Hedges' g
Adalah perbedaan rata-rata standar yang dikoreksi antara dua kelompok berdasarkan
deviasi standar tertimbang yang dikumpulkan. Formulasi untuk menghitung standar deviasi
atau simpangan baku pada Hedges’ g adalah sebagai berikut:
M 1−M 2
Hedges ’ g= ¿
SD pooled
Ketiga indeks ini, Cohen's d, Glass’s delta atau Δ, dan Hedges' g menyampaikan
informasi tentang effect size dalam satuan standar deviasi. Skor 0,5 berarti bahwa perbedaan
antara kedua kelompok setara dengan setengah standar deviasi, sedangkan skor 1,0 berarti
perbedaannya sama dengan satu standar deviasi. Semakin besar skornya, semakin besar
efeknya. Salah satu keuntungan melaporkan ukuran efek dalam istilah standar adalah bahwa
hasilnya bebas skala, yang berarti mereka dapat dibandingkan di seluruh studi. Jika dua
penelitian secara independen melaporkan effect size d = 0,5, maka efeknya identik dalam
ukuran.
2) Korelasi Spearman
Merupakan korelasi non-parametik. Koefisien korelasi ini mempunyai simbol r (rho).
Pengukuran dengan menggunakan korelasi Spearman digunakan untuk menilai adanya
seberapa baik fungsi monotik (suatu fungsi yang sesuai perintah) arbiter digunakan untuk
menggambarkan hubungan dua variabel dengan tanpa membuat asumsi distribusi frekuensi
dari variabel-variabel yang diteliti. Nilai koefisien korelasi dan kreteria penilaian kekuatan
hubungan dua variabel sama dengan yang digunakan dalam korelasi Pearson. Penghitungan
dilakukan dengan cara yang sama dengan korelasi Pearson, perbedaan terletak pada
hubungan data kedalam bentuk rangking sebelum dihitung koefisien korelasinya.
Rumus Korelasi Spearman Rank (ρ = rho) adalah:
ρ=1−
∑ d 2i
2
n(n −1)
Keterangan:
ρ : nilai korelasi Spearman
2
d : selisih setiap pasangan rank
n : jumlah pasangan rank untuk Spearman (5 < n < 30)
Note: Rumus ini digunakan jika tidak ada nilai yang sama untuk setiap variabel. Jika pun ada
nilai yang sama, maka tidak lebih dari 20% jumlahnya.
3) Kendall's Tau
Korelasi Kendall’s Tau digunakan untuk mengukur kekuatan hubungan dua variabel.
Data yang digunakan bersekala ordinal dan tidak harus berdistribusi normal.
Rumus Kendall's Tau adalah sebagai berikut:
2s
T=
N ( N−1)
dimana: S adalah total skor seluruhnya (grand total), yang merupakan jumlah skor urutan
kewajaran pasangan data pada salah satu variabel. Jika urutan ranking wajar diberi skor +1,
jika urutan ranking tdk wajar diberi skor –1. N adalah banyaknya pasangan ranking.
4) Koefisien Korelasi Point-Biserial
Korelasi ini digunakan untuk menganalisis hubungan antara data interval atau rasio
dengan data dikotomi (murni).
Rumus Koefisien Korelasi Point-Biserial adalah sebagai berikut:
x1 −x2
r pbi = √ pq
SDt
Keterangan:
r pbi : korelasi point-biserial
x1, x2 : mean jenjang 1 & 2
SD t : simpangan deviasi total
p : proporasi (n/N)
q :1–p
5) Koefisien Phi
Korelasi ini digubakan untuk analisis hubungan antara data nominal dikotomi dangan
data dikotomi. Kita mempunyai dua peubah, peubah I dan peubah II yang hasil amatannya
disajikan dalam bentuk tabel Kontingensi 2 x 2.
Berikut di bawah ini adalah tabel phi, yang berfungsi sebagai tabel penolong dalam
proses perhitungan phi. Seperti sudah dijelaskan di atas, bahwa koefisien korelasi phi
melibatkan 2 kategori pada kedua peubah atau kedua variabel.
Tabel penolong uji phi
Kategori Peubah II Kategori Peubah II Total
1 2
1 a b a+b
2 c d c+d
Total a+b c+d n
Rumus Koefisien Phi adalah sebagai berikut:
ad−bc
ϕ=
√(a+b)(c+ d)( a+c)( b+d )
dengan: a,b,c,d adalah frekuensi observasi pada tabel kontingensi.
Perlu diketahui bahwa nilai phi mempunyai rentang diantara –1 dan 1. Nilai phi tersebut
didapat dari perhitungan chi square. Hubungannya dengan chi square adalah seperti rumus di
bawah ini:
2 X2 2 2
ϕ= atau X =n ϕ
n
6) Koefisien Kontingensi Pearson (C)
Kontingensi Pearson digunakan untuk menganalisis hubungan antara data nominal
(politomi) dengan data nominal (politomi). Kontingensi C adalah uji korelasi yang spesifik
untuk data berskala nominal. Selain itu uji ini juga paling sering atau lazim digunakan
dibandingkan uji koefisien korelasi data nominal lainnya.
Uji ini sangatlah erat kaitannya dengan uji chi-square. Sebab berdasarkan rumus uji
koefisien ini, bahwa tidaklah mungkin koefisien ini dapat dihitung tanpa terlebih dahulu
mengetahu nilai dari chi-square. Jadi, logikanya adalah hitung terlebih dahulu chi-square,
baru kemudian hitung koefisien kontingensi.
Rumus Kontingensi C adalah sebagai berikut:
X2
C=
√ X 2+ N
Sedangkan untuk menghitung Chi square (X2) digunakan rumus:
Keterangan:
C : kontigensi
N : banyak data
X2 : chi-square
O : (observation): Fo: frekuensi hasil pengamatan
E : (expectation) Fe: frekuensi yang diharapkan
7) Cramer's V
Kolerasi ini dapat digunakan untuk mengukur kekuatan asosiasi untuk tabel kontingensi
dari berbagai ukuran dan umumnya dianggap lebih unggul daripada C. Koefisien Cramer
adalah uji asosiatif apabila skala data nominal dengan kategori tiap baris dan kolom lebih dari
2. Koefisien cramer digunakan untuk mengukur asosiasi dari Tabel kontingensi r x c, di mana
r atau c lebih dari 2.
c adalah kolom, sedangkan r adalah baris. C dapat diartikan sebagai variabel terikat atau
variabel dependen. Sedangkan r adalah variabel bebas atau variabel independen. Istilah yang
mudah dipahami apabila sebuah variabel mempunyai kategori lebih dari dua, adalah disebut
dengan K. Jadi kalau pernyataan bentuk tabel 2 x k, artinya variabel bebas 2 kategori,
sedangkan variabel terikat lebih dari 2 kategori. Sehingga pada uji koefisien cramer, tepatnya
bentuk tabel adalah k x k.
Rumus Cramer's V adalah sebagai berikut:
X2
C=
√
n(t−1)
Dengan t adalah banyak baris atau kolom yang lebih kecil.
8) Goodman and Kruskal’s lambda (λ)
λ digunakan ketika X dan Y diukur pada skala nominal (atau kategoris) dan mengukur
peningkatan persentase dalam memprediksi nilai variabel dependen yang diberikan nilai
variabel independen.
Pengukuran asosiasi untuk variabel skala nominal berdasarkan logika pengurangan proporsi
kesalahan (PRE/ Proportional Reduction in Error). Peritungan lambda sama dengan perhitungan PRE,
Adapun formulasinya adalah:
E1−E2
PRE=
E1
Dimana, E1 = errors of prediction made when the independent variable is ignored
(jumlah kesalahan tidak ada hubungan). Dan E2 = errors of prediction made when the
prediction is based on the independent variable (jumlah kesalahan untuk hubungan yang
sempurna).
Proporsi Indeks Varians
1) Coefficient of determination
R2 adalah suatu indikator yang menggambarkan berapa banyak variasi yang dijelaskan
dalam model. Koefisien determinasi R2, digunakan dalam analisis regresi bivariat. Nilai
koefisien determinasi berada pada rentang angka nol (0) dan satu (1). Jika nilai koefisien
determinasi yang mendekati angka nol (0) berarti kemampuan model dalam menerangkan
variabel terikat sangat terbatas. Sebaliknya apabila nilai koefisien determinasi variabel
mendekati satu (1) berarti kemampuan variabel bebas dalam menimbulkan keberadaan
variabel terikat semakin kuat.
Nilai dari R2 dapat dicari dengan menggunakan rumus:
b1 ∑ x 1 y + b2 ∑ x 2 y +… b n ∑ x ny
R 2=
∑ y2
R kuadrat sebenarnya juga didapatkan dengan cara yang sama dengan eta kuadrat, yaitu
mencari besarnya proporsi varians dari variabel dependen yang dapat dijelaskan oleh variabel
independent. R kuadrat dapat dicari dengan persamaan berikut, jika kita melakukan analisis
regresi lebih dari satu variabel independen pada satu variabel dependen:
2 JK Regresi
R=
JK total
Jika kita melakukan regresi hanya dari satu variabel independen pada satu variabel
dependen maka R kuadrat dapat dihitung dengan mengkuadratkan korelasi antara kedua
variabel tersebut. R kuadrat juga dapat dicari dengan menghitung kuadrat dari korelasi
antarvariabel dependen dengan prediksi variabel dependen, atau dapat dinyatakan dalam
persamaan:
R2=r 2Y Ý
Dalam hal ini, Y merupakan nilai dari variabel dependen, sedangkan Ý merupakan nilai
dari prediksi variabel dependen.
2) Eta Squared
ɳ2 merupakan ukuran yang bias (biased) ketika jumlah subjek dalam sampel sedikit. Eta kuadrat
atau rasio korelasi (tidak dikoreksi) umum digunakan dalam ANOVA. Formulasi eta squared dapat
dinyatakan secara umum:
2 JK A
η=
JK total
Dalam penelitian yang menggunakan uji t sebagai analisisnya, nilai dari η2 didapatkan
dengan menghitung kuadrat dari korelasi point biserial antara variabel independen (yang
berupa variabel pengelompokan subjek) dengan variabel dependen, dapat dinyatakan sebagai
berikut:
2 2 t2
η =r pb=
t 2 +df
3) Omega Squared
ω 2 merupakan koreksi dari ɳ2 ketika jumlah subjek dalam penelitian relatif sedikit. Ini
dilakukan karena ɳ2 merupakan ukuran yang bias (biased) ketika jumlah subjek dalam sampel
sedikit (Olejnik dan Algina, 2000: 2003). Dalam penelitian dengan jumlah subjek yang besar,
kedua ukuran ini akan memiliki perbedaan yang kecil atau bahkan tidak ada. Penelitian ini
akan menganalisis kedua ukuran ini untuk mempertahankan sebanyak mungkin informasi
yang didapat dari setiap penelitian. Omega squred dapat dinyatakan secara umum dalam
persamaan berikut:
JK A −M K error
ω 2=
JK total −MK error
4) Cohen’s f Squared
Cohen’s f Squared digunakan sehubungan dengan uji-F yang terkait dengan ANOVA
dan regresi berganda. F digunakan untuk mengukur penyebaran rata-rata di antara tiga atau
lebih kelompok.