
sama. Ada beberapa jenis ukuran pemusatan yang biasa digunakan dalam
penelitian. Ukuran pemusatan tersebut diantaranya proporsi, rerata, median
dan modus. Meskipun keempat-empatnya sama-sama sering digunakan,
namun yang paling popular adalah proporsi dan rerata.
Proporsi dan rerata merupakan ukuran atau parameter yang menya-
takan ekspektasi dari suatu sampel atau populasi. Parameter ini menggam-
barkan posisi atau letak suatu data pada suatu rentang, diantara minimum
dan maksimum dari suatu variabel yang diukur. Pada proporsi, nilai yang
diperoleh merentang diantara 0 dan 1. Selanjutnya akan diuraikan mengenai
analisis meta pada data proporsi dan data rerata

Analisi Meta pada Data Proporsi

Pada analisis meta menggunakan proporsi, peneliti memiliki tujuan

studi mengagregasikan proporsi suatu kejadian dari suatu total. Sebagai
contoh misalnya proporsi penduduk yang memilih Partai XXX dari pemilu
ke pemilu yang memilih partai tertentu dari beberapa studi, siswa yang
belajarnya tuntas dengan metode pembelajaran tertentu, proporsi penduduk
miskin di wilayah atau negara tertentu, dan lain-lain. Agregasi ini dapat
digeneralisasikan lintas penelitan pada suatu populasi tertentu maupun
hanya akan melihat proporsi sebagai hasil akhir pada penelitian itu saja,
tanpa membuat generalisasi (lihat model tetap dan model acak pada Bab 3).
Langkah utama melakukan analisis meta pada proporsi adalah meng-
hitung effect size, menghitung kesalahan standar dari effect size, mengitung
bobot, menghitung rerata effect size mempertimbangkan bobot, menguji
signifiansi effect size, menghitung batas bawah dan batas atas effect size,

43
menghitung magnitude dari effect size, kemudian menggambar forest plot.
Setelah itu interpretasi dilakukan terhadap besar dan arah dari effect size
untuk menggambarkan hasil agregasi. Pada model acak, langkah meskipun
langkahnya relatif sama, yang berbeda adalah rumus yang dipergunakan
khususnya pada kesalahan standar effect size, karena memperhitungkan tau.
Pada meta analisis pada data proporsi, ada dua cara menghitung
statistik effect size untuk proporsi, yaitu menghitung langsung dan meng-
konversi ke skala logit. Untuk perhitungan masing-masing langkah, mulai
dari effect size (𝐸𝑆), kesalahan standar (𝑆𝐸), dan bobot invers varians sampai
dengan mengestimasi magnitude effect size dituliskan sebagai berikut.

Data Proporsi (Langsung)

Effect size pada proporsi dihitung langsung menggunakan (𝑝). Misal-

kan 𝑘 banyaknya kejadian dari sebanyak 𝑁 kejadian, 𝑝 dituliskan dengan
𝑘
𝑝= (4.1)
𝑁
Kesalahan standar dari proporsi yang merupakan effect size tersebut, dari
masing-masing studi dituliskan dengan SE, yang dihitung menggunakan
𝑝(1 − 𝑝)
𝑆𝐸 = √ (4.2)
𝑛
Pembobotan dari tiap studi dinyatakan dengan wi yang ditentukan dengan
1
𝑤𝑖 = (4.3)
𝑆𝐸𝑖2
̅̅̅̅) terbobot yang merupakan pro-
Selanjutnya dihitung rerata effect size (𝐸𝑆
porsi agregat dari semua studi dinyatakan dengan
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅
𝐸𝑆 = (4.4)
∑ 𝑤𝑖
Rerata agregat tersebut memiliki kesalahan standar sebesar
1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆 (4.5)
∑ 𝑤𝑖
Rerata agregat tersebut memiliki batas bawah dan batas atas dari rerata effect
size, yang digunakan untuk membuat forrest plot yaitu

44
 𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 − 𝑍1−𝛼 𝑆𝐸̅̅̅̅
𝐸𝑆
(4.6)
̅̅̅̅
𝐸𝑆𝐿𝐵 = 𝐸𝑆 + 𝑍1−𝛼 𝑆𝐸̅̅̅̅
𝐸𝑆
Ketika melakukan meta analisis, peneliti perlu melakukan uji sig-
nifikansi. Uji ini untuk menguji signifikansi dari effect size, baik meng-
gunakan uji searah maupun uji dua arah. Uji Signifikansi statistik dari rerata
effect size menggunakan statistik uji-Z, dengan menggunakan rumus
̅̅̅̅
𝐸𝑆
𝑍= (4.7)
𝑆𝐸̅̅̅̅
𝐸𝑆
Peneliti dapat pula membandingkan rerata effect size dengan suatu tetapan
tertentu yang dianggap sebagai kriteria (c), dengan hipotesis misalnya
̅̅̅̅ ≤ c
𝐻0 : 𝐸𝑆
(4.8)
̅̅̅̅ > c
𝐻𝑎 : 𝐸𝑆
Kriteria menolak Ho untuk uji hipotesis tersebut adalah 𝑍 > 𝑍𝛼 . Hipotesis
tersebut dapat dimodifikasi menjadi hipotesis searah. Untuk uji dua arah, Ho
ditolak jika 𝑍 < −𝑍𝛼 atau 𝑍 > 𝑍𝛼 .
Jika peneliti menetapkan akan menggunakan model acak, perlu
dilakukan uji homogenitas effect size terlebih dahulu. Jika uji homogenitas
memberikan hasil yang signifikan atau effect size ternyata hederogen, maka
model acak yang selayaknya digunakan. Uji signifikansi untuk hedero-
genitas dilakukan dengan uji-𝑄. Nilai 𝑄 terlebih dahulu dihitung dengan
formula
(∑(𝑤𝑖 𝐸𝑆𝑖 ))2
𝑄 = ∑(𝑤𝑖 (𝐸𝑆𝑖 − ̅̅̅̅
𝐸𝑆)2 ) = ∑(𝑤𝑖 𝐸𝑆𝑖2 ) − (4.9)
∑ 𝑤𝑖

Nilai 𝑄 ini berdistribusi Khi-kuadrat dengan derajat bebas 𝑑𝑘 = 𝑘 − 1,

dengan 𝑘 banyaknya studi. Pada analisis ini, diuji hipotesis homogenitas
effect size untuk Ho versus hederogenitas effect size sebagai Ha.
Salah satu ukuran kedekatan effect size antar studi ditentukan dengan
indeks magnitude (𝐼 2 ). Indeks ini bernilai paling kecil 0, dan paling besar 1.
Nilai 𝐼 2 yang mendekati 0 menunjukkan adanya kedekatan antar effect size
dalam suatu studi. Jika nilai tersebut mendekati 1, maka jarak antar effect
size antar studi cukup besar atau variabilitasnya tinggi. Indeks tersebut
dihitung dengan formula

45
 𝑄 − (𝑘 − 1)
2
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼 = = { 𝑄 (4.10)
2
𝜏̂ + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)
Dengan menghitung batas bawah dan batas atas effect size masing-masing
studi dan juga rerata effect size terbobot berikut kesalahan standarnya, forest
plot dapat dibuat. Contoh forest plot disajikan pada Gambar 1. Gambar
tersebut selanjutnya diinterpretasikan dengan melihat arah dan besar dari
kecenderungan antar studi berikut arah dan hasil agregatnya. Tentu saja
interpretasi hasil ini memperhatikan hipotesis yang dirumuskan peneliti
berikut konteksnya.

Gambar 4. 1. Contoh Forest Plot

Data Proporsi dengan Logit

Seperti halnya pada meta analisis menggunakan proporsi langsung

sebagai effect size, pada meta analisis proporsi dengan menggunakan logit,
estimasi parameter ukuran pemusatan awal tetap menggunakan proporsi.

46
Proporsi ini kemudian ditransformasikan ke skala logit (𝑙). Keuntungan
menggunakan skala ini adalah effect size merentang tidak hanya berada pada
skala 0 dan 1, namun merentang dari −~ sampai +~. Effect size untuk
proporsi dapat menggunakan logit (l) dinyatakan dengan
𝑝
𝑙 = 𝑙𝑛 ( ) (4.11)
1−𝑝
Kesalahan standar dari effect size menggunakan logit diestmasi dengan
1 1
𝑆𝐸 = √ + (4.12)
𝑛𝑝 𝑛(1 − 𝑝)
Pada suatu kasus, peneliti kadang perlu mengembalikan formula dari logit
ke proporsi. Misalnya untuk keperluan interpretasi, peneliti dapat mengubah
skala logit ke skala proporsi kembali dengan
𝑒𝑙
𝑝= (4.13)
1 + 𝑒𝑙
Langkah selanjutnya sama seperti pada menghitung proporsi langsung,
yakni menghitung bobot, menghitung rerata effect size mempertimbangkan
bobot, menguji signifikansi effect size, menghitung batas bawah dan batas
atas effect size, menghitung magnitude dari effect size, kemudian meng-
gambar forest plot.

Analisis Meta pada Rerata

Pada analisis meta menggunakan parameter studi yang berupa rerata,

peneliti perlu memperhatikan apakah dari masing-masing studi mengukur
variabel dengan skala yang sama. Kesalahan standar dari effect size untuk
yang sama ukuran antar studi dan yang berbeda, menggunakan formula yang
berbeda pula. Masing-masing prosedur dijelaskan sebagai berikut.
Analisis meta pada studi ini menggunakan artefak atau studi-studi
tentang variabel dengan skala yang sama. Sebagai contoh, kemampuan
bahasa Inggris dapat diukur dengan bermacam-macam tes, dengan skala
yang berbeda-beda. Ada yang menggunakan IELTS (skor diantara 1-9), ada
yang menggunakan TOEFL ITP (skor diantara 310-677), ada yang meng-
gunakan TOEFL IBT (skor diantara 0-100), TOEIC (skor diantara 5-495).

47
Jika skor yang digunakan pada masing-masing studi semuanya meng-
gunakan skor yang sama, maka perlu peneliti tidak perlu menyekalakan dulu
ke dalam skala yang sama.
Pada analisis meta jenis ini, rerata yang digunakan merupakan effect
size. Rerata skor dari variabel tertentu yang menjadi fokus dari masing-
masing studi
∑ 𝑥𝑖
𝑋̅ = (4.14)
𝑁
Peneliti harus perhatian dengan skor pada masing-masing studi. Jika skornya
disajikan pada rentang yang berbeda-beda, peneliti harus mengubah dulu
atau mentransformasikan ke skala yang sama. Cara mentransformasikan dari
satu skala ke skala lain yakni dengan
𝑀𝑎𝑥2 − 𝑀𝑖𝑛2
𝑋2 = ⌊(𝑋1 − 𝑀𝑖𝑛1 ) ( )⌋ + 𝑀𝑖𝑛2 (4.15)
𝑀𝑎𝑥1 − 𝑀𝑖𝑛1
Hasil transformasi dengan menggunakan effect size tersebut merupakan
effect size yang baru.
Jika skor awal memiliki standar deviasi s1 maka transformasi standar
deviasi tersebut ke skala yang baru ditentukan dengan persamaan
𝑀𝑎𝑥2 − 𝑀𝑖𝑛2
𝑠2 = ( )𝑠 (4.16)
𝑀𝑎𝑥1 − 𝑀𝑖𝑛1 1
Setelah standar deviasi dari effect size dihitung, kesalahan standar (𝑆𝐸)
ditentukan dengan formula
𝑠𝑥
𝑆𝐸𝑥 = (4.17)
√𝑁
Pembobotan untuk tiap studi ditentukan berdasarkan hasil perhitungan 𝑆𝐸,
dengan menggunakan formula
1
𝑤𝑖 = 2 (4.18)
𝑆𝐸𝑖
Rerata effect size terbobot dihitung menggunakan formula
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅ =
𝐸𝑆 (4.19)
∑ 𝑤𝑖
Rerata tersebut memiliki kesalahan standar (standard error of effect size)
yang dihitung dengan

48
 1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆 (4.20)
∑ 𝑤𝑖
Uji signifikansi statistik dari rerata effect size kemudian dapat
dilakukan dengan menggunakan statistik uji-𝑍. Hipotesis tersebut menguji
Ho yang memuat kesamaan nilai effect size dengan suatu konstanta versus
dan Ha yang memuat ketidaksamaan nilai effect size dengan suatu konstanta.
Nilai 𝑍 hasil perhitungan dari persamaan 4.21. Dibandingkan dengan kriteria
keputusan dan kriteria ini ditentukan berdasarkan  dan jenis hipotesis (uji
searah atau uji dua arah) dan juga jenis persamaan pada hipotesis nol.
̅̅̅̅
𝐸𝑆
𝑍= (4.21)
𝑆𝐸𝐸𝑆̅̅̅̅
Untuk bahan menggambar forest plot, batas bawah dan batas atas dari rerata
effect size ditentukan dengan persamaan
𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 − 𝑍1−𝛼 𝑆𝐸̅̅̅̅
𝐸𝑆
̅̅̅̅ + 𝑍1−𝛼 𝑆𝐸̅̅̅̅ (4.22)
𝐸𝑆𝐿𝐵 = 𝐸𝑆 𝐸𝑆
Jika peneliti akan menggunakan model acak, diperlukan uji hederogenitas
effect size. Signifikansi uji ini ditentukan dengan statistk Q, dengan per-
samaan
(∑(𝑤𝑖 𝐸𝑆𝑖 ))2
̅̅̅̅)2 ) = ∑(𝑤𝑖 𝐸𝑆𝑖2 ) −
𝑄 = ∑(𝑤𝑖 (𝐸𝑆𝑖 − 𝐸𝑆 (4.23)
∑ 𝑤𝑖

Statistik 𝑄 ini memenuhi distribusi khi-kuadrat (2 ) dengan derajat bebas

𝑘 − 1, dengan 𝑘 banyaknya studi. Hipotesis yang diuji adalah effect size
homogen untuk Ho, versus Ha untuk effect size bersifat hederogen antar
studi.
Mengenai magnitude effect size, indeksnya dapat dihitung dengan
ditentukan dengan
𝑄 − (𝑘 − 1)
2
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼 = = { 𝑄 (4.24)
2
𝜏̂ + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)
Sama seperti pada proporsi, langkah terakhir sebelum interpretasi adalah
membuat forest plot. Dengan hasil plot ini, besar dan arah effect size dari tiap
studi dan hasil studi dideskripsikan.
Pada bab ini, disajikan 4 contoh analisis data pada analisis meta.
Keempat contoh tersebut meliputi analisis data terkait estimasi proporsi

49
agregat, analisis data terkait estimasi proporsi agregat menggunakan logit,
analisis rerata agregat pada data menggunakan skala yang sama, dan analisis
rerata agregat pada data menggunakan skala yang berbeda. Masing-masing
contoh disajikan sebagai berikut.

Contoh 4.1. Analisis Meta dengan Proporsi

Pada dekade ini, pendekatan student centered merupakan pendekatan

yang popular dan disosialisaikan terus menerus, karena diyakini dapat
meningkatkan prestasi siswa. Banyak penelitian yang telah dilakukan terkait
pendekatan ini, dan hasilnya pun bermacam-macam. Salah satu indikator
keberhasilan pembelajaran adalah tercapainya kriteria ketuntasan minimal
(KKM). Secara individu, siswa dikatakan tuntas jika skor yang diperolehnya
minimal 75% dari skor total. Kelas dikatakan tuntas jika siswa yang telah
mencapai KKM lebih dari 75%. Pertanyaan yang timbul adalah apakah
secara agregat pembelajaran telah dikatakan tuntas atau siswa yang telah
mencapai KKM lebih dari 75%? Terkait dengan hal tersebut, penelitian ini,
meta analisis ditujukan untuk menjawab pertanyaan penelitian “berapakah
proporsi siswa yang mencapai kriteria ketuntasan minimal pada pem-
belajaran matematika menggunakan pendekatan student centered? Apakah
dengan pembelajaran student centered telah tuntas?
Pada contoh ini, dikumpulkan 10 hasil penelitian yang mengulas
ketuntasan belajar siswa menggunakan pembelajaran student centered. Data
yang diperlukan adalah proporsi siswa yang mencapai KKM (𝑝) dan
banyaknya anggota sampel penelitian (𝑁) dari tiap studi. Kesalahan standar
estimasi proporsi dinyatakan 𝑆𝐸 dihitung. Selajutnya dibuat tabel persiapan
data sebagai berikut.

50
 Persiapan Data
Studi 𝒑 𝑵 𝑺𝑬 𝒘 𝒘. 𝑬𝑺 𝑳𝑩 𝑼𝑩 𝒘. 𝑬𝑺𝟐
Studi 1 0,6 25 0,10
Studi 2 0,5 17 0,12
Studi 3 0,3 100 0,05
Studi 4 0,7 123 0,04
Studi 5 0,4 230 0,03
Studi 6 0,2 520 0,02
Studi 7 0,6 130 0,04
Studi 8 0,8 270 0,02
Studi 9 0,3 1000 0,01
Studi 10 0,5 352 0,03
Total

Dengan menggunakan berbagai persamaan yang sudah disajikan pada

analisis proporsi, dapat diperoleh nilai perhitungan dari bobot, bobot
dikalikan effect size, batas bawah (LB), dan batas atas effect size (UB).

𝑘 1
𝑝= 𝑆𝐸 = √
𝑝(1−𝑝) 𝑤𝑖 =
𝑁 𝑛 𝑆𝐸𝑖2

Studi 𝒑 = 𝑬𝑺 𝑵 𝑺𝑬 𝒘 𝒘. 𝑬𝑺 𝑳𝑩 𝑼𝑩 𝒘. 𝑬𝑺𝟐
Studi 1 0,6 25 0,10 104,17 62,50 0,41 0,79 37,50
Studi 2 0,5 17 0,12 68,00 34,00 0,26 0,74 17,00
Studi 3 0,3 100 0,05 476,19 142,86 0,21 0,39 42,86
Studi 4 0,7 123 0,04 585,71 410,00 0,62 0,78 287,00
Studi 5 0,4 230 0,03 958,33 383,33 0,34 0,46 153,33
Studi 6 0,2 520 0,02 3250,00 650,00 0,17 0,23 130,00
Studi 7 0,6 130 0,04 541,67 325,00 0,52 0,68 195,00
Studi 8 0,8 270 0,02 1687,50 1350,00 0,75 0,85 1080,00
Studi 9 0,3 1000 0,01 4761,90 1428,57 0,27 0,33 428,57
Studi 10 0,5 352 0,03 1408,00 704,00 0,45 0,55 352,00
Total 13841,48 5490,26 2723,26

51
Rerata effect size dapat dihitung, menggunkan hasil tersebut.
Menghitung Rerata Effect Size
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅ =
𝐸𝑆
∑ 𝑤𝑖
5490,262
̅̅̅̅
𝐸𝑆 = = 0,3966
13841,478

Selanjutnya menghitung kesalahan standar, sebagai berikut.

Mengitung Kesalahan Standar Effect Size
1
𝐸𝑆 = √
𝑆𝐸̅̅̅̅
∑ 𝑤𝑖

1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆 = 0,0085
0,3966

Kesalahan standar digunakan salah satunya untuk menghitung batas bawah

dan batas atas parameter agregat.
Menghitung Batas Atas dan Batas Bawah Effect Size
̅̅̅̅ − 𝑍1−𝛼 𝑆𝐸𝐸𝑆
𝐸𝑆𝐿𝐵 = 𝐸𝑆 ̅̅̅̅ = 0,3966 − 1,96 . 0,0085 = 0,378

𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 + 𝑍1−𝛼 𝑆𝐸𝐸𝑆
̅̅̅̅ = 0,3966 + 1,96. 0,0085 = 0,4133

Sehingga batas atas dan batas bawah 0,378 -0,4133.

Selanjutnya diuji hipotesis ketidaksamaan effect size, dengan 0,75. Kriteria

ini diperoleh dari pembelajaran dikatakan tuntas jika siswa yang mencapai
KKM lebih dari 75%.

Menguji Hipotesis Ketidaksamaan Rerata Effect Size

(Misalnya dengan kriteria 0,75)
𝐻0 : ̅̅̅̅
𝐸𝑆 ≤ 0,75
̅̅̅̅ > 0,75
𝐻𝑎 : 𝐸𝑆
Statistik Uji Z
̅̅̅̅
𝐸𝑆 − 𝐸𝑆0 ̅̅̅̅𝐸𝑆 − 0,75
𝑍= =
𝑆𝐸̅̅̅̅
𝐸𝑆 𝑆𝐸̅̅̅̅
𝐸𝑆

52
 Perhitungan
0,3966 − 0,75
𝑍= = −41,5765
0,0085
Ho ditolak jika 𝑍 > 1,96,
Kesimpulan Ho tidak ditolak.

Uji hipotesis tersebut merupakan model tetap, yang dilakukan jika asumsi
homogenitas dipenuhi. Uji homogenitas (yang sering disebut juga dengan
uji hederogenitas) sebagai berikut.
Menguji Homogenitas Effect Size
Hipotesis
𝐻0 = ̅̅̅̅
𝐸𝑆 homogen
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 hederogen
Statistik uji yang digunakan
2
(∑(𝑤𝑖 𝐸𝑆𝑖 )
𝑄 = ∑(𝑤(𝐸𝑆 − ̅̅̅̅
𝐸𝑆)2 ) = ∑ 𝑤𝑖 𝐸𝑆𝑖2 ) −
∑ 𝑤𝑖
Perhitungan
(5490,262)2
𝑄 = 2723,262 − = 545,5335
13841,48
Kriteria keputusan
Ho ditolak jika 𝑄 > Khi-kuadrat tabel (𝛼 = 0,05, 𝑑𝑘 = 9)
Karena 𝑄 terlalu besar, maka Ho ditolak sehingga diperoleh effect size
antar studi hederogen.

Hasil uji tersebut menunjukkan bahwa effect size antar studi hederogen. Hal
ini menunjukkan bahwa model tetap bukan merupakan model yang
direkomendasikan untuk analisis.
Dengan menggunakan 𝑄, dapat dihitung pula indeks penyimpangan effect
size.
Menghitung indeks penyimpangan dari effect size
Besarnya indeks penyimpangan ditentukan dengan
𝑄 − (𝑘 − 1)
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼2 = = { 𝑄
𝜏̂ 2 + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)

53
 Sehingga diperoleh
545,5335 − (10 − 1)
𝐼2 = = 0,9835
545,5335

Hasil tersebut menunjukkan bahwa indeks penyimpangan berada pada

kategori tinggi.
Dengan menggunakan 𝐸𝑆 dan 𝑆𝐸, dapat digambarkan forest plot dari
analisis meta ini. Hasilya sebagai berikut.

Hasil tersebut menunjukkan bahwa proporsi agregat siswa yang tuntas

belajarnya sekitar 40%, dan hasil ini masih jauh dari ketuntasan belajar
agregat dengan kriteria 75%.

Contoh 4.2. Analisis Meta dengan Proporsi Menggunakan Logit

Dengan menggunkana data yang sama dengan Contoh 4.2, analisis

meta dilakukan lagi. Namun pada contoh ini menggunakan cara transformasi
dengan skala logit. Perhitunggannya sebagai berikut.

54
 𝑘 𝑝 1
𝑝= 𝑙 = 𝑙𝑛 (
𝑝(1−𝑝)
) 𝑆𝐸 = √ 𝑛 𝑤𝑖 =
𝑁 1−𝑝 𝑆𝐸𝑖2

𝑬𝑺
Studi 𝒑 = 𝑬𝑺 𝑵 𝑺𝑬 𝒘 𝒘. 𝑬𝑺 𝑳𝑩 𝑼𝑩
(logit)
Studi 1 0,6 0,41 25 0,41 6 2,43 -0,39 1,21
Studi 2 0,5 0,00 17 0,49 4,25 0,00 -0,95 0,95
Studi 3 0,3 -0,85 100 0,22 21 -17,79 -1,28 -0,42
Studi 4 0,7 0,85 123 0,20 25,83 21,89 0,46 1,23
Studi 5 0,4 -0,41 230 0,13 55,2 -22,38 -0,67 -0,14
Studi 6 0,2 -1,39 520 0,11 83,2 -115,34 -1,60 -1,17
Studi 7 0,6 0,41 130 0,18 31,2 12,65 0,05 0,76
Studi 8 0,8 1,39 270 0,15 43,2 59,89 1,09 1,68
Studi 9 0,3 -0,85 1000 0,07 210 -177,93 -0,98 -0,71
Studi 10 0,5 0,00 352 0,11 88 0,00 -0,21 0,21
Total 567,88 -236,59

Hasil perhitungan pada tabel tersebut digunakan untuk menghitung rerata

effect size sebagai berikut.
Menghitung Rerata Effect Size
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅ =
𝐸𝑆
∑ 𝑤𝑖
−236,59
̅̅̅̅ =
𝐸𝑆 = − 9,929
567,88

Kesalahan standar dari effect size dihitung sebagai kerikut.

Mengitung Kesalahan Standar Effect Size
1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆
∑ 𝑤𝑖

1
𝑆𝐸̅̅̅̅
𝐸𝑆 = √ = 0,042
567,88

Dengan rerata effect size dan kesalahan standar, dapat dihitung batas bawah
dan batas atas rerata effect size.

55
 Menghitung Batas Atas dan Batas Bawah Effect Size
𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 − 𝑍1−𝛼 𝑆𝐸𝐸𝑆
̅̅̅̅ = −0,41662 − 1,96 . 0,042 = −0,499
𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 + 𝑍1−𝛼 𝑆𝐸̅̅̅̅
𝐸𝑆 = −0,41662 + 1,96 . 0,042 = −0,334

Sehingga batas atas dan batas bawah -0,498

sampai dengan -0.334.

Hipotesis dari kesamaan diuji sebagai berikut, dengan taraf signifikansi 5%,
sehingga nilai Ztabel 1,96.
Menguji Hipotesis Kesamaan Rerata Effect Size (Misalnya dengan
kriteria 0,75 dalam proporsi, atau 1,099 dalam logit)
𝐻0 = ̅̅̅̅
𝐸𝑆 ≤ 1,099
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 > 1,099
Statistik Uji-Z
̅̅̅̅
𝐸𝑆 − 𝐸𝑆0 ̅̅̅̅𝐸𝑆 − 1,099
𝑍= =
𝑆𝐸𝐸𝑆
̅̅̅̅ 𝑆𝐸𝐸𝑆
̅̅̅̅

Perhitungan
−0,41662 − 1,099
𝑍= = −9,928
0,042
Ho ditolak jika 𝑍 > 1,96,
Kesimpulan Ho tidak ditolak.

Jika akan menguji homogenitas effect size, digunakan statistik 𝑄 sebagai

berikut.
Menguji Homogenitas Effect Size
Hipotesis
𝐻0 = ̅̅̅̅
𝐸𝑆 homogen
̅̅̅̅ hederogen
𝐻𝑎 = 𝐸𝑆
Statistik uji yang digunakan 2
(∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅)
𝑄 = ∑(𝑤(𝐸𝑆 − 𝐸𝑆 2)
= ∑ 𝑤𝑖 𝐸𝑆𝑖2 −
∑ 𝑤𝑖
Perhitungan
(−236,59)2
𝑄 = 442,49 − = 343,921
567,88

56
 Kriteria keputusan
Ho ditolak jika 𝑄 > Khi-kuadrat tabel (𝛼 = 0,05, 𝑑𝑘 = 9)
Karena 𝑄 terlalu besar, maka Ho ditolak sehingga diperoleh effect size
antar studi hederogen.

Untuk menghitung indeks penyimpangan atau magnitude dari effect size

dihitung sebagai berikut.
Menghitung indeks penyimpangan dari effect size
Besarnya indeks penyimpangan ditentukan dengan
𝑄 − (𝑘 − 1)
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼2 = = { 𝑄
𝜏̂ 2 + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)
Sehingga diperoleh
343,921 − (10 − 1)
𝐼2 = = 0,97383
343,921

Analisis Model Acak

Untuk analisis dengan model acak, diestimasi terlebih dahulu 𝐶 dan tau
kuadrat
∑ 𝑊𝑖2 65815,2
𝐶 = ∑ 𝑊𝑖 − = 567.88 − = 451,954
∑ 𝑊𝑖 567,88
𝑄 − 𝑑𝑓 343,921 − 9
𝑇2 = = = 0,741058
𝐶 451,954

Menggunakan tau kuadrat yang ditemukan, langkah selanjutnya adalah

menghitung varians effect size yang baru dan pembobotan yang baru.
Hasilnya disajikan dalam tabel berikut.

57
 1
∗
𝑉𝐸𝑆 =𝑉𝐸𝑆𝑖 +𝑇 2 𝑆𝐸𝑀∗ = √𝑉𝑀∗ 𝑊∗ =
𝑖 𝑆𝐸𝑀∗

𝑳𝑳 𝑼𝑳
Studi 𝑬𝑺 𝑆𝐸 𝑽∗ 𝑺𝑬 ∗ 𝑾∗ 𝑾 ∗ 𝑬𝑺
(𝑴 ∗) (𝑴 ∗)
Studi A 0,41 0,41 1,15 1,07 0,0006 0,0002 -1,70 2,17
Studi B 0,00 0,49 1,23 1,11 0,0006 0,0000 -2,17 1,07
Studi C -0,85 0,22 0,96 0,98 0,0006 -0,0005 -2,77 2,75
Studi D 0,85 0,20 0,94 0,97 0,0006 0,0005 -1,05 1,43
Studi E -0,41 0,13 0,88 0,94 0,0006 -0,0002 -2,24 0,42
Studi F -1,39 0,11 0,85 0,92 0,0006 -0,0008 -3,19 2,29
Studi G 0,41 0,18 0,92 0,96 0,0006 0,0002 -1,47 3,24
Studi H 1,39 0,15 0,89 0,95 0,0006 0,0008 -0,47 0,92
Studi I -0,85 0,07 0,81 0,90 0,0006 -0,0005 -2,61 0,00
Total 0,0051671 -0,00026

Untuk menghitung rerata terbobot untuk model acak (𝑀∗) sebagai berikut.
∑ 𝑊𝑖∗ 𝐸𝑆𝑖 −0,00026
𝑀∗ = ∗ = = −0,04976
∑ 𝑊𝑖 0,005167

Langkah selanjutnya adalah menghitung kesalahan standar rerata terbobot

model acak (𝑉𝑀∗ ) yang kemudian digunakan untuk menghitung ( 𝑆𝐸𝑀∗ ).
1 1
𝑉𝑀∗ = ∗ = = 193,533
∑ 𝑊𝑖 0,005167
𝑆𝐸𝑀∗ = √𝑉𝑀∗ = 13,911

Menghitung Batas Bawah dan Batas Atas Rerata Agregat

𝐿𝐿𝑀∗ = 𝑀∗ − 1.96 𝑆𝐸𝑀∗ = −27,3165
𝑈𝐿𝑀∗ = 𝑀∗ + 1.96 𝑆𝐸𝑀∗ = 27,217

Jadi batas bawah rerata skor gabungan -27,3165 dan batas atasnya 27,217.

58
Menguji hipotesis kesamaan effect size sebagai berikut.
Menguji Hipotesis Kesamaan Rerata Effect Size (Misalnya
dengan kriteria 1,099)
Hipotesis:
𝐻0 = ̅̅̅̅
𝐸𝑆 ≤ 1,099
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 > 1,099
Statistik Uji Z
𝑀∗ − 𝑀𝑜∗ 𝑀∗ − 1,099 𝑀∗ − 1,099
𝑍∗ = = =
𝑆𝐸𝑀∗ 13,911 𝑆𝐸𝐸𝑆
̅̅̅̅

Perhitungan
−0,04976 − 1,099
𝑍∗ = = −0,07611
13,9116
Ho ditolak jika 𝑍 ∗ > 1,96,
Kesimpulan Ho tidak ditolak.

Hasil ini menunjukkan bahwa dengan menggunakn model acak, diperoleh

bahwa pada wilayah generalisasi tersebut, proporsi siswa yang mencapai
ketuntasan minimal tidak sampai 75%. Dengan kata lain, pembelajaran
belum tuntas.

Contoh 4.3. Analisis Meta dengan Rerata pada Skor yang Memiliki
Rentang yang Sama

Pada contoh analisis meta ini, peneliti akan mengetahui kemampuan

berfikir tingkat tinggi siswa menggunakan pembelajaran berbasis masalah.
Ada 9 hasil penelitian yang akan diagregasikan. Data yang diperoleh kebe-
tulan berada pada skala yang sama, yakni skor terendah 0 dan skor mak-
simum 100.
Dengan menggunakan rerata masing-masing studi sebagai effect size,
dan menggunakan standar deviasi dari skor, dapat dihitung kesalahan stan-
dar (𝑆𝐸) dari effect size dan pembobotannya (𝑤). Hasilnya disajikan sebagai
berikut.

59
 𝑠𝑥 1
𝑆𝐸𝑥 = 𝑤𝑖 =
√𝑁 𝑆𝐸𝑖2

Study 𝑬𝑺 𝒔 𝒏 𝑺𝑬 𝒘 𝒘. 𝑬𝑺 𝑳𝑩 𝑼𝑩
Studi A 53,54 22,29 405 1,11 0,82 43,64 9,85 97,23
Studi B 52,62 23,4 355 1,24 0,65 34,12 6,76 98,48
Studi C 83,39 6,72 24 1,37 0,53 44,32 70,22 96,56
Studi D 77,41 11,63 27 2,24 0,20 15,45 54,62 100,20
Studi E 79,85 14,41 66 1,77 0,32 25,38 51,61 108,09
Studi F 50 16,67 28 3,15 0,10 5,04 17,33 82,67
Studi G 79,65 6,06 43 0,92 1,17 93,26 67,77 91,53
Studi H 60,94 11,176 32 1,98 0,26 15,61 39,04 82,84
Studi I 76,84 11,41 63 1,44 0,48 37,18 54,48 99,20
Total 4,52 314,01

Dengan hasil perhitungan tersebut, dapat dihitung rerata effect size dari
analisis meta.
Menghitung Rerata Effect Size
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅
𝐸𝑆 =
∑ 𝑤𝑖
314,0069
̅̅̅̅ =
𝐸𝑆 = 69,40627
4,52417

Selanjutnya dihitung kesalahan standar effect size sebagai berikut.

Mengitung Kesalahan Standar Effect Size
1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆
∑ 𝑤𝑖

1
𝑆𝐸̅̅̅̅
𝐸𝑆 = √ = 0,470143
4,52417

Rerata dan kesalahan standar effect size dapat digunakan untuk menghitung
batas bawah dan batas atas agregat sebagai berikut.

60
 Menghitung Batas Atas dan Batas Bawah Effect Size
𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 − 𝑍1−𝛼 𝑆𝐸𝐸𝑆
̅̅̅̅ = 69,4067 − 1,96 . 0,470143 = 68,48479
̅̅̅̅
𝐸𝑆𝐿𝐵 = 𝐸𝑆 + 𝑍1−𝛼 𝑆𝐸𝐸𝑆
̅̅̅̅ = 69,4067 + 1,96 . 0,470143 = 70,32775
Sehingga batas atas dan batas bawah 68,48479 sampai dengan 70,32775.

Uji kesamaan retata effect size dengan berdasarkan kriteria 75, sebagai
berikut.
Menguji Hipotesis Kesamaan Rerata Effect Size (Misalnya dengan
kriteria 75)
𝐻0 = ̅̅̅̅
𝐸𝑆 ≤ 75
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 > 75
Statistik Uji Z
̅̅̅̅ − 𝐸𝑆0 𝐸𝑆
𝐸𝑆 ̅̅̅̅ − 75
𝑍= =
𝑆𝐸𝐸𝑆
̅̅̅̅ 𝑆𝐸𝐸𝑆
̅̅̅̅
Perhitungan
69,4067 − 75
𝑍= = −11,8979
0.470143
Ho ditolak jika 𝑍 > 1,96,
Kesimpulan Ho tidak ditolak.

Uji hipotesis tersebut dapat digunakan jika model analisis yang digunakan
adalah model tetap. Model ini dapat dilakukan jika memenuhi asumsi
homogentitas. Uji homogenitas dilakukan sebagai berikut.
Menguji Homogenitas Effect Size
Hipotesis
𝐻0 = ̅̅̅̅
𝐸𝑆 homogen
̅̅̅̅ hederogen
𝐻𝑎 = 𝐸𝑆
Statistik uji yang digunakan 2
(∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅)
𝑄 = ∑(𝑤(𝐸𝑆 − 𝐸𝑆 2)
= ∑ 𝑤𝑖 𝐸𝑆𝑖2 −
∑ 𝑤𝑖
Perhitungan
(314,01)2
𝑄 = 479992,4918 − = 745,1892
4.452417
Kriteria keputusan
Ho ditolak jika 𝑄 > Khi-kuadrat tabel (𝛼 = 0,05, 𝑑𝑘 = 8)

61
 Karena 𝑄 terlalu besar, maka Ho ditolak sehingga diperoleh effect size
antar studi hederogen.

Hasil tersebut menunjukkan bahwa effect size bersifat hederogen. Hasil ini
menunjukkan bahwa model tetap tidak dapat digunakan.
Dengan menggunakan 𝑄, dapat dihitug indeks besarnya penyim-
pangan effect size (𝐼 2 ).
Menghitung indeks penyimpangan dari effect size
Besarnya indeks penyimpangan ditentukan dengan
𝑄 − (𝑘 − 1)
2
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼 = = { 𝑄
2
𝜏̂ + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)
Sehingga diperoleh
745,1892 − (9 − 1)
𝐼2 = = 0,9892
745,1892

Contoh 4.4. Analisis Meta dengan Rerata pada Skor yang Memiliki
Rentang yang Berbeda

Pada studi ini, peneliti akan mengetahui kemampuan Bahasa Inggris

mahasiswa yang akan lulus S1. Analisis meta ini menggunakan 9 penelitian
tentang kemampuan bahasa Inggris. Ada yang diukur menggunakan TOEFL
IBT, ada yang menggunakan TOEFL ITP, ada yang menggunakan IELTS,
TOEIC, dan lain-lain. Data disajikan pada tabel berikut.
Study Rerata 𝒔 𝒏 min max
Studi A 52 25 405 0 100
Studi B 5,5 1,57 355 4 9
Studi C 5,8 1,9 670 4 9
Studi D 30 11,63 27 0 50
Studi E 475 107 180 380 677
Studi F 50 16,67 280 0 100
Studi G 59,65 22 300 0 100
Studi H 460 107 180 380 677
Studi I 503 110 450 380 677
Total

62
 Langkah berikutnya adalah mentransformasi rerata tersebut menjadi skala
yang sama, yang hasilnya merupakan effect size dari masing-masing studi.
Pada kasus ini, karena yang paling umum adalah TOEFL ITP, maka skor
lain diubah ke skala TOEFL ITP. Standar deviasinya juga ditransfor-
masikan, untuk menghitung 𝑆𝐸 dan 𝑤. Hasilnya disajikan sebagai berikut.
𝑠𝑥 1
𝑀𝑎𝑥2 − 𝑀𝑖𝑛2 𝑀𝑎𝑥2 − 𝑀𝑖𝑛2 𝑤𝑖 =
𝑆𝐸𝑥 =
𝑋2 = ⌊(𝑋1 − 𝑀𝑖𝑛1 ) ( )⌋ + 𝑀𝑖𝑛2 𝑠2 = ( ) 𝑠1 √𝑁 𝑆𝐸𝑖2
𝑀𝑎𝑥1 − 𝑀𝑖𝑛1 𝑀𝑎𝑥1 − 𝑀𝑖𝑛1

𝑬𝑺 (rerata 𝒔
Study 𝒏 ditransfor (ditrans- 𝑺𝑬 𝒘 𝒘. 𝑬𝑺 𝑳𝑩 𝑼𝑩
masi) formasi)
Studi A 405 534,44 74,25 3,69 0,27 144,85 527,21 541,67
Studi B 355 469,1 93,258 4,95 0,20 94,77 459,40 478,80
Studi C 670 486,92 112,86 4,36 0,23 111,67 478,37 495,47
Studi D 27 558,2 69,0822 13,29 0,08 41,99 532,14 584,26
Studi E 180 475 107 7,98 0,13 59,56 459,37 490,63
Studi F 280 528,5 49,5099 2,96 0,34 178,62 522,70 534,30
Studi G 300 557,1605 65,34 3,77 0,27 147,69 549,77 564,55
Studi H 180 460 107 7,98 0,13 57,68 444,37 475,63
Studi I 450 503 110 5,19 0,19 97,00 492,84 513,16
Total 1,82 933,84

Rerata effect size dihitung sebagai berikut.

Menghitung Rerata Effect Size
∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅ =
𝐸𝑆
∑ 𝑤𝑖
933,841
̅̅̅̅
𝐸𝑆 = = 511,852
1,8243

Kesalahan standar dari effect size sebagai berikut.

Mengitung Kesalahan Standar Effect Size
1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆
∑ 𝑤𝑖

1
̅̅̅̅ = √
𝑆𝐸𝐸𝑆 = 0,740
1,8243

63
Batas bawah dan batas atas rerata effect size dihitung sebagai berikut.
Menghitung Batas Atas dan Batas Bawah Effect Size
𝐸𝑆𝐿𝐵 = ̅̅̅̅
𝐸𝑆 − 𝑍1−𝛼 𝑆𝐸𝐸𝑆
̅̅̅̅ = 511,852 − 1,96 . 0,740 = 510,434

̅̅̅̅ + 𝑍1−𝛼 𝑆𝐸𝐸𝑆

𝐸𝑆𝐿𝐵 = 𝐸𝑆 ̅̅̅̅ = 511,852 + 1,96. 0,740 = 513,336

Sehingga batas atas dan batas bawah 510,434 sampai dengan 513,336.

Hipotesis ketidaksamaan rerata effect size pada kasus ini hipotesis yang diuji
adalah rerata agregat kurang atau sama dengan 500 sebagai Ho, dan
lawannya rerata agregat leih dari 500.
Menguji Hipotesis Ketidaksamaan Rerata Effect Size (Misalnya
dengan kriteria 0,75)
𝐻0 = ̅̅̅̅
𝐸𝑆 ≤ 500
̅̅̅̅ > 500
𝐻𝑎 = 𝐸𝑆
Statistik Uji Z
̅̅̅̅
𝐸𝑆 − 𝐸𝑆0 ̅̅̅̅
𝐸𝑆 − 500
𝑍= =
𝑆𝐸𝐸𝑆
̅̅̅̅ 𝑆𝐸𝐸𝑆
̅̅̅̅

Perhitungan
513,336 − 500
𝑍= = 18.00
0.740
Ho ditolak jika 𝑍 > 1,96,
Kesimpulan Ho tidak ditolak.

Uji tersebut dilakukan jika model yang dipilih merupakan model acak,
dengan asumsi homogenitas effect size terpenuhi. Uji homogenitas dila-
kukan sebagai berikut.
Menguji Homogenitas Effect Size
Hiotesis
𝐻0 = ̅̅̅̅
𝐸𝑆 homogen
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 hederogen
Statistik uji yang digunakan 2
(∑(𝑤𝑖 𝐸𝑆𝑖 )
̅̅̅̅)
𝑄 = ∑(𝑤(𝐸𝑆 − 𝐸𝑆 2)
= ∑ 𝑤𝑖 𝐸𝑆𝑖2 −
∑ 𝑤𝑖

64
 Perhitungan
(933,84)2
𝑄 = 479992,4918 − = 1972.06
1.8243

Kriteria keputusan
Ho ditolak jika 𝑄 > Khi-kuadrat tabel (𝛼 = 0,05, 𝑑𝑘 = 9)
Karena 𝑄 terlalu besar, maka Ho ditolak sehingga diperoleh effect size
antar studi hederogen.

Karena berdasarkan uji hipotesis diperoleh kesimpulan effect size hederogen,

maka model tetap tidak dapat digunakan. Model yang direkomendasikan
adalah model acak.
Dengan menggunakan 𝑄, dapat dihitung indeks penyimpangan effect
size.
Menghitung indeks penyimpangan dari effect size
Besarnya indeks penyimpangan ditentukan dengan
𝑄 − (𝑘 − 1)
2
𝜏̂ 2 , untuk 𝑄 > (𝑘 − 1)
𝐼 = = { 𝑄
2
𝜏̂ + 𝜎
0, untuk 𝑄 ≤ (𝑘 − 1)
Sehingga diperoleh
1972,06 − (10 − 1)
𝐼2 = = 0,996
1972,06

Hasil tersebut menunjukkan bahwa indeks penyimpangan berada pada

kategori tinggi. Untuk analisis dengan model acak, diestimasi terlebih
dahulu 𝐶 dan tau kuadrat
∑ 𝑊𝑖2 0,426
𝐶 = ∑ 𝑊𝑖 − = 1.824 − = 1,590
∑ 𝑊𝑖 1,824
𝑄 − 𝑑𝑓 1972.06 − 8
𝑇2 = = = 1235,258
𝐶 1,590

Dengan menggunakan tau kuadrat, maka varians dan pembobotan yang

baru. Perhitungan disajikan pada tabel berikut.

65
 ∗ ⬚
𝑆𝐸𝑀∗ = √𝑉𝑀∗ 𝑉𝐸𝑆𝑖
=𝑉𝐸𝑆𝑖
+𝑇 2

𝑳𝑳 𝑼𝑳
Studi 𝑬𝑺 𝑺𝑬 ∗ 𝑽∗ 𝑾∗ 𝑾 ∗ 𝑬𝑺
(𝑴∗ ) (𝑴∗ )
Studi A 534,44 42,06 1768,93 0,00 0,30 452,01 616,87
Studi B 469,1 41,27 1703,59 0,00 0,28 388,20 550,00
Studi C 486,92 41,49 1721,41 0,00 0,28 405,60 568,24
Studi D 558,2 42,34 1792,69 0,00 0,31 475,21 641,19
Studi E 475 41,35 1709,49 0,00 0,28 393,96 556,04
Studi F 528,5 41,99 1762,99 0,00 0,30 446,20 610,80
Studi G 557,16 42,33 1791,65 0,00 0,31 474,20 640,12
Studi H 460 41,16 1694,49 0,00 0,27 379,32 540,68
Studi I 503 41,68 1737,49 0,00 0,29 421,30 584,70
Total 0,005167 2,621303

Menghitung rerata terbobot untuk model acak sebagai berikut.

∑ 𝑊𝑖∗ 𝐸𝑆𝑖 2,6213
𝑀∗ = ∗ = = 507,3086
∑ 𝑊𝑖 0,005167

Menghitung kesalahan standar rerata terbobot model acak

1 1
𝑉𝑀∗ = = = 193,533
∑ 𝑊𝑖∗ 0,005167
𝑆𝐸𝑀∗ = √𝑉𝑀∗ = 13,911

Selanjutnya dapat dihitung batas bawah dan batas atas dari rerata agregat,
sebagai berikut.
𝐿𝐿𝑀∗ = 𝑀∗ − 1.96 𝑆𝐸𝑀∗ = 480,0418
𝑈𝐿𝑀∗ = 𝑀∗ + 1.96 𝑆𝐸𝑀∗ = 534,5753
Jadi batas bawah rerata skor gabungan 480,0418 dan batas atasnya
534,5753.

Dengan menggunakan rerata agregat dan 𝑆𝐸 yang baru, dapat dilakukan uji
hipotesis mengenai ketidaksamaan effect size sebagai berikut.

66
 Menguji hipotesis ketidaksamaan rerata effect size (Misalnya dengan
kriteria skor 499)
𝐻0 = ̅̅̅̅
𝐸𝑆 ≤ 499
𝐻𝑎 = ̅̅̅̅
𝐸𝑆 > 499
Statistik Uji Z
̅̅̅̅ − 1,099
𝑀∗ − 𝑀𝑜∗ 507,3086 − 499 𝐸𝑆
𝑍∗ = = =
𝑆𝐸𝑀∗ 13,911 𝑆𝐸𝐸𝑆
̅̅̅̅

Perhitungan
−0,41662 − 1,099
𝑍∗ = = 36,467
0,042
Ho ditolak jika 𝑍 > 1,96,
Kesimpulan Ho tidak ditolak.

Hasil tersebut menunjukkan bahwa rerata kemampuan bahasa Inggris

mahasiwa lebih dari 499. Selanjutnya dengan menggunakan 𝐸𝑆 dan 𝑆𝐸
dibuat forest plot, untuk diinterpretasikan.

Hasil analisis ini menunjukkan bahwa rerata kemampuan bahasa Inggris

mahasiswa berada pada posisi skor lebih dari 500.

67
BAB 5. Meta-Analisis Pre Post Contrasts
Bab 5
Meta-Analisis Pre Post Contrasts

Sejumlah studi baik dalam bidang kesehatan, atau sosial sains men-
coba melihat sejauh mana pemberian suatu treatment mempengaruhi atau
mengubah kondisi subjek penelitian. Pengukuran terhadap suatu kondisi
(variabel) pada subjek dilakukan pada awal waktu (sebelum pemberian
treatment/ perlakuan) yang selanjutnya disebut kondisi awal atau pre dan
pada waktu akhir (setelah pemberian treatment/ perlakuan) yang selanjutnya
disebut kondisi akhir atau post. Meta-analisis juga dapat dilakukan terhadap
dengan hasil-hasil studi tersebut.
Bab ini menyajikan uraian singkat teori tentang apa itu meta-analisis
pre-post contrasts dan bagaimana menghitung effect size pada hasil-hasil
studi yang menggunakan desain eksperimen pre-test vs post-test contrasts.
Beberapa referensi berupa buku maupun artikel jurnal yang digunakan penu-
lis sebagai rujukan. Adapun rujukan utama yang digunakan pada penulisan
simbol dalam Bab ini adalah buku yang ditulis oleh Borenstein, Hedges,
Higgins, & Rothstein dengan judul “Introduction to Meta-Analysis”.
Bab ini juga dilengkapi dengan uraian singkat mengenai prosedur per-
hitungan effect size dari missing data. Selain itu, pada akhir bab disajikan
Worked Example untuk memudahkan dalam memahami prosedur perhitung-
an effect size pada meta-analisis pre-post contrasts.

Apakah Meta-Analisis Pre-Post Contrasts?

Meta analisis pre-post contrasts adalah meta-analisis yang bertujuan

untuk membandingkan central tendency (rata-rata atau proporsi) dari suatu
variabel yang diukur terhadap subjek/partisipan/responden yang sama, de-
ngan cara yang sama pada dua waktu yang berbeda (Lipsey & Wilson,
2001). Dalam istilah lain, pre-post contrasts bisa juga disebut repeated mea-
sures atau pengukuran berulang (Cheung, 2015). Dalam bidang kesehatan
pre-post contrast memiliki kesamaan prosedur dengan desain matched

68
group yakni membandingkan/melihat perbedaan pengaruh treatment ter-
tentu terhadap dua grup/kelompok yang terdiri dari sampel dengan karak-
teristik yang sama (Borenstein et al., 2009).
Meta-analisis pre-post contrasts bertujuan untuk membandingkan
sekaligus untuk mengetahui perubahan/peningkatan kemampuan/score sua-
tu subjek pada variabel tertentu diwaktu pertama (T1) dan waktu kedua (T2).
Unit analisisnya adalah pair/ pasangan kelompok nilai pre-test dan post-test,
dan setiap pasangan menjadi kontrol bagi pasangannya (T1 vs T2). Oleh
karena itu, magnitude effect (tingkat/ derajat/ besarnya effect) pada meta-
analisis pre-post contrasts tergantung pada besarnya korelasi antara pre-test
dengan post-test (Borenstein et al., 2009). Semakin tinggi korelasi antara
pre-test dengan post-test akan menghasilkan variansi yang kecil dan
meningkatkan presisi hasil analisis.
Dibidang pendidikan, studi/penelitian dengan desain pre-post con-
trasts biasanya banyak digunakan untuk mengetahui sejauh mana suatu
metode pembelajaran meningkatkan atau menumbuhkan kemampuan atau
keterampilan siswa. Dengan kata lain efektivitas suatu treatment diukur
dengan membandingkan nilai siswa di awal (sebelum diberi treatment) dan
di akhir (setelah diberi treatment).
Setelah menentukan tujuan meta-analisis, peneliti harus mengum-
pulkan sejumlah hasil-hasil studi yang relevan dengan tujuan meta-analisis-
nya. Kegiatan mengumpulkan hasil-hasil studi merupakan salah satu aspek
penting yang harus diperhatikan dalam melakukan meta-analisis. Kita perlu
menentukan kriteria yang pasti mengenai studi yang akan dikumpulkan.
Card (2012, p. 38) mengemukakan bahwa ada tiga alasan mengapa kita per-
lu menuliskan kriteria yang pasti mengenai studi-studi yang akan kita ikut
sertakan atau tidak ikut sertakan dalam meta-analisis. Pertama, untuk me-
ngurangi subjektivitas dalam memilih studi. Subjektivitas dalam memilih
studi tentu akan menghasilkan kesimpulan yang sifatnya subjektif, meskipun
melalui prosedur analisis yang benar. Adanya kriteria yang jelas, proses
mengumpulkan hasil-hasil studi dapat dilakukan/ dibantu oleh orang lain.
Kedua, kriteria yang jelas akan memberikan gambaran mengenai
ruang lingkup populasi yang digunakan pada masing-masing studi dalam
meta-analisis. Pendefinisian kriteria ruang lingkup populasi dari studi yang
dianalisis diperlukan untuk menghindari kekeliruan dalam menarik kesim-

69
pulan. Fakta-fakta empiris yang hanya berasal dari studi-studi yang meng-
gunakan sekelompok kecil subjek/objek/partisipan tidak dapat dilakukan
generalisasi dalam skala yang lebih luas.
Alasan ketiga mengapa harus ada kriteria yang jelas adalah berkaitan
dengan transparansi hasil yang diperoleh. Apabila kriteria tidak ditetapkan
dengan jelas, maka penarikan kesimpulan yang dihasilkan dari meta-analisis
akan diragukan validitasnya karena pembaca tidak dapat mengecek kebe-
naran hasil meta-analisis.
Misalnya kita akan melakukan meta-analisis untuk mengetahui efek-
tivitas penggunaan media pembelajaran berbasis teknologi informasi terha-
dap prestasi belajar matematika siswa. Sesuai dengan tujuannya, maka
kegiatan pertama yang perlu dilakukan adalah mengumpulkan hasil-hasil
studi yang melaporkan efektivitas penggunaan media pembelajaran berbasis
teknologi informasi terhadap prestasi belajar matematika. Studi-studi yang
dikumpulkan harus menggunakan desain eksperimen pre-post contrasts un-
tuk mengetahui efektivitas media pembelajaran berbasis teknologi infor-
masi. Selain itu, informasi mengenai jumlah subjek/objek penelitian harus
diketahui atau dilaporkan dengan jelas. Selain itu, kita dapat menentukan
kriteria lain seperti tahun publikasi, jenis publikasi, jenis treatment yang
diberikan, lamanya pemberian treatment, dan karakteristik sampel yang di-
gunakan.

Langkah-Langkah Analisis

Setelah mengumpulkan hasil-hasil studi (dengan desain pre-test vs

post-test) yang memenuhi kelayakan, selanjutnya dilakukan proses analisis
untuk memperoleh kesimpulan mengenai effect dari suatu treatment terha-
dap suatu variabel pada subjek/objek studi. Prosedur analisis pada desain
pre-post contrasts pada prinsipnya sama seperti pada meta-analisis korelasi,
group contrasts, atau central tendency. Secara umum langkah-langkah anali-
sis yang dilakukan adalah sebagai berikut.
1) Menghitung effect size, variansi effect size, dan Standard Error dari
effect size.
2) Menghitung summary untuk effect size, variansi effect, Standard error
effect,
3) Menghitung interval kepercayaan,

70
4) Melakukan uji hipotesis dengan menghitung nilai Z, dan p-value,
5) Membuat interpretasi dan kesimpulan hasil analisis.
Seperti yang telah dibahas pada Bab sebelumnya, bahwa effect size
dari suatu meta-analisis bergantung pada desain atau jenis studi yang diana-
lisis. Oleh karena itu, perbedaan mendasar meta-analisis pre-test post-test
contrasting dari beberapa desain meta-analisis tersebut terletak pada perhi-
tungan effect size, sedangkan pada prosedur perhitungan summary effect
sama dengan desain lainnya. Diagram alir meta-analisis pre-post contrasts
disajikan pada Gambar 5. 1.

Gambar 5. 1. Diagram Alir Meta-Analisis Pre-Post Contrasts

Rincian prosedur meta-analisis pre-post contrasts yang meliputi perhitungan

effect size, summary effect, menghitung interval kepercayaan, uji hipotesis,
serta interpretasi dan penarikan kesimpulan akan diuraikan pada subbab
berikut.

Menghitung Effect Size, Variansi Effect, dan Standard Error Effect

Effect Size pada meta-analisis pre-post contrast adalah mean diffe-

rence disimbolkan “D” atau “𝑑” (Borenstein et al., 2009) atau dalam refe-
rensi lain menggunakan simbol 𝐸𝑆𝑚𝑔 (Lipsey & Wilson, 2001). Effect size
pada pre-post contrasts ini diperoleh dengan menghitung selisih antara skor
pre-test dan post-test.
Seperti yang telah disinggung pada Bab 3 bahwa kita tidak menge-
tahui dengan pasti bagaimana true effect size dari studi-studi yang dianalisis.
True effect size pada meta-analisis pre-post contrast disini berarti selisih skor
sebenarnya pada tingkat populasi. Oleh sebab itu, baik pada model FE
maupun RE kita mengasumsikan effect size dihasilkan dari data sampel
merupakan akumulasi skor nyata dan sampling error.

71
Andaikan 𝜇𝑝𝑟𝑒 dan 𝜇𝑝𝑜𝑠𝑡 adalah rerata skor populasi pada pre-test dan post-
test (rerata true score), maka true effect size pre-post contrasts atau selisih
rerata skor sebenarnya (𝑓𝑑𝑖𝑓𝑓 ) secara matematis dapat dituliskan dengan
Persamaan 5.1 berikut
𝐸𝑆𝑑𝑖𝑓𝑓 = 𝜇𝑝𝑜𝑠𝑡 − 𝜇𝑝𝑟𝑒 (5.1)
Karena kita tidak mengetahui rerata true score pada setiap studi, maka true
effect diestimasi dengan menggunakan rerata skor amatan. Secara matematis
dituliskan pada Persamaan 5.2 berikut
𝑦𝑑𝑖𝑓𝑓 = 𝑦̅𝑝𝑜𝑠𝑡 − 𝑦̅𝑝𝑟𝑒 (5.2)
dimana 𝑦𝑑𝑖𝑓𝑓 adalah selisih rerata skor amatan pada pre-test (𝑦̅𝑝𝑟𝑒 ) dengan
rerata skor amatan pada post-test (𝑦̅𝑝𝑜𝑠𝑡 ).
Ada dua pendekatan/metode yang dapat dilakukan untuk menghitung
Effect Size (mean difference), yakni unstandardized mean difference dan
standardized mean difference. Memilih salah satu dari dua metode/ pende-
katan tersebut bergantung pada informasi yang tersedia pada studi-studi
yang dianalisis. Untuk lebih jelasnya berikut diuraikan secara singkat me-
ngenai unstandardized mean difference dan standardized mean difference

Unstandardized Mean Difference (UDM)

Pendekatan unstandardized mean difference digunakan ketika seluruh
studi yang dianalisis menggunakan skala penilaian yang sama. Adapun pro-
sedur untuk menghitung effect size, variansi, dan Standard error effect
sebagai berikut.

Menghitung Effect Size (𝐷)

Effect Size pada unstandardized mean difference diperoleh dengan
menghitung langsung selisih rerata nilai pada pre-test dengan post-test.
Adapun rumus yang digunakan untuk menghitung 𝐷 pada unstandardized
mean difference ditunjukkan pada Persamaan 5.3 berikut.
𝐷 = 𝑋̅𝑑𝑖𝑓𝑓 = 𝑋̅1 − 𝑋̅2 (5.3)
Keterangan:
𝐷 ∶ effect size (unstandardized)
𝑋̅1 : rerata nilai/skor post-test
𝑋̅2 : rerata nilai/skor pre-test

72
Formula 𝑋̅1 − 𝑋̅2 pada persamaan 5.3 dapat pula diubah menjadi 𝑋̅2 − 𝑋̅1 ,
namun terdapat perbedaan dalam interpretasi hasil. Apabila 𝑋̅1 − 𝑋̅2 yang
dihasilkan pada persamaan 5.3 bernilai positif, berarti rerata post-test lebih
tinggi atau lebih baik daripada pre-test. Sebaliknya, jika 𝑋̅1 − 𝑋̅2 bernilai
negatif, berarti rerata nilai post-test lebih rendah atau tidak lebih baik dari
pada pre-test.

Menghitung variansi dari ES (𝑉𝐷 )

Setelah memperoleh effect size studi, selanjutnya menghitung varian-
si dari Effect Size. Pada unstandardized mean difference, variansi dihitung
dengan menggunakan rumus yang ditunjukkan pada Persamaan 5.4. Sebe-
lum menghitung 𝑉𝐷 , terlebih dahulu menghitung 𝑆diff dengan menggunakan
Persamaan 5.5 atau 5.6.
2
𝑆𝑑𝑖𝑓𝑓
𝑉𝐷 = (5.4)
𝑛
dimana

𝑆𝑑𝑖𝑓𝑓 = √𝑆12 + 𝑆22 − 2 × 𝑟 × 𝑆1 × 𝑆2 (5.5)

atau
2
𝑆𝑑𝑖𝑓𝑓 = √2 × S𝑝𝑜𝑜𝑙𝑒𝑑 (1 − 𝑟), (5.6)
dan
(𝑛1 − 1) × 𝑆12 + (𝑛2 − 1) × 𝑆22
𝑆𝑝𝑜𝑜𝑙𝑒𝑑 = √ (5.7)
𝑛1 + 𝑛2 − 2
Keterangan:
𝑛 : banyaknya pasangan nilai (jumlah sampel) pada tiap studi
𝑆diff : standard deviasi dari selisih skor (St. dev dari 𝑋̅1 − 𝑋̅2 )
𝑆1 , 𝑆2 : standar deviasi post-test dan pre-test

Menghitung standard error dari ES (𝑆𝐸𝐷 )

Setelah mendapatkan variansi dari effect size, selanjutnya menghitung
standard error yang merupakan akar kuadrat dari variansi effect size (𝑉𝐷 ).
Rumus yang digunakan untuk menghitung standard error effect Size pada
UDM ditunjukkan pada Persamaan 5.8 berikut.

73
 𝑆𝐸𝐷 = √𝑉𝐷 (5.8)

Standardized Mean Difference (SDM)

Pada saat mengumpulkan sejumlah studi pada meta-analisis, sering-
kali ditemukan penggunaan skala penilaian yang beragam, atau mungkin
skala penilaian tidak dilaporkan dengan jelas. Misalkan kita mendapatkan
data rerata skor suatu studi adalah 0,7 dan menggunakan skala 0 – 1, sedang-
kan rerata skor studi lain adalah 6,0 dan menggunakan skala 0 – 10. Pada
kasus ini, kita tidak dapat langsung membandingkan rerata skor yang dipero-
leh karena skala penilaian yang berbeda antara studi yang satu dengan yang
lainnya.
Pada kasus lain, misalnya suatu studi melaporkan bahwa rerata skor
hasil tes adalah 85,0, sedangkan studi lainnya melaporkan rerata skor hasil
tes adalah 78,0. Jika studi-studi tersebut tidak mencantumkan skala penilaian
yang digunakan, maka skor 85,0 dan 78,0 juga tidak dapat langsung diban-
dingkan karena kita tidak mengetahui dengan jelas bagaimana skala nilai
yang digunakan.
Standardized mean difference (SDM) digunakan ketika sejumlah
studi yang dianalisis tidak menggunakan skala pengukuran yang sama
(misalnya skala 1-100, skala 1-5, skala 1-10, atau menggunakan proporsi).
Oleh karena beragamnya skala penilaian yang dilaporkan tersebut, maka
perlu dilakukan standarisasi terhadap skor tersebut agar effect size yang diha-
silkan dapat dibandingkan antara studi yang satu dengan lainnya. Adapun
prosedur yang dilakukan dalam menghitung effect size, variansi, dan Stan-
dard error effect pada SDM adalah sebagai berikut.

Menghitung mean difference (𝑑)

𝑌̅𝑑𝑖𝑓𝑓 𝑌̅1 − 𝑌̅2
𝑑= = (5.9)
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 𝑆𝑤𝑖𝑡ℎ𝑖𝑛
dengan
𝑆𝑑𝑖𝑓𝑓
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 = √ (5.10)
2(1 − 𝑟)
Keterangan:
𝑑 : effect size (standardized)
̅ ̅
𝑌1 , 𝑌2 : rerata skor pada post-test & pre-test

74
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 : standard deviasi within group
𝑆𝑑𝑖𝑓𝑓 : standard deviasi dari selisih skor (St. dev dari 𝑌̅1 − 𝑌̅2 )
𝑟 : korelasi skor pre-test dan post-test

Menghitung variansi dari 𝑑 (𝑉𝑑 )

Variansi dari Effect Size (𝑑) dihitung dengan menggunakan rumus
1 𝑑2
𝑉𝑑 = ( + ) × 2 (1 − 𝑟) (5.11)
𝑛 2𝑛
dengan 𝑛 merupakan banyaknya pasangan nilai (jumlah sampel) pada tiap
studi

Menghitung standard error dari 𝑑 (𝑆𝐸𝑑 )

Standard Error dari Effect Size (𝐷) dihitung dengan menggunakan rumus
𝑆𝐸𝑑 = √𝑉𝑑 (5.12)
Pada pendekatan unstandardized mean difference perhitungan Effect Size
tidak selesai pada perhitungan nilai 𝑑. Selanjutnya dihitung nilai g.

Menghitung nilai 𝑔 (Unbiased Mean Difference).

Pada jumlah sampel yang kecil, nilai 𝑑 biasanya menghasilkan esti-
masi true mean difference yang bias. Bias tersebut cenderung menghasilkan
estimasi true mean difference (𝛿) yang tinggi atau overestimate. Oleh karena
itu, untuk menghilangkan bias tersebut, Borenstein, et. al (Borenstein et al.,
2009) menyarankan untuk dilakukan koreksi untuk mengestimasi unbiased
mean difference 𝛿 (g), dengan menggunakan faktor koreksi 𝐽 (Hedges, 1981)
dengan rumus:
𝑔 =𝑑×𝐽 (5.13)
3
dengan 𝐽 = 1 − , dan 𝑑𝑓 adalah derajat bebas (𝑛 − 1).
4𝑑𝑓−1
Faktor koreksi 𝐽 selalu bernilai kurang dari 1 sehingga g selalu kurang
dari d. Begitupula variansi dari g selalu lebih kecil dari variansi d. Nilai 𝐽
akan mendekati 1 jika 𝑑𝑓 < 10 yang mengakibatkan nilai 𝑔 yang dihasilkan
akan mendekati nilai 𝑑 (Hedges, 1981). Pendekatan ini memiliki error (𝑒) ≤
0.007 dan ≤ 0.035% ketika 𝑑𝑓 ≥ 10

Menghitung variansi dari 𝑔 (𝑉𝑔 )

75
 𝑉𝑔 = 𝐽2 × 𝑉𝑑 (5.14)
Menghitung standard error dari 𝑔 (𝑆𝐸𝑔 )
𝑆𝐸𝑔 = √𝑉𝑔 (5.15)
Setelah effect size, variansi, dan Standard Error dari effect size sudah dipero-
leh, maka prosedur analisis dilanjutkan dengan menghitung summary effect.
Summary effect dihitung untuk mengetahui rangkuman atau gambaran
umum mengenai effect size yang akan diamati.

Menghitung Summary Effect, Variansi, dan Standard Error Summary

Effect

Sebagaimana telah dibahas pada Bab 3 bahwa ada dua pendekatan

dalam menentukan summary effect yakni model Fixed Effect (FE) dan Ran-
dom Effect (RE). Model yang digunakan bergantung pada asumsi dan ruang
lingkup generalisasi dari suatu meta-analisis. Pada bab ini, akan digunakan
model FE dan model RE untuk menghitung summary effect agar pembaca
dapat membandingkan kesimpulan/hasil yang diperoleh antara kedua model
tersebut. Sebelum diuraikan contoh perhitungan summary effect pada model
FE dan RE terlebih dahulu diuraikan kembali rumus

Menghitung Summary Effect Size Menggunakan Model FE

Langkah-langkah menghitung Summary Effect Size pada model FE
adalah sebagai berikut.

Menghitung rerata effect terbobot (𝑀)

k

W Y i i
M i 1
k (5.16)
Wi
i 1

dimana
1
𝑊𝑖 = , (5.17)
𝑉𝑌𝑖
Keterangan
𝑌𝑖 : Effect Size studi ke-𝑖, dan
𝑉𝑌𝑖 : variansi Effect Size studi ke-𝑖

76
Menghitung variansi dari summary effect (𝑉𝑀 )
1
VM  k

W
i 1
i
(5.18)

Menghitung Standard Error dari summary effect (𝑆𝐸𝑀 )

𝑆𝐸𝑀 = √𝑉𝑀 (5.19)

Menghitung Batas bawah (𝑳𝑳𝑴 ) dan batas atas (𝑈𝐿𝑀 )

𝐿𝐿𝑀 = 𝑀 − 1.96 × 𝑆𝐸𝑀 (5.20)
dan
𝑈𝐿𝑀 = 𝑀 + 1.96 × 𝑆𝐸𝑀 (5.21)

Menghitung nilai 𝒁 untuk menguji hipotesis nol (H0: True effect 𝜃 = 0)

𝑀
𝑍= (5.22)
𝑆𝐸𝑀
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test: 𝑝 = 1 − Φ(±|𝑍|) (5.23)
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test: 𝑝 = 2[1 − Φ(|𝑍|)] (5.24)
dimana Φ(|𝑍|) standar normal distribusi kumulatif (standard normal cumu-
lative distribution). Φ(|𝑍|) dapat dihitung dengan MS. Excel dengan fungsi
“=NORMSDIST(Z)”.

Menentukan Summary Effect Size Menggunakan Model RE

Langkah-langkah menghitung Summary Effect Size pada model RE
adalah sebagai berikut.

Mengestimasi Tau Square (𝜏 2 )

𝑄 − 𝑑𝑓
𝑇2 = (5.25)
𝐶
dimana 𝑄 adalah 𝑊𝑆𝑆 (weighted sum square) atau Jumlah Kuadrat Terbobot
(JK terbobot),

77
 2
 k 
 WiYi 
Q  WiYi 2   i 1k  , df  k  1
k
(5.26)
i 1
Wi
i 1

dimana 𝑘 adalah banyaknya studi yang dianalisis, dan

k

k W i
2

C  Wi  i 1
k (5.27)
i 1
W i 1
i

Menghitung rerata effect terbobot (𝑀∗ )

k

W Y i
*
i
M * i 1
k (5.28)
W
i 1
i
*

dimana
1
𝑊𝑖∗ = (5.29)
𝑉𝑌∗𝑖
dan
𝑉𝑌∗𝑖 = 𝑉𝑌𝑖 + 𝑇 2 (5.30)

Menghitung variansi dari summary effect (𝑉𝑀∗ )

1
VM *  k

W
i 1
i
* (5.31)

Menghitung Standard Error dari summary effect (𝑆𝐸𝑀∗ )

𝑆𝐸𝑀∗ = √𝑉𝑀∗ (5.32)

Menghitung Batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ )

𝐿𝐿𝑀 = 𝑀∗ − 1.96 × 𝑆𝐸𝑀∗ (5.33)
dan
𝑈𝐿𝑀∗ = 𝑀∗ + 1.96 × 𝑆𝐸𝑀∗ (5.34)

78
Menghitung nilai 𝑍 untuk menguji hipotesis nol (H0: true effect 𝜃 = 0)
𝑀∗
𝑍= , (5.35)
𝑆𝐸𝑀∗
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test: 𝑝∗ = 1 − Φ(±|𝑍 ∗ |) (5.36)
∗ ∗ |)]
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test: 𝑝 = 2[1 − Φ(|𝑍 (5.37)
∗ |)
dimana Φ(|𝑍 standar distribusi normal kumulatif (standard normal cu-
mulative distribution). Φ(|𝑍 ∗ |) dapat dihitung dengan MS. Excel dengan
fungsi “=NORMSDIST(𝑍 ∗ )

Missing Data pada Meta-Analisis

Kecukupan informasi pada studi-studi yang dianalisis merupakan

salah satu syarat untuk menghitung effect size, dan Standard error effect.
Sayangnya, tidak semua bahkan kebanyakan hasil-hasil studi tidak menye-
diakan informasi yang dibutuhkan untuk meta-analisis secara lengkap. Kon-
disi tersebut dalam meta-analisis dikenal dengan missing Data. Dalam sub-
bab ini, akan dibahas secara ringkas mengenai missing Data pada meta-
analisis pre-post contrasts.
Missing data dalam meta-analisis menurut Sutton, et al (Yuan &
Little, 2009) dikelompokkan menjadi 3 jenis berdasarkan karakteristiknya.
1. Whole study missing (data missing completely at random). Whole study
missing terjadi karena studi-tersebut tidak dipublikasikan karena hasil
yang tidak signifikan. Dalam meta-analisis jenis missing data seperti ini
juga disebut publication bias.
2. Data missing at study level (data missing not at random). Missing data
jenis ini terjadi karena beberapa informasi (yang diperlukan dalam meta-
analisis) tidak dilaporkan dalam studi yang akan dianalisis.
3. Data missing at the individual respondent level (data missing at random).
Missing data jenis ini terjadi karena sejumlah responden tidak mem-
berikan respon terhadap suatu instrumen pengukuran dalam suatu studi.
Dari 3 jenis missing data di atas, hanya missing data jenis pertama
dan kedua yang menjadi perhatian dalam meta-analisis (Yuan & Little,
2009). Untuk missing data jenis pertama (publication bias) akan dibahas
pada subbab lain. Sementara itu, pada subbab ini hanya fokus pada jenis
yang kedua, yakni data missing at study level.

79
Missing Data pada Meta-Analisis Pre-Post Contrasts

Pada meta-analisis pre-post contrasts group paling tidak dibutuhkan

informasi mengenai: ukuran sampel, hasil penilaian pada pre-test dan post-
test, standar deviasi pada pre-test dan post-test, dan korelasi antara hasil
penilaian pre-test dengan post-test. Jika seluruh informasi tersebut telah ter-
sedia, maka kita langsung mengaplikasikan rumus-rumus yang telah diberi-
kan pada Persamaan 5.1 sampai 5.12.
Jika salah satu informasi di atas (ukuran sampel, hasil pre-test atau
post-test, korelasi pre-test dan post-test, atau standar deviasi) tidak tersedia
maka beberapa rumus pada Persamaan 5.1 sampai 5.12 tidak dapat digu-
nakan. Salah satu informasi yang seringkali tidak ditemukan dalam studi-
studi yang menggunakan desain eksperimen pre-post contrasts adalah kore-
lasi (𝑟) antara pre-test dengan post-test (Cuijpers, Weitz, Cristea, & Twisk,
2016). Selain itu, dalam sebuah meta-analisis yang dilakukan oleh Grgu-
rović, Chapelle, and Shelley (Grgurović, Chapelle, & Shelley, 2013) yang
bertujuan untuk mengetahui efektivitas penggunaan media ICT terhadap
kemampuan bahasa, mereka menyebutkan bahwa kebanyakan hasil studi
yang mereka kumpulkan tidak melaporkan standar deviasi dari pre-test dan
post-test
Jika nilai r tidak diketahui, maka Persamaan 5.6, 5.10, dan 5.11 tidak
dapat digunakan, yang artinya effect size (SDM), variansi dan standard error
(UDM dan SDM) tidak dapat dihitung. Begitupula jika nilai SD (standar
deviasi) tidak diketahui, effect size (SDM), variansi dan standard error
(UDM dan SDM) juga tidak dapat dihitung. Artinya, jika terdapat missing
data, maka sejumlah parameter-parameter statistik pada meta-analisis pre-
post contrasts tidak dapat dihitung menggunakan rumus-rumus pada Persa-
maan 5.1 sampai 5.12.

Perlakuan Terhadap Missing Data

Apabila memungkinkan, kita dapat menggunakan data mentah untuk

mengestimasi parameter statistik yang dibutuhkan dengan mengakses atau
mencari data mentah yang digunakan pada studi tersebut dengan mengecek
langsung pada lampiran hasil studi (jika tersedia) atau meminta langsung
pada penulisnya (Higgins & Green, 2008). Apabila cara tersebut tidak dapat

80
atau tidak memungkinkan untuk dilakukan, meta-analisis juga dapat dilaku-
kan dengan menggunakan informasi-informasi lain yang dilaporkan pada
hasil studi tersebut.
Little dan Rubin (Batista & Monard, 2003) menyebutkan bahwa seca-
ra umum terdapat tiga metode/ perlakuan terhadap missing data (khususnya
missing data type 2), yakni mengabaikan atau menghapus missing data,
mengestimasi parameter dengan menggunakan Maximum Likelihood Esti-
mation (MLE), dan melakukan imputasi atau mengisi missing data dengan
berbagai pendekatan imputasi.
Mengabaikan atau menghapus missing data berarti tidak mengikut-
sertakan suatu studi yang mengandung missing data dalam meta-analisis.
Metode ini tidak dapat digunakan jika missing data yang dimaksud termasuk
jenis publication bias. Sementara itu, Maximum Likelihood Estimation ber-
upaya untuk mengestimasi parameter yang hilang dengan menggunakan
informasi yang ada. Metode ini biasanya digunakan untuk mengestimasi
missing data pada meta-analisis SEM (Cheung, 2015). Selanjutnya, metode
imputasi yakni dilakukan dengan mengisi nilai atau data yang hilang pada
suatu studi dengan menggunakan berbagai pendekatan. Metode imputasi
berusaha mengestimasi missing data dengan memanfaatkan hubungan anta-
ra data/informasi.
Lipsey & Wilson (Lipsey & Wilson, 2001) mengemukakan bahwa
beberapa parameter statistik seperti nilai 𝑡 hitung, nilai 𝐹 hitung dapat digu-
nakan untuk menghitung effect size (mean difference. Untuk lebih jelasnya,
berikut ini akan diuraikan beberapa alternatif untuk menghitung effect size,
atau standar deviasi apabila beberapa informasi tidak ditemukan (missing
data) pada suatu studi.

Missing Data Hasil Pre-Test dan Post-Test

Jika hasil penilaian pre-test dan post-test tidak dilaporkan, maka effect
size pre-post contrasts (standardized) dapat pula dihitung berdasarkan nilai
𝑡 hitung, nilai 𝐹 hitung dengan menggunakan formula yang diberikan oleh
(Lipsey & Wilson, 2001).

Menghitung Effect Size Menggunakan Hasil Uji 𝑡

Jika studi yang akan dianalisis hanya melaporkan hasil uji 𝑡 terhadap
pasangan nilai pre-test dan post-test namun tidak melaporkan rerata nilai

81
pre-test maupun post-test, maka nilai pre-test dan post-test juga dapat dihi-
tung dengan menggunakan nilai 𝑡 hitung yang dilaporkan. Rumus yang
digunakan seperti yang ditunjukkan pada persamaan berikut.
𝑡
𝑑= (5.38)
√2𝑛
Keterangan:
𝑑 : standardized mean difference,
𝑡 : independent 𝑡-test
𝑛 : jumlah sampel

Menghitung Effect Size Menggunakan Hasil Uji 𝐹

Pada penelitian yang menggunakan analisis kovarian (ANCOVA)
dihasilkan nilai 𝐹 hitung yang selanjutnya dibandingkan dengan 𝐹 tabel.
Apabila kovariat yang digunakan adalah variabel kemampuan awal (hasil
pre-test) responden sebelum diberikan treatment, maka hasil studi tersebut
dapat digunakan dalam meta-analisis pre-post contrasts. Seperti halnya hasil
uji 𝑡, hasil uji 𝐹 juga dapat digunakan untuk menghitung nilai pre-test dan
post-test. Adapun rumus yang dapat digunakan ditunjukkan pada Persamaan
5.39.
𝐹
𝑑=√ (5.39)
2𝑛
Keterangan:
𝑑 : standardized mean difference
𝐹 : hasil uji 𝐹
𝑛 : jumlah sampel
Jika hasil uji t maupun uji 𝐹 hanya melaporkan nilai p-value dan 𝑑𝑓
maka terlebih dahulu kita tentukan nilai 𝑡 (t-value) atau nilai 𝐹 dengan
bantuan Ms. EXCEL dengan formula “=t.inv(<p-value>, <𝒅𝒇>)” atau
“=f.inv(<p-value>, <df>”. Setelah nilai 𝑡 atau nilai 𝐹 diperoleh, selanjutnya
effect size (mean difference) dihitung dengan menggunakan Persamaan 5.16
atau 5.17.

82
Missing Data Standar Deviasi
Pada persamaan 5.6 kita harus menghitung Spooled untuk mendapatkan
Sdiff. Apabila Standar deviasi pre-test dan post-test tidak dilaporkan, maka
kita dapat menggunakan nilai 𝑡 hitung atau menggunakan hasil uji F.
a. Menghitung Spooled menggunakan hasil uji t
X1  X 2
S pooled 
2 (5.40)
t
n
b. Menghitung Spooled menggunakan hasil uji F
MSb
S pooled  (5.41)
Foneway
dengan

  n2  X  X 
2
MSb  n X12  X 22  1 2 (5.42)

Missing Data Korelasi (𝒓) antara Pre-Test dengan Post-Test

Sebagaimana yang telah disinggung di awal, bahwa magnitude effect
pada meta-analisis pre-post contrasts juga bergantung pada besarnya kore-
lasi antara pre-test dengan post-test. Variansi effect yang ditimbulkan juga
dipengaruhi oleh besarnya nilai 𝑟. Namun, jika nilai 𝑟 tidak ditemukan pada
suatu studi yang akan dianalisis, maka kita dapat menggunakan rerata hasil
penilaian dan standar deviasi pada pre-test (S1), standar deviasi post-test (S2),
dan standar deviasi selisih pre-test dan post-test (Sdiff) untuk menentukan
nilai 𝑟 (Higgins & Green, 2008). Rumus yang digunakan adalah sebagai
berikut.
S12  S22  Sdiff 2
r (5.43)
2  S1  S2
Supaya nilai 𝑟 dapat kita hitung dengan menggunakan rumus di atas, nilai
standar deviasi pre-test, standar deviasi post-test, dan standar deviasi dari
selisih keduanya (pre-test dan post-test) harus diketahui. Jika nilai-nilai
tersebut tidak ada, maka 𝑟 tidak dapat dihitung.

83
 Worked Example Meta-Analisis Pre-Post Contrast

Berikut ini diberikan contoh data hasil-hasil studi yang menggunakan

desain pre-post contrasts. Data yang digunakan pada contoh ini adalah data
fiktif. Selain itu, data yang digunakan dalam contoh meta-analisis berikut
diasumsikan berasal dari studi-studi yang tidak mengandung missing data,
sehingga effect size, variansi, dan standard error effect dihitung mengguna-
kan Persamaan 5.3 sampai 5.15.

Unstandardized Mean Difference (UDM)

Contoh kasus: Suatu penelitian bertujuan untuk mengetahui efektivitas

penggunaan (Problem Based Learning) PBL ditinjau dari hasil belajar siswa.
Hasil-hasil studi yang dikumpulkan kemudian dirangkum dalam Tabel 5.1.
Berikut ini disajikan data dari 11 studi tentang keefektifan PBL terhadap
hasil belajar siswa. Skala pengukuran yang digunakan untuk menilai hasil
belajar siswa menggunakan skala pengukuran yang sama sehingga dianalisis
dengan menggunakan unstandardized mean difference.

Tabel 5. 1 Data Hasil Studi Efektivitas PBL Ditinjau

dari Hasil Belajar Siswa
Rerata St.dev Korelasi
No Sumber n post-test pre-test pre-test post-test pre-post
X1 X2 S1 S2 r
1 Affandi, 2015 30 78.47 55.93 9.04 11.02 0.50
2 Siregar, 2012 28 79.57 51.82 7.41 12.30 0.45
3 Maulana, 2012 27 84.33 56.59 7.93 13.37 0.44
4 Malik, 2011 29 83.07 62.34 9.89 11.51 0.67
5 Aswal, 2010 24 80.71 55.92 8.93 13.91 0.77
6 Miranti, 2010 25 76.24 54.00 11.38 12.68 0.63
7 Sulfiana, 2010 24 79.58 57.00 10.64 11.68 0.73
8 Mainu, 2009 22 79.91 57.27 9.49 14.19 0.79
9 Asman, 2009 20 79.80 59.65 9.50 10.83 0.67
10 Rosita, 2009 19 82.32 54.11 9.01 11.30 0.63
11 Zainal, 2009 19 77.95 55.05 10.47 14.39 0.64

Menghitung 𝑫, 𝑽𝑫 , dan 𝑺𝑬𝑫

Langkah pertama adalah menghitung effect size dengan menggunakan
Persamaan 5.3. Berikut ini disajikan step by step perhitungan effect size

84
untuk studi 1 (Affandi, 2015). Karena nilai X1, X2, sudah diketahui maka
nilai 𝐷 dapat langsung dihitung dengan persamaan:
𝐷 = 𝑋̅𝑑𝑖𝑓𝑓 = 𝑋̅1 − 𝑋̅2 (5.3)
Dengan menggunakan persamaan tersebut maka diperoleh
𝐷 = 78.47 − 55.93 = 22.53

Tabel 5. 2. Rangkuman Hasil Perhitungan 𝐷, 𝑉𝐷 dan 𝑆𝐸𝐷 Unstandardized

Sumber S.pooled S.diff D VD SED

Affandi, 2015 10.08 10.176 22.53 3.452 1.858

Siregar, 2012 10.15 11.139 27.75 4.431 2.105
Maulana, 2012 10.99 12.181 27.74 5.495 2.344
Malik, 2011 10.73 8.821 20.72 2.683 1.638
Aswal, 2010 11.69 9.051 24.79 3.414 1.848
Miranti, 2010 12.05 10.415 22.24 4.339 2.083
Sulfiana, 2010 11.17 8.259 22.58 2.842 1.686
Mainu, 2009 12.07 8.871 22.64 3.577 1.891
Asman, 2009 10.18 8.343 20.15 3.481 1.866
Rosita, 2009 10.22 8.977 28.21 4.241 2.059
Zainal, 2009 12.58 11.125 22.89 6.514 2.552

Setelah menghitung effect size, selanjutnya dihitung variansi dengan

menggunakan persamaan 5.4. sebelum menggunakan persamaan 5.4 terlebih
dahulu dihitung 𝑆diff menggunakan persamaan 5.5, atau 5.6.

𝑆diff = √𝑆12 + 𝑆22 − 2 × 𝑟 × 𝑆1 × 𝑆2

𝑆diff = √(9.04)2 + (11.02)2 − 2 × (0.5) × (9.04) × (11.02) = 10.176

𝑆diff juga dapat dihitung dengan menggunakan persamaan 5.6, namun pada
contoh ini hanya dicantumkan 1 cara saja. Selanjutnya nilai 𝑆diff yang sudah
diperoleh disubstitusi pada persamaan 5.4 sehingg diperoleh
2
𝑆𝑑𝑖𝑓𝑓 (10.176)2 103.551
𝑉𝐷 = = = = 3.452
𝑛 30 30
Setelah variansi telah diperoleh, dilanjutkan dengan menghitung Standard
error effect yang merupakan akar kuadrat dari variansi (persamaan 5.8),
sehingga Standard error effect size (𝑆𝐸𝐷 ) untuk studi 1 yang diperoleh
adalah
𝑆𝐸𝐷 = √𝑉𝐷 = √3.452 = 1.858

85
Prosedur di atas diulangi sampai 11 kali sehingga diperoleh variansi effect
dan standard error effect dari 11 studi yang dianalisis. Untuk mempermudah
proses perhitungan effect size, variansi effect, dan standard error effect dapat
menggunakan bantuan Ms. Excel. Adapun rangkuman hasil perhitungan
effect size, variansi effect, dan standard error effect disajikan pada Tabel 5.2.
Setelah seluruh effect size, variansi effect, dan standard error effect telah
selesai dihitung, selanjutnya summary effect sudah dapat dihitung dengan
menggunakan model FE atau RE.

Menghitung Summary Effect dengan Model FE

Sebelum menghitung summary effect, variansi, dan standard error
effect kita lakukan perhitungan terhadap beberapa nilai yang diperlukan,
k k k k
yaitu W , W Y ,  W Y
i 1
i
i 1
i i
i 1
i i
2
dan W
i 1
i
2
(rangkuman hasil perhitungan dapat

dilihat pada Tabel 5.3.

k
 Menghitung W
i 1
i

W
i 1
i  W1  W2  ...  W11

dimana
1 1
𝑊1 = = = 0.29
𝑉𝑌1 3.45
1 1
𝑊2 = = = 0.23
𝑉𝑌2 4.431

1 1
𝑊11 = = = 0.15
𝑉𝑌11 6.51
Selanjutnya nilai W untuk semua studi dijumlahkan sehingga diperoleh
k

W
i 1
i = 𝑊1 + 𝑊2 + . . . + 𝑊11 = 0.29 + 0.23+ . . . +0.15 = 2.90
k
 Menghitung WY
i 1
i i

WY  W Y  W Y  ...  W Y
i 1
i i 1 1 2 2 11 11

dimana

86
 𝑊1 × 𝑌1 = 0.29 × 22.53 = 6.53
𝑊2 × 𝑌2 = 0.23 × 27.75 = 6.26

𝑊11 × 𝑌11 = 0.15 × 22.89 = 3.51

Selanjutnya nilai 𝑊 × 𝑌 untuk semua studi dijumlahkan sehingga
diperoleh
k

WY  W Y   W Y   ...  W Y   6.53  (6.26)  ...  (3.51)  68.18

i 1
i i 1 1 2 2 11 11

k
 Menghitung W Y
i 1
i i
2

WY  W Y   W Y   ...  W Y 
k
2 2 2 2
i i 1 1 2 2 11 11
i 1

WY   0.29  22.53   0.23  27.75   ...  0.15  22.89   1622.48

k
2 2 2 2
i i
i 1
k
 Menghitung W i 1
i
2

W
i 1
i
2
 W12  W2 2  ...  W112  0.292  0.232  ...  0.152  0.81

Tabel 5. 3. Rangkuman perhitungan W, WY, WY2, dan W2

Effect Variansi Bobot Effect terbobot

Sumber
Size (Y)
VY Wi WY WY 2 W2
Affandi, 2015 22.53 3.45 0.29 6.53 147.10 0.08
Siregar, 2012 27.75 4.43 0.23 6.26 173.77 0.05
Maulana, 2012 27.74 5.50 0.18 5.05 140.04 0.03
Malik, 2011 20.72 2.68 0.37 7.72 160.07 0.14
Aswal, 2010 24.79 3.41 0.29 7.26 180.06 0.09
Miranti, 2010 22.24 4.34 0.23 5.13 113.99 0.05
Sulfiana, 2010 22.58 2.84 0.35 7.95 179.44 0.12
Mainu, 2009 22.64 3.58 0.28 6.33 143.23 0.08
Asman, 2009 20.15 3.48 0.29 5.79 116.65 0.08
Rosita, 2009 28.21 4.24 0.24 6.65 187.65 0.06
Zainal, 2009 22.89 6.51 0.15 3.51 80.46 0.02
k k k
W W Y WiYi 2 W
k
2
i i i i
i 1 i 1 i 1 i 1

Jumlah 2.90 68.18 1622.48 0.81

87
 Selanjutnya, setelah seluruh nilai yang dibutuhkan selesai dihitung,
maka diperoleh rerata effect terbobot (M) variansi, dan standard error effect
sebagai berikut.
k

W Y i i
68.18
1. Summary effect : M i 1
k
  23.498
W
2.90
i
i 1

1 1
2. Variansi : VM  k
  0.345
W
2.90
i
i 1

3. Standard Error : SEM  VM  0.345  0.587

4. Menghitung Batas bawah (𝐿𝐿𝑀 ) dan batas atas (𝑈𝐿𝑀 )
𝐿𝐿𝑀 = 𝑀 − 1.96 × 𝑆𝐸𝑀 = −1.6281 − 1.96 × 0.587 = 22.348
dan
𝑈𝐿𝑀 = 𝑀 + 1.96 × 𝑆𝐸𝑀 = −1.6281 + 1.96 × 0.587 = 24.649
5. Menghitung nilai 𝑍 dan menguji hipotesis nol (H0: True effect 𝜃 = 0),
𝑀 23.498
𝑍= = = 40.026
𝑆𝐸𝑀 0.587
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test (uji satu sisi): 𝑝 = 1 − Φ(±|𝑍|) = 0.000
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test (uji dua sisi): 𝑝 = 2[1 − Φ(|𝑍|)] = 0.0000
Adapun rangkuman hasil analisis mengunakan model FE dapat dilihat
pada Tabel 5.4
Tabel 5. 4. Statistik Fixed Effect Model
Mean and prec ision
Mean effect M 23.498
Variance VM 0.345
Standard error Se M 0.587

Confidenc e intervals
Lower limit (95%) LL M 22.348
Upper limit (95%) UL M 24.649

Test of the null that M=0

Z for test of null Z 40.026
p-value (1-tailed) p1 0.000
p-value (2-tailed) p2 0.000

88
Interpretasi Hasil Analisis Model FE
Berdasarkan hasil analisis menggunakan model FE diperoleh rerata
effect terbobot (𝑀) sebesar 23.495 ≈ 23.50. Nilai tersebut menunjukkan bah-
wa terdapat selisih skor post-test dengan pre-test sebesar 23.50. Selisih nilai
yang positif tersebut juga menunjukkan bahwa nilai post-test lebih tinggi
atau lebih baik dari pre-test.
Selanjutnya, untuk menguji apakah perbedaan nilai tersebut signi-
fikan atau tidak dapat dilihat dari uji 𝑍. Hipotesis yang digunakan yakni
H0 : true effect size (𝜃) = 0
H0 : true effect size (𝜃) ≠ 0
Hasil perhitungan menunjukkan bahwa 𝑍 =40.026, dengan p-value (one-
tailed dan two-tailed) yang kurang dari 𝛼 (0.05). Karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 <
𝛼(0.05), maka H0 ditolak, dalam hal ini true effect size tidak sama dengan 0.
Dengan demikian dapat disimpulkan bahwa PBL efektif ditinjau dari hasil
belajar siswa berdasarkan hasil-hasil studi tahun 2009 sampai 2015.

Menghitung Summary Effect dengan Model RE

Sebelum melakukan analisis dengan menggunakan RE, terlebih dahu-
lu kita menghitung yakni estimasi variablititas effect size (𝑇2) dengan meng-
gunakan Persamaan 3.31. Berikut disajikan langkah-langkah perhitungan-
nya.
 Mengestimasi Tau Square (𝜏 2 ) menggunakan Persamaan 3.31
𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶
dimana
2
 k 
 WiYi 
Q  WiYi 2   i 1k   1622.48  68.18  20.362
k 2

Wi
i 1 2.90
i 1

df  11 1  10 , dan
k

k W i
2
0.81
C  Wi  i 1
k
 2.90   2.622
W
i 1 2.90
i
i 1

Sehingga diperoleh

89
 20.362 10
 3.951 T2 
2.622
Selanjutnya nilai tau square ( T 2  3.951 ) ditambahkan dengan variansi
effect (VD) masing-masing studi yang telah diperoleh sebelumnya, sehingga
diperoleh variansi total masing-masing studi sebagai berikut.
Vtotal (1)  3.45  3.951  7.403
Vtotal (2)  4.43  3.951  8.383

Vtotal (11)  6.51  3.951  10.466

Seperti halnya pada model FE, sebelum menghitung summary effect,
variansi, dan standard error effect kita lakukan perhitungan terhadap
k

W Y ,  W Y
k k k

Wi* , W
* * 2 *2
beberapa nilai yang diperlukan, yaitu i i i i
dan i
.
i 1 i 1 i 1 i 1

Adapun rangkuman hasil perhitungan dapat dilihat pada Tabel 5.5

k
 Menghitung W
i 1
i
*

Terlebih dahulu menghitung bobot masing-masing studi

1 1
W1*  *   0.135
VY 7.403 1

1 1
W2*    0.119
VY*2 8.383

1 1
W11*    0.096
VY*11 10.466
Sehingga
k

W
i 1
i
*
 W1*  W2*  ...  W11*  0.135  0.119  ...  0.096  1.400

k
 Menghitung W Y
i 1
i
*
i

W Y  W Y  W Y  ...  W Y
i 1
i
*
i
*
1 1
*
2 2
*
11 11  3.044  3.310  ...  2.188  33.136

90
Tabel 5. 5. Perhitungan Variansi Effect dan Bobot untuk Analisis RE model
Variance Variance Variance Calculated
Effect size Weight
Sumber Within Between Total quantities

Y VY T2 VY* W* W*Y
Affandi, 2015 22.53 3.45 3.9514 7.403 0.135 3.044
Siregar, 2012 27.75 4.43 3.9514 8.383 0.119 3.310
Maulana, 2012 27.74 5.50 3.9514 9.447 0.106 2.937
Malik, 2011 20.72 2.68 3.9514 6.635 0.151 3.124
Aswal, 2010 24.79 3.41 3.9514 7.365 0.136 3.366
Miranti, 2010 22.24 4.34 3.9514 8.290 0.121 2.683
Sulfiana, 2010 22.58 2.84 3.9514 6.794 0.147 3.324
Mainu, 2009 22.64 3.58 3.9514 7.529 0.133 3.007
Asman, 2009 20.15 3.48 3.9514 7.432 0.135 2.711
Rosita, 2009 28.21 4.24 3.9514 8.192 0.122 3.444
Zainal, 2009 22.89 6.51 3.9514 10.466 0.096 2.188
k k

W
i 1
i
*
W Y i
*
i
i 1

Jumlah 1.400 33.136

1. Menghitung rerata effect terbobot (𝑀∗ ) menggunakan Persamaan 3.34

k

W Y i
*
i
33.136
M 
* i 1
k
  23.677
W * 1.4
i
i 1

2. Menghitung Variansi dari summary effect (𝑉𝑀∗ ) menggunakan Persa-

maan 3.37
1 1
VM *  k
  0.715
W * 1.400
i
i 1

3. Menghitung Standar Error dari summary effect (𝑆𝐸𝑀∗ ) menggunakan

Persamaan 3.38
SEM *  VM *  0.715  0.845
4. Menghitung Batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ ) menggunakan
Persamaan 3.39, dan 3.40
𝐿𝐿𝑀 = 𝑀∗ − 1.96 × 𝑆𝐸𝑀∗ = 22.0198
dan
𝑈𝐿𝑀∗ = 𝑀∗ + 1.96 × 𝑆𝐸𝑀∗ = 25.3333
5. Menghitung nilai 𝑍 dan menguji hipotesis nol (H0: true effect 𝜃 = 0)
menggunakan Persamaan 3.41

91
 𝑀∗ 23.677
𝑍= = = 28.010
𝑆𝐸𝑀∗ 0.845
p-value one-tailed test: 𝑝 = 1 − Φ(±|𝑍|) = 0.000
p-value two-tailed test: 𝑝 = 2[1 − Φ(|𝑍|)] = 0.0000
Adapun rangkuman hasil analisis mengunakan model FE dapat dilihat pada
Tabel 5.6
Tabel 5. 6. Statistik Random Effect Model
Mean and prec ision
Mean effect M* 23.677
Variance V M* 0.715
Standard error Se M* 0.845

Confidenc e intervals
Lower limit (95%) LL M* 22.0198
Upper limit (95%) UL M* 25.3333

Test of the null that M=0

Z for test of null Z* 28.010
p-value (1-tailed) p* 1 0.000
p-value (2-tailed) p* 2 0.0000

Interpretasi Hasil Analisis Model RE

Berdasarkan hasil analisis menggunakan model RE diperoleh rerata
effect terbobot (𝑀*) sebesar 23.677 ≈ 23.68. Nilai tersebut menunjukkan
bahwa terdapat selisih skor post-test dengan pre-test sebesar 23.63. Adapun
interpretasi dari hasil perhitungan 𝑀* (selisih nilai yang positif) juga menun-
jukkan bahwa nilai post-test lebih tinggi atau lebih baik dari pre-test.
Catatan:
Apabila diperhatikan model FE dan model RE menghasilkan summary effect
yang tidak jauh berbeda (𝑀 pada model FE = 23.50). Hal ini dikarenakan
jumlah studi yang dianalisis hanya sedikit, sehingga variabilitas effect yang
dihasilkan tidak terlalu besar. Apabila variabilitas tau square yang dihasil-
kan semakin kecil, maka nilai 𝑀* akan semakin mendekati nilai 𝑀.
Selanjutnya, untuk menguji apakah perbedaan nilai tersebut signi-
fikan atau tidak dapat dilihat dari uji 𝑍. Hipotesis yang digunakan yakni
H0 : true effect size (𝜃) = 0
H0 : true effect size (𝜃) ≠ 0

92
Hasil perhitungan menunjukkan bahwa 𝑍*=28.010, dengan p-value (one-
tailed dan two-tailed) yang kurang dari 𝛼 (0.05). Oleh karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 <
𝛼(0.05), maka H0 ditolak, dalam hal ini true effect size tidak sama dengan 0.
Dengan demikian dapat disimpulkan bahwa PBL efektif ditinjau dari hasil
belajar siswa.

Forests Plot
Untuk membuat forest plot mengunakan bantuan aplikasi JASP de-
ngan menginputkan nilai effect size dan standar error effect size untuk ma-
sing-masing studi. Adapun perbandingan forest plot model FE dan RE untuk
contoh kasus yang telah dibahas di atas dapat dilihat pada Gambar 5.2.

Standardized Mean Difference (SDM)

Contoh Kasus: Seorang peneliti ingin mengetahui efektivitas metode pem-

belajaran kooperatif ditinjau dari peningkatan kepercayaan diri siswa. Sete-
lah mengumpulkan hasil-hasil studi diperoleh 11 studi sebagaimana dirang-
kum dalam Tabel 5.7.

Tabel 5. 7. Data Hasil Studi Efektivitas Metode Pembelajaran Kooperatif

Ditinjau dari Hasil Belajar Siswa
Rerata St.dev Korelasi
No Sumber Skala Nilai n post-test pre-test post-test pre-test pre-post
Y1 Y2 S1 S2 r
1 Aqilah (2017) 0-1 30 0.87 0.56 0.14 0.30 0.57
2 Yunita & Wawan (2016) 0 - 1 28 0.66 0.34 0.13 0.15 0.66
3 Afriani (2014) 0-1 27 0.33 0.17 0.16 0.20 0.77
4 Arifuddin 2014) 0 - 10 29 7.00 2.00 2.00 2.50 0.87
5 Malik (2013) 0 - 10 24 8.50 5.50 1.40 1.50 0.80
6 Isnaini (2012) 0 - 100 25 76.24 54.00 11.38 12.68 0.67
7 Hidayat & Fauzan (2012)
0 - 100 24 79.58 57.00 10.64 11.68 0.63
8 Vedrani (2011) 0 - 100 22 79.91 57.27 9.49 14.19 0.72
9 Rahmat (2011) 0 - 100 20 79.80 59.65 9.50 10.83 0.59
10 Adam (2011) 0 - 100 19 82.32 54.11 9.01 11.30 0.81
11 Syarif (2010) 0 - 100 19 77.95 55.05 10.47 14.39 0.75
Setelah hasil-hasil studi dikumpulkan, ternyata skala penilaian yang
digunakan pada 11 studi tersebut beragam. Oleh karena itu, meta-analisis
dilakukan dengan menggunakan standardized mean difference (SDM). Beri-
kut ini langkah-langkah analisis untuk studi 1 (Aqilah, 2017).

93
94
Gambar 5. 2. Perbandingan Forest Plot Efektivitas PBL Ditinjau dari Hasil Belajar Siswa model FE dan Model RE (data Fiktif)
Menghitung g, Vg, dan SEg
Langkah pertama adalah menghitung effect size dengan menggunakan
Persamaan 5.9. Berikut ini disajikan step by step perhitungan effect size
untuk studi 1 (Aqilah, 2017).
Sebelum menghitung d perlu dihitung 𝑆𝑤𝑖𝑡ℎ𝑖𝑛 dengan menggunakan
Persamaan 5.10.
𝑆𝑑𝑖𝑓𝑓
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 = √
2(1 − 𝑟)

dengan Sdiff  S12  S22  2  r  S1  S2 :

Sdiff1  0.142  0.302  2  0.57  0.14  0.30  0.268
Diperoleh Swithin masing-masing studi sebagai berikut.
0.248
SWithin1   0.268
2 1  0.57 
1. Menghitung nilai 𝑑 untuk semua studi menggunakan Persamaan 5.9
0.87  0.56
d1   1.157
0.268
2. Menghitung variansi dari 𝑑 (𝑉𝑑 ) menggunakan Persamaan 5.11
 1 d2   1 1.1572 
Vd1      2 1  r       2 1  0.57   0.048
 n 2n   30 2  30 
3. Menghitung standard error dari 𝑑 (𝑆𝐸𝑑 ) menggunakan Persamaan 5.12
SEd1  0.048  0.219
4. Menghitung nilai g menggunakan Persamaan 5.13
g  dJ
3 3
dengan J  1   1  0.974
4df  1 4  29 1
sehingga diperoleh
g1  1.157  0.974  1.127
5. Menghitung variansi dari g (Vg) menggunakan persamaan
Vg1  J 2 Vd  0.9742  0.048  0.045
6. Menghitung standard error dari g (SEg)
SEg1  0.045  0.213

95
 Prosedur di atas diulangi sampai 11 kali sehingga diperoleh effect size
(g), variansi effect dan standard error effect dari 11 studi yang dianalisis.
Untuk mempermudah proses perhitungan effect size, variansi effect, dan
standard error effect dapat menggunakan bantuan Ms. Excel. Adapun rang-
kuman hasil perhitungan effect size, variansi effect, dan standard error effect
disajikan pada Tabel 5.8.

Tabel 5. 8. Hasil Perhitungan Effect Size, Variansi, & Standard Error

Effect pada SED
Sumber S.diff S.within d Vd SEd J g Vg SE g

Aqilah (2017) 0.248 0.268 1.157 0.048 0.219 0.974 1.127 0.045 0.213
Yunita & Wawan (2016)0.117 0.142 2.258 0.086 0.294 0.972 2.194 0.081 0.285
Afriani (2014) 0.128 0.188 0.849 0.023 0.152 0.971 0.825 0.022 0.148
Arifuddin 2014) 1.245 2.442 2.048 0.028 0.167 0.973 1.992 0.026 0.162
Malik (2013) 0.922 1.458 2.058 0.052 0.228 0.967 1.990 0.049 0.220
Isnaini (2012) 9.845 12.119 1.835 0.071 0.266 0.968 1.777 0.066 0.258
9.648
Hidayat & Fauzan (2012) 11.215 2.014 0.093 0.306 0.967 1.947 0.087 0.295
Vedrani (2011) 9.877 13.199 1.715 0.063 0.251 0.964 1.653 0.058 0.242
Rahmat (2011) 9.277 10.244 1.967 0.120 0.347 0.960 1.888 0.111 0.333
Adam (2011) 6.627 10.751 2.624 0.089 0.298 0.958 2.513 0.082 0.285
Syarif (2010) 9.520 13.464 1.700 0.064 0.254 0.958 1.629 0.059 0.243

Setelah seluruh effect size, variansi effect, dan standard error effect
telah selesai dihitung, selanjutnya summary effect sudah dapat dihitung de-
ngan menggunakan model FE atau RE.

Menghitung Summary Effect dengan Model FE

Sebelum menghitung summary effect, variansi, dan standard error
effect kita lakukan perhitungan terhadap beberapa nilai yang diperlukan,
k

WY , W Y
k k k
yaitu Wi ,
i 1 i 1
i i
i 1
i i
2
dan W
i 1
i
2
(rangkuman hasil perhitungan dapat

dilihat pada Tabel 5.9.

k
 Menghitung W
i 1
i

W i 1
i  W1  W2  ...  W11

dimana
1 1
𝑊1 = = = 22.029
𝑉𝑌1 0.045

96
 1 1
𝑊2 = = = 12.282
𝑉𝑌2 0.081

1 1
𝑊11 =
= = 16.938
𝑉𝑌11 0.059
Selanjutnya nilai 𝑊 untuk semua studi dijumlahkan sehingga diperoleh
k

W
i 1
i
=𝑊1 + 𝑊2 + . . . + 𝑊11 = 22.029 + 12.282+ . . . +16.938 =

220.544

Tabel 5. 9. Rangkuman Perhitungan W, WY, WY2, dan W2

Effect Variansi Effect Terbobot
Sumber
Size (Y)
VY WY WY 2 W2
Aqilah (2017) 1.127 0.045 22.029 24.826 27.979 485.266
Yunita & Wawan (2016) 2.194 0.081 12.282 26.953 59.147 150.851
Afriani (2014) 0.825 0.022 45.761 37.739 31.124 2094.027
Arifuddin 2014) 1.992 0.026 38.046 75.806 151.042 1447.528
Malik (2013) 1.990 0.049 20.580 40.957 81.509 423.529
Isnaini (2012) 1.777 0.066 15.049 26.745 47.531 226.463
Hidayat & Fauzan (2012) 1.947 0.087 11.456 22.308 43.439 131.239
Vedrani (2011) 1.653 0.058 17.115 28.293 46.770 292.937
Rahmat (2011) 1.888 0.111 9.019 17.030 32.157 81.343
Adam (2011) 2.513 0.082 12.269 30.834 77.492 150.529
Syarif (2010) 1.629 0.059 16.938 27.586 44.926 286.905
k k k
W W Y WiYi 2 Wi 2
k
i i i
i 1 i 1 i 1 i 1
Jumlah (Σ) 220.544 359.076 643.115 5770.616
k
 Menghitung WY
i 1
i i

WY  W Y  W Y  ...  W Y
i 1
i i 1 1 2 2 11 11

dimana
𝑊1 × 𝑌1 = 22.029 × 1.127 = 24.83
𝑊2 × 𝑌2 = 12.282 × 2.194 = 26.95

𝑊11 × 𝑌11 = 16.938 × 1.629 = 27.59

97
Selanjutnya nilai 𝑊 × 𝑌 untuk semua studi dijumlahkan sehingga diperoleh
k

WY  W Y   W Y   ...  W Y   24.83  26.95  ...  27.59  359.076

i 1
i i 1 1 2 2 11 11

k
 Menghitung W Y
i 1
i i
2

WY  W Y   W Y   ...  W Y 
k
2 2 2 2
i i 1 1 2 2 11 11
i 1

WY   22.029 1.127   12.282  2.194   ...  16.938 1.629   643.115

k
2 2 2 2
i i
i 1
k
 Menghitung W
i 1
i
2

W
i 1
i
2
 W12  W2 2  ...  W112  22.0292  12.2822  ...  16.9382  220.544

Selanjutnya, setelah seluruh nilai yang dibutuhkan selesai dihitung, maka

diperoleh rerata effect terbobot (𝑀) variansi, dan standard error effect seba-
gai berikut.
k

W Y i i
359.076
1. Summary effect : M i 1
k
  1.6281
W
220.544
i
i 1

1 1
2. Variansi : VM  k
  0.0045
W
220.544
i
i 1

3. Standard Error : SEM  VM  0.0045  0.067

4. Menghitung Batas bawah (𝐿𝐿𝑀 ) dan batas atas (𝑈𝐿𝑀 )
𝐿𝐿𝑀 = 𝑀 − 1.96 × 𝑆𝐸𝑀 = 1.6281 − 1.96 × 0.067 = 1.492
dan
𝑈𝐿𝑀 = 𝑀 + 1.96 × 𝑆𝐸𝑀 = 1.6281 + 1.96 × 0.067 = 1.760
5. Menghitung nilai 𝑍 dan menguji hipotesis nol (H0: true effect 𝜃 = 0),
𝑀 1.6281
𝑍= = = 24.179
𝑆𝐸𝑀 0.0067
𝑝 − 𝑣𝑎𝑙𝑢𝑒 one-tailed test (uji satu sisi): 𝑝 = 1 − Φ(±|𝑍|) = 0.000
𝑝 − 𝑣𝑎𝑙𝑢𝑒 two-tailed test (uji dua sisi): 𝑝 = 2[1 − Φ(|𝑍|)] = 0.0000

98
 Adapun rangkuman hasil analisis mengunakan model FE dapat dilihat
pada Tabel 5.10

Tabel 5. 10. Statistik Fixed Effect Model

Mean and precision
Mean effect M 1.6281
Variance VM 0.0045
Standard error Se M 0.067

Confidence intervals
Lower limit (95%) LL M 1.4962
Upper limit (95%) UL M 1.7601

Test of the null that M=0

Z for test of null Z 24.179
p-value (1-tailed) p1 0.000
p-value (2-tailed) p2 0.0000

Interpretasi Hasil Analisis Model FE

Berdasarkan hasil analisis menggunakan model FE diperoleh rerata
effect terbobot (𝑀) sebesar 1.6281 ≈ 1.63. Nilai tersebut menunjukkan
bahwa terdapat selisih skor post-test dengan pre-test sebesar 1.63. Selisih
nilai yang positif tersebut juga menunjukkan bahwa nilai post-test lebih ting-
gi atau lebih baik dari pre-test.
Selanjutnya, untuk menguji apakah perbedaan nilai tersebut signifi-
kan atau tidak dapat dilihat dari uji 𝑍. Hipotesis yang digunakan yakni
H0 : true effect size (𝜃) = 0
H0 : true effect size (𝜃) ≠ 0
Hasil perhitungan menunjukkan bahwa 𝑍 = 24.179, dengan p-value (one-
tailed dan two-tailed) yang kurang dari 𝛼 (0.05). Karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 <
𝛼(0.05), maka H0 ditolak, dalam hal ini true effect size tidak sama dengan 0.
Dengan demikian dapat disimpulkan bahwa metode pembelajaran koope-
ratif efektif ditinjau dari hasil belajar siswa berdasarkan hasil studi tahun
2010 sampai 2017.

Menghitung Summary Effect dengan Model RE

Sebelum melakukan analisis dengan menggunakan RE, terlebih da-
hulu kita menghitung yakni estimasi variablititas effect size (𝑇2) dengan

99
menggunakan Persamaan 3.31. Berikut disajikan langkah-langkah perhi-
tungannya.
 Mengestimasi Tau Square (𝜏 2 ) menggunakan persamaan 3.31
𝑄 − 𝑑𝑓
𝑇2 = ,
𝐶
dimana
2
 k 
 WiYi 
Q  WiYi 2   i 1k   643.115  359.076  58.489
k 2

Wi
i 1 220.544
i 1

df  11 1  10 , dan
k

k W i
2
5770.616
C  Wi  i 1
k
 220.544   194.379
W
i 1 220.544
i
i 1

Sehingga diperoleh
58.489  10
T2   0.249
194.379
Selanjutnya nilai tau square ( T 2  0.249 ) ditambahkan dengan variansi
effect (VD) masing-masing studi yang telah diperoleh sebelumnya, sehingga
diperoleh variansi total masing-masing studi sebagai berikut.
Vtotal (1)  0.045  0.249  0.295
Vtotal (2)  0.081  0.249  0.331

Vtotal (11)  0.059  0.249  0.308

Seperti halnya pada model FE, sebelum menghitung summary effect, varian-
si, dan standard error effect kita lakukan perhitungan terhadap beberapa ni-
k

W Y ,  W Y
k k k

Wi* , W
* * 2 *2
lai yang diperlukan, yaitu i i i i dan i . Adapun
i 1 i 1 i 1 i 1

rangkuman hasil perhitungan dapat dilihat pada Tabel 5.11

100
 Tabel 5. 11. Perhitungan Variansi Effect dan Bobot untuk Analisis RE
Model
Variance Variance Variance
Effect size 1
Sumber Within Between Total Wi*  W*Y
T 2 VY*i
Y VY VY*i  VYi  T 2
Aqilah (2017) 1.127 0.045 0.249 0.295 3.392 3.822
Yunita & Wawan (2016) 2.194 0.081 0.249 0.331 3.022 6.632
Afriani (2014) 0.825 0.022 0.249 0.271 3.686 3.040
Arifuddin 2014) 1.992 0.026 0.249 0.276 3.627 7.226
Malik (2013) 1.990 0.049 0.249 0.298 3.355 6.677
Isnaini (2012) 1.777 0.066 0.249 0.316 3.165 5.626
Hidayat & Fauzan (2012) 1.947 0.087 0.249 0.337 2.970 5.783
Vedrani (2011) 1.653 0.058 0.249 0.308 3.248 5.369
Rahmat (2011) 1.888 0.111 0.249 0.360 2.775 5.240
Adam (2011) 2.513 0.082 0.249 0.331 3.021 7.594
Syarif (2010) 1.629 0.059 0.249 0.308 3.242 5.279
k k
W
i 1
i
*
W Y i
*
i
i 1

Jumlah (Σ) 35.503 62.288

k
 Menghitung W
i 1
i
*

Terlebih dahulu menghitung bobot masing-masing studi

1 1
W1*  *   3.392
VY 0.295 1

1 1
W2*    3.022
VY*2 0.331

1 1
W11*  *
  3.242
VY11 0.308
Sehingga
k

W
i 1
i
*
 W1*  W2*  ...  W11*  3.392  3.022  ...  3.242  35.503

k
 Menghitung W Y
i 1
i
*
i

W Y  W Y  W Y  ...  W Y
i 1
i
*
i
*
1 1
*
2 2
*
11 11  3.822  6.632  ...  5.279  62.288

101
1. Menghitung rerata effect terbobot (𝑀∗ ) menggunakan Persamaan 3.34
k

W Y i
*
i
62.288
M*  i 1
k
  1.755
W * 35.503
i
i 1

2. Menghitung Variansi dari summary effect (𝑉𝑀∗ ) menggunakan Persa-

maan 3.37
1 1
VM *  k
  0.028
W * 3.503
i
i 1

3. Menghitung Standar Error dari summary effect (𝑆𝐸𝑀∗ ) menggunakan

Persamaan 3.38
SEM *  VM *  0.028  0.168
4. Menghitung Batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ ) menggunakan
persamaan 3.39, dan 3.40
𝐿𝐿𝑀 = 𝑀∗ − 1.96 × 𝑆𝐸𝑀∗ = 1.755 − 1.96 × 0.168 = 1.426
𝑈𝐿𝑀∗ = 𝑀∗ + 1.96 × 𝑆𝐸𝑀∗ = 1.755 + 1.96 × 0.168 = 2.083
5. Menghitung nilai 𝑍 dan menguji hipotesis nol (H0: true effect 𝜃 = 0)
menggunakan Persamaan 3.41
𝑀∗ 23.677
𝑍= = = 28.010
𝑆𝐸𝑀∗ 0.845
p-value one-tailed test: 𝑝 = 1 − Φ(±|𝑍|) = 0.000
p-value two-tailed test: 𝑝 = 2[1 − Φ(|𝑍|)] = 0.0000
Adapun rangkuman hasil analisis mengunakan model FE dapat dilihat pada
Tabel 5.12
Tabel 5. 12. Statistik Random Effect Model
Mean and precision
Mean effect M* 1.7545
Variance V M* 0.0282
Standard error Se M * 0.168

Confidence intervals
Lower limit (95%) LL M * 1.4255
Upper limit (95%) UL M * 2.0834

Test of the null that M=0

Z for test of null Z* 10.454
p-value (1-tailed) p* 1 0.000
p-value (2-tailed) p* 2 0.0000

102
Interpretasi Hasil Analisis Model RE
Berdasarkan hasil analisis menggunakan model RE diperoleh rerata
effect terbobot (𝑀*) sebesar 1.755 ≈ 1.76. Nilai tersebut menunjukkan bah-
wa terdapat selisih skor post-test dengan pre-test sebesar 1.76. Adapun inter-
pretasi dari hasil perhitungan 𝑀* (selisih nilai yang positif) juga menun-
jukkan bahwa nilai post-test lebih tinggi atau lebih baik dari pre-test.
Catatan:
Apabila diperhatikan model FE dan model RE menghasilkan summary effect
yang tidak jauh berbeda (M pada model FE = 1.62). Hal ini dikarenakan
jumlah studi yang dianalisis hanya sedikit, sehingga variabilitas effect yang
dihasilkan tidak terlalu besar. Apabila variabilitas tau square yang dihasil-
kan semakin kecil, maka nilai 𝑀* akan semakin mendekati nilai M.
Selanjutnya, untuk menguji apakah perbedaan nilai tersebut signifi-
kan atau tidak dapat dilihat dari uji 𝑍. Hipotesis yang digunakan yakni
H0 : true effect size (𝜃) = 0
H0 : true effect size (𝜃) ≠ 0
Hasil perhitungan menunjukkan bahwa 𝑍*=10.454, dengan p-value (one-
tailed dan two-tailed) yang kurang dari 𝛼 (0.05). Oleh karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 <
𝛼(0.05), maka H0 ditolak, dalam hal ini true effect size tidak sama dengan 0.
Dengan demikian dapat disimpulkan bahwa metode pembelajaran koope-
ratif efektif ditinjau dari hasil belajar siswa.

Forests Plot
Untuk membuat forest plot mengunakan bantuan aplikasi JASP
dengan menginputkan nilai effect size dan standar error effect size untuk
masing-masing studi. Adapun perbandingan forest plot model FE dan RE
untuk contoh kasus yang telah dibahas di atas dapat dilihat pada Gambar 5.3.

103
104
Gambar 5. 3. Perbandingan Forest Plot Efektivitas PBL Ditinjau dari Hasil Belajar Siswa model FE dan Model RE (data Fiktif)
BAB 6. Meta-Analisis Group Contrast
Bab 6
Meta-Analisis Group Contrasts

Group Contrasts merupakan jenis penelitian yang melibatkan satu

atau lebih variabel yang diukur pada dua atau lebih kelompok responden dan
kemudian dibandingkan. Jenis penelitian ini melaporkan hasil temuannya
dalam bentuk statistik deskriptif, seperti nilai tendensi sentral (Mean, SD,
dan proporsi). Nilai tendensi sentral tersebut kemudian digunakan untuk
membandingkan antara kelompok satu dengan kelompok yang lainnya.
Perbandingan antara dua atau lebih kelompok biasanya menggunakan uji
beda rata-rata (t-test) dan uji-F. Pengujian perbedaan rata-rata antar kelom-
pok biasa dikenal dengan analysis contrasts (Zhang & Heyse, 2012). Ada
dua bentuk penelitian group contrasts yang sering digunakan dan menarik
perhatian para peneliti, yakni penelitian experimental dan group differences.
Penelitian experimental merupakan jenis penelitian yang membandingkan
kelompok responden berdasarkan kondisi eksperimen yang diterimanya
(kelompok perlakuan dan kelompok kontrol). Perbedaan atau kontras antara
kelompok eksperimen dan kelompok kontrol terhadap variabel yang diukur
diinterpretasikan sebagai efek perlakuan (treatment effect) (Lipsey &
Wilson, 2001). Misalnya, penelitian dalam bidang pendidikan yang mem-
bandingkan kelompok siswa yang diajar menggunakan media pembelajaran
berbasis komputer dengan kelompok siswa yang diajar tanpa menggunakan
media pembelajaran berbasis komputer (menggunakan media pembelajaran
tradisional) ditinjau dari prestasi belajarnya. Disisi lain, ada penelitian group
differences yang juga membandingkan kelompok responden, namun
kelompok yang dibandingkan bukan hanya berdasarkan kondisi eksperimen
yang diterimanya, akan tetapi berdasarkan hal lain. Hal lain yang dimaksud
bisa berdasarkan jenis kelamin, status demografi, dan lain-lain. Misalnya,
penelitian tentang perbedaan prestasi belajar siswa ditinjau dari jenis
kelaminnya.

105
 Hasil penelitian dari beberapa peneliti yang menggunakan jenis
penelitian group contrasts (penelitian experimental dan group differences)
tidak jarang ditemukan berbeda satu sama lain dalam menarik kesimpulan.
Dasar penarikan kesimpulan yang digunakan dalam jenis penelitian ini
berdasarkan uji hipotesis null (misalnya; uji-t). Misalnya, ada tiga penelitian
yang membandingkan dua kelompok (laki-laki vs perempuan, kelompok
perlakuan vs kelompok kontrol, dan lain-lain) ditinjau dari prestasi belajar
pada rentang waktu yang berbeda. Penelitian pertama menunjukkan bahwa
dari 10 responden (5 responden kelompok 1 dan 5 responden kelompok 2)
diperoleh rata-rata dan standar deviasi untuk kelompok 1 sebesar 3,0 dan 1,0,
sedangkan untuk kelompok 2 sebesar 5,0 dan 1,0. Berdasarkan uji beda rata-
rata (t-test) diperoleh nilai t8 = 3,16 dengan p-value = 0,016. Penelitian
pertama kemudian menyimpulkan bahwa prestasi belajar kelompok 2 secara
signifikan lebih tinggi dari kelompok 1. Penelitian kedua mereplikasi
penelitian pertama dengan ukuran sampel yang lebih kecil (3 responden
kelompok 1 dan 3 responden kelompok 2). Hasilnya menunjukkan bahwa
rata-rata dan standar deviasi untuk kelompok 1 sebesar 3,0 dan 1,0,
sedangkan untuk kelompok 2 sebesar 5,0 dan 1,0. Berdasarkan uji beda rata-
rata (t-test) diperoleh nilai t4 = 2,45 dengan p-value = 0,071. Penelitian kedua
kemudian menyimpulkan bahwa kedua kelompok tidak berbeda secara
signifikan. Penelitian ketiga tertarik untuk menjawab perbedaan hasil
temuan pada penelitian pertama dan kedua dengan mereplikasi penelitian
yang sama menggunakan ukuran sampel yang lebih besar (10 responden
kelompok 1 dan 10 responden kelompok 2). Hasilnya menunjukkan bahwa
rata-rata dan standar deviasi untuk kelompok 1 sebesar 3,0 dan 1,0,
sedangkan untuk kelompok 2 sebesar 5,0 dan 1,0. Berdasarkan uji beda rata-
rata (t-test) diperoleh nilai t18 = 4,74 dengan p-value = 0,00016. Penelitian
ketiga kemudian menyimpulkan bahwa bukan hanya kelompoknya yang
berbeda, tapi perbedaannya lebih jelas dari penelitian sebelumnya.
Contoh kasus pada paragraf 2 menggambarkan kelemahan meng-
gunakan uji hipotesis null dalam membandingkan hasil di seluruh penelitian
(khususnya jenis penelitian contrasts group). Penelitian hipotesis yang
mengandalkan tes signifikansi (significance test) dapat membawa kita pada
kesimpulan yang tidak tepat (Card, 2012). Misalnya, hasil temuan pada
penelitian kedua yang mereplikasi penelitian pertama menjadi tidak akurat
karena tidak mempertimbangkan inadequacy of statistical power. Begitu

106
juga dengan penelitian ketiga yang salah menginterpretasikan nilai p-value
yang rendah sebagai besarnya efek. Untuk menjawab persoalan ini, maka
dalam bab ini akan difokuskan membahas effect size dan summary effect
pada jenis penelitian experimental dan difference group untuk mengurangi
kebingungan akibat temuan hasil penelitian yang berbeda-beda berdasarkan
uji signifikansi (misalnya, uji-t). Ada 4 jenis effect size yang akan dibahas
dalam bab ini sesuai dengan jenis penelitian experimental dan difference
group, yakni unstandardized mean difference, standardized mean diffe-
rence, proportion, dan odds ratio. Untuk summary effect, ada dua model
yang akan dibahas, yakni fixed-effect model dan random-effect model.
Dalam penafsirannya, Lipsey & Wilson (2001) membuat suatu kriteria
terkait besaran effect size, yakni jika effect size ≤ 0,20 maka besaran
(magnitude) dari effect size tersebut tergolong kecil (small), jika effect size =
0,50 maka besaran (magnitude) dari effect size tersebut tergolong sedang
(medium), dan jika effect size ≥ 0,80 maka besaran (magnitude) dari effect
size tersebut tergolong besar (large).

Menghitung Effect Size dari Group Contrasts

Unstandardized Mean Difference

Effect size jenis ini mempersyaratkan bahwa variabel yang diukur

(variabel dependen) dari semua penelitian yang akan digunakan sebagai
sampel dalam meta-analisis harus berada dalam skala yang sama (Cheung,
2015). Jika syaratnya terpenuhi, maka effect size dapat diperoleh langsung
dari selisih rata-rata skor mentah (unstandardized mean difference). Misal-
nya dalam penelitian experimental dan group difference, jika variabel depen-
dennya adalah rata-rata IPK (skala 1-4) atau rata-rata prestasi belajar siswa
berdasarkan hasil UN (skala 0-100), maka effect size dapat diperoleh lang-
sung dari selisih rata-rata IPK atau prestasi belajar antar kelompok. Jika kita
misalkan 1 dan  2 sebagai rata-rata populasi kelompok 1 dan kelompok
2, maka selisih rata-rata populasinya didefinisikan sebagai:
  1   2 (6.1)
Sehingga dapat diestimasi selisih rata-rata sampelnya (𝐷) menggunakan
persamaan di bawah ini.

107
 D  X1  X 2 (6.2)
Dimana X 1 dan X 2 adalah rata-rata sampel untuk kelompok 1 dan kelom-
pok 2. 𝐷 akan bernilai positif atau negatif. Jika bernilai positif, maka dapat
diartikan bahwa rata-rata kelompok 1 lebih tinggi dari kelompok 2, begitu-
pun sebaliknya. Selanjutnya, jika kita berasumsi bahwa varians populasi dari
kedua kelompok sama  12   22 (asumsi homogenitas varians), kita dapat
menggabungkan varians kelompok 1 dan kelompok 2 menjadi varians
2
gabungan ( S pooled ).

2
S pooled 
n1  1S12  n2  1S 22
(6.3)
n1  1  n2  1
Dimana S1 dan S 2 adalah varians sampel pada kelompok 1 dan kelompok
2, dan n1 dan n 2 adalah ukuran sampel pada kelompok 1 dan kelompok 2.
Dengan menerapkan teorema limit sentral (central limit theorem), maka
dapat diestimasi varians sampel pada kelompok 1 dan kelompok 2.
2
S pooled
VX 1  (6.4)
n1
2
S pooled
VX 2  (6.5)
n2
Karena X 1 dan X 2 independen, maka varians sampel dari 𝐷 ( V D ) hanya-
lah jumlah dari varians sampel kelompok 1 ( V X 1 ) dan kelompok 2 ( V X 2 ).
2 2
S pooled S pooled n1  n2 2
VD  V X 1  V X 2    S pooled (6.6)
n1 n2 n1 n2
Jika varians populasi kedua kelompok diasumsikan tidak sama  12   22 ,
maka persamaan estimasi varians sampel dari kelompok 1 dan kelompok 2
menjadi:
S12
VX1  (6.7)
n1
S 22
VX 2  (6.8)
n2

108
Dengan varians sampel dari 𝐷 ( VD ):
~ S12 S 22
V D  VX1  VX 2   (6.9)
n1 n2
Tampaknya antara pers. (6.9) lebih menarik dari pers. (6.6) karena tidak
memerlukan asumsi homogenitas varians. Namun, varians sampel dari
𝐷(𝑉̃𝐷 ) menjadi kurang akurat dari pada varians sampel dari 𝐷(𝑉𝐷 ) bila
asumsi homogenitas varians sesuai. Ukuran sampel yang lebih besar
mungkin diperlukan untuk memperbaiki 𝑉̃𝐷 . Oleh karena itu, meta-analisis
yang paling banyak dipublikasikan didasarkan pada homogenitas varians
dalam menghitung varians sampel. Jika varians sampel dari 𝐷 dikuadratkan,
maka akan diperoleh standard error dari 𝐷.
SED  VD (6.10)
Contoh Kasus 1:
Seorang peneliti tertarik untuk mengetahui perbedaan prestasi belajar
matematika siswa ditinjau dari jenis kelaminnya. Data yang berhasil
dikumpulkan peneliti disajikan pada Tabel 6. 1.

Tabel 6. 1. Database Meta-Analisis Contoh Kasus 1

Laki-laki Perempuan
No Penelitian Tahun
Mean SD n1 Mean SD n2
1 Yang Seok Yoo 2017 607 2,9 2991 615 2,3 2932
2 Yang Seok Yoo 2014 616 1,9 2503 610 1,7 2662
3 Rachel & Jean 2012 509,28 76,02 3764 506,41 73,18 3855
4 Jennifer AE 2015 536,37 72,28 3124 531,49 72,16 3038
5 Jennifer AE 2015 483,09 68,35 1287 490,85 68,93 1250
6 Jennifer AE 2015 459,99 67,67 681 461,37 64,02 942
7 Daniel S. Wells 2016 512,24 77 5110 509,1 74,94 5240

Skalanya sama Skalanya sama

Tabel 6. 1 menunjukkan bahwa variabel dependen pada ketujuh penelitian

menggunakan skala yang sama. Oleh karena itu, untuk menghitung effect
size pada contoh kasus ini dapat digunakan pers. (6.2), dengan varians
populasi antara kelompok laki-laki dan kelompok perempuan diasumsikan

109
sama (𝜎12 = 𝜎22 ), sehingga digunakan pers. (6.6) untuk mengestimasi varians
sampel dari 𝐷. Untuk standard error dari 𝐷 digunakan pers. (6.10). Berikut
disajikan perhitungannya:
1. Menghitung Effect Size (𝐷)
Effect Size dari penelitian Yang Seok Yoo (𝐷1):
D1  X 1  X 2  607  615  8
Untuk proses perhitungan effect size dari penelitian yang lainnya, yaitu,
𝐷2, …, dan 𝐷7, sama dengan proses perhitungan effect size dari 𝐷1.
2. Menghitung Varians dari Effect Size (𝑉𝐷 )
Varians dari effect size dari 𝐷1 = 𝑉𝐷1
n1  n2 2
VD1  S pooled
n1n2
2
Untuk menghitung S pooled digunakan pers. (6.3), sehingga:

2
S pooled 
2991 12,9 2  2932  12,32 
40651
 6,866
2991 1  2932  1 5921
Maka:
2991  2932
VD1   6,866  0,005
2991 2932
Untuk proses perhitungan varians effect size dari penelitian yang
lainnya, yaitu 𝑉𝐷2, …, dan 𝑉𝐷7, sama dengan proses perhitungan varians
effect size dari 𝐷1 (𝑉𝐷1).
3. Menghitung Standard Error dari 𝐷 (𝑆𝐸𝐷 )
Menghitung standard error dari 𝐷1(𝑆𝐸𝐷1 ):
SED1  0,005  0,068
Untuk proses perhitungan standard error effect size dari penelitian yang
lainnya, yaitu 𝑆𝐸𝐷2 , …, dan 𝑆𝐸𝐷7 , sama dengan proses perhitungan
standard error effect size dari 𝐷1 (𝑆𝐸𝐷1 ).
Adapaun rangkuman hasil perhitungan secara keseluruhan untuk
contoh kasus 1 disajikan pada Tabel 6. 2.

110
 Tabel 6. 2. Rangkuman Hasil Perhitungan
Identitas Pers. (6.2) Pers. (6.3) Pers. (6.6) Pers. (6.10)

No Penelitian Tahun D S 2 pooled VD SE D

1 Yang Seok Yoo 2017 -8 6,866 0,005 0,068
2 Yang Seok Yoo 2014 6 3,239 0,003 0,05
3 Rachel & Jean 2012 2,87 5564,645 2,922 1,709
4 Jennifer AE 2015 4,88 5215,853 3,386 1,84
5 Jennifer AE 2015 -7,76 4710,953 7,429 2,726
6 Jennifer AE 2015 -1,38 4300,198 10,88 3,298
7 Daniel S. Wells 2016 3,14 5770,536 2,231 1,493

Standardized Mean Difference

Effect size jenis ini digunakan ketika syarat dari unstandardized mean
difference tidak terpenuhi, yakni skala yang digunakan di seluruh penelitian
tidak cukup jelas atau tidak ada alasan untuk mengatakannya sama (Cheung,
2015). Dalam penelitian pendidikan, biasanya kita jumpai perbedaan sistem
penilaian yang digunakan oleh setiap satuan pendidikan (sekolah). Antara
sekolah yang satu dan sekolah yang lainnya terkadang menggunakan sistem
penilaian internal yang telah ditetapkan di sekolah masing-masing. Peng-
gunaan sistem penilaian internal memungkinkan untuk terjadinya peng-
gunaan skala yang berbeda (Misalnya; skala skor prestasi siswa ada yang 0-
10 atau 0-100). Penggunaan skala yang berbeda menyebabkan perbandingan
antara sekolah yang satu dengan sekolah yang lainnya tidak dapat dilakukan
secara langsung. Untuk dapat dilakukan perbandingan, maka selisih rata-rata
antar kelompok dibagi dengan standar deviasinya (standardized mean
difference).
Standardized mean difference digunakan sebagai tindakan scale-free.
Misalnya dalam beberapa peneltian experimental (perlakuan vs kontrol), jika
variabel dependennya adalah rata-rata keterampilan berpikir tingkat tinggi
siswa, biasanya skala rata-rata yang dihasilkan dalam setiap penelitian
menjadi bervariasi (ada yang skalanya 0-10 dan ada juga yang 0-100), maka
effect size tidak dapat diperoleh langsung dari selisih rata-rata keterampilan
berpikir tinggi antar kelompok (perlakuan vs kontrol), namun harus dibagi
dengan standar deviasinya agar diperoleh selisih rata-rata dengan skala yang

111
sama di semua penelitian. Adapun selisih rata-rata populasinya didefinisikan
sebagai:
1   2
 (6.11)

Dan untuk estimasi selisih rata-rata sampelnya ( d ) menggunakan
persamaan di bawah ini,
X1  X 2
d (6.12)
S within
d diiterpretasikan sebagai selisih rata-rata sampel kedua kelompok (𝑋̅1dan
𝑋̅2 ) dalam satuan standar deviasi (𝑆𝑤𝑖𝑡ℎ𝑖𝑛 ). 𝑆𝑤𝑖𝑡ℎ𝑖𝑛 adalah standar deviasi
dalam kelompok atau standar deviasi gabungan antara kelompok 1 dan
kelompok 2 ( S pooled ).

S within 
n1  1S12  n2  1S 22 (6.13)
n1  1  n2  1
Dimana 𝑆1 dan 𝑆2 adalah varians sampel pada kelompok 1 dan kelompok 2,
dan 𝑛1 dan 𝑛2 adalah ukuran sampel pada kelompok 1 dan kelompok 2.
Alasan mengapa dalam mengestimasi standar deviasi kedua kelompok perlu
digabungkan karena meskipun kita mengasumsikan bahwa stndar deviasi
populasi kedua kelompok sama (𝜎1 = 𝜎2 ), tapi tidak mungkin estimasi
standar deviasi sampel kelompok 1 (𝑆1 ) dan kelompok 2 (𝑆2 ) akan identik,
sehingga dengan menggabungkan dua estimasi standar deviasi akan
diperoleh estimasi nilai yang lebih akurat (Borenstein et al., 2009), Untuk
varians dari d dirumuskan sebagai:
n1  n2 d2
Vd   (6.14)
n1 n2 2n1  n2 
Jika varians dari d dikuadratkan, maka akan diperoleh standard error dari
d.
SEd  Vd (6.15)
Hedeges (1981) menunjukkan bahwa nilai d (pers. 6.12) memiliki
sedikit bias, yakni cenderung menghasilkan nilai estimasi yang terlalu tinggi
atau lebih besar (overestimate) dari nilai absolut parameter populasi  (pers,
6.11). Hedges (1981) kemudian mengusulkan sebuah modifikasi untuk

112
meminimalkan bias, yang umumnya dikenal sebagai Hedges’ g. Untuk
mengkonversi dari d ke g diperlukan faktor koreksi, yang disebut J. Adapun
faktor koreksi (J) dirumuskan sebagai berikut:
3
J 1 (6.16)
4df  1
Dimana df adalah derajat kebebasan yang digunakan untuk mengestimasi
𝑆𝑤𝑖𝑡ℎ𝑖𝑛 pada dua kelompok independen (𝑛1 + 𝑛2 − 2). Estimasi ini selalu
memiliki kesalahan yang kurang dari 0,007 dan kurang dari 0,035 persen
ketika df > 10 (Hedges, 1981). Kemudian, Hedges’ g dirumuskan sebagai
berikut:
g  J d (6.17)
Dengan varians dan standard error dari Hedeges’ g:
V g  J  Vd (6.18)
SE g  V g (6.19)
Contoh Kasus 2:
Seorang peneliti ingin mengetahui perbedaan keefektivan model pembe-
lajaran yang berbasis masalah (perlakuan) dan model pembelajaran tidak
berbasis masalah (kontrol) dalam mningkatkan prestasi belajar matematika
siswa. Data yang berhasil dikumpulkan peneliti disajikan pada Tabel 6. 3.

Tabel 6. 3. Database Meta-Analisis Contoh Kasus 2

Perlakuan Kontrol
No. Penelitian Tahun
Mean SD n1 Mean SD n2
1 Wulansari 2017 82,05 8,175 34 80,29 9,123 34
2 Hidayati 2016 79,1 8,022 30 79,9 8,179 30
3 Mardiana 2016 8,33 0,63 32 8,81 0,56 32
4 Amril 2015 78,04 15,11 28 76,61 15,93 28
5 Anisah 2015 77,34 12,377 32 80 13,44 32
6 Ariyanti 2015 68,91 15,97 32 74,75 14,18 32
7 Apriza 2015 67,29 8,425 29 70,34 8,78 32
8 Mukti 2015 75,37 7,46 26 76,35 7,29 27
9 Farhan 2013 80 11,39 36 61,94 15,84 35
10 Farhan 2013 80 11,39 36 70,91 15,42 33
11 Husnul 2013 66,57 5,25 30 63,37 5,8 30

Menggunakan skala 0-10 Yang lainnya menggunakan skala 0-100

113
 Tabel 6. 3 menunjukkan bahwa variabel dependen pada kesebelas
penelitian menggunakan skala yang berbeda, ada yang menggunakan skala
0-10 dan ada yang menggunakan skala 0-100. Oleh karena itu, untuk
menghitung effect size pada contoh kasus 2 dapat digunakan pers. (6.12),
dengan varians populasi antara kelompok perlakuan dan kelompok kontrol
diasumsikan sama (𝜎12 = 𝜎22 ), sehingga digunakan pers. (6.14) untuk meng-
estimasi varians sampel dari d. Untuk standard error dari d digunakan pers.
(6.15). Berikut disajikan perhitungannya:
1. Mengiutng effect size (d)
Effect Size dari penelitian Yang Seok Yoo (𝑑1 ):
X1  X 2
d1 
S within
Untuk menghitung S within digunakan pers. (6.13), sehingga:

S within1 
34  18,1752  34  19,1232 
4952
 8,662
34  1  34  1 66
Maka:
82,05  80,29 1,76
d1    0,203
8,662 8,662
Untuk proses perhitungan effect size dari penelitian yang lainnya, yaitu
𝑑2 , …, dan 𝑑7 , sama dengan proses perhitungan effect size dari 𝑑1 .
2. Menghitung varians dari effect size (𝑉𝑑 )
Varians dari effect size 𝑑1 (𝑉𝑑1 ):
34  34 0,2032 68 0,041
Vd1      0,059
34  34 234  34 1156 136
Untuk proses perhitungan varians effect size dari penelitian yang
lainnya, yaitu 𝑉𝑑2, …, dan 𝑉𝑑7 , sama dengan proses perhitungan varians
dari effect size 𝑑1 (𝑉𝑑1).
3. Menghitung standard error dari effect size (𝑆𝐸𝑑 )
Menghitung standard error dari effect size 𝑑1 (𝑆𝐸𝑑1 ):
SEd1  0,059  0,243
Untuk proses perhitungan standard error effect size dari penelitian yang
lainnya, yaitu 𝑆𝐸𝑑2 , …, dan 𝑆𝐸𝑑7 , sama dengan proses perhitungan
standard error dari effect size 𝑑1 (𝑆𝐸𝑑1 ).

114
 4. Menghitung faktor koreksi J untuk mengkonversi effect size d ke g dan
varians dari effect size d ke g.
3 3
J 1 1  0,989
4(34  34  2)  1 263
Maka:
g1  0,989  0,203  0,201
Vg1  0,989  0,059  0,058
Untuk proses perhitungan effect size g2 , …, g7 dan dari varians g2 , …
g7 (Vg2 , …, Vg7 ), sama dengan proses perhitungan effect size g1 dan
varians dari g1 (Vg1 ).
5. Menghitung standard error dari effect size g (SEg )
Standard error dari effect size g1 (SEg1 ):
SEg1  0,058  0,240
Untuk proses perhitungan standard error effect size dari penelitian yang
lainnya, yaitu SEg2 , …, dan SEg7 , sama dengan proses perhitungan
standard error dari effect size g1 (SEg1 ).
Adapaun rangkuman hasil perhitungan secara keseluruhan untuk
contoh kasus 2 disajikan pada Tabel 6. 4.

Tabel 6. 4. Rangkuman Hasil Perhitungan Contoh Kasus 2

Identitas Pers. (6.2) Pers. (6.13) Pers. (6.12) Pers. (6.14) Pers. (6.15) Pers. (6.16) Pers. (6.17) Pers. (6.18) Pers. (6.19)
No Penelitian Tahun D S within d Vd SE d J g Vg SE g
1 Wulansari 2017 1,76 8,662 0,203 0,059 0,243 0,989 0,201 0,058 0,24
2 Hidayati 2016 -0,8 8,101 -0,099 0,067 0,258 0,987 -0,097 0,065 0,255
3 Mardiana 2016 -0,48 0,596 -0,805 0,068 0,26 0,988 -0,796 0,066 0,257
4 Amril 2015 1,43 15,525 0,092 0,072 0,267 0,986 0,091 0,07 0,264
5 Anisah 2015 -2,66 12,919 -0,206 0,063 0,251 0,988 -0,203 0,061 0,248
6 Ariyanti 2015 -5,84 15,102 -0,387 0,064 0,252 0,988 -0,382 0,062 0,249
7 Apriza 2015 -3,05 8,613 -0,354 0,067 0,258 0,987 -0,35 0,065 0,255
8 Mukti 2015 -0,98 7,374 -0,133 0,076 0,275 0,985 -0,131 0,073 0,271
9 Farhan 2013 18,06 13,764 1,312 0,068 0,262 0,989 1,298 0,067 0,259
10 Farhan 2013 9,09 13,466 0,675 0,061 0,248 0,989 0,667 0,06 0,245
11 Husnul 2013 3,2 5,532 0,578 0,069 0,264 0,987 0,571 0,068 0,26

115
Proportion Difference

Temuan dalam penelitian biasanya berupa proporsi dari sampel

dengan karakteristik tertentu, salah satunya temuan dalam penelitian group
contrasts. Jenis effect size ini membandingkan satu variabel biner yang
mewakili kelompok pada penelitian experimental ataupun group differences
(kelompok 1 vs kelompok 2). Jenis effect size ini dapat diperoleh langsung
dari selisisih antara proporsi pada kelompok 1 dan kelompok 2. Misalnya
dalam penelitian experimental dan group difference, jika variabel depen-
dennya adalah proporsi mahasiswa yang lulus KKM, maka effect size dapat
diperoleh dari selisih antara proporsi mahasiswa yang lulus KKM pada
kelompok 1 dan kelompok 2. Fleiss (1994) menyatakan bahwa proportion
differences (PD) sangatlah sederhana, namun dibalik kesederhanaannya ada
potensi masalah heterogenitas yang muncul ketika menggunakan PD seba-
gai effect size. Hal ini dikarenakan PD bergantung pada nilai proporsi
kelompok 1 (𝑃1 ) atau proporsi kelompok 2 (𝑃2 ) yang berkisar antara 0
sampai 1, Artinya, jika 𝑃1 sama dengan 0,5, maka nilai maksimum dari PD
adalah 0,5; jika 𝑃1 sama dengan 0,1, maka nilai minimum dari PD adalah -
0,1 dan nilai maksimumnya adalah 0,9. Kondisi yang demikian menurut
Fleiss (1944) akan menghasilkan heterogenitas di seluruh penelitian, sehing-
ga akan sangat sulit menginterpretasikan PD antara penelitian satu dengan
penelitian lainnya. Adapun proporsi setiap kelompok dirumuskan sebagai
berikut:
Kelompok Status A Ukuran Sampel
Kelompok 1 a n1
Kelompok 2 c n2
Dimana:
a
P1  (6.20)
n1
c
P2  (6.21)
n2
a dan c adalah frekuensi atau banyaknya sampel yang berstatus A, sedang-
kan 𝑛1 dan 𝑛2 adalah ukuran samapel kelompok 1 dan kelompok 2. Kemu-
dian, proportion differences (PD) dirumuskan sebagai berikut:

116
 PD  P1  P2 (6.22)
Dengan varians dari PD:
1 1
VPD  P1  P    (6.23)
 n1 n2 
Dimana P adalah weight rata-rata dari 𝑃1 dan 𝑃2 , yang dirumuskan sebagai
berikut:
n P   n2 P2 
P 1 1 (6.24)
n1  n2
Dengan standard error dari PD:
SEPD  VPD (6.25)

Contoh Kasus 3:
Seorang peneliti ingin mengetahui perbedaan keefektivan antara model
pembelajaran yang berbasis masalah (PBM) dan model pembelajaran yang
tidak berbasis masalah (TPBM) ditinjau dari proporsi siswa yang lulus KKM
dalam pembelajaran matematika. Data yang berhasil dikumpulkan peneliti
disajikan pada Tabel 6. 5.

Tabel 6. 5. Database Meta-Analisis Contoh Kasus 3

Model PBM Model TPBM
Penelitian Tahun
Jenis Model Lulus KKM n1 Jenis Model Lulus KKM n2
Wulansari 2017 PBL 30 34 DL 29 34
Amril 2015 PBL 24 28 DL 24 28
Ariyanti 2015 PBL 17 32 DL 18 32
Apriza 2015 PBL 20 29 DL 25 32
Mukti 2015 PBL 24 26 DL 24 27
Farhan 2013 PBL 34 36 DL 18 35
Farhan 2013 PBL 34 36 DL 21 33
*PBL = Problem Based Learning, DL = Discovery Learning

Tabel 6. 5 menunjukkan bahwa terdapat dua variabel biner, yakni kelompok

siswa yang diajar menggunakan model PBM (PBL) dan kelompok siswa
yang diajar dengan model TPBM (DL). Untuk variabel dependennya berupa

117
proporsi siswa yang lulus KKM pada pembelajaran matematika. Oleh karena
itu, untuk menghitung effect size pada contoh kasus 3 dapat digunakan pers.
(6.22), sedangkan untuk mengestimasi varians dari effect size PD (𝑉𝑃𝐷 ) dan
standard error dari PD (𝑆𝐸𝑃𝐷 ) digunakan pers. (6.23) dan pers. (6.25).
Berikut disajikan perhitungannya:
1. Mengiutng Effect Size (PD)
Effect Size dari penelitian Wulan Sari (𝑃𝐷1):
PD1  P1  P2
Dimana, untuk menghitung 𝑃1 dan 𝑃2 digunakan pers. (6.20) dan pers.
(6.21):
30
P1   0,882
34
29
P2   0,853
34
Maka:
PD1  0,882  0,853  0,029
Untuk proses perhitungan effect size dari penelitian yang lainnya, yaitu
𝑃𝐷2, …, dan 𝑃𝐷7, sama dengan proses perhitungan effect size dari 𝑃𝐷1.
2. Menghitung Varians dari Effect Size (𝑉𝑃𝐷 )
Varians dari effect size 𝑃𝐷1 (𝑉𝑃𝐷1):
1 1
VPD  P1  P   
 n1 n2 
Dimana, untuk menghitung P digunakan pers. (6.24)):

P
34  0,882  34  0,853  58,99  0,868
34  34 68
Maka:
 1 1 
VPD1  0,8681  0,868    0,115  0,059  0,007
 34 34 
Untuk proses perhitungan varians effect size dari penelitian yang
lainnya, yaitu 𝑉𝑃𝐷2, …, dan 𝑉𝑃𝐷7, sama dengan proses perhitungan
varians dari effect size 𝑃𝐷1 (𝑉𝑃𝐷1).
3. Menghitung Standard Error dari effect size (𝑆𝐸𝑃𝐷 )
Menghitung standard error dari effect size 𝑃𝐷1 (𝑆𝐸𝑃𝐷1 ):

118
 SEPD1  0,007  0,084
4. Untuk proses perhitungan standard error effect size dari penelitian yang
lainnya, yaitu 𝑆𝐸𝑃𝐷2 , …, dan 𝑆𝐸𝑃𝐷3 , sama dengan proses perhitungan
standard error dari effect size 𝑃𝐷1 (𝑆𝐸𝑃𝐷1 ).
Adapaun rangkuman hasil perhitungan secara keseluruhan untuk contoh
kasus 1 disajikan pada Tabel 6. 6.

Tabel 6. 6. Rangkuman Hasil Perhitungan Contoh Kasus 3

Identitas Pers. (6.20) Pers. (6.21) Pers. (6.24) Pers. (6.22) Pers. (6.24) Pers. (6.25)
Penelitian Tahun P1 P2 P PD V PD SE PD
Wulansari 2017 0,882 0,853 0,868 0,029 0,007 0,084
Amril 2015 0,857 0,857 0,857 0 0,009 0,095
Ariyanti 2015 0,531 0,563 0,547 -0,032 0,015 0,122
Apriza 2015 0,69 0,781 0,738 -0,091 0,013 0,114
Mukti 2015 0,923 0,889 0,906 0,034 0,006 0,077
Farhan 2013 0,944 0,514 0,732 0,43 0,011 0,105
Farhan 2013 0,944 0,636 0,797 0,308 0,009 0,095

Odds Ratio

Jenis effect size menggunakan proportion differen (PD) cenderung

menghasilkan overestimate yang konsisten terhadap jumlah heterogenitas
effect size dan underestimate terhadap interval kepercayaan disekitar rata-
rata proportion differen (PD), Mengingat kelemahan tersebut, Lipsey dan
Wilson (2001) merekomendasikan untuk menggunakan metode odds ratio
(OR) sebagai effect size. Jenis effect size ini membandingkan dua variabel
biner yang mewakili kelompok pada penelitian experimental ataupun group
differences (kelompok 1 vs kelompok 2) dan variabel hasil (lulus atau gagal,
ya atau tidak, dan lain-lain). Untuk lebih memahami odds ratio, perlu
didefinisikan terlebih dahulu apa itu odds. Odds suatu kejadian didefinisikan
sebagai propbabilitas suatu kejadian dibagi dengan probabilitas alter-
natifnya, yang diformulasikan dalam bentuk Odds = P/(1 – P), dimana P
adalah proporsi dalam sampel (yang merupakan estimasi tidak bias dari
proporsi populasi,  ) yang mengalami kejadian tersebut. Misalnya, tingkat
kelulusan siswa sebagai variabel dikotomus (lulus vs tidak lulus), kita dapat

119
menemukan proporsi siswa yang lulus (P) dan mengestimasi Odds siswa
yang lulus dengan membagi proporsi siswa yang tidak lulus (1 – P). Jadi,
Odds Ratio merupakan rasio dari dua Odds. Jika dikaitkan kembali dengan
penelitian experimental atau group difference, maka kita dapat memisalkan
Odds kematian pada kelompok 1 sebesar 5/95 atau 0,0526 (proporsi kema-
tian sebesar 5/100 dan proporsi hidup sebesar 95/100), sedangkan Odds
kematian pada kelompok 2 sebesar 10/90 atau 0,1111 (proporsi kematian
sebesar 10/100 dan proporsi hidup sebesar 90/100). Dengan demikian, Odds
Ratio dari dua Odss sebesar 0,0526/0,1111 atau 0,4737. Jadi, Odds Ratio
(OR) antar kelompok dirumuskan sebagai berikut:
Kelompok Status A Bukan Status A Ukuran Sampel
Kelompok 1 a b n1
Kelompok 2 c d n2

Dimana:
 P1 
 
 1  P1 
OR  (6.26)
 P2 
 
 1  P2 
𝑃1 dan 𝑃2 adalah proporsi sampel yang sukses atau berstatus A pada kelom-
pok 1 dan kelompok 2, sedangkan 1 − 𝑃1 dan 1 − 𝑃2 adalah proporsi sampel
alternatif atau bukan berstatus A pada kelompok 1 dan kelompok 2, Untuk
menghitung 𝑃1 dan 𝑃2 dapat menggunakan pers, (6.20) dan (6.21), Jika
kedua persamaan tersebut (pers, 6.20 dan 6.21) disubsitusi ke dalam pers,
(6.26), maka akan diperoleh rumusan OR yang lebih sederhana,
 a  a 
 n1   n1 
    a
 1  a n   b n   b  ad
OR  
1 

1 
  (6.27)
 c   c   c  bc
 n1   n1   
    d 
1  c n   d n 
 1   1
a dan c adalah frekuensi atau banyaknya sampel yang berstatus A pada
kelompok 1 dan kelompok 2, sedangkan b dan d adalah frekuensi atau

120
 banayaknya sampel yang bukan berstatus A pada kelompok 1 dan 2, OR
𝑎 𝑐
akan bernilai 1 jika probabilitas antara kelompok 1 ( ) dan kelompok 2 ( )
𝑏 𝑑
𝑎
sama, namun jika probabilitas kelompok 1 (𝑏 ) lebih tinggi dari kelompok 2
𝑐
(𝑑), maka OR akan bernilai lebih besar dari 1, Untuk mengatasi masalah
tersebut, maka distribusi sampel perlu dinormalkan menggunakan transfor-
masi logaritma pada OR,
LogOR  lnOR  (6.28)
Dimana estimasi varians dari LogOR:
1 1 1 1
VLogOR 
   (6.29)
a b c d
Dengan standard error dari LogOR:
SELogOR  VLogOR (6.30)
Contoh Kasus 4:
Sama dengan contoh kasus 3, seorang peneliti ingin mengetahui perbedaan
keefektivan antara model pembelajaran yang berbasis masalah (PBM) dan
model pembelajaran yang tidak berbasis masalah (TPBM) ditinjau dari
proporsi siswa yang lulus KKM dalam pembelajaran matematika. Hal yang
membedakan dengan contoh kasus 3 adalah pada variabel biner yang digu-
nakan. Pada contoh kasus 3 hanya terdapat satu variabel biner (kelompok 1
vs kelompok 2), sedangkan pada contoh kasus 4 terdapat dua variabel biner,
yakni varibel kelompok (kelompok 1 vs kelompok 2) dan variabel dependen
(Lulus KKM vs Tidak Lulus KKM). Data yang berhasil dikumpulkan
peneliti disajikan pada Tabel 6. 7.
Tabel 6. 7. Database Meta-Analisis Contoh Kasus 4
Model PBM Model TPBM
No Penelitian Tahun Lulus Tidak Lulus Lulus Tidak Lulus
Jenis Model n1 Jenis Model n2
KKM KKM KKM KKM
1 Wulansari 2017 PBL 30 4 34 DL 29 5 34
2 Amril 2015 PBL 24 4 28 DL 24 4 28
3 Ariyanti 2015 PBL 17 15 32 DL 18 14 32
4 Apriza 2015 PBL 20 9 29 DL 25 7 32
5 Mukti 2015 PBL 24 2 26 DL 24 3 27
6 Farhan 2013 PBL 34 2 36 DL 18 17 35
7 Farhan 2013 PBL 34 2 36 DL 21 12 33
*PBL = Problem Based Learning, DL = Discovery Learning

121
Untuk menghitung effect size pada contoh kasus 4 dapat digunakan pers.
(6.27) dan pers. (6.28), sedangkan untuk mengestimasi varians dari effect
size LogOR (VLogOR ) dan standard error dari LogOR (SELogOR) digunakan
pers. (6.29) dan pers. (6.30). Berikut disajikan perhitungannya:
1. Mengiutng Effect Size (OR dan LogOR)
Effect Size dari penelitian Wulan Sari (𝑂𝑅1 dan LogOR1 ):
30  5 150
OR1    1,293
4  29 116
Maka:
LogOR1  ln1,293  0,257
Untuk proses perhitungan effect size dari penelitian yang lainnya, yaitu
LogOR2 , …, dan LogOR7 , sama dengan proses perhitungan effect size
dari LogOR1 .
2. Menghitung Varians dari Effect Size (VLogOR)
Varians dari effect size LogOR2 (VLogOR1):
1 1 1 1
VLogOR1      0,518
30 4 29 5
Untuk proses perhitungan varians effect size dari penelitian yang
lainnya, yaitu VLogOR2, …, dan VLogOR7 , sama dengan proses per-
hitungan varians dari effect size LogOR1 (VLogOR1).
3. Menghitung Standard Error dari effect size (SELogOR )
Menghitung standard error dari effect size LogOR1 (SELogOR1 ):
SELogOR1  0,518  0,720
Untuk proses perhitungan standard error effect size dari penelitian yang
lainnya, yaitu SELogOR2, …, dan SELogOR7 , sama dengan proses perhi-
tungan standard error dari effect size LogOR1 (SELogOR1).
Adapaun rangkuman hasil perhitungan secara keseluruhan untuk contoh
kasus 1 disajikan pada Tabel 6. 8.

122
 Tabel 6. 8. Rangkuman Hasil Perhitungan Contoh Kasus 4
Identitas Pers. (6.27) Pers. (6.28) Pers. (6.29) Pers. (6.30)
No Penelitian Tahun OR LogOR V LogOR SE LogOR
1 Wulansari 2017 1,293 0,257 0,518 0,72
2 Amril 2015 1 0 0,583 0,764
3 Ariyanti 2015 0,881 -0,127 0,252 0,502
4 Apriza 2015 0,622 -0,475 0,344 0,587
5 Mukti 2015 1,5 0,405 0,917 0,958
6 Farhan 2013 16,056 2,776 0,644 0,802
7 Farhan 2013 9,714 2,274 0,660 0,812

Menghitung Summary Effect dari Group Contrasts

Tahap terakhir dalam meta-analisis setelah menghitung effect size dari

masing-masing penelitian adalah menghitung summary effect. Summary
effect merupakan ringkasan efek atau efek rata-rata dari berbagai penelitian.
Seperti yang telah dijelaskan sebelumnya pada Bab 3, bahwa untuk meng-
hitung summary effect didasarkan pada satu dari dua model statistik, yakni
fixed-effect model dan random-effect model. Untuk jenis effect size seperti
D, g, PD, dan OR dan LogOR yang digunakan dalam penelitian experimental
dimisalkan dengan Y untuk mempermudah dalam perhitungan summary
effect.

Contoh Kasus 5:
Untuk contoh kasus ini, akan dihitung summary effect dari contoh kasus 2
dengan menggunakan fixed-effect model dan random-effect model. Data
terkait rangkuman hasil perhitungan contoh kasus 2 disajikan pada Tabel 6.
9.

123
 Tabel 6. 9. Rangkuman Hasil Perhitungan Contoh Kasus 2
No Penelitian Tahun g Vg Y VY
1 Wulansari 2017 0,201 0,058 0,201 0,058
2 Hidayati 2016 -0,097 0,065 -0,097 0,065
3 Mardiana 2016 -0,796 0,066 -0,796 0,066
4 Amril 2015 0,091 0,07 0,091 0,07
5 Anisah 2015 -0,203 0,061 -0,203 0,061
6 Ariyanti 2015 -0,382 0,062 -0,382 0,062
7 Apriza 2015 -0,35 0,065 -0,35 0,065
8 Mukti 2015 -0,131 0,073 -0,131 0,073
9 Farhan 2013 1,298 0,067 1,298 0,067
10 Farhan 2013 0,667 0,06 0,667 0,06
11 Husnul 2013 0,571 0,068 0,571 0,068

Fixed-Effect Model

Adapun langkah-langkah dalam menghitung summary effect ber-

dasarkan fixed-effect model adalah sebagai berikut:
1. Menghitung weight (𝑊)
Untuk menghitung weight digunakan pers. (3.4). weight dari penelitian
Yang Seok Yoo (𝑊1 ):
1
W 1  17,305
0,058
Sehingga, weight dari effect size penelitian Yang Seok Yoo (𝑊1 𝑌1 ):
W 1Y1  17,305  0,201  3,476
Dan seterusnya untuk sepuluh penelitian lainnya. Berdasarkan perhi-
tungan, diperoleh total weight dari sebelas penelitian (∑11
𝑖=1 𝑊𝑖 ) sebesar
169,968 dan total weight dari effect size sebelas penelitian (∑11
𝑖=1 𝑊𝑖 𝑌𝑖 )
sebesar 13,430. Hasil perhitungan disajikan pada Tabel 6. 10.
2. Menghitung summry effect (𝑀)
Untuk menghitung summary effect (𝑀) digunakan pers. (3.3):
13,430
M  0,079
169,968

124
 Tabel 6. 10. Rangkuman Hasil Perhitungan
Identitas Pers. (6.17) Pers. (6.18) Pers. (3.4)
No Penelitian Tahun Y VY W WY
1 Wulansari 2017 0,201 0,058 17,241 3,465
2 Hidayati 2016 -0,097 0,065 15,385 -1,492
3 Mardiana 2016 -0,796 0,066 15,152 -12,061
4 Amril 2015 0,091 0,07 14,286 1,3
5 Anisah 2015 -0,203 0,061 16,393 -3,328
6 Ariyanti 2015 -0,382 0,062 16,129 -6,161
7 Apriza 2015 -0,35 0,065 15,385 -5,385
8 Mukti 2015 -0,131 0,073 13,699 -1,795
9 Farhan 2013 1,298 0,067 14,925 19,373
10 Farhan 2013 0,667 0,06 16,667 11,117
11 Husnul 2013 0,571 0,068 14,706 8,397
Total 169,968 13,430

3. Menghitung varians dari summary effect (𝑉𝑀 )

Untuk menghitung varians summary effect (𝑉𝑀 ) digunakan pers. (3.5):
1
VM   0,006
169,968
4. Menghitung standard error dari summary effect (𝑆𝐸𝑀 )
Untuk menghitung standard error dari summary effect dgunakan pers.
(3.6):
SEM  0,006  0,077
5. Menghitung batas bawah (𝐿𝐿𝑀 ) dan batas atas (𝑈𝐿𝑀 )
Untuk menghitung batas bawah (𝐿𝐿𝑀 ) dan batas atas (𝑈𝐿𝑀 ) dari
summary effect digunakan pers. (3.7) dan pers. (3.8):
LL M  0,079  (1,96  0,077)  0,078  0,151  0,072
ULM  0,079  (1,96  0,077)  0,078  0,151  0,230
6. Menghitung nilai 𝑍 dan Pengujian Hipotesis
Untuk menghitung nilai 𝑍 dari summary effect dugunakan pers. (3.9):
0,079
Z  1,026
0,077

125
 Untuk pengujian hipotesis:
H0 : M = 0
Ha : M ≠ 0
Maka dapat digunakan pers. (3.10) dan pers. (3.11):
p-value one-tailed test
p  1  ( 1,026 )  1  0,848  0,152
p-value two-tailed test
p  21  ( 1,026 )  21  0,848  0,304
7. Menginterpretasikan Summary Effect berdasarkan fixed-effect model
Berdasarkan hasil perhitungan dengan fexed-effect model dipe-
roleh summary effect dari contoh kasus 2 (𝑀) sebesar 0,079 dengan
interval kepercayaan (confidence interval) 95% mulai dari -0,072 sam-
pai 0,230. Karena interval kepercayaan (confidence interval) mengan-
dung 0 (nol), maka ada bukti yang kuat bahwa perlakuan (treatment)
yang diberikan kepada kelompok siswa berupa model PBM tidak
berbeda dengan dengan kelompok siswa yang diajar dengan model
PTBM dalam hal meningkatkan prestasi belajar matematika siswa. Hal
ini juga diperkuat dengan hasil pengujian hipotesis null (H0 = 0) dimana
kita harus menerima hipotesis tersebut dikarenakan nilai 𝑍 dari summary
effect sebesar 1,026 dengan p-value one-tailed test (0,152) lebih besar
dari nilai α (0,05) dan p-value two-tailed test (0,304) juga lebih besar
dari nilai α (0,05). Jika diperhatikan nilai summary effect atau efek
gabungan (𝑀 = 0,079) memang menunjukkan besaran efek (effect
magnitude) yang tergolong kecil (𝑀 ≤ 0,20).
Kesimpulan yang dpaat ditarik berdasarkan fixed- effect model
adalah tidak ada perbedaan keefektifan antara model pembelajaran
berbasis malasalah dan model pembelajaran tidak berbasis masalah
dalam meningkatkan prestasi belajar matematika siswa. Namun, kesim-
pulan yang ditarik berdasarkan fixed-effect model ini akan menjadi tepat
atau akurat jika terbukti bahwa semua penelitian (kesebelas penelitian)
menghasilkan “true” effect size yang sama pada populasi homogen (𝑌𝑖 =
𝜃 + 𝜀𝑖 ). Oleh karena itu, sangat disarankan untuk selalu menafsirkan
ukuran heterogenitas sebelum memutuskan untuk menarik kesimpulan
berdasarkan fixed-effect model.

126
8. Forest Plot berdasarkan Fixed-Effect Model

Gambar 6. 1. Fixed-Effect Model - Forest Plot

Pada Gambar 6.1, summary effect ditunjukkan dengan label FE

Model. Summary effect sebesar 0,79 atau 0,08 dapat diartikan bahwa
prestasi belajar matematika meningkat 7,9% atau 8% lebih tinggi untuk
siswa yang diajar dengan model PBM daripada siswa yang diajar
dengan model PTBM. Perlu diketahui, jika summary effect bernilai 0
maka dapat diartikan tidak ada perbedaan keefektifan pada kedua
kelompok dalam meningkatkan prestasi belajar matematika siswa, jika
summary effect bernilai lebih besar dari 0 maka dapat diartikan bahwa
model PBM lebih efektif daripada model PTBM dalam meningkatkan
prestasi belajar matematika siswa, dan jika summary effect bernilai
lebih kecil dari 0 maka dapat diartikan bahwa model PBM tidak lebih
efektif daripada model PTBM dalam meningkatkan prestasi belajar
matematika siswa. Jika diperhatikan forest plot pada Gambar 6.1, posisi
summary effect hampir mendekati garis 0 yang berarti tidak ada

127
 perbedaan kefektifan antara kedua kelompok dalam meningkatkan
prestasi belajar matematika siswa. Hal ini sejalan dengan hasi pengujian
hipotesis sebelumnya dimana harus menerima hipotesis null (H0).
Informasi lain yang dapat diperoleh dari forest plot pada Gambar
6.1 adalah mengenai konsistensi effect size dari sebelas penelitian dan
penyebab summary effect menjadi tidak signifikan. berdasarkan forest
plot pada Gambar 6.1 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 memba-
tasi setiap effect size menunjukkan ketepatan suatu penelitian. Jika
interval kepercayaan tidak termasuk 0, maka penelitian tersebut sig-
nifikan 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 10,14% 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).

Heterogenity

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 meta-
analisis 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 (p-
value), 𝐼 2 , dan 𝑇 2 .

128
1. Menghitung Q-Statistic
Untuk menghitung Q-statistic digunakan per. (3.13):
2
 k 
k  
 Wi Yi 

Q  Wi Yi 2   k
 
i 1

i 1
Wi
i 1

Dimana:
k

W Y
i 1
i i
2
 (17,241 0,2012 )      (14,706  0,5712 )  53,067

Maka:

Q  53,067 
13,4302  52,006
169,968
Q-statistic sebesar 52,006 hanyalah ukuran variansi di sekitar summary
effect, bukan ukuran heterogenitas. Namun, beberapa ahli membanding-
kan Q-statistic dengan derajat kebebsannya (df = k-1) untuk meng-
estimasi heterogenitas. Jika Q < df maka 𝑇 2 = 0 atau dapat dikatakan
bahwa variabilitas yang terjadi pada semua penelitian hanya disebabkan
oleh sampling error (syarat yang dipenuhi untuk menggunakan fixed-
effect model). Sebaliknya, jika Q ≥ df maka asumsi homogenitas perlu
ditolak dan menerima asumsi heterogenitas. Artinya variabilitas yang
terjadi pada semua penelitian lebih besar dari yang diharpkan (variabi-
litas yang terjadi bukan lagi karena sampling error). Selain itu, dapat juga
digunakan nilai p-value dari Q-statistic yang dibandingkan dengan α =
0,05. Jika p-value < α maka asumsi homogenitas perlu ditolak dan mene-
rima asumsi heterogenitas. Untuk menghitung p-value digunakan ban-
tuan fungsi Microsoft Excell, yakni =CHIDIST(Q, df).
Berdasarkan perhitungan di atas, diperoleh nilai Q ≥ df (52,006 >
10) dengan nilai p-value < α (0,00000011382 < 0,05), maka asumsi
homogenitas perlu ditolak dan menerima asumsi heterogenitas. Artinya,
variabilitas yang terjadi pada kesebelas penelitian tidak hanya disebabkan
oleh sampling error atau dengan kata lain“true” effect size pada kese-
belas penelitian tidak sama (𝑌𝑖 = 𝜇 + 𝜁𝑖 + 𝜀𝑖 ). Dengan demikian,
menarik kesimpulan berdasarkan informasi dari fixed-effect model tidak
disarankan atau tidak tepat. Oleh karena itu, perlu digunakan random-

129
 effect model untuk menarik kesimpulan yang tepat. Untuk menggunakan
random-effect model perlu diestimasi variabilitas populasi atau varians
dari “true” effet size (𝑇 2 ).
2. Mengitung 𝐼 2
Selain menggunakan Q-statistic untuk mengetahui ukuran variansi di
sekitar summary effect, ada 𝐼 2 yang juga menggambarkan proporsi dari
ukuran variansi di sekitar summary effect dalam skala 0 sampai 100
persen. Untuk menghitung 𝐼 2 digunakan persamaan berikut:
 Q  df 
I 2     100%
 Q 
maka:
 52,006  10 
I 2     100%  80,771%
 52,006 
Jika 𝐼 2 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
(𝑌𝑖 = 𝜇 + 𝜁𝑖 + 𝜀𝑖 ) karena mempertimbangkan dua faktor yang menye-
babkan ketidaktepatan dalam estimasi effect size, yakni variabilitas
populasi (𝜁𝑖 ) atau varians dari “true” effect size (𝑇 2 ).
3. Menghitung 𝑇 2
Untuk mengestimasi variabilitas populasi (𝜁𝑖 ) atau varians dari “true”
effet size (𝑇 2 ) digunakan pers. (3.12):
Q  df
T2 
C
Dimana, untuk menghitung 𝐶 digunakan pers. (3.14):
(17,241) 2      (14,706) 2
C  169,968   154,449
169,968
Maka:

130
 52,006  10
T2   0,272
154,449
Varians dari “true” effet size (𝑇 2 ) ini nantinya digunakan untuk meng-
hitung weight dari effect size yang baru pada random-effect model (𝑊𝑖∗ ).

Random-Effect Model

Adapun langkah-langkah dalam menghitung summary effect berda-

sarkan random-effect model adalah sebagai berikut:
1. Menghitung weight (𝑊 ∗ )
Untuk menghitung Weight yang baru digunakan pers. (3.18). Weight
yang baru dari penelitian Yang Seok Yoo (𝑊1∗ ):
1
W 1*   0,330
0,058  0,272
Sehingga, weight dari effect size penelitian Yang Seok Yoo (𝑊1∗ 𝑌1 ):
W 1* Y1  0,330  0,201  0,609
Dan sseterusnya untuk sepuluh penelitian lainnya. Berdasarkan
perhitungan, diperoleh total weight dari sebelas penelitian (∑11 ∗
𝑖=1 𝑊1 )
∗
sebesar 32,649 dan total weight (𝑊 ) dari effect size kesebelas penelitian
(∑11 ∗
𝑖=1 𝑊1 𝑌1 ) sebesar 2,576. Hasil perhitungan disajikan pada Tabel 6.
11.
2. Menghitung summry effect (𝑀∗)
Untuk menghitung summary effect (𝑀∗) digunakan pers. (3.17):
2,576
M*   0,079
32,649
3. Menghitung varians dari summary effect (𝑉𝑀∗ )
Untuk menghitung varians summary effect (𝑉𝑀∗ ) digunakan pers. (3.20):
1
VM *   0,031
32,649
4. Menghitung standard error dari summary effect (𝑆𝐸𝑀∗ )
Untuk menghitung standard error dari summary effect dgunakan pers.
(3.21):
SEM *  0,031  0,176

131
 Tabel 6. 11. Rangkuman Hasil Perhitungan
Identitas Pers. (6.17) Pers. (6.18) Pers. (3.12) Pers. (3.18) Pers. (3.18)
No Penelitian Tahun Y VY T2 W* W*Y
1 Wulansari 2017 0,201 0,058 0,272 3,031 0,609
2 Hidayati 2016 -0,097 0,065 0,272 2,968 -0,288
3 Mardiana 2016 -0,796 0,066 0,272 2,959 -2,355
4 Amril 2015 0,091 0,07 0,272 2,924 0,266
5 Anisah 2015 -0,203 0,061 0,272 3,003 -0,61
6 Ariyanti 2015 -0,382 0,062 0,272 2,994 -1,144
7 Apriza 2015 -0,35 0,065 0,272 2,968 -1,039
8 Mukti 2015 -0,131 0,073 0,272 2,899 -0,38
9 Farhan 2013 1,298 0,067 0,272 2,95 3,829
10 Farhan 2013 0,667 0,06 0,272 3,012 2,009
11 Husnul 2013 0,571 0,068 0,272 2,941 1,679
Total 2,992 32,649 2,576

5. Menghitung batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ )

Untuk menghitung batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ ) dari
summary effect digunakan pers. (3.22) dan pers. (3.23):
LL M *  0,079  (1,96  0,176)  0,079  0,345  0,266
ULM *  0,079  (1,96  0,176)  0,078  0,345  0,424
6. Menghitung nilai 𝑍 ∗ dan Pengujian Hipotesis
Untuk menghitung nilai 𝑍 ∗ dari summary effect dugunakan pers. (3.24):
0,079
Z*   0,449
0,176
Untuk pengujian hipotesis:
H0 : M * = 0
Ha : M * ≠ 0
Maka dapat digunakan pers. (3.25) dan pers. (3.26):
p-value one-tailed test
p*  1  ( 0,449 )  1  0,673  0,327
p-value two-tailed test
p*  21  ( 1,449 )  21  0,673  0,653
7. Menginterpretasikan Summary Effect berdasarkan random-effect model

132
 Berdasarkan hasil perhitungan dengan random-effect model dipe-
roleh summary effect dari contoh kasus 2 (𝑀∗ ) sebesar 0,079 dengan
interval kepercayaan (confidence interval) 95% mulai dari -0,266 sam-
pai 0,424. Karena interval kepercayaan (confidence interval) mengan-
dung 0 (nol), maka ada bukti yang kuat bahwa perlakuan (treatment)
yang diberikan kepada kelompok siswa berupa model PBM tidak
berbeda dengan dengan kelompok siswa yang diajar dengan model
PTBM dalam hal meningkatkan prestasi belajar matematika siswa. Hal
ini juga diperkuat dengan hasil pengujian hipotesis null (H0 = 0) dimana
kita harus menerima hipotesis tersebut dikarenakan nilai 𝑍 dari summary
effect sebesar 0,449 dengan p-value one-tailed test (0,327) lebih besar
dari nilai α (0,05) dan p-value two-tailed test (0,653) juga lebih besar
dari nilai α (0,05). Jika diperhatikan nilai summary effect atau efek
gabungan (𝑀 = 0,079) memang menunjukkan besaran efek (effect
magnitude) yang tergolong kecil (𝑀 ≤ 0,20). Kesimpulan yang dpaat
ditarik berdasarkan random-effect model adalah tidak ada perbedaan
keefektifan antara model PBM dan model PTBM dalam meningkatkan
prestasi belajar matematika siswa.
8. Forest Plot berdasarkan Random-Effect Model
Pada Gambar 6. 2, summary effect ditunjukkan dengan label FE
Model. Summary effect sebesar 0,079 atau 0,08 dapat diartikan bahwa
prestasi belajar matematika meningkat 7,9% atau 8% lebih tinggi untuk
siswa yang diajar dengan model PBM dari pada siswa yang diajar
dengan model PTBM. Sama halnya dengan penafsiran pada fixed-effect
model, jika summary effect bernilai 0 maka dapat diartikan tidak ada
perbedaan keefektifan pada kedua kelompok dalam meningkatkan
prestasi belajar matematika siswa, jika summary effect bernilai lebih
besar dari 0 maka dapat diartikan bahwa model PBM lebih efektif
daripada model PTBM dalam meningkatkan prestasi belajar matematika
siswa, dan jika summary effect bernilai lebih kecil dari 0 maka dapat
diartikan bahwa model PBM tidak lebih efektif daripada model PTBM
dalam meningkatkan prestasi belajar matematika siswa. Jika diper-
hatikan forest plot pada Gambar 6. 2, posisi summary effect hampir
mendekati garis 0 yang berarti tidak ada perbedaan kefektifan antara
kedua kelompok dalam meningkatkan prestasi belajar matematika

133
 siswa. Hal ini sejalan dengan hasi pengujian hipotesis sebelumnya
dimana harus menerima hipotesis null (H0).

Gambar 6. 2. Random-Effect Model - Forest Plot

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

134
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).

135
BAB 7. Meta-Analisis Korelasi
Bab 7
Meta-Analisis Korelasi

Kondisi lain yang dapat dianalisis dengan meta-analisis yaitu

mengenai temuan-temuan penelitian yang berkaitan dengan hubungan
antara dua variabel. Sebagai contoh, misalnya dalam bidang pendidikan kita
ingin melihat hubungan antara motivasi belajar dan prestasi belajar siswa,
hubungan antara jenis kelamin dengan prestasi belajar siswa, hubungan
antara kondisi ekonomi keluarga dengan motivasi belajar siswa, dan masih
banyak contoh lainnya. Untuk melihat hubungan antara dua variabel
tersebut, dalam ilmu statistika kita dapat melakukan analisis korelasi.
Ukuran seberapa kuat hubungan antara dua variabel tersebut dapat dilihat
berdasarkan koefisien korelasi, umumnya dilambangkan dengan 𝑟. Nilai 𝑟
ini terletak pada rentang 0 – 1, dan dapat bernilai positif (+) maupun negatif
(–). Ketika korelasi antara variabel X dan Y bernilai positif, maka dapat
dimaknai bahwa semakin tinggi peningkatan pada variabel X maka berdam-
pak pada peningkatan variabel Y (berbanding lurus). Adapun ketika korelasi
antara variabel X dan Y bernilai negatif, maka dapat dimaknai bahwa
peningkatan pada variabel X berdampak pada penurunan pada variabel Y
(berbanding terbalik).
Hubungan antara dua variabel dapat terdiri dari hubungan antara dua
variabel kontinu, hubungan antara variabel dikotomi dan kontinu, atau
bahkan hubungan antara dua variabel dikotomi. Ketika melakukan analisis
korelasi, hubungan antara dua variabel kontinu dapat menggunakan korelasi
Product-Moment, sedangkan ketika kita ingin mengetahui hubungan antara
satu variabel dikotomi dan kontinu, maka kita dapat menggunakan korelasi
Point-Biserial, sedangkan korelasi antara dua variabel dikotomi dapat
diketahui melalui Phi-coefficient (Lipsey & Wilson, 2001). Pada bab ini
kami tidak akan menguraikan mengenai jenis-jenis korelasi tersebut, karena
dalam meta-analisis kita hanya akan memanfaatkan nilai-nilai korelasi yang
telah dilaporkan dalam berbagai hasil studi.

136
 Bagaimana meta-analisis korelasi bekerja? Pertanyaan ini merupakan
esensi pembahasan dari bab ini. Pada prinsipnya, meta-analisis korelasi
digunakan untuk melihat hubungan antara dua variabel dengan meman-
faatkan hasil studi-studi korelasi terdahulu. Dengan melakukan meta-ana-
lisis memungkinkan bagi kita untuk menarik kesimpulan dari berbagai studi
korelasi tersebut. Sebagai ilustrasi, misalkan terdapat 5 studi korelasi
mengenai hubungan antara variabel X dan Y, dimana 3 studi melaporkan
bahwa korelasi antara variabel X dan Y bernilai positif dengan 𝑟 masing-
masing yaitu 0,30; 0,50, dan 0,65, sedangkan 2 studi melaporkan bahwa
korelasi antara variabel X dan Y tersebut bernilai negatif dengan r masing-
masing yaitu -0,25 dan -0,45. Ketika dihadapkan pada kondisi tersebut
tentunya menimbulkan kebingungan bagi kita untuk membuat suatu kesim-
pulan terkait hubungan antara variabel X dan Y, karena dari hasil-hasil studi
tersebut ada yang korelasinya positif dan ada yang korelasinya negatif.
Selain itu, koefisien korelasi antara variabel X dan Y juga beragam, ada yang
korelasinya terkategori rendah, sedang, maupun tinggi, sehingga menjadi
permasalahan bagi kita untuk menentukan kekuatan korelasi sebenarnya
anatara variabel X dan Y. Dari problematika tersebut yang menjadi per-
tanyaan bagi kita adalah bagaimana kita membuat suatu kesimpulan yang
akurat dari hasil studi-studi korelasi yang berbeda tersebut? Meta-analisis
korelasi merupakan jawaban dari pertanyaan tersebut.
Secara umum, dalam meta-analisis korelasi, desain penelitian yang
dilakukan sama dengan jenis studi meta-analisis lainnya, sehingga bab ini
tidak akan menguraikan kembali mengenai prosedur umum dalam melaku-
kan meta-analisis korelasi dan hanya fokus pada analisis statistiknya saja.
Sama halnya dengan jenis studi meta-analisis lainnya, analisis statistik meta-
analisis korelasi terdiri dari dua komponen utama, yaitu menghitung effect
size dan menghitung summary effect. Kedua hal tersebut digunakan untuk
menguji hipotesis dalam studi meta analisis korelasi. Selain effect size dan
summary effect, analisis lainnya yang dilakukan yaitu uji heterogenitas (pada
literatur lain disebut juga sebagai uji homogenitas) yang bertujuan untuk
menguji apakah efek size dari masing-masing studi yang digunakan dalam
meta-analisis korelasi sama atau berbeda. Uji heterogenitas ini biasanya
digunakan ketika peneliti menggunakan model efek acak (random-effect
model), sehingga dapat juga disebut sebagai uji asumsi dalam model efek

137
acak. Adapun skema analisis statistik meta-analisis korelasi dapat dilihat
pada Gambar 7. 1 berikut.

Gambar 7. 1. Skema Analisis Meta-Analisis Korelasi

Dari Gambar 7. 1 kita dapat melihat bahwa meta-analisis korelasi

diawali dengan penentuan efek size, selanjutnya efek size tersebut ditrans-
formasi ke 𝓏 (transformasi Fisher). Efek size yang telah ditransformasi

138
tersebut selanjutnya digunakan untuk menghitung summary effect dan
menguji heterogenitas pada model efek acak. Hasil summary effect yang
diperoleh baik menggunakan model efek tetap maupun model efek acak
harus kembali ditransformasi ke koefisien korelasi (𝑟), karena proses
perhitungan summary effect masih menggunakan nilai transformasi Fisher.
Setelah summary effect dikonversi kembali ke 𝑟 maka kita melakukan
interpretasi dan pelaporan hasil studi meta-analisis. Selanjutnya akan diurai-
kan mengenai prosedur perhitungan effect size, summary effect, dan uji
heterogenitas pada meta-analisis korelasi.

Menghitung Effect Size Berdasarkan Korelasi

Untuk studi yang melaporkan korelasi antara dua variabel kontinu,

maka koefisien korelasi antara kedua variabel tersebut merupakan effect size
(𝑟). Jika dalam suatu studi yang dilaporkan adalah nilai 𝐹 dan 𝑡, maka kedua
nilai tersebut dapat ditransformasi ke 𝑟 melalui persamaan berikut.
𝐹 = 𝑡2 (7.1)
𝑡 = √𝐹 (7.2)
𝑡
𝑟= (7.3)
√𝑡 2 + 𝑁 − 2
dengan 𝑁 merupakan ukuran sampel total. Persamaan lain yang dapat digu-
nakan yaitu
𝑡2
𝑟=√ 2 (7.4)
𝑡 − 𝑑𝑓
Dimana 𝑑𝑓 = 𝑁 − 2 = 𝑛1 + 𝑛2 − 2, dengan 𝑛1 adalah jumlah sampel
kelompok pertama dan 𝑛2 adalah jumlah sampel kelompok kedua.
Meskipun 𝑟 merupakan efek size, dalam kebanyakan studi meta-
analisis korelasi, 𝑟 tersebut tidak dapat serta merta kita gunakan untuk
melakukan analisis lanjutan (menghitung summary effect). Dalam hal ini 𝑟
harus ditransformasikan terlebih dahulu ke transformasi Fisher (𝓏)
(Borenstein et al., 2009; Card, 2012; Lipsey & Wilson, 2001). Alasan
mengapa 𝑟 sering ditransformasikan ke 𝓏 dalam meta-analisis adalah karena
distribusi sampel 𝑟 di sekitar populasi adalah miring (skewed) (kecuali dalam

139
ukuran sampel yang besar), sedangkan distribusi sampel 𝓏 di sekitar popu-
lasi adalah simetris (Card, 2012). Untuk mengkonversi nilai 𝑟 ke 𝓏 kita dapat
menggunakan persamaan berikut.
1+𝑟
𝓏 = 𝑌𝑖 = 0,5 × 𝑙𝑛 (7.5)
1−𝑟
𝓏 atau 𝑌𝑖 merupakan efek size yang telah ditransformasi. Pada beberapa
literatur lain, efek size tersebut juga dilambangkan dengan 𝐸𝑆. Selanjutnya
varians dari 𝓏 dihitung menggunakan persamaan berikut.
1
V𝓏 = 𝑉𝑌𝑖 = (7.6)
𝑛−3
dan standar eror dari 𝓏 merupakan akar dari variansnya, sehingga secara
matematis dapat dinyatakan dalam bentuk persamaan berikut.
𝑆𝐸𝓏 = 𝑆𝐸𝑌𝑖 = √𝑉𝓏 (7.7)
Perlu kita cermati bahwa dalam studi meta-analisis korelasi, jika kita
telah mentransformasi efek size ke 𝓏 (𝑌𝑖 ), maka proses keseluruhan analisis
dilakukan menggunakan nilai yang telah ditransformasi tersebut. Dengan
demikian dalam menghitung summary effect, nilai efek size yang kita guna-
kan adalah 𝓏 (𝑌𝑖 ) bukan 𝑟, begitupun dengan variansnya, yang akan kita
gunakan adalah varians Fisher (V𝓏 ), bukan varians korelasinya. Namun pada
akhir analisis, hasil perhitungan summary effect kembali dikonversi ke 𝑟. Hal
yang sama juga berlaku ketika kita melakukan uji heterogenitas, dimana efek
size dan varians yang kita gunakan adalah yang telah ditransformasi.

Menghitung Summary Effect

Dalam meta-analisis, menentukan efek size bukanlah akhir dari pro-

ses analisis data, akan tetapi merupakan awal untuk menentukan analisis
selanjutnya. Dengan memperoleh nilai efek size tentunya kita belum mene-
mukan kesimpulan apapun, dengan kata lain, hipotesis yang hendak kita uji
sama sekali belum terjawab ketika kita baru sebatas menemukan efek size
untuk masing-masing studi. Untuk menguji hipotesis dari suatu studi meta-
analisis, paling tidak ada tiga proses analisis yang akan kita lakukan yaitu:
(1) menentukan rata-rata efek terbobot; (2) menentukan interval keper-
cayaan, dan (3) menguji signifikansi. Ketiga analisis tersebut dalam meta-
analisis dikenal dengan istilah ringkasan efek (summary efect). Literatur lain
tidak secara spesifik menggunakan istilah summary effect ini, akan tetapi

140
secara umum prosedur analisis yang dilakukan dalam berbagai studi meta-
analisis adalah sama, meskipun menggunakan istilah yang berbeda-beda.
Dalam menghitung summary effect biasanya digunakan dua model
analisis, yaitu model efek tetap (fixed-effect model) dan model efek acak
(random-effect model). Penjelasan detil mengenai kedua model analisis
tersebut telah dijelaskan pada bab sebelumnya. Dalam model efek tetap
diasumsikan bahwa terdapat satu efek size sebenarnya (true effect size [𝜃])
yang mendasari semua studi dalam analisis, dan semua perbedaan pada efek
yang diamati (observed effect) disebabkan oleh kesalahan sampling. Sebalik-
nya, dalam model efek acak, diasumsikan bahwa true effect size bervariasi
dari studi satu ke studi lainnya. Misalnya, effect size mungkin lebih tinggi
atau lebih rendah pada studi dimana partisipannya lebih tua, atau lebih
terdidik, atau lebih sehat daripada partisipan lainnya. Karena terdapat
perbedaan karakteristik partisipan dan perbedaan implementasi dari inter-
vensi dari satu studi dengan studi lainnya, tentunya akan mengakibatkan
terjadinya perbedaan effect size dan hal inilah yang mendasari penggunaan
model efek acak.

Summary Efect dengan Model Efek Tetap (Fixed-Effect Model)

Seperti telah disampaikan sebelumnya bahwa dalam fixed effect

model kita mengasumsikan bahwa semua studi dalam meta-analisis memi-
liki effect size yang sama. Dengan kata lain, semua faktor yang mempe-
ngaruhi effect size adalah sama untuk semua penelitian, sehingga effect size
sebenarnya (true effect size) juga sama untuk semua penelitian. Dalam fixed-
effect model hipotesis nol yang diuji yaitu terdapat zero effect (efek nol)
dalam setiap studi. Selanjutnya akan diuraikan langkah-langkah untuk me-
nguji hipotesis tersebut menggunakan fixed-effect model.
Langkah pertama yang perlu dilakukan yaitu menghitung bobot
(Weight, 𝑊) untuk masing-masing studi. Bobot untuk masing-masing studi
dirumuskan sebagai berikut.
1
𝑊𝑖 = (7.8)
𝑉𝑌𝑖
dengan 𝑊𝑖 merupakan bobot untuk studi ke 𝑖 dan 𝑉𝑌𝑖 adalah varians studi ke
𝑖. Setelah menghitung 𝑊𝑖 untuk masing-masing studi, selanjutnya akan
dihitung rata-rata efek terbobot (Weigted Mean, 𝑀). Rata-rata efek terbobot

141
merupakan jumlah total dari perkalian bobot dengan effect size dibagi
dengan jumlah total dari bobot, atau secara metematis dirumuskan sebagai
berikut.
k

W Y
i 1
i i
M k (7.9)
W
i 1
i

Selanjutnya varians dari rata-rata terbobot (𝑉𝑀 ) dan standar eror (𝑆𝐸𝑀 ) yaitu
1
VM  k

(7.10)
Wi
i 1

𝑆𝐸𝑀 = √𝑉𝑀 (7.11)

Nilai 𝑆𝐸𝑀 yang diperoleh melalui Persamaan 7.11 akan kita gunakan untuk
menentukan batas bawah (𝐿𝐿𝑀 )dan batas atas (𝑈𝐿𝑀 ) dari interval keper-
cayaan 𝑀. Jika kita menggunakan taraf signifikan 95% (𝛼 = 0,05), maka
batas bawah dan batas atas dapat dihitung menggunakan persamaan berikut.
𝐿𝐿𝑀 = 𝑀 − 1,96 × 𝑆𝐸𝑀 (7.12)
dan
𝑈𝐿𝑀 = 𝑀 + 1,96 × 𝑆𝐸𝑀 (7.13)
sehingga interval kepercayaan untuk 𝑀 pada taraf signifikan 95% juga dapat
dituliskan sebagai berikut.
𝑀 − 1,96 × 𝑆𝐸𝑀 < 𝑥 < 𝑀 + 1,96 × 𝑆𝐸𝑀 (7.14)
Selanjutnya kita akan menentukan nilai 𝑍 untuk menguji hipotesis nol
(H0) yaitu apakah 𝜃 sama dengan 0. Nilai 𝑍 merupakan nilai rata-rata ter-
bobot (𝑀) dibagi dengan standar erornya, atau secara matematis dirumuskan
sebagai berikut.
𝑀
𝑍= (7.15)
𝑆𝐸𝑀
Setelah memperoleh nilai 𝑍 kita akan menentukan nilai p-value. Jika hipo-
tesis yang diuji adalah uji satu pihak/sisi (one-tailed test) maka p-value
dihitung menggunakan persamaan berikut.
𝑝 = 1 − Φ(±|𝑍|) (7.16)
tanda positif (+) digunakan jika korelasi yang diharapkan bernilai positif,
sedangkan tanda negatif (–) digunakan jika korelasi yang diharapkan bernilai

142
negatif. Misalnya, jika kita ingin menguji apakah terdapat hubungan yang
“positif” antara variabel X dan variabel Y, maka kita gunakan 𝑝 = 1 −
Φ(|𝑍|). Adapun jika hipotesis yang diuji belum menentukan arah korelasi
(apakah positif atau negatif), maka kita menggunakan uji dua pihak/sisi
(two-tailed test) dan p-value dihitung menggunakan persamaan berikut.
𝑝 = 2[1 − Φ(|𝑍|)] (7.17)
Φ(𝑍) adalah distribusi normal standar kumulatif, dan pada Ms. Excel
fumngsi tersebut dapat dicari dengan formula “=NORMSDIST(Z)”. Adapun
kriteria penolakan H0 adalah jika 𝑝 < 0,05 (untuk taraf signifikansi 95%),
maka H0 ditolak, dengan demikian dapat disimpulkan bahwa 𝜃 tidak sama
dengan 0, dengan kata lain dapat disimpulkan bahwa korelasi antara variabel
bebas dan terikat signifikan. Borenstein et al. (2009) menyatakan bahwa p-
value akan kurang dari 0,05 jika dan hanya jika interval kepercayaan pada
taraf 95% tidak memuat nilai nol. Dengan demikian dengan meninjau inter-
val kepercayaan maka kita dapat dengan mudah mengidentifikasi signifi-
kansi suatu studi.
Dalam meta-analisis korelasi biasanya hasil analisis dilaporkan dalam
koefisien korelasi 𝑟, sehingga 𝑀 kita konversi kembali ke 𝑟 menggunakan
persamaan berikut.
𝑒 2×𝑀 − 1
𝑟 = 2×𝑀 (7.18)
𝑒 +1
Menurut Cohen (1997), jika nilai 𝑟 ≤ 0,10 maka korelasi berada pada kate-
gori “lemah”, jika 𝑟 = 0,25 maka korelasi berada pada kategori “sedang”,
sedangkan jika 𝑟 ≥ 0,40 maka korelasi berada pada kategori “kuat”.
Selain melaporkan nilai korelasi antara variabel bebas dan variabel
terikat, dalam meta-analisis juga dilaporkan interval kepercayaan 𝑟, maka
batas bawah (𝐿𝐿𝑀 ) dan batas atas (𝑈𝐿𝑀 ) dari interval dapat dikonversi
melalui persamaan berikut.
𝑒 2×𝐿𝐿𝑀 − 1
𝐿𝐿𝑟 = 2×𝐿𝐿 (7.19)
𝑒 𝑀 +1

𝑒 2×𝑈𝐿𝑀 − 1
𝑈𝐿𝑟 = 2×𝑈𝐿 (7.20)
𝑒 𝑀 +1

143
Summary Effect dengan Model Efek Acak (Random-Effect Model)

Hal mendasar yang membedakan antara model efek tetap dan model
efek acak yaitu dalam menentukan varians. Dalam model efek acak varians
yang akan digunakan untuk menghitung bobot masing-masing studi meru-
pakan penjumlahan dari varians masing-masing studi (Persamaan 7.6) dan
varians antar studi (𝜏 2 ). Dengan demikian dalam melakukan analisis
menggunakan model efek acak, langkah pertama yang perlu kita lakukan
yaitu mengestimasi nilai tau-square (𝜏 2 ). Dalam model efek acak estimasi
𝜏 2 dapat dilakukan dengan menggunakan metode DerSimonian & Laird
(Borenstein et al., 2009). Menurut DerSimonian & Laird estimasi 𝜏 2 dapat
dilakukan menggunakan persamaan berikut.
𝑄 − 𝑑𝑓
𝑇2 = (7.21)
𝐶
dengan 𝑑𝑓 = 𝑘 − 1, dan 𝑘 merupakan jumlah studi. Adapun nilai 𝑄 dihi-
tung menggunakan persamaan berikut.
2
 k 
k
 Wi Yi 
 

Q  Wi Yi 2   k
 
i 1
(7.22)
i 1
Wi 
i 1

Untuk nilai 𝐶 dihitung menggunakan persamaan berikut.

k

k W i
2

C W i  i 1
k (7.23)
i 1
W
i 1
i

Nilai 𝑇 2 yang diperoleh selanjutnya digunakan untuk menghitung

efek terbobot 𝑊𝑖∗ . Kita menggunakan tanda * untuk membedakan antara
model efek tetap dan model efek acak. Bobot efek untuk model efek acak
dihitung menggunakan persamaan berikut.
1
𝑊𝑖∗ = ∗ (7.24)
𝑉𝑌𝑖
dimana 𝑉𝑌∗𝑖 merupakan varians rata-rata terbobot pada model efek acak yang
dapat dihitung menggunakan persamaan berikut.

144
 𝑉𝑌∗𝑖 = 𝑉𝑌𝑖 + 𝑇 2 (7.25)
Langkah selanjutnya kita akan menghitung rata-rata efek terbobot.
Pada model efek acak rata-rata efek terbobot dilambangkan dengan 𝑀∗ dan
dihitung menggunakan persamaan berikut.
k

W Y
i 1
i
*
i
M*  k (7.26)

i 1
Wi*

dengan 𝑌𝑖 adalah efek size untuk masing-masing studi. Adapun varians dari
rata-rata efek terbobot (𝑉𝑀∗ ) dan standar erornya (𝑆𝐸𝑀∗ ) dihitung meng-
gunakan persamaan berikut.
1
VM *  k
 Wi*
i 1
(7.27)

𝑆𝐸𝑀∗ = √𝑉𝑀∗ (7.28)

Selanjutnya kita akan menentukan interval kepercayaan 𝑀∗ pada
model efek acak. Sama halnya dengan model efek tetap, terlebih dahulu kita
akan menentukan batas bawah dan batas atas dari interval kepercayaan.
Batas bawah (𝐿𝐿𝑀∗ ) dan batas atas (𝑈𝐿𝑀∗ ) interval kepercayaan pada taraf
signifikan 95% dihitung menggunakan persamaan berikut.
𝐿𝐿𝑀∗ = 𝑀∗ − 1,96 × 𝑆𝐸𝑀∗ (7.29)
∗
𝐿𝐿𝑀∗ = 𝑀 + 1,96 × 𝑆𝐸𝑀∗ (7.30)
Sama halnya dengan model efek tetap, dalam model efek acak, untuk
menguji apakah korelasi antara variabel bebas dan variabel terikat signifikan
(uji hipotesis) kita perlu menghitung p-value. Untuk menghitung p-value,
kita terlebih dahulu menghitung nilai 𝑍 ∗ menggunakan persamaan berikut.
𝑀∗
𝑍∗ = (7.31)
𝑆𝐸𝑀∗
Jika hipotesis yang diuji adalah one-tailed test maka p-value dihitung
menggunakan persamaan berikut.
𝑝 = 1 − Φ(±|𝑍 ∗ |) (7.32)
Adapun jika hipotesis yang diuji adalah two-tailed test, maka p-value
dihitung menggunakan persamaan berikut.
𝑝 = 2[1 − Φ(|𝑍 ∗ |)] (7.33)

145
Φ(𝑍 ∗ ) adalah distribusi normal standar kumulatif untuk model efek acak.
Prosedur perhitungan dapat dilakukan menggunakan bantuan Excel, sama
halnya dengan perhitungan pada model efek tetap. Adapun kriteria
penolakan H0 adalah jika 𝑝 < 0,05 (untuk taraf signifikansi 95%), maka dapat
disimpulkan bahwa korelasi antara variabel bebas dan variabel terikat adalah
signifikan.
Proses akhir dari analisis data meta-analisis korelasi yaitu meng-
konversi nilai rata-rata efek terbobot menjadi koefisien korelasi. Untuk
melakukan konversi tersebut kita dapat menggunakan persamaan berikut.
∗
∗
𝑒 2×𝑀 − 1
𝑟 = 2×𝑀∗ (7.34)
𝑒 +1
dimana 𝑟 ∗ menunjukkan koefisien korelasi antara variabel bebas dan terikat
pada model efek acak. Begitupun dengan interval kepercayaan, maka batas
bawah dan batas atas dari interval dapat dikonversi melalui persamaan
berikut.
𝑒 2×𝐿𝐿𝑀∗ − 1
𝐿𝐿𝑟∗ = 2×𝐿𝐿 ∗ (7.35)
𝑒 𝑀 −1

𝑒 2×𝑈𝐿𝑀∗ − 1
𝑈𝐿𝑟 ∗ = 2×𝑈𝐿 ∗ (7.36)
𝑒 𝑀 −1

Menguji Heterogenitas Effect Size

Dalam model efek acak diketahui bahwa efek size sebenarnya ber-
beda antara satu studi dengan studi lainnya (Borenstein et al., 2009). Dalam
hal ini untuk membuktikan perbedaan tersebut maka perlu dilakukan uji
heterogenitas. Yang perlu kita garisbawahi adalah bahwa uji heterogenitas
hanya berlaku pada model efek acak, sedangkan pada model efek tetap tidak
berlaku uji heterogenitas, karena pada model efek tetap diasumsikan bahwa
efek size antar studi adalah sama. Hipotesis nol (H0) dalam uji heterogenitas
yaitu efek size sebenarnya (true effect) antar studi adalah sama, sedangkan
hipotesis alternatifnya (Ha) yaitu efek size sebenarnya (true effect) antar studi
adalah berbeda. Untuk menguji hipotesis tersebut terdapat tiga metode yaitu
menggunakan nilai 𝑄, nilai 𝜏 2 , dan nilai 𝐼 2 . Adapun uraian dari masing-
masing metode tersebut akan dijelaskan pada bagian selanjutnya.

146
Uji Heterogenitas Menggunakan Parameter 𝑸

Parameter 𝑄 atau kuadrat jumlah terbobot (Weighted Sum of Square,

WSS) telah disinggung dalam pembahasan mengenai summary effect pada
model efek acak. Pada model efek acak 𝑄 dapat dihitung menggunakan Per-
samaan 7.22. Persamaan lain yang dapat kita gunakan untuk menghitung 𝑄
yaitu sebagai berikut.
k
Q W Y  M 
i 1
i i
2
(7.37)

atau
2
k  Yi2  M 

Q  
i 1  S


(7.38)
i 
Setelah kita menghitung nilai 𝑄, selanjutnya kita akan menghitung
derajat bebas (𝑑𝑓), dimana 𝑑𝑓 = 𝑘 − 1 dengan 𝑘 adalah jumlah studi yang
digunakan dalam meta-analisis. Jika p-value untuk 𝑄 dengan derajat bebas
𝑑𝑓 kurang dari 𝛼, maka H0 ditolak, sehingga dapat disimpulkan bahwa true
effect pada studi-studi yang digunakan adalah tidak sama. Untuk menghitung
p-value kita dapat menggunakan bantuan Excel dengan mengetikkan for-
mula “=CHIDIST(𝑄,𝑑𝑓))”

Uji Heterogenitas Menggunakan Parameter Tau-Squared (𝝉𝟐 )

Sama halnya dengan Q, parameter 𝜏 2 juga telah disinggung pada

bagian model efek acak. Parameter 𝜏 2 merupakan varians dari effect size
sebenarnya (true effect size). Pada kenyataannya kita tidak mungkin
mengamati efek sebenarnya, maka dalam hal ini kita tidak dapat menghitung
varians tersebut secara langsung. Dengan demikian kita hanya dapat meng-
estimasi varians tersebut dari efek size yang diamati (observed effect) yang
dilambangkan dengan 𝑇 2 dan secara matematis dapat dirumuskan melalui
persamaan berikut.
𝑄 − 𝑑𝑓
𝑇2 = (7.39)
𝐶
dan standar deviasinya yaitu
𝑇 = √𝑇 2 (7.40)

147
dimana 𝑄 dihitung menggunakan Persamaan 7.22 dan 7.37, atau dapat juga
menggunakan Persamaan 7.38, sedangkan C dihitung menggunakan persa-
maan 7.23. Jika 𝑇 2 > 0 atau 𝑇 > 0, maka H0 ditolak, sehingga dapat disim-
pulkan bahwa efek size dari masing-masing studi yang digunakan dalam
meta-analisis heterogen, dengan kata lain efek size dari masing-masing studi
adalah berbeda.
Selanjutnya kita akan menentukan interval kepercayaan untuk 𝜏 2 ,
dalam hal ini terlebih dahulu kita harus menghitung standar eror dari 𝑇 2 . Jika
diasumsikan bahwa efek size berdistribusi normal, maka standar eror dari
𝑇 2 dapat diestimasi dengan langkah berikut. Pertama, kita akan menghitung
nilai 𝐴 dengan persamaan berikut.
𝑠𝑤2 2 𝑠𝑤3 (𝑠𝑤2)2 4
𝐴 = [𝑑𝑓 + 2 (𝑠𝑤1 − ) 𝑇 + (𝑠𝑤2 − 2 ( )+ )𝑇 ] (7.41)
𝑠𝑤1 𝑠𝑤1 (𝑠𝑤1)2
dimana
𝑘

𝑠𝑤1 = ∑ 𝑊𝑖
𝑖=1
𝑘

𝑠𝑤2 = ∑ 𝑊𝑖2
𝑖=1
dan
𝑘

𝑠𝑤2 = ∑ 𝑊𝑖3
𝑖=1
Kedua, kita akan menghitung varians dan standar eror dari 𝑇 2 menggunakan
persamaan berikut.
𝐴
𝑉𝑇 2 = 2 × ( 2 ) (7.42)
𝐶
𝑆𝐸𝑇 2 = √𝑉𝑇 2 (7.43)
Dalam hal ini, menurut Borenstein et al. (2009), interval kepercayaan yang
dihasilkan sebagai estimasi 𝜏 2 ± standar erornya, tidak akan menghasilkan
interval kepercayaan yang akurat. Hal ini disebabkan karena distribusi 𝑇 2
tidak dapat didekati dengan baik oleh distribusi normal. Dengan demikian
untuk menghasilkan interval kepercayaan 𝜏 2 yang lebih akurat, kita dapat
menggunakan metode berikut:

148
 Jika 𝑄 > (𝑑𝑓 + 1), maka kita hitung terlebih dahulu nilai 𝐵 meng-
gunakan persamaan berikut.
ln(𝑄) − ln(𝑑𝑓)
𝐵 = 0,5 × (7.44)
√2𝑄 − √2 × 𝑑𝑓 − 1
Sedangkan jika 𝑄 ≤ (𝑑𝑓 + 1), maka nilai 𝐵 dihitung menggunakan persa-
maan berikut.
1
𝐵=
√ 1 (7.45)
2 × (𝑑𝑓 − 1) × (1 − ( ))
3 × (𝑑𝑓 − 1)2
Setelah memperoleh nilai 𝐵, langkah selanjutnya kita akan menghitung nilai
tengah batas bawah (𝐿) dan nilai tengah batas atas (𝑈) menggunakan persa-
maan berikut.
𝑄
𝐿 = exp (0,5 × ln ( ) − 1,96 × 𝐵) (7.46)
𝑑𝑓
𝑄
𝑈 = exp (0,5 × ln ( ) + 1,96 × 𝐵) (7.47)
𝑑𝑓
Selanjutnya batas atas dan batas bawah interval kepercayaan 𝜏 2 ditentukan
melalui persamaan berikut.
𝑑𝑓 × (𝐿2 − 1)
𝐿𝐿 𝑇 2 = (7.48)
𝐶
𝑑𝑓 × (𝑈 2 − 1)
𝑈𝐿 𝑇 2 = (7.49)
𝐶
atau bentuk lain dari interval kepercayaan 𝜏 2 dapat juga dinyatakan dalam
interval berikut
𝑑𝑓 × (𝐿2 − 1) 𝑑𝑓 × (𝑈 2 − 1)
< 𝜏2 < (7.50)
𝐶 𝐶
Sedangkan batas bawah dan batas atas interval kepercayaan untuk 𝜏 yaitu
𝐿𝐿 𝑇 = √𝐿𝐿 𝑇 2 (7.51)
𝑈𝐿 𝑇 = √𝑈𝐿 𝑇 2 (7.52)
atau
√𝐿𝐿 𝑇 2 < 𝜏 < √𝑈𝐿 𝑇 2 (7.53)

149
Uji Heterogenitas Menggunakan Parameter 𝑰𝟐

Selain menggunakan parameter 𝑄 dan 𝜏 2 , uji heterogenitas juga dapat

dilakukan menggunakan parameter 𝐼 2 . Parameter 𝐼 2 merupakan rasio dari
heterogenitas sebenarnya terhadap varians total dari efek yang diamati.
Keuntungan menggunakan nilai 𝐼 2 dalam uji heterogenitas adalah karena 𝐼 2
tidak sensitif terhadap metrik ukuran efek size dan tidak pula sensitif
terhadap banyaknya studi yag digunakan meta-analisis. Selain itu 𝐼 2 tidak
diestimasi berdasarkan kuantitas, sehingga interval untuk 𝐼 2 akan lebih baik
jika dideskripsikan sebagai interval tak tentu dibanding interval keper-
cayaan. Secara matematis nilai 𝐼 2 dapat dihitung menggunakan persamaan
berikut.
𝑄 − 𝑑𝑓
𝐼2 = ( ) × 100% (7.54)
𝑄
Kita telah mengetahui bahwa nilai 𝑄 dapat dihitung melalui persamaan-
persamaan yang telah dikemukan pada bagian sebelumnya, sedangkan 𝑑𝑓
merupakan derajat bebas yaitu banyak jumlah studi dikurangi 1. Nilai 𝐼 2
yang baik yaitu mendekati 100%. Nilai 𝐼 2 yang semakin mendekati 100%
menunjukkan bahwa efek size antar studi semakin heterogen.
Untuk menentukan interval kepercayaan dari 𝐼 2 , langkah pertama
yang dilakukan yaitu menghitung nilai 𝐵. Nilai 𝐵 ini dapat dihitung meng-
gunakan Persamaan 7.44 atau Persamaan 7.45, sebagai mana telah dijelas-
kan pada bagian sebelumnya. Sedangkan nilai tengah untuk batas bawah (𝐿)
dan nilai tengah untuk batas atas (𝑈) dihitung menggunakan Persamaan 7.46
dan Persamaan 7.47. Selanjutnya batas bawah dan batas atas interval
kepercayaan 𝐼 2 dihitung menggunakan persamaan berikut.
𝐿2 − 1
𝐿𝐿𝐼2 = ( 2 ) × 100% (7.55)
𝐿
𝑈2 − 1
𝑈𝐿𝐼2 = ( ) × 100% (7.56)
𝑈2

150
Contoh Studi Meta-Analisis Korelasi dan Analisisnya

Pada subbab ini kami akan memberikan contoh studi meta-analisis

yang akan menyelidiki hubungan antara dua variabel (variabel bebas dan
variabel terikat). Selain itu, pada subbab ini kami juga akan menguraikan
tahapan analisis untuk menguji hipotesis dan juga tahapan dalam menguji
heterogenitas efek size pada model efek acak, serta interpretasi dari masing-
masing hasil analisis. Dengan adanya contoh kasus berikut prosedur analisis-
nya diharapkan dapat membantu para meta-analis dalam memahami meta-
analisis korelasi. Bagian selanjutnya akan memuat contoh kasus dan prose-
dur analisisnya.

Contoh Kasus
Seorang peneliti akan melihat hubungan antara kecerdasan emosional
(emotional intelligence) siswa dengan prestasi belajar matematikanya.
Untuk keperluan tersebut dilakukan studi meta-analisis dengan meman-
faatkan hasil-hasil penelitian yang menyelidiki hubungan kedua variabel
tersebut. Dalam hal ini peneliti berhasil menemukan 13 hasil penelitian
terkait hubungan antara kecerdasan emosional dengan prestasi belajar mate-
matika. Karakteristik dari masing-masing studi disajikan pada Tabel 7. 1.

Prosedur Analisis
Pertama kita perlu merumuskan terlebih dahulu hipotesis penelitian.
Dengan memperhatikan tujuan pada contoh kasus di atas, maka dapat disu-
sun hipotesis studi meta-analisis sebagai berikut:
H0 : Tidak terdapat korelasi yang signifikan antara kecerdasan emo-
sional dengan prestasi belajar matematika siswa (Terdapat zero
effect dalam setiap studi)
Ha : Terdapat korelasi yang signifikan antara kecerdasan emosional
dengan prestasi belajar matematika siswa (Tidak ada zero effect
dalam setiap studi).

Menghitung Efek Size

Menentukan nilai 𝑟 untuk masing-masing studi
Dalam menentukan efek size, jika ada studi yang melaporkan haisl
analisisnya dalam statsistik 𝐹 atau 𝑡, maka terlebih dahulu kita harus

151
mengkonversi nilai 𝐹 atau 𝑡 tersebut ke 𝑟. Jika kita mencermati database
pada Tabel 7. 1, terdapat dua studi yang hasil analisisnya tidak dilaporkan
dalam statistik 𝑟, yaitu studi 4 dan studi 7. Dengan demikian kita perlu
mengkonversi terlebih dahulu nilai 𝐹 pada studi 4 dan nilai 𝑡 pada studi 7 ke
𝑟. Untuk studi 4 diketahui 𝐹 = 7,65 dan 𝑁 = 272, maka diperoleh 𝑡 =
√𝐹 ⇔ 𝑡 = √7,65 = 2,766. Untuk mengkonversi 𝑡 ke 𝑟 kita gunakan Per-
samaan 7.3, sehingga diperoleh:
2,766
𝑟= = 0,17
√(2,766)2 +272−2
Prosedur yang sama juga digunakan untuk mengkonversi nilai 𝑡 ke 𝑟 untuk
studi 7, dan hasil perhitungannya dapat dilihat pada Tabel 7. 2.

Mentransformasi 𝑟 masing-masing studi ke 𝓏

Dalam meta-analisis korelasi kita telah mengetahui bahwa 𝑟 meru-
pakan efek size masing-masing studi. Untuk keperluan analisis selanjutnya,
maka nilai 𝑟 masing-masing studi akan ditransformasi ke 𝓏 atau 𝑌𝑖 . Untuk
studi 1 diketahui 𝑟 = −0,20 dan 𝑛 = 50, maka dengan menggunakan Per-
samaan 7.5 diperoleh:
1 + (−0,20)
𝑌1 = 0,5 × 𝑙𝑛 = −0,203
1 − (−0,20)
dan varians untuk studi 1 dihitung menggunakan Persamaan 7.6, sehingga
diperoleh:
1
𝑉𝑌𝑖 = = 0,021
50 − 3
Prosedur yang sama juga digunakan untuk menghitung 𝑌 dan 𝑉𝑌 pada studi
lainnya dan hasil lengkapnya dapat dilihat pada Tabel 7.2.

Menghitung Summary Effect dengan Model Efek Tetap

Menghitung bobot masing-masing studi (𝑊)
Bobot untuk masing-masing studi dihitung menggunakan persamaan
7.8. Dengan menggunakan persamaan tersebut, bobot untuk studi 1 yaitu:
1
𝑊1 = = 47,00
0,021
Prosedur yang sama dilakukan untuk menghitung bobot studi lainnya dan
hasil lengkapnya dapat dilihat pada Tabel 7. 2.

152
 Tabel 7. 1. Database Studi Korelasi Kecerdasan Emosional dan Presatasi Belajar Matematika

153
 Membuat tabulasi data
Setelah kita memperoleh nilai efek size yang telah ditransformasi dan
varians dari masing-masing studi, selanjutnya kita membuat tabulasi data
untuk mempermudah proses perhitungan summary effect. Tabulasi data yang
kita butuhkan untuk menghitung summary effect disajikan pada Tabel 7. 2
berikut.
Tabel 7. 2. Tabulasi Data Model Efek Tetap
Studi 𝑟 𝑁 𝑌 𝑉𝑌 𝑊 𝑊𝑌 𝑊𝑌 2 𝑊2
1 2 3 4 5 6 7 8 9

Aimifar -0.20 50 -0.203 0.021 47 -9.528 1,932 2209

Shahinzadeh &
0.83 304 1.188 0.003 301 357.629 424.912 90601
Ahmadi
Festus 0.39 1160 0.412 0.001 1157 476.453 196.203 1338649
Nor, Ismail, &
0.17 272 0.172 0.004 269 46.178 7.927 72361
Yusof
Mosanda -0.15 107 -0.151 0.010 104 -15.719 2.376 10816
Costa & Faria 0.15 380 0.151 0.003 377 56.980 8.612 142129
Shafiee et al. 0.76 120 0.996 0.009 117 116.557 116.116 13689
Oommen 0.58 300 0.662 0.003 297 196.751 130.341 88209
Sharei, Kazemi, &
0.20 114 0.203 0.009 111 22.503 4.562 12321
Jafari
Ogundokun &
0.74 1563 0.950 0.001 1560 1482.748 1409.321 2433600
Adeyemo
Fatum -0.01 75 -0.010 0.014 72 -0.720 0.007 5184
Mavroveli &
0.28 565 0.288 0.002 562 161.677 46.512 315844
Sanchez-Ruiz
Mavroveli et al. 0.25 140 0.255 0.007 137 34.992 8.937 18769

 5111 2926.502 2357.760 4544381

Menghitung rata-rata efek terbobot (𝑀)

Untuk menghitung 𝑀 kita menggunakan Persamaan 7.9 dan meman-
faatkan data-data yang terdapat pada Tabel 7.2, dengan demikian diperoleh:
2926,502
𝑀= = 0,573
5111
Varians dari 𝑀 dan standar erornya dihitung menggunakan Persamaan 7.10
dan Persamaan 7.11, sehingga diperoleh:
1
𝑉𝑀 = = 0,0002
5111

154
dan
𝑆𝐸𝑀 = √0,0002 = 0,014

Menentukan interval kepercayaan 𝑀

Untuk menentukan interval kepercayaan dari rata-rata efek terbobot
terlebih dahulu kita menentukan batas atas dan batas bawah dari interval
kepercayaan. Batas atas dan batas bawah pada taraf signifikan 95% dihitung
menggunakan Persamaan 7.12 dan Persamaan 7.13. Dengan mensubstitusi-
kan nilai 𝑀 dan 𝑆𝐸𝑀 pada persamaan tersebut maka diperoleh:
𝐿𝐿𝑀 = 0,573 − 1,96 × 0,014 = 0,545
𝑈𝐿𝑀 = 0,573 + 1,96 × 0,014 = 0,600
Dengan demikian interval kepercayaan untu 𝑀 pada taraf signifikan 95%
terletak pada rentang 0,545 hingga 0,60. Secara grafis hasil perhitungan
summary effect dapat disajikan dalam bentuk forest plot seperti pada Gambar
7. 2.

Menghitung p-value
Untuk menguji apakah hipotesis nol diterima atau ditolak, maka kita
perlu mengetahui nilai p-value, kemudian nilai p-value ini dibandingkan
dengan nilai 𝛼, jika nilai p-value < 𝛼, maka hipotesis nol ditolak, sehingga
dapat disimpulkan bahwa korelasi antara kedua variabel signifikan. Untuk
menentukan nilai p-value terlebih dahulu kita harus menghitung nilai 𝑍
menggunakan Persamaan 7.15, sehingga diperoleh nilai 𝑍 berikut:
0,573
𝑍= = 40,935
0,014
Selanjutnya nilai 𝑍 tersebut kita substitusi pada Persamaan 7.16 atau
Persamaan 7.17. Jika kita menggunakan one-tailed test, maka dengan ban-
tuan Excel kita akan memperoleh 𝑝 = 1 − Φ(40,935) = 0,000 (pada
Excel gunakan formula “= 1-NORMSDIST(40,935)”). Jika kita mengguna-
kan two-tailed test, maka kita akan memperoleh 𝑝 = 2[1 − Φ(40,935)] =
0,000 (pada Excel gunakan formula “=2*(1-NORMSDIST(40,935))”). Jika
kita menggunaka taraf signifikan 95%, maka nilai p-value baik pada one-
tailed test maupun two-tailed test yang dihasilkan kurang dari 𝛼 (𝑝 <
0,05), sehingga H0 ditolak. Dengan demikian dapat disimpulkan bahwa
korelasi antara variabel bebas dan variabel terikat signifikan.

155
 Gambar 7. 2. Forest Plot Summary Model Efek Tetap

Mengkonversi nilai 𝑀 ke 𝑟
Selanjutnya kita akan mengkonversi nilai rata-rata efek size terbobot
(𝑀) ke koefisien korelasi (𝑟). Hal ini dilakukan karena dalam studi meta-
analisis korelasi, nilai yang dilaporkan adalah nilai korelasinya, bukan rata-
rata efek size terbobotnya. Konversi nilai 𝑀 ke 𝑟 kita lakukan menggunakan
Persamaan 7.18. Untuk mempermudah proses perhitungan, gunakan ban-
tuan Excel, sehingga diperoleh hasil sebagai berikut:
𝑒 2×0,573 − 1
𝑟 = 2×0,573 = 0,517
𝑒 +1
(pada Excel kita dapat mencari nilai 𝑒 2×0,573 menggunakan formula
“=EXP(2*0,573)”)
Selanjutnya kita juga akan mengkonversi batas bawah dan batas atas
dari interval kepercayaan 𝑟 dengan menggunakan Persamaan 7.19 dan Per-
samaan 7.20. Dengan bantuan Excel maka akan diperoleh batas bawah dan
batas atas sebagai berikut.

156
 𝑒 2×0,545 − 1
𝐿𝐿𝑟 = = 0,497
𝑒 2×0,545 + 1
𝑒 2×0,60 − 1
𝑈𝐿𝑟 = 2×0,60 = 0,537
𝑒 +1
Dari konversi tersebut diperoleh intervel kepercayaan untuk 𝑟 yaitu berada
pada rentang 0,497 hingga 0,537

Interpretasi
Dari hasil perhitungan menggunakan model efek tetap (fixed effect
model) dapat disimpulkan bahwa terhadap hubungan yang signifikan antara
kecerdasan emosional dengan prestasi belajar matematika. Hal ini dibuk-
tikan dengan nilai p-value < 0,05. Adapun korelasi antara kecerdasan emo-
sional dan prestasi belajar matematika berada pada kategori kuat dengan 𝑟 =
0,517 dengan interval kepercayaan berada pada rentang 0,497 – 0,537.

Menghitung Summary Effect Menggunakan Model Efek Acak

Jika memilih model efek acak (random effect model), prosedur yang
digunakan hampir sama dengan model efek tetap, hanya saja terdapat sedikit
perbedaan dalam menentukan rata-rata efek terbobotnya (𝑀∗ ). Langkah
pertama yang dilakukan dalam analisis model efek acak sama dengan model
efek tetap, yaitu mentransformasi nilai 𝑟 ke transformasi Fisher, sehingga
diperoleh nilai 𝑌 untuk masing-masing studi, serta menentukan varians dari
masing-masing studi (𝑉𝑌 ). Dengan demikian nilai 𝑌 dan 𝑉𝑌 untuk masing-
masing studi pada model efek acak sama dengan model efek tetap, seperti
disajikan pada Tabel 7. 2. Langkah selanjutnya yang akan kita lakukan
menghitung nilai 𝑇 2

Menghitung 𝑇 2
Untuk menghitung nilai 𝑇 2 kita masih memerlukan tabulasi data yang
terdapat pada Tabel 7. 2. Terlebih dahulu kita akan menghitung nilai 𝑄
menggunakan Persamaan 7.22, sehingga diperoleh:
(2926,502)2
𝑄 = 2357,758 − = 682,076
5111
Selanjutnya hitung nilai 𝐶 dengan menggunakan Persamaan 7.23, sehingga
diperoleh:

157
 4544381
𝐶 = 5111 − = 4221,863
5111
Berikutnya kita menghitung derajat bebas yaitu 𝑑𝑓 = 13 − 1 = 12.
Selanjutnya nilai 𝑄, 𝐶, dan 𝑑𝑓 disubstitusi pada Persamaan 7.21, sehingga
diperoleh nilai 𝑇 2 sebagai berikut:
682,076 − 12
𝑇2 = = 0,159
4221,863

Membuat tabulasi data

Selanjutnya untuk mempermudah proses perhitungan dalam menen-
tukan rata-rata efek terbobot untuk model acak (𝑀∗ ), maka kita perlu mem-
buat tabulasi data seperti Tabel 7. 3. Adapun nilai bobot untuk masing-
masing studi (𝑊 ∗ ) pada model efek acak dihitung menggunakan Persamaan
7.24 dan 7.25. Untuk studi 1 diperoleh nilai 𝑊 ∗ sebagai berikut:
𝑉𝑌∗1 = 0,021 + 0,159 = 0,180
1
𝑊1∗ =
0,180
Prosedur yang sama dilakukan untuk menghitung 𝑊 ∗ pada studi lainnya,
dan hasil lengkapnya disajikan pada Tabel 7. 3.

Menghitung rata-rata efek terbobot (𝑀∗)

Rata-rata efek terbobot untuk model efek acak dihitung menggunakan
Persamaan 7.26, serta memanfaatkan tabulasi data pada Tabel 7.3, sehingga
diperoleh 𝑀∗ sebagai berikut:
30,372
𝑀∗ = = 0,386
78,721
Sedangkan varians dan standar erornya dihitung menggunakan Persamaan
7.27 dan 7.28, sehingga diperoleh:
1
𝑉𝑀∗ = = 0,013
78,721
𝑆𝐸𝑀∗ = √0,013 = 0,113

158
 Tabel 7. 3. Tabulasi Data Model Efek Acak
Studi 𝑟 𝑁 𝑌 𝑉𝑌 𝑇2 𝑉𝑌 + 𝑇 2 𝑊∗ 𝑊∗𝑌
1 2 3 4 5 6 7 8 9

Aimifar -0.200 50 -0.203 0.021 0.159 0.180 5.556 -1.126

Shahinzadeh &
0.830 304 1.188 0.003 0.159 0.162 6.171 7.332
Ahmadi
Festus 0.390 1160 0.412 0.001 0.159 0.160 6.266 2.581
Nor, Ismail, &
0.170 272 0.172 0.004 0.159 0.162 6.156 1.057
Yusof
Mosanda -0.150 107 -0.151 0.010 0.159 0.168 5.941 -0.898
Costa & Faria 0.150 380 0.151 0.003 0.159 0.161 6.197 0.937
Shafiee et al. 0.760 120 0.996 0.009 0.159 0.167 5.979 5.956
Oommen 0.580 300 0.662 0.003 0.159 0.162 6.170 4.087
Sharei, Kazemi,
0.200 114 0.203 0.009 0.159 0.168 5.962 1.209
& Jafari
Ogundokun &
0.740 1563 0.950 0.001 0.159 0.159 6.275 5.964
Adeyemo
Fatum -0.010 75 -0.010 0.014 0.159 0.173 5.794 -0.058
Mavroveli &
0.280 565 0.288 0.002 0.159 0.160 6.231 1.792
Sanchez-Ruiz
Mavroveli et al. 0.250 140 0.255 0.007 0.159 0.166 6.024 1.538

 78.721 30.372

Menentukan interval kepercayaan untuk 𝑀∗

Sama halnya dengan model efek tetap, untuk menentukan interval
kepercayaan rata-rata efek terbobot pada model efek acak terlebih dahulu
harus menentukan batas bawah dan batas atas dari interval tersebut. Batas
atas dan batas bawah interval kepercayaan 𝑀∗ dihitung menggunakan Persa-
maan 7.29 dan 7.30, sehingga diperoleh:
𝐿𝐿𝑀∗ = 0,386 − 1,96 × 0,113 = 0,165
𝑈𝐿𝑀∗ = 0,386 + 1,96 × 0,113 = 0,607
Dengan demikian diperoleh interval kepercayaan untuk 𝑀 ∗ berada pada
rentang 0,165 hingga 0,607. Adapun forest plot hasil perhitungan summary
effect pada model efek acak disajikan pada Gambar 7. 3.

Menghitung p-value
Untuk mengetahui signifikansi korelasi antara kecerdasan emosional
dan prestasi belajar matematika menggunakan model efek acak maka kita
memerlukan p-value, kemudian dibandingkan dengan 𝛼. Prosedur ini sama

159
dengan model efek tetap, dimana terlebih dahulu kita harus menghitung nilai
𝑍 ∗ . Dengan menggunakan Persamaan 7.31, maka kita memperoleh nilai 𝑍 ∗
sebagai berikut:
0,386
𝑍∗ = = 3,423
0,113
Selanjutnya nilai 𝑍 ∗ tersebut disubstitusi pada Persamaan 7.32 atau
Persamaan 7.33. Jika kita meggunakan one-tailed test, maka 𝑝 = 1 −
Φ(3,423) = 0,000. Adapun jika yang digunakan yaitu two-tailed test,
maka diperoleh 𝑝 = 2[1 − Φ(3,423)] = 0,001. Dari kedua hasil tersebut
terlihat bahwa p-value < 𝛼, sehingga dapat disimpulkan bahwa terdapat
korelasi yang signifikan antara kecerdasan emosional dengan prestasi belajar
matematika siswa.

Gambar 7. 3. Forest Plot Summary Model Efek Acak

160
Mengkonversi nilai 𝑀∗ ke 𝑟 ∗
Sama halnya dengan model efek tetap, pada model efek acak nilai 𝑀∗
juga dikonversi kembali ke koefisien korelasi (𝑟 ∗ ). Adapun nilai 𝑀∗ yang
dikonversi ke 𝑟 ∗ yaitu sebagai berikut:
𝑒 2×0,386 − 1
𝑟 ∗ = 2×0,386 = 0,368
𝑒 +1
Sedangkan batas bawah dan batas atas dari interval kepercayaan yang
dikonversi ke 𝑟 ∗ yaitu sebagai berikut:
𝑒 2×0,165 − 1
𝐿𝐿𝑟∗ = 2×0,165 = 0,163
𝑒 +1
𝑒 2×0,607 − 1
𝑈𝐿𝑟 ∗ = 2×0,607 = 0,542
𝑒 +1
Dengan demikian setelah dikonversi diperoleh interval kepercayaan 𝑟 ∗ yaitu
pada rentang 0,163 hingga 0,542.

Interpretasi
Dari hasil analisis menggunakan model efek acak pada taraf signi-
fikan 95% diperoleh p-value = 0,000 (one-tailed test) dan p-value = 0,001
(two-tailed test). Nilai p-value tersebut kurang dari nilai 𝛼 (𝑝 < 0,05),
akibatnya hipotesis nol ditolak, sehingga dapat disimpulkan bahwa terdapat
korelasi yang signifikan antara variabel kecerdasan emosional dan prestasi
belajar akademik siswa. Dari analisis juga diperoleh nilai 𝑟 ∗ yaitu 0,368
dengan interval kepercayaan 0,163 – 0,542. Hal ini menunjukkan bahwa
korelasi antara variabel kecerdasan emosional dan prestasi belajar akademik
siswa berada pada kategori sedang.

Uji Heterogenitas Efek Size

Untuk membuktikan apakah efek size dari masing-masing studi
adalah berbeda, maka kita perlu melakukan uji heterogenitas. Seperti telah
diuraikan pada bagian sebelumnya, dalam menguji heterogenitas dapat
dilakukan melalui tiga cara yaitu menggunakan parameter 𝑄, menggunakan
parameter tau-square (𝜏 2 ), dan menggunakan parameter 𝐼 2 . Untuk memper-
mudah perhitungan uji heterogenitas, maka terlebih dahulu kita membuat
tabulasi data seperti disajikan pada Tabel 7. 4.

161
Uji heterogenitas menggunakan parameter 𝑄
Ketika kita melakukan analisis menggunakan model efek acak, maka
otomatis nilai 𝑄 telah kita peroleh, yaitu dihitung menggunakan Persamaan
7.22. Adapun cara lain untuk menghitung nilai 𝑄 yaitu menggunakan Persa-
maan 7.37 atau Persamaan 7.38. Penggunaan ketiga persamaan tersebut akan
menghasilkan nilai 𝑄 yang sama. Misalkan kita akan menggunakan Persa-
maan 7.37, dan memanfaatkan data yang diperoleh dari Tabel 7. 4, maka
diperoleh nilai 𝑄 sebagai berikut.
𝑄 = 𝑊1 (𝑌1 − 𝑀)2 + 𝑊2 (𝑌2 − 𝑀)2 + ⋯ + 𝑊13 (𝑌13 − 𝑀)2
𝑄 = 47(−0,203 − 0,573)2 + 301(1,188 − 0,573)2 + ⋯ +
137(0,255 − 0,573)2 = 682,076
Dari hasil perhitungan tersebut terlihat bahwa nilai 𝑄 yang dihasilkan meng-
gunakan Persamaan 7.22 sama dengan nilai 𝑄 yang dihasilkan mengguna-
kan Persamaan 7.37.
Setelah memperoleh nilai 𝑄 selanjutnya kita akan menentukan derajat
bebas yaitu 𝑑𝑓 = 𝑘 − 1 = 12. Selanjutnya kita menentukan p-value meng-
gunakan bantuan Excel dengan mengetikkan formula “=CHIDIST
(682.076,12)”, sehingga diperoleh p-value = 0,000. Dari hasil tersebut ter-
lihat bahwa nilai p-value kurang dari nilai 𝛼 (𝑝 < 0,05), sehingga H0
ditolak. Dengan demikian dapat disimpulkan bahwa efek size masing-
masing studi yang digunakan dalam meta-analisis adalah berbeda (hete-
rogen).

Uji heterogenitas menggunakan parameter 𝜏 2

Nilai 𝑇 2 dihitung menggunakan metode DerSimonian & Laird meng-
gunakan Persamaan 7.21 atau 7.29. Nilai 𝑇 2 ini dapat langsung kita peroleh
jika melakukan analisis menggunakan model efek acak. Dari proses
perhitungan sebelumnya kita telah memperoleh nilai 𝑄 = 682,076, 𝑑𝑓 =
12, dan 𝐶 = 4221,863. Kita substitusikan nilai-nilai tersebut kepersamaan
7.21, sehingga diperoleh:
682,076 − 12
𝑇2 = = 0,159
4221,863

162
 Tabel 7. 4. Tabulasi Data Uji Heterogenitas Meta-Analisis Korelasi

163
Selanjutnya dengan menggunakan Persamaan 7.41, maka kita memperoleh
nilai 𝐴 sebagai berikut:
4544381 5656396469 45443812
𝐴 = [12+2 (5111- 5111
) 0,159+ (4544381-2 ( 5111
)+ 51112
) 0,1592 ]
𝐴 = 79985,499

Untuk menghitung varians dari 𝑇 2 , kita substitusi nilai 𝐴 dan 𝐶 pada

Persamaan 7.42, sehingga diperoleh:
79985,499
𝑉𝑇 2 = 2 × ( ) = 0,009
(4221,863)2
Sedangkan standar eror dari 𝑇 2 yaitu:
𝑆𝐸𝑇 2 = √0,009 = 0,095
Selanjutnya kita akan menentukan batas bawah dan batas atas dari
interval kepercayaan, sehingga kita perlu menghitung nilai 𝐵 terlebih
dahulu. Karena nilai 𝑄 > (𝑑𝑓 + 1), maka kita menggunakan Persamaan
7.44, sehingga diperoleh:
ln(682,076) − ln(12)
𝐵 = 0,5 × = 0,063
√2(682,076) − √2 × 12 − 1
Untuk mempermudah proses perhitungan nilai 𝐵, kita dapat menggunakan
bantuan Excel, khususnya dalam menentukan nilai logaritma natural (ln).
Nilai “ln” dari 682,076 pada Excel dapat dihitung menggunakan formula
“=LN(682,076)”.
Langkah selanjutnya kita menghitung nilai tengah untuk batas bawah
dan batas atas dengan mensubstitusikan nilai 𝑄, 𝑑𝑓, dan 𝐵 ke Persamaan
7.46 dan 7.47, sehingga diperoleh:
682,076
𝐿 = exp (0,5 × ln ( ) − 1,96 × 0,063) = 6,665
12
682,076
𝑈 = exp (0,5 × ln ( ) + 1,96 × 0,063) = 8,528
12
Dengan mensubstitusi nilai 𝐿 dan 𝑈 ke Persamaan 7.48 dan 7.49, maka
diperoleh batas bawah dan batas atas interval kepercayaan berikut:
12 × ((6,665)2 − 1)
𝐿𝐿 𝑇 2 = = 0,123
4221,863
12 × ((8,528)2 − 1)
𝐿𝐿 𝑇 2 = = 0,204
4221,863

164
 Dari hasil perhitungan di atas kita memperoleh nilai 𝑇 2 = 0,159
dengan interval kepercayaan pada taraf signifikansi 95% yaitu 0,123 – 0,204.
Hal ini menunjukkan bahwa nilai 𝑇 2 > 0, sehingga H0 ditolak. Dengan
demikian dapat disimpulkan bahwa efek size dari masing-masing studi yang
digunakan dalam meta-analisis tidak sama (heterogen).

Uji heterogenitas menggunakan parameter 𝐼 2

Untuk menghitung nilai 𝐼 2 kita perlu menghitung terlebih dahulu nilai
𝑄 dan 𝑑𝑓. Prosedur untuk menghitung nilai 𝑄 dan 𝑑𝑓 sama seperti yang
telah dicontohkan pada uraian sebelumnya. Dengan mensubstitusikan nilai
𝑄 dan 𝑑𝑓 pada Persamaan 7.54, maka kita akan memperoleh nilai 𝐼 2 sebagai
berikut:
682,076 − 12
𝐼2 = ( ) × 100% = 98,24%
682,076
Untuk menentukan interval kepercayaan 𝐼 2 terlebih dahulu kita harus
menghitung nilai 𝐵 menggunakan Persamaan 7.44 atau Persamaan 7.45 dan
dilanjutkan menentukan nilai tengah batas bawah (𝐿) dan nilai tengah batas
atas (𝑈) menggunakan Persamaan 7.48 dan 7.49. Prosedur perhitungannya
telah dicontohkan pada uraian sebelumnya. Dari perhitungan pada uji
heterogenitas menggunakan parameter tau-square, diperoleh 𝐿 = 6,665 dan
𝑈 = 8,528. Dengan mesubstitusikan nilai 𝐿 dan 𝑈 ke Persamaan 7.55 dan
7.56, maka diperoleh batas bawah dan batas atas interval kepercayaan 𝐼 2
sebagai berikut:
(6,665)2 − 1
𝐿𝐿𝐼2 = ( ) × 100% = 97,75%
(6,665)2
(8,528)2 − 1
𝑈𝐿𝐼2 = ( ) × 100% = 98,63%
(8,528)2
Dari hasil perhitungan tersebut diperoleh nilai 𝐼 2 = 98,24% dengan interval
kepercayaan berada pada rentang 97,75% – 98,63%. Hasil tersebut
menunjukkan bahwa nilai 𝐼 2 mendekati 100% dan terletak pada interval
kepercayaan, dengan demikian dapat disimpulkan bahwa efek size antar
studi heterogen.

165
BAB 8. Publikasi Bias
Bab 8
Publikasi Bias

Saat kita merencanakan untuk melakukan systematic review, hal yang

perlu dilakukan pertama adalah membuat suatu kriteria terkait jenis pene-
litian yang akan disertakan. Idealnya, kita bisa menemukan semua penelitian
sesuai dengan kriteria yang kita buat, meskipun kondisi semacam ini jarang
terjadi. Apalagi kondisi sekarang banyak yang mengandalkan mesin pen-
carian elektronik untuk mencari jenis penelitian yang sesuai dengan kriteria
yang telah ditentukan, meskipun ada kemungkinan beberapa penelitian yang
sesuai dengan kriteria yang telah kita tentukan luput atau terlewatkan dari
pencarian dan tidak diikutsertakan dalam meta-analisis. Jika penelitian yang
relevan dengan kriteria yang telah kita tentukan tidak diikutsertakan dalam
meta-analisis maka akan menghasilkan lebih sedikit informasi, interval
kepercayaan yang lebih luas, dan tes yang kurang kuat, meskipun tidak
berdampak sistematis terhadap effect size. Namun, jika penelitian yang tidak
diikutsertakan tersebut ternyata menunjukkan hasil yang berbeda dengan
hasil penelitian yang diikutsertakan sebagai sampel dalam meta-analisis,
maka sampel kita bias. Perlu diperhatikan bahwa penelitian yang mela-
porkan efek yang relatif lebih besar untuk pertanyaan tertentu cenderung
dipublikasikan daripada penelitian yang melaporkan efek yang relatif lebih
kecil untuk pertanyaan yang sama. Inilah yang dinamakan dengan bias
dalam literatur yang diterbitkan atau biasa dikenal dengan sebutan
publication bias.

Penelitian dengan Hasil yang Signifikan

Lebih Mungkin Dipublikasikan

Publication bias mengacu pada kemungkinan ditemukannya hasil

penelitian yang menerima hipotesis null (tidak adanya efek yang signifikan
secara statistik) atau negatif (efeknya signifikan namun dalam arah yang
berlawananan dengan kontruksi teori pada umumnya atau yang diharapkan)

166
namun cenderung tidak dipublikasikan dibandingkan hasil penelitian yang
menunjukkkan efek positif (efeknya signifikan dan sesuai dengan konstruksi
teori pada umumnya atau yang diharapkan). Penelitian dengan hasil yang
signifikan secara statistik cenderung ditemukan dalam literatur yang diter-
bitkan daripada penelitian yang melaporkan hasil yang tidak signifikan seca-
ra statistik, sekitar 61 sampai 68 persen kemungkinannya terjadi (Dickersin,
Chan, Chalmersx, Sacks, & Smith Jr, 1987). Bias ini diduga disebabkan oleh
peneliti yang kurang termotivasi untuk mensubmit hasil penelitiannya yang
harus menerima hipotesis null (tidak adanya efek yang signifikan) atau
negatif (efeknya signifikan namun dalam arah yang berlawananan dengan
kontruksi teori pada umumnya atau yang diharapkan) untuk dipublikasikan.
Selain itu, bias ini juga diduga disebabkan oleh proses selektif dari pihak
jurnal (editors dan reviewer) yang cenderung menolak atau kecil kemung-
kinan untuk menerima (accept) hasil penelitian semacam itu dan lebih
tertarik untuk menerima dan mempublikasikan dengan cepat hasil-hasil
penelitian yang signitikan secara positif, kalaupun dipublikasikan cenderung
terlambat atau ditunda (Cooper, Hedges, & Valentine, 2009)

Penelitian yang Dipublikasikan

Lebih Mungkin Dijadikan Sampel dalam Meta-Analisis

Pada tahun 1995 sampai 2005, dilakukan peninjauan ulang pada 95

penelitian meta-analisis yang diterbitkan dalam Buletin Psikologi untuk
melihat apakah penelitian-penelitian tersebut termasuk dalam kategori
penelitian yang tidak menyertakan penelitian yang tidak dipublikasikan
dalam melakukan analisis. Hasil yang diperoleh menunjukkan bahwa
terdapat 23 dari 95 penelitian yang tidak menyertakan data (penelitian) yang
tidak dipublikasikan (Rothstein, Sutton, & Borenstein, 2006). Hal yang sama
ditemukan ketika dilakukan penyelidikan terhadap referensi dari protokol
layanan kesehatan dan ulasan yang dipublikasikan di The Cochrane Library
pada Tahun 1999. Hasil yang diperoleh menunjukkan sekitar 92% referensi
yang diikutsertakan adalah artikel jurnal. Dari 8% sisanya, sekitar 4% untuk
proses konferensi, sekitar 2% adalah materi yang tidak dipublikasikan
(misalnya dokumen pesrs dan data arsip), dan sekitar 1% adalah buku.
Beberapa orang berpendapat bahwa sah-sah saja mengecualikan
penelitian yang belum dipublikasikan di jurnal yang peer-reviewed, karena

167
alasan kualitas yang lebih rendah. Misalnya, dalam systematic review dari
Weisz, Weiss, Han, Granger, & Morton (1995), mereka menuliskan “kami
hanya memasukan penelitian hasil psikoterapi yang dipublikasikan, dengan
mengandalkan proses review jurnal sebagai langkah quality control”.
Namun, tidaklah benar jika menjadikan proses reviewe jurnal sebagai
langkah untuk quality control (misalnya, memastikan kualitas tinggi). satu
hal yang perlu diketahui bahwa tidak semua peneliti bertujuan untuk mem-
publikasikan penelitian mereka di jurnal akademik. Misalnya, peneliti yang
bekerja untuk instansi pemerintah, mereka lebih berfokus pada pembuatan
laporan, bukan artikel jurnal. Demikian pula untuk tesis atau disertasi, mung-
kin saja berkualitas tinggi, namun tidak mungkin diajukan untuk dipubli-
kasikan dalam jurnal akademik jika individu atau penulis tesis atau disertasi
tersebut tidak mengejar karir akademik. Dan tentu saja, peer-review
mungkin saja bias, tidak dapat diandalkan, atau kalitasnya tidak merata.
Secara keseluruhan, status publikasi tidak dapat dijadikan sebagai dasar
untuk quality control dan sebaiknya tidak dijadikan dasar untuk menge-
sampingkan penelitian.

Sumber Bias Lainnya

Faktor lain yang dapat menyebabkan bias menjadi tinggi dalam effet
size adalah bias bahasa (database dan jurnal bahasa inggris lebih cenderung
dicari, dan lebih mengarah pada penelitian yang hasilnya signifikan secara
statistik), bias ketersediaan (selektif dalam memilih penelitian yang lebih
mudah diakses oleh peneliti), bias biaya (selektif dalam memilih penelitian
yang tersedia secara gratis atau dengan biaya rendah), bias familiar (selektif
dalam memasukkan penelitian yang hanya mencakup disiplin ilmu tertentu),
bias duplikasi (penelitian dengan hasil yang signifikan secara statistik lebih
mungkin untuk dipublikasikan lebih dari satu kali), dan bias sitasi (dimana
penelitian dengan hasil yang signifikan secara statistik lebih mungkin untuk
dikutip oleh orang lain dan oleh karena itu lebih mudah dikenali atau
ditemukan).

168
Dampak dari Publication Bias

Dampak dari publication bias ini adalah hasil atau informasi yang
dihasilkan menjadi tidak akurat, karena literatur yang diterbitkan mungkin
tidak mewakili penelitian yang telah dilakukan mengenai suatu topik. Lite-
ratur yang diterbitkan (misalnya: penelitian yang hasilnya signifikan secara
positif) cenderung menghasilkan atau menunjukkan summary effect (effect
size secara keseluruhan) yang lebih kuat daripada semua penelitian (ada
yang hasilnya tidak signifikan; ada yang signifikan namun negatif; ada yang
signifikan secara positif) dipertimbangkan atau diikutsertakan (Card, 2012).
Dampak dari publication bias ini diilustrasikan pada Gambar 8.1.

Gambar 8. 1. Ilustrasi Publication Bias

Bagian atas dari Gambar 8.1 menunjukkan distribusi effect size dari
populasi penelitian yang dihipotesiskan. Effect size dari penelitian ini berpu-
sat pada summary effect sekitar 0,20, namun memeiliki distribusi effect size
tertentu yang disebabkan oleh random-sampling error, dan berpotensi
menghasilkan varians antar populasi penelitian (population-level between-
study variance) yang tidak lain merupakan asumsi heterogentits. Penelitian-

169
penelitian yang memiliki effect size tergolong kecil, hasilnya cenderung
tidak signifikan secara statistik (Dalam Gambar 8.1, terlihat area yang tidak
signifikan di tempati penelitian yang memiliki effect size kurang dari  0,10,
dengan kisaran yang tepat tergantung pada ukuran sampel dan effect size
yang dipertimbangkan).
Di bawah Gambar 8.1 (Population of effect sizes), terlihat ada tanda
panah ke bawah dengan ketebalan garis yang berbeda-beda untuk mewakali
atau mendeskripsikan kemungkinan penelitian yang berbeda, dengan panah
bergaris tebal menunjukkan kemungkinan publikasi yang lebih tinggi.
Seperti yang telah dijelaskan sebelumnya terkait publication bias, penelitian
yang gagal menolak hipotesis null atau dengan kata lain gagal menghasilkan
efek yang signifikan secara positif cenderung tidak dipublikasikan. Dampak
dari tindakan semacam ini digambarkan pada Gambar 8.1 (sample of pub-
lished effect sizes). Dapat dilihat bahwa ada pergeseran distribusi ke kanan,
sehingga summary effect sekarang kira-kira 0,30. Jika meta-analisis hanya
mencakup sampel penelitian yang berasal dari publication bias, maka esti-
masi summary effect akan jauh lebih tinggi (sekitar 0,30) dibandingkan
dengan populasi penelitian yang sbenarnya (sekitar 0,20). Hal ini mem-
berikan warning kepada para meta-analis (yang melakukan penelitian meta-
analisis) untuk selalu mempertimbangkan publication bias.

Metode untuk Mendeteksi dan Mengatasi Bias

Singkatnya, dari penjelasan di atas maka ada kemungkinan bahwa

penelitian dalam meta-analisis melebih-lebihkan true effect size karena dida-
sarkan pada sampel yang bias dari target populasi penelitian. Bagaimana
cara mengatasi hal tersebut? Satu-satunya cara adalah dengan membanding-
kan effect size dalam penelitian yang dipublikasikan secara formal dengan
effect size dari penelitian yang tidak dipublikasikan. Cara ini memerlukan
akses untuk penelitian yang tidak dipublikasikan, dan jika memiliki akses
tersebut, maka tidak menjadi masalah. Namun hal yang demikian tampaknya
sulit untuk dilakukan. Mungkin dengan menggunakan pendekatan melalui
pencarian literatur yang benar-benar komprehensif dapat mengurangi bias.
Pendekatan alternatif ini agak efektif, seperti yang dilakukan oleh Cocharne
(1999) yang mencakup lebih banyak penelitian dan melaporkan effect size
yang lebih kecil dibanding penelitian serupa dipubliaski di jurnal medis.

170
 Karena kita tidak dapat memastikan bahwa kita telah menghindari
bias, para periset telah mengembangkan metode yang dimaksudkan untuk
menilai dampak potensial pada meta analisis tertentu. Metode ini menjawab
pertanyaan berikut:
 Apakah ada bukti adanya bias?
 Apakah mungkin keseluruhan efek adalah sebuah artefak bias?
 Seberapa besar dampak yang dimiliki oleh bias?

Contoh Ilustrasi:
Hasil dari contoh kasus 5 (Bab 6) menunjukkan bahwa model pembelajaran
berbasis masalah dapat meningkatkan atau memberikan efek 8% lebih tinggi
prestasi belajar matematika siswa dibanding model pembelajaran tidak
berbasis masalah (M = 0,08, Z = 1,026, SE = 0,077, p-value > 0,05, interval
kepercayaan 95% = -0,072 sampai 0,230). Kita akan melakukan evaluasi
sejauh mana kesimpulan tentang perbedaan keefektifan antara model PBM
dan model PTBM dalam meningkatkan prestasi belajar matematika siswa
terancam berpotensi publication bias.
Untuk mengukur dampak atau efek dari publication bias, kita memer-
lukan model yang nantinya akan memberi tahu kita kemungkinan penelitian
yang hilang. Model yang umumnya digunakan membuat asumsi-asumsi
sebagai berikut: (a) penelitian dengan ukuran sampel yang besar lebih
mungkin dipublikasikan, terlepas dari hasilnya signifikan atau tidak secara
statistik karena membutuhkan waktu yang lama dan biaya yang besar; (b)
penelitian dengan ukuran sampel yang sedang memiliki potensi untuk
hilang, namun karena ukuran sampel yang sedang dengan effect size yang
tergolong sedang cenderung signifikan secara statistik, maka kemungkina
penelitian akan hilang dengan ukuran sampel yang sedang hanya beberapa
(tidak semua); (c) penelitian dengan ukuran sampel yang kecil memili
kemungkinan yang tinggi untuk hilang, karena ukuran sampel yang kecil
cenderung signifikan secara statistik jika effect size tergolong besar, sedang-
kan penelitian sampel kecil dengan effect size yang juga tergolong kecil atau
sedang cenderung tidak signifikan secara statistik dan tidak dipublikasikan.
Hasil gabungan dari ketiga asumsi ini adalah bahwa kita memperkirakan
bias akan meningkat saat ukuran sampel kecil atau turun, dan metode yang
akan dijelaskan nantinya semua didasarkan pada model ini. Adapun metode

171
yang dapat digunakan untuk mendeteksi dan mengatasi bias adalah sebagai
berikut.

Funnel Plot

Secara tradisional, Funnel Plot diplot dari effet size pada sumbu X dan
ukuran sampel atau varians pada sumbu Y. Penelitian dengan ukuran sampel
lebih besar akan tampak pada bagian ats grafik dan umumnya berkelompok
di sekitar summary effect (M). Untuk penelitian dengan ukuran sampel yang
lebih kecil akan tampak pada bagian bawah grafik (karena penelitian dengan
ukuran sampel yang lebih kecil memiliki standard error yang lebih besar
dalam effect size) dan cenderung menyebar ke berbagai nilai (effect size).
Penggunaan standard error (bukan ukuran sampel atau varians) pada sumbu
Y memiliki keuntungan untuk menyebarkan titik di bagian bawah skala
(penelitian dengan ukuran sampel lebih kecil). Hal ini bisa mempermudah
dalam mengidentifikasi asimteri (indikator bahwa ada penelitian yang
hilang). Kondisi ini hanya mempengaruhi tampilan, tidak berdampak pada
statistik.
Jika tidak terjadi publication bias, maka penelitian akan didistri-
busikan secara simetris terkait summary effect (M), karena sampling error
bersifat acak (random). Sebaliknya, jika terjadi publication bias, maka
penelitian akan mengikuti model yang diharapkan (simteris di ats, beberapa
penelitian hilang di tengah, dan lebih banyak penelitian yang hilang di
bagian bawah). Jika arah efek ke kanan, kemudian di bagian bawah terdapat
celah atau gap pada sebelah kiri, maka ini menunjukkan bahwa penelitian
dengan ukuran sampel kecil yang tidak signifikan secara statistik hilang atau
tidak dipublikasikan, begitupun sebaliknya. Untuk lebih jelasnya perhatikan
Gambar 8.2.

Gambar 8. 2. (a) plot simetris; (b) plot asimetris; (c) plot asimetris

172
 Gambar 8. 2. (a) menunjukkan tidak terjadi publication bias, terlihat
penelitian yang berukuran sampel kecil (letaknya pada bagian bawah)
berdistribusi secara simetris. Pada Gambar 8. 2. (b) menunjukkan terjadinya
publication bias, terlihat penelitian yang berukuran sampel kecil (letaknya
pada bagian bawah) tidak berdistribusi secara simetris atau asimetris.
Kondisi ini menunjukkan bahwa penelitian yang berukuran sampel kecil
yang hasilnya signifikan secara statistik justru tidak dipublikasikan. Sama
halnya dengan Gambar 8. 2. (c), namun publication bias terjadi karena
intervensi yang berlebihan pada penelitian yang berukuran kecil dengan
kualitas metodologi yang rendah. Dalam beberapa kasus, intervensi yang
berlebihan justru bermanfaat pada penelitian yang berukuran kecil, karena
penelitian ini lebih lengkap atau hati-hati dibandingkan dalam penelitian
yang berukuran lebih besar.
Jika kita kembali ke contoh ilustrasi sebelumnya yang menggunakan
data dari contoh kasus 5 (Bab 6), maka untuk mengevaluasi apakah kesim-
pulan tentang perbedaan keefektifan antara model PBM dan model PTBM
dalam meningkatkan prestasi belajar matematika siswa terancam berpotensi
publication bias atau tidak dapat digunakan funnel plot. Untuk membuat
funnel plot dalam Bab ini digunakan software JASP versi 0.8.4. Hasilnya
terlihat pada Gambar 8. 3.

Gambar 8. 3. Funnel Plot Contoh Kasus 5 (Bab 6)

173
 Gambar 8. 3 merupakan funnel plot dengan fixed-effect model yang
menunjukkan bahwa dari sebelas penelitian yang menjadi sampel dalam
meta-analisis rata-rata merupakan penelitian yang berukuran sampel kecil.
Jika diperhatikan secara seksama, kesebelas penelitian berdistribusi secara
simetris. Hal ini dapat diartikan bahwa tidak ada potensi terjadinya publi-
cation bias terkait kesimpulan pada contoh kasus 5 (Bab 6). Metode funnel
plot itu sendiri mendapat beberapa kritikan. Kritikan tersebut diantaranya
berkaitan dengan penafsiran dari funnel plot yang hanya berdasarkan peni-
laian visual dan terkesan sangat subjektif. Oleh karena itu, funnel plot tidak
bisa dijadikan dasar bukti yang kuat untuk mengatakan bahwa funnel plot
tersebut simetris atau asimetris. Meskipun demikian, funnel plot itu sendiri
sangat membantu seorang meta-analis dalam memahami sifat data. Hal ini
kemudian mendorong beberapa ahli untuk melakukan pengembangan uji
statistik untuk funnel plot.

Rank Correlation dan Regression Method

Seperti yang telah dijelaskan sebelumnya, rank correlation and

regression method merupakan pengembangan uji statistik dari funnel plot.
Rank correlation itu sendiri diusulkan oleh Begg dan Mazumdar (1994)
yang bertujuan untuk menguji hubungan antara estimasi dari efek intervensi
dan varians sampling. Untuk regression method diusulkan oleh Egger,
Smith, Schneider, & Minder (1997) bertujuan untuk menguji hubungan
linear antara estimasi dari efek intervensi dan standard error. Pada umum-
nya regression method lebih kuat daripada rank correlation (Rothstein et al.,
2006). Hipotesis null keduanya adalah funnel plot tidak asimetris. Jika nilai
p-value two side < α maka hipotesis null ditolak atau dengan kata lain funnel
plot simetris (tidak terjadi publication bias). Jika kita melanjutkan contoh
kasus 5 (Bab 6) untuk pengujian statistik dari funnel plot dengan meng-
gunakan software JASP 0.8.4, maka diperoleh hasil seperti yang disajikan
pada Tabel 8. 1.
Tabel 8. 1. Hasil Rank Correlation dan Regression dari Funnel Plot
Metode Rank Correlation Metode Regression
Meta-Analisis
P-Value Rank Correlation P-Value Regression Coeficient
Contoh Kasus 5 (Bab 6) 0,876 -0,037 0,984 0,020
Tabel 8.1 menunjukkan bahwa nilai p-value pada kedua metode (rank
correlation dan regression) lebih besar dari nilai α (0,05). Hal ini dapat

174
diinterpretasikan bahwa funnel plot yang terbentuk dari fixed-effect model
pada contoh kasus 5 adalah simetris atau dengan kata lain tidak terjadi atau
tidak ditemukannya bukti adanya publication bias. Rank correlation yang
bernilai negatif (-0,037) mengindikasikan bahwa penelitian dengan ukuran
sampel besar tidak diikutsertakan dalam sampel penelitian meta-analisis,
lebih dominan penelitian dengan sampel ukuran kecil (lihat Gambar 8. 3).
Regression coefficient merupakan koefisien dari estimated bias (0,020).
Secara keseluruhan dapat diinterpretasikan bahwa kita tidak memiliki keku-
atan yang cukup untuk mendeteksi bias dengan menggunakan metode rank
correlation, namun kita memiliki kekuatan yang cukup untuk mendeteksi
bias dengan metode regression.

Fail-Safe N

Fail-Safe N merupakan pendekatan yang disarankan oleh Rosenthal

(1979) yang bertujuan untuk mengatasi masalah publication bias. Pende-
katan ini sangat populer dalam ilmu sosial. Rosenthal berasumsi bahwa
untuk topik tertentu, penelitian dengan hasil yang signifikan secara statistik
cenderung dipublikasikan daripada penelitian dengan hasil yang tidak sig-
nifikan. File Drawer merupakan label yang diberikan oleh Rosenthal terha-
dap penelitian yang tidak dipublikasikan karena alasan hasil yang tidak
signifikan. Dalam kondisi ini, menurutnya akan berpotensi bias karena
kesimpulan yang ditarik hanya berdasarkan penelitian yang dipublikasikan.
Menurutnya, jika ditemukan banyak penelitian dengan hasil yang tidak
signifikan (kemungkinan tidak dipublikasikan) dan ditambahkan ke dalam
sampel meta-analisis, maka sangat dimungkinkan kesimpulan dari sintesis
tersebut akan berubah. Hal ini yang kemudian mendorong Rosenthal untuk
mengajukan sebuah pertanyaan, berapa banyak penelitian yang perlu ditam-
bahkan untuk mengurangi hasil dari keseluruhan tes yang signifikan menjadi
tidak signifikan.
Sebelum melangkah lebih jauh, akan dijelaskan secara eksplisit ter-
lebih dahulu terkait metode yang digunakan Rosenthal dan asumsi yang
dibuat untuk menghitung Fail-Safe N. Pertama, misalnya kita memiliki
serangkaian penelitian independen k, dan penelitian i mengkaji hipotesis null
H0 : θi = 0. Parameter θi mewakili korelasi antara dua variabel atau stan-
dardized mean difference nilai dari contrasts group, atau odds ratio. Setiap

175
penelitian juga memberikan nilai probabilitas satu arah dari sebuah pengu-
jian hipotesis null θi ≤ 0. Rosenthal kemudian memulai dengan pengujian
combined significance (p-value summary) yang sering disebut dengan “jum-
lah dari Zs”. Adapun pengujiannya:


k
z
i 1 i
Zs  (8.1)
k
Dimana z i adalah deviasi normal yang berhubungan dengan one-tailed p-
value (pi) pada penelitian i. Hipotesis null untuk rangkaian penelitian adalah
bahwa semua nilai k untuk θi adalah nol (atau kurang dari 0). Jika model null
benar, maka Zs adalah standar deviasi normal dan uji hipotesis 𝐻0 : 𝜃1 =
⋯ = 𝜃𝑘 = 0 dibuat dengan membandingkan Zs ke tabel nilai dari distribusi
normal standar. Sebagai contoh, Zs signifikan pada level α = 0,05 jika lebih
besar dari Zα = 1,645. Rosenthal kemudian bertanya, jika nilai Zs yang
teramati lebih besar dari Zα, berapa banyak penelitian dengan nilai zi rata-
rata nol (misalnya dengan Pi = 0,5) yang perlu ditambahkan untuk mengu-
rangi nilai Zs menjadi Zα. Pertanyaan tersebut kemudian dibuat dalam pers
(8.2).


k
z
i 1 i
 Za (8.2)
kN
Dimana Zα adalah nilai kritis α pada distribusi normal. Persamaan tersebut
kemudian diformulasikan ke dalam bentuk yang lebih sederhana agar men-
dapatkan solusi untuk N. Pers (8.3) merupakan bentuk penyederhanaan
pertama berdasarkan uji Stouffer:
2
Z 
N  k s   k (8.3)
 Z 
Selanjutnya, mensubsitusi Z s  z i k ke dalam pers (8.3) agar meng-
hasilkan pers (8.4) sebagai bentuk alternatif lain yang melibatkan jumlah
dari nilai z ( z i ):


2
 zi 
N  k  k (8.4)
 Z 

176
Secara aritmatika, menambahkan N penelitian dengan rata-rata zi = 0 setara
dengan menambahkan N semua penelitian dengan zi = 0. Namun, kedua
rangkaian penelitian tersebut dapat terlihat sangat berbeda dalam kenyata-
annya (misalnya, sejumlah efek dengan rata-rata zi = 0 juga bisa sangat
bervariasi) dan sangat tidak mungkin bahwa dalam praktiknya, seseorang
akan menemukan satu set penelitian dengan hasil nol yang identik. Kemu-
dian muncul pertanyaan, seberapa besar seharusnya Fail-Safe N untuk dapat
menyimpulkan bahwa kesimpulan dari meta-analisis kuat untuk masalah file
drawer (publication bias)? Meskipun penggunaan metode ini sudah meluas
sejak 30 tahun yang lalu, belum ada satu pun yang memberikan jawaban
yang berdasarkan statistik. Rosenthal (1979) itu sendiri menyarankan level
toleransi (Misalnya, File-Safe N tergolong cukup tinggi) jika sama dengan
5k + 10. Sebagai contoh, kita menggunakan data pada contoh kasus 5 (Bab
6) untuk menghitung Fail-Safe N menggunakan metode Rosenthal dengan
bantuan software JASP versi 0.8.4. Hasilnya menunjukkan bahwa tidak ada
penelitian yang perlu ditambahkan dengan rata-rata effect size sebesar 0
untuk mengubah hasil dari contoh kasus 5 (Bab 6) menjadi tidak signifikan.
Hasil ini lebih kecil dari nilai yang direkomendasikan oleh Rosenthal (5k +
10 =5*11+10=65). Artinya, kesimpulan yang kita buat terkait contoh kasus
5 (Bab 6) tidak dipengaruhi atau terbebas dari faktor publication bias.

Tabel 8. 2. Hasil File Drawer Analysis

Metode Fail-Safe N Target Significance Observed Significance
Rosenthal 0 0,05 0,0152

Orwin (1983) kemudian memodifikasi metode dari Rosenthal untuk

mengatasi masalah (kritikan) yang telah dijelaskan sebelumnya. Pertama,
metode Orwin memungkinkan peneliti untuk menentukan berapa banyak
penelitian yang hilang (tidak dipublikasikan) akan membuat semua efek ke
level yang ditentukan selain nol (bisa negatif atau positif tapi rendah). Oleh
karena itu, peneliti dapat memilih nilai yang akan mewakili efek terkecil
yang dianggap penting secara substantif, dan bertanya berapa banyak pene-
litian yang hilang (tidak dipublikasikan) yang diperlukan untuk membuat
atau mengarahkan summary effect di bawah titik ini. Kedua, memungkinkan
peneliti untuk menentukan summary effect pada penelitian yang hilang tidak

177
dipublikasikan) karena beberapa nilai selain nol. Adapun metode yang di-
usulkan Orwin terkait Fail-Safe N:
k (d o  d c )
N es  (8.5)
d c  d FS
Pers (8.5) menunjukkan perbedaan antara metode Orwin dengan metode
yang diusulkan oleh Rosenthal sebelumnya (pers. (8.4)), karena tidak men-
syaratkan effect size d o untuk direduksi menjadi tidak signifikan, melainkan
pada level d c yang ditentukan oleh peneliti atau reviewer. Sebagai contoh,
seorang reviewer yang menemukan summary effect d o = 0,25 (dalam satuan
standar deviasi) ketika melakukan review terkait meta-analis mungkin
menanyakan berapa banyak penelitian tambahan yang diperlukan untuk
mengurangi pengaruhnya pada d c = 0,10. Meskipun dalam kasus ini Orwin
mengusulkan metodenya N es untuk standardized mean difference, namun
metode tersebut juga dapat digunakan untuk jenis effect size lainnya, seperti
korelasi, odds ratio (OR), dan sejenisnya. Jika kita menggunakan data pada
contoh kasus 5 (Bab 6), maka kita dapat mengetahui berapa banyak pene-
litian yang memiliki rata-rata efek sama dengan nol ( d FS = 0) yang perlu
ditambahkan untuk mengurangi summary effect dari fixed-effect model d o
= 0,08 menjadi d c = 0,05 dan d c = 0,01.
11(0,08  0,05) 0,33
N es1    6,6
0,05  0 0,05
11(0,08  0,01) 0,33
N es 2    77
0,01  0 0,01
Jadi hanya perlu menambahkan 7 (pembulatan dari 6,6) penelitian lagi
dengan rata-rata efek d FS = 0 untuk mengurangi summary effect dari fixed-
effect model d o = 0,08 menjadi d c = 0,05, sedangkan untuk mengurangi
summary effect d o = 0,08 menjadi d c = 0,01 dibutuhkan 77 penelitian
dengan rata-rata efek d FS = 0.

178
Trim and Fill

Seperti yang telah dijelaskan sebelumnya, kata kunci dari funnel plot
adalah bahwa publication bias diharapkan menyebabkan asimetris. Jika ada
lebih banyak penelitian kecil di sebelah kanan daripada di sebelah kiri, maka
perhatian kita adalah mungkin ada penelitian yang hilang di kiri. Trim and
Fill menggunakan prosedur iteratif untuk menghapus penelitian kecil yang
paling ekstrim dari sisi positif funnel plot, menghitung ulang effect size pada
setiap iterasi sampai funnel plot simetris. Secara teori, ini akan menghasilkan
estimasi effect size yang tidak bias. Selain trim ini menghasilkan effect size
yang telah disesuaikan, juga mengurangi varians efeknya, dan menghasilkan
interval kepercayaan yang lebih sempit. Oleh karena itu, perlu ditambahkan
kembali penelitian asli ke dalam analisis. Fill ini tidak berdampak pada
estimasi titik, tetapi berfungsi untuk memperbaiki varians (Duval &
Tweedie, 2000a, 2000b)
Keuntungan utama dari metode ini adalah menjawab pertanyaan
penting, apakah estimasi effect size yang baru bebas dari bias? Keuntungan
lainnya adalah metode ini cocok untuk tampilan visual yang intuitif. Pro-
gram komputer yang dapat menggabungkan antara Trim dan Fill (Trim and
Fill) dapat menciptakan funnel plot yang mencakup penelitian yang diamati
dengan penelitian yang hilang (tidak dipublikasikan), sehingga peneliti dapat
melihat bagaimana effect size bergeser saat penelitian yang hilang (tidak
dipublikasikan) disertakan dalam analisis. Jika pergeserannya kecil, maka
orang lain dapat langsung mempercayai kesimpulan yang telah kita buat
(hasil yang dilaporkan valid). Untuk lebih jelasnya berikut disajikan Gambar
8.4 terkait funnel plot berdasarkan metode Trim and Fill. Lingkaran terbuka
menunjukkan penelitian yang hilang (tidak dipublikasikan), sementara
lingkaran tertutup menunjukkan penelitian yang diamati. Berlian tertutup
merupakan summary effect sebelum menyertakan penelitian yang hilang ke
dalam analisis, sedangkan berlian yang terbuka menunjukkan summary
effect setelah menyertakan penelitian yang hilang (tidak dipublikasikan)
dalam analisis. Jika dikaitkan dengan contoh kasus 5 (Bab 6), maka dipero-
leh funnel plot seperti pada Gambar 8. 5.

179
 Gambar 8. 4. Funnel Plot menggunakan Metode Trim and Fill

Gambar 8. 5. Funnel Plot Contoh Kasus 5 (Bab 6): Metode Trim and Fill

Gambar 8.5 diperoleh dari output software JASP versi 0.8.4 meng-
gunakan metode Trim and Fill. Pada Gambar 8.5 tidak terlihat adanya

180
lingkaran terbuka pada funnel plot dari fixed-effect model. Hal ini dapat
diartikan bahwa tidak ada atau tidak ditemukannya penelitian yang hilang
(tidak dipublikasikan) terkait contoh kasus 5 (Bab 6). Oleh karena itu,
kesimpulan kita tentang perbedaan keefektifan antara model PBM dan
model PTBM dalam meningkatkan prestasi belajar matematika siswa bebas
dari potensi publication bias. Hal ini juga diperkuat dengan tampilan forest
plot sebelum dan setelah menggunakan metode Trim and Fill (Gambar 8.6.a
dan 8.6.b).

Gambar 8. 6. (a) Forest Plot Sebelum dan (b) Forest Plot Setelah
Menggunakan Metode Trim and Fill

Gambar 8. 6 menunjukkan bahwa summary effect dari fixed-effect mo-

del sebelum menggunakan metode Trim and Fill (original) sama dengan
summary effect setelah dikenakan metode Trim and Fill. Artinya, kesim-
pulan yang dibuat berdasarkan fixed-effect model tentang perbedaan keefek-
tifan antara model PBM dan model PTBM dalam meningkatkan prestasi
belajar matematika siswa sudah valid.

181
BAB 9. Analisis Meta Menggunakan Software
Bab 9
Analisis Meta Menggunakan Software

Untuk melakukan analisis meta, ada beberapa software yang dapat

digunakan. Software ini dapat digunakan untuk memudahkan analisis dan
membuat forest plot. Software tersebut ada yang dapat diunduh secara gratis,
ada pula yang berbayar, dengan memberikan trial beberapa hari. Software
yang gratis misalnya JASP dan R sedangkan yang berbayar misalnya Stata
dan Mplus. Pada bab ini akan dibahas analisis meta menggunakan JASP,
yang merupakan software gratis.
JASP merupakan software yang bebas digunakan dan bersifat open-
source. Software ini didesain agar mudah digunakan, khususnya bagi peng-
guna yang sudah lama menggunakan SPSS. Keunggulan JASP selain mudah
digunakan adalah menghasilkan tabel dan gambar yang telah sesuai dengan
APA style, sehingga memudahkan pengguna ketika menggunakan hasil ana-
lisis kemudian dilaporkan. JASP ini merupakan program yang disusun
dengan bagasa pemrograman C++, R dan JavaScript, dan dapat dioperasikan
dalam OS Microsoft Windows, Mac OS X, dan Linux. Pada bab ini akan
dibahas cara instalasi, persiapan data, dan analisis dengan software JASP
untuk analisis meta, membuat forest plot, dan analisis publikasi bias.

Instalasi Software

Sebelum menggunakan software JASP, pengguna perlu mengunduh

dulu jika di komputer/laptop, software ini belum terinstall. Untuk dapat
mengunduhnya, calon pengguna dapat menggunjungi situs https://jasp-
stats.org/download. Setelah muncul menu, software dapat diunduh dengan
memilih operating system yang digunakan di komputer masing-masing,
apakah menggunakan Microsoft Windows, Mac, atau Linux.

182
 Hasil unduhan kemudian disimpan di folder tertentu yang diinginkan.
Untuk mengaktifkannya, tinggal di klik (kiri) dua kali JASP-0.8.4-Setup,
JASP sudah akan langsung ter-set up.

Setelah itu, software JASP sudah siap digunakan, dengan mengkik (kiri) dua
kali ikon software JASP pada komputer. Bagi calon pengguna yang perlu
informasi lebih detail mengenai cara menggunakannya, dapat memilih menu
pada https://jasp-stats.org/ dengan mengeklik How to Use JASP, seperti
tampilan berikut.

183
 Persiapan Data untuk Analisis Meta

Data masukan untuk melakukan analisis meta menggunakan software

JASP adalah effect size (ES) dan standard error of effect size (SE). Data ini
dapat diinput dengan berbagai tipe. Tipe yang paling mudah yakni dengan
menggunakan Notepad yang menghasilkan file berjenis teks (*.txt). Dapat
pula file jenis teks ini diperoleh dari file Excel, yang disimpan sebagai
formatted text (space delimited). Contoh formatnya sebagai berikut.

184
File input dapat berupa file *.sav dari SPSS, yang dapat diinputkan langsung
maupun mengimpor dari program Excel. Untuk SE dan ES-nya dapat dihi-
tung secara semi manual menggunakan program Excel.

Melakukan Analisis Meta dengan JASP

Untuk melakukan analisis meta, terlebih dahulu perlu diaktifkan

software JASP, dengan mengklik (kiri) dua kali program tersebut.

185
Setelah diaktifkan, akan muncul tampilan sebagai berikut.

Untuk melakukan analisis meta dengan input ES dan SE, diaktifkan dulu
menu plus ( ) di pojok kiri atas. Selanjutnya dipilih Meta analysis.

File yang telah disiapkan sebagai input dan akan dianalisis dibuka terlebih
dahulu dengan memilih lokasi yang bersesuaian.

186
Memilih filenya (File Name) juga perlu disesuaikan ekstensinya, apakah
*.txt ataukan *.sav.

187
Selanjutnya akan muncul tampilan sebagai berikut.

188
Selanjutnya dimasukkan variabel, mana yang merupakan effect size (ES),
dan mana yang merupakan standard error of effect size (ES), dan metode
yang dipilih. Metode yang dapat dipilih meliputi Fixed Effect Model atau
Random Effect Model (Restricted ML).

Setelah diklik ikon OK, akan muncul hasil analisis di sebelah kanan, seperti
tampilan berikut.

189
Pada gambar di atas, disajikan hasil model tetap (fixed model). Coefficient
menunjukkan summary effect size (effect size agregat) dari meta analisis
berikut kesalahan standarnya. Hasil untuk model acak juga dapat diperoleh,
berikut uji hederogenitas, summary effect, dan kesalahan standarnya.
Hasilnya disajikan sebagai berikut.

190
Gambar forest plot juga diperoleh, yang hasilnya dapat di-crop untuk
disajikan sebagai gambar di laporan untuk kemudian diinterpretasikan.

Menganalisis Publikasi Bias dari Analisis Meta

Untuk mulai melakukan analisis terkait publication bias, maka ter-

lebih dahulu dimunculkan menu Meta Analysis pada program JASP 0.8.4
dengan cara klik tanda + (terletak di samping menu Common).

191
Selanjutnya, pada menu Meta Analysis klik Classical untuk memulai proses
analisis. Tampilan setelah mengkilik Classical seperti di bawah ini.

Kolom bagian kiri merupakan kolom data yang akan dianalisis (Identitas,
ES, dan SE), sedangkan kolom bagian kanan merupakan kolom inputan
yang secara otomatis akan menganalisis data ketika data dimasukkan. Untuk
memulai analisis, masukkan Identitas pada kolom Study Label, ES pada
kolom Effect Size, dan SE pada kolom Effect Size Standard Error. Kolom
Method merupakan model yang akan digunakan (Fixed Effect Model atau
Random Effect Model (Restricted ML)). Dalam cotoh ini, akan digunakan
Fixed Effect Model.

192
Selanjutnya, untuk mendeteksi ada publication bias atau tidak klik Statistics
– Ceklis Funnel Plot untuk metode Funnel Plot, Ceklis Rank test for
funnel plot asymmetry dan Regression test for funnel plot asymmetry
untuk metode Rank Correlation and Regression Test.

193
Untuk mengetahui ada berapa banyak penelitian yang hilang atau tidak
dipublikasikan klik Diagnostics – Ceklis Fail-safe N untuk metode Fail-
Safe N, sedangkan untuk mengetahui dampak atau efek dari publication bias
(jika ternyata penelitian kita berpotensi publication bias) adalah Ceklis
Trim-fill diagnistics untuk metode Trim and Fill.

194
195
Untuk output (hasil) dari masng-masing metode disajikan berikut ini.

Funnel Plot

Jika penelitian kita terindikasi publication bias, maka model yang terbentuk
asymmetry (asimetris), yakni lingkaran hitam berkumpul pada bagian atas
(penelitian yang berukuran besar), ada beberapa yang hilang di bagian te-
ngah (penelitian berukuran sedang), dan banyak yang hilang pada bagian
bawah (jika yang hilang pada bagian bawah sebelah kiri, itu berarti pene-
litian yang hilang merupakan penelitian berukuran kecil yang hasilnya tidak
signifikan secara statsitik, begitupun sebaliknya).

196
Rank Correlation and Regression Method

Pada Tabel Rank correlation test for Funnel plot asymmetry, kolom
Kendall’s T merupakan besarnya koefisien korelasi antara effect size dengan
varians. Untuk menguji hubungan keduanya, maka nilai p dibandingkan
dengan nilai α = 0,05. Jika p-value < α = 0,05 maka kita harus menolak hipo-
tesis null (funnel plot symmetry) atau funnel plot asymmetry (asimteris).
Sebaliknya, jika p-valeu ≥ α = 0,05 maka kita harus menerima hipotesis null
(funnel plot symmetry) atau dengan kata lain tidak terindikasi publication
bias.
Pada Tabel Regression test for Funnel plot asymmetry, kolom Z meru-
pakan besarnya koefisien regresi. Untuk mengujinya, maka nilai p diban-
dingkan dengan nilai α = 0,05. Jika p-valeu < α = 0,05 maka kita harus meno-
lak hipotesis null (funnel plot symmetry) atau funnel plot asymmetry (asime-
tris). Sebaliknya, jika p-valeu ≥ α = 0,05 maka kita harus menerima hipotesis
null (funnel plot symmetry) atau dengan kata lain tidak terindikasi publica-
tion bias.

Fail-Safe N

197
Pada Tabel File Drawer Analysis, kolom Fail-safe N merupakan banyaknya
penelitian yang memiliki rata-rata effect size sama dengan 0 yang harus
ditambahkan ke dalam sampel penelitian (konteks meta-analisis) agar ke-
simpulan dari hasil penelitian kita terbebas dari publication bias. Kolom
Target Significance merupakan nilai batas (one-tailed p = 0,05), sedangkan
kolom Observed Significance merupakan nilai signifikansi amatan yang
nantinya dibandingkan dengan nilai dari Observed Significance.

Trim and Fill

Pada Gambar Forest Plot, jika penelitian kita terindikasi publication bias,
maka summary effect dari fixed-effect model akan bergeser atau kurang dari
summary effect yang kita peroleh sebelumnya (summary effect sebelum
dianalisis dengan metode Trim-Fill) dan jumlah sampel penelitian kita akan
bertambah dengan sendirinya (label: filled 1, filled 2, …, dan filled n).
Sebaliknya, jika tidak terindikasi publication bias, maka summary effect dari
fixed-effect model akan tetap sama dengan summary effect yang kita peroleh
sebelumnya (summary effect sebelum dianalisis dengan metode Trim-Fill)
dan jumlah sampel penelitian kita tidak akan bertambah. Pada Gambar
Funnel Plot, jika penelitian kita terindikasi publication bias, maka ada
lingkaran terbuka pada plot (penelitian yang hilang atau tidak dipublikasikan

198
yang harus ditambahkan) dan lingkaran tertutup (sampel penelitian yang
asli). Berikut disajikan contoh untuk Forest Plot dan Funnel Plot yang
terindikasi bias.

199
BAB 10. Melaporkan Hasil Analisis Meta
Bab 10
Melaporkan Hasil Analisis Meta

Melaporkan hasil meta-analisis pada dasarnya sama dengan melapor-

kan hasil penelitian yang lainnya. Untuk melaporkan hasil ini, ada dua
format yang dapat digunakan, yaitu format laporan penelitian dan format
artikel. Format laporan penelitian biasanya digunakan untuk hal-hal yang
terkait dengan laporan secara resmi, misalnya untuk laporan kepada peme-
rintah ataupun pemberi dana ataupun juga untuk tesis dan disertasi. Format
artikel biasanya digunakan untuk keperluan publikasi, apakah untuk dipre-
sentasikan di seminar yang bermuara di proseding ataupun juga dipublikasi-
kan di jurnal nasional maupun jurnal internasional. Format laporan resmi dan
artikel disajikan berikut ini.

Format Laporan Resmi

Dalam format resmi, biasanya laporan menggunakan sistematika

tertentu. Tentu saja sistematika ini tergantung dari instansi atau institusi
masing-masing, karena tiap instansi memiliki format tersendiri dalam mela-
porkan. Sistematika umum yang sering digunakan sebagai berikut.

BAB I. PENDAHULUAN
A. Latar Belakang Masalah
B. Rumusan Masalah
C. Tujuan Penelitian
D. Manfaat Penelitian
BAB II. KAJIAN PUSTAKA
BAB III. METODE PENELITIAN
A. Jenis Penelitian
B. Penentuan Penelitian-Penelitian dan Koding
C. Analisis Data
BAB IV. HASIL DAN PEMBAHASAN

200
 A. Hasil
B. Pembahasan
BAB V. PENUTUP
A. Simpulan
B. Saran

Pada latar belakang masalah, peneliti perlu mendeskripsikan urgensi

melakukan analisis meta. Urgensi dapat berupa kesenjangan antara kenya-
taan dan harapan, perlunya agregasi hasil penelitian. Rumusan masalah dan
tujuan penelitian dikaitkan dengan apa yang akan diagregasikan. Apakah
yang akan diagregasikan terkait dengan proporsi, rerata, skor pre-post test,
perbandingan dua grup, atau korelasi. Manfaat melakukan agregasi juga
dituliskan, termasuk jika akan digunakan untuk menyusun suatu kebijakan
ataupun memberi masukan suatu program.
Ketika mengkaji pustaka, peneliti perlu melihat referensi ataupun
penelitian-penelitian yang relevan. Pada kajian pustaka, dikaji variabel-
variabel yang menjadi fokus penelitian. Sebagai contoh pada meta-analisis
mengenai capaian HOTS siswa sebagai hasil pembelajaran dengan pende-
katan student center, perlu dikaji secara teoretis berbagai pendekatan pem-
belajaran yang termasuk didalamnya dan kajian mengenai HOTS. Kajian
pustaka ini dapat disajikan menggungakan sub-sub-bab, atau dengan
mengunakan paragraf yang mengalir.
Cara melakukan analisis meta diceritakan pada BAB III. Pendekatan
penelitian yang digunakan adalah kuantitatif dengan melakukan analisis
meta. Cara peneliti mengumpulkan studi-studi, sumber-sumber yang di-
gunakan, artefak berupa apa saja, tahun publikasi artefak-artefak tersebut,
diceritakan detail. Demikian pula dengan pengkodeannya, dan juga variabel-
variabel tambahan yang digunakan pada analisis meta. Misalkan selain
variabel pendekatan pembelajaran dan capaian HOTS, diceritakan pula
variabel tambahan misalnya jenis kelamin, status sekolah, dan lain-lain yang
dipertimbangkan dalam analisis dan pembahasan di analisis meta. Mengenai
cara analisis data, dilaporkan model analisis yang digunakan, apakah model
tetap atau model acak, ataukah keduanya. Interpretasi termasuk forest plot
dan publikasi bias juga diceritakan dalam laporan.
Pada hasil, peneliti dapat melaporkan summary effect yang dipero-
leh. Demikian pula variabel-variabel lain yang menjadi penyerta. Hasil

201
membuat forest plot kemudian ditampilkan, demikian pula publikasi bias-
nya. Hasil-hasil ini dinterpretasikan untuk memeroleh hasil akhir yang
diharapkan, sesuai dengan tujuan penelitian. Hasil ini kemudian dibahas
dalam pembahasan, dikaitkan dengan teori atau penelitian lain yang telah
diteliti sebelumnya. Untuk pembahasan dapat dikaitkan pula dengan varia-
bel lain, misalnya jenis kelamin, waktu, keadaan sosial ekonomi, yang tentu
saja dikaitkan dengan pertanyaan penelitian dan kajian pustaka yang telah
dirumuskan.
Pada penutup, disajikan hasil penelitian yang merupakan jawaban
dari pertanyaan penelitian. Jawaban terkait dengan hasil agregasi dari
analisis meta, publikasi bias, dan interpretasinya. Hasil ini kemudian digu-
nakan untuk menyusun rekomendasi, terkait dengan pengguna, pelaksana
maupun kebijakan pendidikan. Adanya keterkaitan hasil dengan rekomen-
dasi yang dirumuskan merupakan suatu keharusan, agar hasil analisis meta
dapat dimanfaatkan dengan baik.

Artikel

Format lain dari analisis meta berupa artikel. Artikel ini merupakan
bentuk ringkas dan padat dari laporan analisis meta. Artikel ini biasanya
sebagai bahan presentasi, atau dipublikasikan di proseding dari seminar atau
di jurnal. Meskipun kegiatan-kegiatan tersebut ada format tersendiri yang
disediakan, namun ada format umum yang dapat dipakai. Format tersebut
adalah

Judul
Abstrak
Pendahuluan
Metode
Hasil
Pembahasan
Penutup
Referensi

Judul suatu artikel harus jelas, dan mengundang keinginan calon pem-
baca untuk membacanya. Biasanya untuk jurnal atau artikel tertentu, ada

202
batas maksimal banyaknya kata. Misalnya, ada jurnal yang mematok misal-
nya 14 atau 16 kata saja. Judul artikel dapat berupa pertanyaan, tidak harus
berupa pernyataan. Tentu saja judul ini perlu dibuat semenarik mungkin.
Abstrak terdiri dari 4 bagian, yaitu pendahuluan, tujuan penelitian,
metode dan hasil. Pendahuluan terdiri dari dua kalimat, yang satu kalimat
umum dan satu kalimat khusus untuk men-triger pembaca agar tertarik
dengan keseluruhan artikel. Tujuan sesuai dengan tujuan penelitian analisis
meta yang dilakukan. Metode mencakup jenis penelitian, dalam hal ini
analisis meta, jenis artefak dan kriterianya, cara mengumpulkan artefak, dan
model analisis yang digunakan, apakah model acak atau model tetap. Bagian
akhir adalah simpulan, yang disesuaikan dengan tujuan melakukan analisis
meta. Abstrak ini diikuti dengan beberapa kata kunci, merupakan topik yang
diulas dalam artikel.
Pendahuluan dalam artikel mirip pendahuluan dalam laporan pene-
litian yang resmi, namun dalam versi yang lebih ringkas dan padat. Penda-
huluan ini biasanya memuat kesenjangan antara kenyataan dan harapan yang
bermuara pada urgensi permasalahan. Setelah itu, permasalahan diikuti
dengan kajian pustaka dan juga penelitian yang relevan. Pada akhir pendahu-
luan, disajikan pula tujuan penelitian.
Pada metode, disajikan mengenai cara peneliti mengumpulkan studi-
studi, sumber-sumber yang digunakan, studi-studi tersebut berupa apa saja,
tahun publikasi artefak-artefak tersebut, diceritakan detail. Demikian pula
dengan pengkodeannya, dan juga variabel-variabel tambahan yang diguna-
kan pada analisis meta. Misalkan selain variabel pendekatan pembelajaran
dan capaian HOTS, diceritakan pula variabel tambahan misalnya jenis
kelamin, status sekolah, dan lain-lain yang dipertimbangkan dalam analisis
dan pembahasan di analisis meta. Mengenai cara analisis data, dilaporkan
model analisis yang digunakan, apakah model tetap atau model acak,
ataukah keduanya. Interpretasi termasuk forest plot dan publikasi bias juga
diceritakan dalam artikel.
Hasil yang dituliskan dalam artikel mirip dengan hasil yang disajikan
dalam laporan resmi, namun dalam versi yang sangat ringkas dan padat.
Pada hasil ini, peneliti dapat melaporkan summary effect yang diperoleh.
Demikian pula variabel-variabel lain yang menjadi penyerta. Hasil membuat
forest plot kemudian ditampilkan, demikian pula publikasi biasnya. Hasil-
hasil ini dinterpretasikan untuk memeroleh hasil akhir yang diharapkan,

203
sesuai dengan tujuan penelitian. Hasil ini kemudian dibahas dalam pemba-
hasan, dikaitkan dengan teori atau penelitian lain yang telah diteliti sebelum-
nya. Untuk pembahasan dapat dikaitkan pula dengan variabel lain, misalnya
jenis kelamin, waktu, keadaan sosial ekonomi, yang tentu saja dikaitkan
dengan pertanyaan penelitian dan kajian pustaka yang telah dirumuskan.
Pada penutup, isi artikel hampir sama dengan isi laporan penelitian
resmi. Pada bagian ini disajikan hasil penelitian yang merupakan jawaban
dari pertanyaan penelitian. Jawaban terkait dengan hasil agregasi dari
analisis meta, publikasi bias, dan interpretasinya. Hasil ini kemudian diguna-
kan untuk menyusun rekomendasi, terkait dengan pengguna, pelaksana
maupun kebijakan. Adanya keterkaitan hasil dengan rekomendasi yang
dirumuskan merupakan suatu keharusan, agar hasil analisis meta dapat
dimanfaatkan dengan baik. Saran lain dapat berupa penelitian yang dapat
dilakukan terkait dengan hasil analisis meta.

204
Daftar Pustaka

Daftar Pustaka

Batista, G. E. A. P. A., & Monard, M. C. (2003). An analysis of four missing

data treatment methods for supervised learning. Applied Artificial
Intelligence, 17(5–6), 519–533. doi. 10.1080/713827181
Begg, C. B. (1994). Publication bias. In H. Cooper & L. V. Hedges (Eds.),
The handbook of research synthesis (pp. 399–409). New York, NY:
Russell Sage Foundation.
Begg, C. B., & Mazumdar, M. (1994). Operating characteristics of a rank
correlation test for publication bias. Biometrics, 50, 1088–1101.
Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2009).
Introduction to meta-analysis. West Sussex, UK: John Wiley & Sons.
Card, N. A. (2012). Applied meta-analysis for social science research. New
York, NY: The Guilford Press.
Cheung, M. W. L. (2015). Meta-analysis: A structural equation modeling
approach. Chichester, UK: John Wiley & Sons.
Cohen, J. (1997). Statistical power analysis for the behavioral sciences. New
York, NY: Academic Press.
Cooper, H., Hedges, L. V., & Valentine, J. C. (2009). The handbook of
research synthesis and meta-analysis. New York, NY: Russell Sage
Foundation.
Cuijpers, P., Weitz, E., Cristea, I. A., & Twisk, J. (2016). Pre-post effect
sizes should be avoided in meta-analyses. Epidemiology and
Psychiatric Sciences, 26(4), 364–368. doi. 10.1017/S204579601600
0809
Dickersin, K., Chan, S. S., Chalmersx, T. C., Sacks, H. S., & Smith Jr, H.
(1987). Publication bias and clinical trials. Controlled Clinical Trials,
8(4), 343–353.
Duval, S., & Tweedie, R. (2000a). A nonparametric “trim and fill” method
of accounting for publication bias in meta-analysis. Journal of the
American Statistical Association, 95, 89–98.
Duval, S., & Tweedie, R. (2000b). Trim and fill: A simple funnel-plot-based
method of testing and adjusting for publication bias in meta-analysis.
Biometrics, 56, 455–463.
Egger, M., Smith, D. G., Schneider, M., & Minder, C. (1997). Bias in meta-

205
 analysis detected by a simple, graphical test. BMJ, 315, 629–634.
Fleiss, J. L. (1994). Measures of effect size for categorical data. In H. Cooper
& L. V. Hedges (Eds.), The handbook of research synthesis (pp. 245–
260). New York, NY: Russell Sage Foundation.
Grgurović, M., Chapelle, C. A., & Shelley, M. C. (2013). A meta-analysis
of effectiveness studies on computer technology-supported language
learning. ReCALL, 25(2), 165–198. doi. 10.1017/S0958344013000013
Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size
and related estimators. Journal of Educational Statistics, 6, 107–128.
Heinsman, D. T., & Shadish, W. R. (1996). Assignment methods in
experimentation: When do nonrandomized experiments approximate
the answers from randomized experiments? Psychological Methods, 1,
154–169.
Higgins, J., & Green, S. (2008). Cochrane handbook for systematic reviews
of intervention. West Sussex, UK: John Wiley & Son
Hunter, J. E., & Schmidt, F. L. (2004). Methods of meta-analysis: Correcting
error and bias in research finding (2nd ed.). Thousand Oaks, CA: Sage
Publication.
Lipsey, M. W. (1992). Juvenile delinquency treatment: A meta-analytic
inquiry into the variability of effects. In T. D. Cook, H. Cooper, D. S.
Cordray, H. Hartmann, L. V. Hedges, R. J. Light, … F. Mosteller
(Eds.), Meta-analysis for explanation: A casebook (pp. 83–127). New
York, NY: Russell Sage Foundation.
Lipsey, M. W., & Wilson, D. B. (1993). The efficacy of psychological,
educational, and behavioral treatment: Confirmation from meta-
analysis. American Psychologist, 48, 1181–1209.
Lipsey, M. W., & Wilson, D. B. (2001). Practical meta-analysis: Applied
social research methods series (Vol.49). Thousand Oaks, CA: Sage
Publication.
Rosenthal, R. (1979). The File drawer problem and tolerance for null results.
Psychological Bulletin, 86, 638–641.
Rosenthal, R., & Rubin, D. B. (1978). Interpersonal expectancy effects: The
first 345 studies. The Behavioral and Brain Sciences, 3, 377–386.
Rothstein, H. R., Sutton, A. J., & Borenstein, M. (2006). Publication bias in
meta-analysis: Prevention, assessment and adjustments. John Wiley &
Sons.
Schmidt, F. L., & Hunter, J. E. (1977). Development of a general solution to
the problem of validity generalization. Journal of Applied Psychology,
62, 529–540.
Schulz, K. F., Chalmers, I., Hayes, R. J., & Altman, D. G. (1995). Empirical
evidence of bias: Dimensions of methodological quality associated

206
 with estimates of treatment effects in controlled trials. Journal of the
American Medical Association, 273, 408–412.
Sellers, D. E., Crawford, S. L., Bullock, K., & McKinlay, J. B. (1997).
Understanding the variability in the effectiveness of community heart
health programs: A meta-analysis. Social Science & Medicine, 44,
1325–1339.
Shadish, W. R. (1992). Do family and marital psychotherapies change what
people do? A meta-analysis of behavioral outcomes. In T. D. Cook, H.
Cooper, D. S. Cordray, H. Hartmann, L. V. Hedges, R. J. Light, … F.
Mosteller (Eds.), Meta-analysis for explanation: A casebook (pp. 129–
208). New York, NY: Russell Sage Foundation.
Smith, M. L. (1980). Publication bias and meta-analysis. Evaluation in
Education, 4, 22–24.
Weiss, B., & Weisz, J. R. (1990). The impact of methodological factors on
child psychotherapy outcome research: A meta-analysis for
researchers. Journal of Abnormal Child Psychology, 18, 639–670.
Weisz, J. R., Weiss, B., Han, S. S., Granger, D. A., & Morton, T. (1995).
Effects of psychotherapy with children and adolescents revisited: A
meta-analysis of treatment outcome studies. Psychological Bulletin,
117, 450–468.
Wilson, D. B. (1995). The role of method in treatment effect estimates:
Evidence from psychological, behavioral, and educational treatment
intervention meta-analysis. Doctoral dissertation. Claremont Graduate
School, Claremont, CA.
Yuan, Y., & Little, R. J. A. (2009). Meta-Analysis of Studies with Missing
Data. Biometrics, 65(2), 487–496. doi. 10.1111/j.1541-0420.2008.
01068.x
Zhang, X. D., & Heyse, J. F. (2012). Contrast Variable for Group
Comparisons in Biopharmaceutical Research. Statistics in Biophar-
maceutical Research, 4(3), 228–239. doi. 10.1080/19466315.2011.
646905

207
Riwayat Penulis

Riwayat Penulis

HERI RETNAWATI, Dr. M. Pd. merupakan

dosen aktif di Universitas Negeri Yogyakarta
(UNY). Pendidikan S-1 penulis tempuh di Program
Studi Pendidikan Matematika, FMIPA UNY, se-
dangkan Pendidikan S-2 dan S-3 penulis tempuh
pada Program Studi Penelitian dan Evaluasi Pendi-
dikan, Program Pascasarjana UNY. Penulis juga te-
lah mengikuti beberapa pelatihan baik dalam mau-
pun luar negeri di bidang pengukuran, penilaian, dan
evaluasi pendidikan. Selain menulis, saat ini penulis aktif mengajar di
FMIPA UNY, Program Pascasarjana UNY, dan Fakultas Ilmu Pendidikan
UNY. Selain sebagai dosen aktif, saat ini penulis juga tercatat sebagai ang-
gota asosiasi profesi Himpunan Evaluasi Pendidikan Indonesia (HEPI), ang-
gota IndoMS, dan juga menjadi pemerhati pengukuran dan evaluasi pen-
didikan. Saat ini penulis juga menjadi Editor in Chief di Jurnal Riset
Pendidikan Matematika (JRPM) (https://journal.uny.ac.id/index.php/jrpm),
Pythagoras (https://journal.uny.ac.id/index.php/pythagoras), dan Jurnal Pen-
didikan Matematika dan Sains (JPMS Fakultas Matematika dan IPA UNY)
(https://journal.uny.ac.id/index.php/jpms), Main Advisatory Editorial Board
Member di International Journal of Instruction (http://www.e-iji.net) dan
Reviewer di berbagai jurnal baik nasional maupun internasional. Berbagai
karya telah dihasilkan penulis diantaranya buku Evaluasi Program Pendi-
dikan, Analisis Kuantitatif Perangkat Tes, Teori Respon Butir dan Pene-
rapannya, Menyusun Laporan Asesmen Pendidikan di Sekolah, Desain
Pembelajaran Matematika untuk Melatihkan HOTS serta ratusan karya
lainnya mengenai pengukuran, penilaian, dan evaluasi pendidikan. Penulis
dapat dihubungi via email melalui alamat heri_retnawati@uny.ac.id.

208
 EZI APINO, S. Pd., M. Pd. adalah alumni Program
Studi S-2 Pendidikan Matematika, Program Pasca-
sarjana Universitas Negeri Yogyakarta (UNY) yang
lulus pada tahun 2016 silam. Pendidikan Strata-1
penulis tempuh di Program Studi Pendidikan Mate-
matika, FKIP Universitas Bengkulu dan lulus pada
tahun 2013. Selain terlibat dalam penulisan buku-
buku, saat ini penulis juga aktif menulis artikel-artikel
ilmiah di bidang pendidikan matematika dan beberapa bidang ilmu pendi-
dikan lainnya. Selain itu, saat ini penulis juga masih aktif menjadi reviewer
di Jurnal Riset Pendidikan Matematika (JRPM) (https://journal.uny.ac.id/
index.php/jrpm), yang dikelolah oleh Prodi S2 Pendidikan Matematika,
Program Pascasarjana UNY. Beberapa karya yang telah dihasilkan penulis
diantaranya buku Menyusun Laporan Asesmen Pendidikan di Sekolah,
Desain Pembelajaran Matematika untuk Melatihkan HOTS serta beberapa
karya lainnya mengenai pendidikan matematika. Penulis dapat dihubungi
via surat elektronik melalui alamat email apinoezi@gmail.com.

KARTIANOM, S. Pd., M. Pd. adalah alumni Pro-

gram Studi S-2 Penelitian dan Evaluasi Pendidikan,
Program Pascasarjana Universitas Negeri Yogyakarta
(UNY) yang lulus pada tahun 2017 silam. Pendidikan
Strata-1 penulis tempuh di Program Studi Pendidikan
Matematika, FKIP Universitas Dayanu Ikhsanuddin
Baubau dan lulus pada tahun 2014. Selain terlibat
dalam penulisan buku-buku, saat ini penulis juga aktif
menulis artikel-artikel ilmiah di bidang pendidikan matematika dan bebe-
rapa bidang ilmu pendidikan lainnya. Penulis dapat dihubungi via surat
elektronik melalui alamat email kartianom@gmail.com.

209
 HASAN DJIDU, M.Pd. memperoleh gelar Sarjana
Pendidikan (S. Pd) pada tahun 2012 pada Program
Studi Pendidikan Matematika, Fakultas Keguruan
dan Ilmu Pendidikan Universitas Dayanu Ikhsanud-
din Baubau, Sulawesi Tenggara. Pada Agustus tahun
2016 gelar Magister Pendidikan (M.Pd) pada Pro-
gram Studi Pendidikan Matematika berhasil dipero-
leh setelah menempuh studi selama 24 bulan di Pro-
gram Pascasarjana (PPs) Universitas Negeri Yogyakarta. Sejak tahun 2016,
penulis terlibat aktif dalam penulisan sejumlah buku maupun artikel ilmiah
bidang pendidikan, khususnya matematika, dan bidang ilmu lainnya. Penulis
dapat dihubungi melalui e-mail: hasandjidu@gmail.com.

RIZQA DEVI ANAZIFA, S. Pd., M. Pd. adalah

alumni Program Studi S-2 Pendidikan Biologi, Prog-
ram Pascasarjana Universitas Negeri Yogyakarta
(UNY) dan lulus pada tahun 2017. Pendidikan jen-
jang Strata-1 penulis tempuh di Program Studi Pendi-
dikan Biologi, Fakultas Matematika dan Ilmu Penge-
tahuan Alam, Universitas Negeri Yogyakarta dan lu-
lus pada tahun 2014. Saat ini penulis aktif dalam
penulisan artikel ilmiah di bidang pendidikan Biologi. Penulis dapat dihu-
bungi via surat elektronik melalui alamat email rizqa2011@gmail.com.

210

View publication stats