RESUME MATERI

CHAPTER 5 – COMMON METRIC OF OBSERVATIONAL VARIABLES

Dibuat Untuk Memenuhi Tugas Mata Kuliah Psikodiagnostik II Observasi
Dosen Pengampu: Andi Muhammad Aditya, S.Psi., M.Psi., Psikolog

Disusun Oleh:
Kelompok 1 – Kelas 3/C 2019
Gusti Komang Arda Yoga 4519091119
Sukmayanti Haris 4519091114
Andi Elma Amaliah 4519091110
Christin Lorenza Lanula 4519091082
Nurfadhila Linggile 4519091099
Adryani Aide 4519091086

PROGRAM STUDI PSIKOLOGI

FAKULTAS PSIKOLOGI
UNIVERSITAS BOSOWA
2020/2021
 QUANTIFIABLE DIMENSIONS OF BEHAVIOR (DIMENSI PERILAKU
KUANTIFIABLE)
Dimensi perilaku yang paling umum diukur dalam psikologi, pendidikan, dan bidang
terkait adalah kehadiran, waktu, dan ruang. Ketika kita mengukur ada atau tidaknya suatu
perilaku, kita sering tertarik pada jumlah (atau hitungan) kejadian atau kemunculan suatu
perilaku atau dalam proporsi yang diturunkan dari hitungan tersebut. Unit waktu biasanya
diterapkan untuk mengukur tiga aspek perilaku:
1. Durasi adalah waktu dari permulaan suatu perilaku hingga penyeimbang contoh perilaku
yang sama.
2. Latensi adalah waktu dari offset perilaku atau peristiwa hingga permulaannya adalah
detik, perilaku yang berbeda (misalnya, waktu dari tembakan awal balapan hingga
permulaan pelari cepat adalah latensi awal untuk pelari cepat).
3. Waktu interoccurrence atau interresponse adalah waktu dari offset kemunculan pertama
suatu peristiwa hingga permulaan kejadian kedua dari jenis peristiwa yang sama
(misalnya, waktu antara tindakan komunikasi). Saat mengacu pada perilaku, ruang
biasanya dikuantifikasi sebagai arah atau jarak (kedekatan). Arah melibatkan vektor
gerakan (misalnya, pelari bergerak ke arah barat).
4. Metrik untuk arah biasanya derajat pada kompas (misalnya, dia berlari 17 derajat utara-
barat laut). Jarak atau kedekatan menggambarkan seberapa jauh (atau dekat) entitas yang
diukur dari entitas menonjol lainnya (misalnya, John secara fisik dekat dengan Jim).
Metrik untuk jarak dapat dalam satuan Sistem Satuan Internasional (SI) (misalnya, meter)
.
 PROPOTION METRICS (METRIKS PROPORSI)
Proporsi dapat dibuat untuk mengukur perilaku dan konteksnya dengan
menggabungkan metrik yang disebutkan di atas. Yang paling umum dari ini adalah laju
(yaitu, jumlah peristiwa atau kemunculan suatu perilaku/unit waktu). Misalnya, terkadang
penting untuk mengetahui tidak hanya bahwa John berkomunikasi tiga kali tetapi juga durasi
sesi di mana ketiga waktu tersebut diamati (misalnya, 3 kali/menit vs 3 kali/jam). Kecepatan
(yaitu, jarak/waktu) telah dibahas sebagai metrik umum yang mengukur gerakan.
Akurasi atau konsistensi (yaitu, jumlah respons yang benar atau kejadian perilaku
tujuan/jumlah peluang untuk respons yang benar atau upaya perilaku tujuan) biasanya
digunakan dalam pengamatan perilaku. Gaya yaitu jumlah perilaku kunci yang diarahkan ke
orang lain/jumlah semua perilaku berkode yang diarahkan ke orang lain. pengalaman kami,
empat jenis di atas adalah yang paling umum digunakan dalam pengukuran observasi.
 PROPOTION METRICS CHANGE THE MEANING OF OBSERVATIONAL
VARIABLES (METRIKS PROPORSI MENGUBAH MAKNA VARIABLE
OBSERVASI)
 Ketika kita memilih metrik proporsi, maka arti variabel pengamatan berubah dari apa
yang harusnya akan terjadi jika kita menggunakan angka, waktu, atau ruang dimensi saja.
Oleh karena itu, setelah kami memilih metrik proporsi, sering kali meningkatkan ketepatan
dan kejelasan pertanyaan penelitian kami. Sayangnya, untuk meningkatkan efisiensi
komunikasi, peneliti sering mengabaikan pertimbangan metrik saat menyatakan penelitian
pertanyaan. Contoh pertanyaan misalnya, “Apakah daya tanggap verbal ibu terhadap
komunikasi anak berhubungan positif untuk kosa kata produktif anak? ” Penghilangan daun
metrik informasi penting tidak ditentukan, dan membuat pertanyaan menjadi kurang dapat
dipalsukan. Saat membaca pertanyaan semacam itu, banyak pembaca mungkin berasumsi
demikian. Metrik melibatkan satu dimensi, misalnya angka. Demikian implisitpertanyaan
penelitian yang dipahami banyak pembaca mungkin adalah “Apakah jumlah tanggapan verbal
ibu untuk komunikasi anak berhubungan positif dengan kosa kata produktif anak?" Namun,
karena para ibu tidak dapat menanggapi secara lisan kecuali anak tersebut berkomunikasi,
peneliti mungkin mengartikannya sebagai “Apakah proporsi komunikasi anak yang seorang
ibu Secara verbal merespon (yaitu, konsistensi) berhubungan positif dengan produktifitas
kosa kata anak?"
Alternatifnya, karena ibu yang sering berbicara dengan anaknya mungkin
memberikan lebih banyak tanggapan verbal untuk komunikasi anak, simpatisan mungkin
berarti “Apakah proporsi pembicaraan ibu yang ditujukan untuk anak itu adalah respon verbal
untuk komunikasi anak (yaitu, gaya)yang berhubungan secara positif untuk kosa kata
produktif anak? ” Meskipun perbedaan ini mungkin tampak sepele atau terlalu bernuansa,
kami pikir mereka sebenarnya cukup penting karena kekhususan pertanyaan penelitian atau
hipotesis berhubungan langsung untuk analisis selanjutnya dan pada akhirnya, hipotesis yang
dapat dipalsukan. Jika pertanyaannya jelas, pilihan analisis dapat difasilitasi atau tidak dapat
dipalsukan.
Metrik yang berbeda dapat memiliki konsekuensi yang berbeda untuk pendekatan
pengobatan atau intervensi yang dirancang untuk meningkatkanvariabel penyebab putatif
(misalnya, tanggapan verbal ibu). Jika konsistensi adalah metriknya, maka kami akan
meningkatkan verbal ibu. Responsivitas hanya dengan meminta ibu untuk memperhatikan dan
merespon lebih banyak komunikasi anak-anak mereka. Jika gaya adalah metriknya, maka kita
bisa meningkatkan daya tanggap ibu dengan cara:
1. Meminta ibu untuk mengurangi pembicaraan "lain" yang dia tujukan kepada anaknya.
2. Mengajar anak untuk berkomunikasi lebih sering.
3. Meminta ibu untuk memperhatikan dan menanggapi lebih banyakkomunikasi
anaknya.
Secara empiris, metrik dapat sangat mempengaruhi hasil penelitian. Dalam studi
terbaru, kami memeriksa kekuatan prediksi relatif dari tiga metrik pembicaraan ibu tentang
 fokus perhatian anak-anak dalam hubungannya untuk kosa kata anak produktif nanti. Tiga
metrik untuk variabel bicara ibu adalah jumlah, konsistensi, dan gaya. Relasi prediktif relatif
untuk produktif anak di kemudian hari. Kosakata adalah 0,44, 0,28, dan -0,02 untuk angka,
konsistensi, dan gaya, masing-masing. Seperti yang ditunjukkan oleh hasil, sangat penting
untuk berkomunikasi jelas metrik variabel pengamatan. Komunikasi yang jelas iniharus
tercermin dalam pertanyaan penelitian dengan memasukkan metrik variabel observasi dan di
bagian metode dengan menunjukkan secara eksplisit pembilang dan penyebut dari setiap
metrik proporsi yang digunakan.

 SCRUTINIZING PROPORTIONS (MEMERIKSA PROPORSI)

Perbandingan ukuran dimaksudkan untuk memperjelas arti dari numerator dengan
menyamakan atau mengacak suatu variable yang mempengaruhi sang numerator. Akan tetapi,
kenaikan proporsi variable tidak kita tahu apakah karena numerator meningkat, penyebut
yang menurun atau keduanya (Johnston & Penny Packer, 1993). Jika proporsi gaya (misalnya,
jumlah perilaku ibu yang memfasilitasi yang diarahkan kepada anak atau jumlah dari semua
perilaku yang diarahkan kepada anak yang diatur) meningkat, kita tidak tahu apakah jumlah
perilaku yang memfasilitasi meningkat atau apakah perilaku yang diarahkan anak lainnya
menurun. Oleh karena itu, untuk menjelaskan apakah ukuran proporsional diperlukan, dan
selebihnya dari bagian ini dikhususkan untuk pemeriksaan yang mendalam atas metric
proporsional. Tingkat adalah proposional dan sering digunakan untuk menyeimbangkan
durasi sesi pengamatan. Keakuratan atau konsistensi sering digunakan untuk menyamakan
jumlah kesempatan untuk menanggapi atau upaya pada suatu tujuan secara komatibel. Gaya
individual sering digunakan untuk menyamakan perilaku total yang diarahkan kepada orang
lain.
Masalah umumnya adalah kapan dan apakah perlu untuk mengkonversi nomor
berdasarkan data penghitungan menjadi proporsional sebagai metric untuk analisis
berikutnya. Tingkat batas untuk ukuran metric perlu bergantung pada seberapa jauh
seseorang perlu mengatur berbagai pokok atau sesi dalam beberapa aspek konteks observasi
(misalnya, waktu pengamatan). Alasan kita perlu untuk menyeimbangkan atau
mengendalikan penyebut utamanya adalah karena berpengaruh pada numerator. Jika property
yang telah diukur oleh pembanding tidak relevan untuk menafsirkan perbedaan dalam
numerator, maka tidak akan ada alasan kuat untuk menyamakannya. Artinya, variable non-
berpengaruh ketika property dari denominator mempengaruhi interpretasi dari numerator, ada
hubungan implisit atau kausal antara property itu dan property yang diukur numerator.

 AN IMPLICIT ASSUMPTION OR PROPORTION METRICS (ASUMSI IMPLISIT

METRIK PROPORSI)
 Dalam metrik proporsi umum yang digunakan dalam pengukuran observasi, yang
dimana asumsinya adalah pembilang memiliki hubungan positif yang sempurna dengan
penyebut. Gagasan bahwa asumsi dibuat saat membuat metrik mungkin menjadi antitesis dari
perspektif pengukuran idemnotik. Alasan utama yang mendasari kerangka pengukuran
idemnotic adalah untuk menghindari manipulasi matematika kompleks yang tidak perlu.
Manipulasi semacam itu mungkin dapat dihindari sehingga hubungan antara ukuran
(termasuk metrik) dan hal atau fenomena yang diukur setransparan mungkin (Haynes &
O'Brien, 1999).

 TESTING WHETHER THE DATA FIT THE ASSUMPTION OF PROPORTION

METRICS (MENGUJI APAKAH DATA SESUAI DENGAN ASUMSI METRIK
PROPORSI)
Dalam rancangan penelitian subjek tunggal dan kelompok, asumsi itu ada ialah
hubungan linier antara pembilang dan penyebut bisa diuji. Dengan asumsi ada titik data yang
cukup (misalnya, setidaknya lima), file uji dapat menjadi koefisien momen-produk Pearson
untuk asosiasi antara penyebut (misalnya, durasi) dan pembilang (misalnya, angka). Itu unit
analisis untuk desain, dimana kelompok adalah peserta. Unit analisis untuk desain subjek
tunggal adalah sesi dengan masing-masing peserta. Satu akan melakukan tes untuk setiap
peserta dalam desain dan penggunaan satu subjek kesimpulan dari mayoritas peserta.
Pada aplikasi, mungkin lebih berguna untuk menekankan ukuran efek, bukan
signifikansi statistik, ketika menafsirkan hasil analisis tersebut.Misalnya, orang mungkin
menganggap koefisien korelasi lebih besar dari .2 (yaitu, antara tolak ukur Cohen untuk
asosiasi "kecil" dan "moderat") sebagai bukti bahwa data sesuai dengan asumsi. Demikian
pula dengan korelasi koefisien kurang dari -2 dapat diambil sebagai bukti bahwa hitungan
diwakili dalam pembilang secara negatif terkait dengan penyebut. Sebuah hubungan antara .2
dan -2 dapat dianggap sebagai bukti bahwa tidak ada hubungan penting antara pembilang dan
penyebut.
Dalam desain subjek tunggal yang tidak memiliki cukup data atau kapan penyidik
merasa tidak nyaman dengan analisis statistik, tes itu bisa menjadi logis. Seseorang dapat
menggunakan alasan untuk menentukan apakah mungkin ituskor penyebut yang lebih tinggi
cenderung menghasilkan skor pembilang yang lebih tinggi, karena yang pertama memberikan
lebih banyak kesempatan untuk yang terakhir. Saat melakukan pengujian ini, akan berguna
untuk mencoba menghasilkan argumen yang sebaik mungkin untuk hubungan positif dan
negatif. Bila kedua argumen tersebut sama-sama meyakinkan, kita mungkin menyimpulkan
bahwa hubungannya berbeda, bisa ada untuk sesi yang berbeda dan asumsi tersebut belum
terpenuhi. Jika satu argumen lebih meyakinkan bagi lebih banyak peserta, kami mungkin
akan menyimpulkan bahwa hubungan tersebut cenderung konsisten dengan yang lebih masuk
 akal dalam argumen. Jika skor penyebut lebih besar adalah yang paling banyak cenderung
menghasilkan skor pembilang yang lebih besar, maka kita dapat menyimpulkan bahwa
datanya cenderung sesuai dengan asumsi.

 CONSEQUENCES OF USING A PROPORTION WHEN THE DATA DO NOT FIT

THE ASSUMPTION (KONSEKUENSI PENGGUNAAN PROPORSI BILA DATANYA
TIDAK SESUAI DENGAN ASUMSI)
Secara teknis, asumsi yang dinyatakan harus dipenuhi untuk kelompok dan di seluruh
data kelompok dalam desain perbandingan kelompok dan untuk dalam fase dan data seluruh
fase dalam desain subjek tunggal itu.Ukuran efek perbandingan eksperimental versus
kelompok kontrol pada metrik proporsi harus lebih akurat ketika asumsi terpenuhi daripada
ketika salah. Dengan menghasilkan sejumlah kumpulan data fiktif yang bervariasi pada tanda
korelasi antara pembilang dan penyebut (mis., Durasi dan angka) dalam setiap kelompok, kita
dapat membandingkan ukuran efek ketika asumsi dipenuhi dengan estimasi ukuran efek
ketika asumsi tidak terpenuhi. Melakukan hal itu memungkinkan kita untuk menunjukkan
konsekuensi penggunaan metrik proporsi ketika asumsi tidak terpenuhi.Kami menyadari
bahwa ini bukan studi simulasi penuh karena kami telah:
1. Menggunakan ukuran sampel kecil dalam setiap eksperimen.
2. Menghasilkan hanya satu contoh dari setiap kondisi.
3. Menyelidiki hanya dua tingkat korelasi dalam-grup (yaitu, -.8 dan .8).
4. Menghasilkan hanya tiga tingkat korelasi antar kelompok (yaitu, -.55, 0, dan 55).
Namun, studi demonstrasi data yang dihasilkan ini ditawarkan untuk menggambarkan
bahwa hubungan antara pembilang dan penyebut mempengaruhi tarif dan proporsi lainnya.

 ALTERNATIVE METHODS TO CONTROL NUISANCE VARIABLE (METODE

ALTERNATIVE UNTUK MENGONTROL GANGGUAN VARIABLE)
1. Statistic control
Ketika seorang penelitian memilih untuk mengkontrol untuk mengacak variable
yang berpengaruh seperti durasi sesi atau peluang untuk merespon dengan
menggunakan metode statistic (misalnya, analisis kovarians). Metode tersebut
melibatkan dua proses analisis, yaitu:
a. Memperoleh ukuran hubungan antara variable yang tergantung dan kovarians.
b. Menggunakan residu sebagai variable bergantungan dalam analisis untuk menguji pertanyaan
penelitian.
2. Control procedural
Control procedural memiliki dua alasan untuk mepertimbangkan pengendalian untuk
variable gangguan menggunakan elemen system ukur selain metric, yaitu:
 a. Control statistic dan proporsi metric mengasumsikan hubungan linear –antara
perilaku dan variable gangguan. Pengendalian untuk variable gangguan
mengguanakan elemen system pengukuran akan mengurangi kebutuhan
control statistic atau metric proporsi.
b. Peneliti ingin menghindari kontroversi mengenai ukuran yang digunakan,
durasi dan peluang untuk menanggapi perbedaan dapat dikendalikan dengan
mengatur konteks ukuran. Misalnya, administrator sesi dapat memberikan
sejumlah kesempatan yang sama untuk menanggapi dan menjaga sesi durasi
yang sama.
 TRANSFORMING METRICS OF OBSERVATIONAL VARIABLES IN GROUP
STATISTICAL ANALYSES (TRANSFORMASI METRIK VARIABLE
PENGAMATAN DALAM ANALISIS STATISTIK KELOMPOK)
Meskipun menggunakan proporsi atau angka (hitungan) dalam analisis parametrik
sering kali dapat diterima dalam hal asumsi yang mendasari metode analisis statistik,
melakukan hal tersebut tanpa transformasi dapat mengakibatkan hilangnya kekuatan statistik
(yaitu, peningkatan probabilitas Tipe II kesalahan). Skor untuk suatu proporsi umumnya tidak
terdistribusi normal. Banyak analisis parametrik lebih efektif ketika distribusi variabel
mendekati normal. Dalam analisis statistik grup, adalah umum untuk mengubah metrik
proporsi menjadi skala yang lebih mendekati kurva normal. Hal ini sangat umum jika
sebagian besar skor berada di bawah 0,25 atau di atas 0,75. Mereka yang kurang tertarik pada
rumus yang tepat harus memperhatikan bahwa transformasi melibatkan lebih dari sekadar
mengambil busur proporsi.
Membandingkan dua distribusi memperjelas bahwa transformasi busur garis
memberikan perkiraan yang jauh lebih baik dari kurva normal daripada distribusi skor
proporsi nontransformed. Demikian pula, metrik bilangan juga sering miring. Ini terutama
benar ketika kita mengukur perilaku yang jarang terjadi, seperti yang umumnya terjadi dalam
penelitian observasional. Dalam kasus seperti itu, distribusi cenderung condong positif (yaitu,
ada lebih banyak kasus di sisi kiri distribusi daripada di sisi kanan distribusi). Salah satu
transformasi yang paling umum digunakan untuk variabel dengan metrik bilangan adalah
transformasi akar kuadrat (Cohen, Cohen, West, & Aiken, 2002). Perlu dicatat bahwa
mengambil akar kuadrat dari 0 dan 1 tidak mengubah nilai-nilai yang ada. Oleh karena itu,
untuk memperlakukan 0 dan 1 sama dengan nilai cacah lainnya, kita perlu menambahkan 2 ke
setiap nilai sebelum mengambil akar kuadrat (yaitu, akar kuadrat dari [y + 2]). Melakukan hal
itu umumnya menyamakan varians, mengurangi kemiringan, dan meluruskan hubungan
dengan variabel lain. Pengukuran Perilaku Observasi Diskusi tentang transformasi tidak akan
lengkap tanpa mengakui bahwa beberapa peneliti memilih untuk tidak mengubah skor karena
hal itu mengurangi kejelasan komunikasi dan memperumit interpretasi hasil.
 SCALES OF MEASUREMENT FOR OBSERVATIONAL VARIABLES (SKALA
PENGUKURAN UNTUK VARIABLE OBSERVASI)
Menurut pendapat kami, ada sejarah panjang kesalahan label variabel observasi
sebagai "nominal", mungkin karena tindakan pengkodean apa yang kami ukur adalah
keputusan nominal (Stevens, 1951). Namun, metrik, dan dengan demikian, objek yang skala
pengukurannya harus diterapkan, untuk variabel observasi yang paling umum adalah metrik
angka (yaitu, hitungan), metrik waktu, metrik spasial, atau metrik proporsi. Tak satu pun dari
ini adalah skala nominal.
Menggunakan modifikasi pertanyaan klasik yang digunakan untuk mengidentifikasi
skala pengukuran, seseorang dapat mengidentifikasi skala pengukuran variabel observasi
(Bakeman, 2000). Pertanyaannya adalah sebagai berikut:
"Apakah interval antara nilai pada skala diurutkan?"
A: Jika tidak, maka metriknya adalah nominal.
B: Jika ya, maka tanyakan, “Apakah interval antar nilai pada skala setara? ”
A: Jika tidak, maka metriknya adalah ordinal.
B: Jika ya, maka tanyakan, “Apakah nol menunjukkan bahwa tidak ada quan-dimensi yang
dapat ditentukan terjadi? "
A: Jika tidak, maka metriknya adalah interval (mis., nol derajat tidak menunjukkan suhu).
B: Jika ya, maka metriknya adalah rasio.

 PBSERVATIONAL VARIABLES IN PARAMETRIC ANALYSES (VARIABLE

OBSERVASI DALAM ANALISIS PARAMETRIK)
Penting untuk membahas skala pengukuran untuk variabel observasi karena sejarah p
anjang pernyataan bahwa prosedur statistik parametrik grup tidak boleh digunakan dengan var
iabel yang berstatus ordinal (misalnya, Stevens, 1951). Ini belum tentu demikian. Studi simul
asi telah menunjukkan bahwa sebagian besar prosedur statistik kuat untuk pelanggaran asumsi
skala pengukuran (Harris, 2001). Alasannya adalah bahwa prosedur statistik tidak bisa memb
edakan apakah angka dalam kumpulan data adalah ordinal, interval, atau rasio. Jika transform
asi variabel yang awalnya memiliki jumlah atau proporsi metrik menghasilkan normalisasi dis
tribusi residu dan seseorang hanya ingin berbicara tentang signifikansi statistik asosiasi, perbe
daan atau perubahan, sebagai lawan dari beberapa prediksi yang lebih tepat dari nilai tertentu,
maka hasil statistik parametrik dari data berskala ordinal dapat diinterpretasikan.

 KENDALA-KENDALA DALAM OBSERVASI

 Sattler (2002, 2006) membagi kendalam dalam melakukan observasi kedalam
beberapa sumber yaitu kendala yang sumbernya observer, kendala yang sumbernya setting,
sistem kode, skala dan isntrumen, kendala yang sumbernya observe, dan kendala yang
sumbernya sample.
1. Kendala Observasi yang bersumber dari Observer
Menurut Sattler (2002, 2006) dan Catwright & Catwright (1986) adalah sebagai
berikut:
- Refleksi Observer, yaitu struktur kepribadian observer tercermin dari hasil
observasi.
- Halo Effect, observer membuat generalisasi kesan apabila kesan pertama positif
maka semua menjadi positif dan sebaliknya.
- Severity Error, observer cenderung memberikan penilaian yang rendah untuk
semua observee.
- Personal Effect, yaitu karakteristik personal observer (usia, jenis kelamin, ras,
status) yang mempengaruhi perilaku anak yang diobservasi.
- Observer Reactivity, yaitu mengubah pencatatan tingkah laku ketika ia menyadari
bahwa dirinya diamati.
2. Kendala Observasi yang bersumber dari setting, sistem kode, skala dan instrumen
Menurut Sattler (2002,2006) kendala observasi mencakup, unrepresentative
behavioral setting, coding complexity, influence of extraneous cues, rating cale, dan
mecanical instrument.
- Unpresentatiive behavioral setting, yaitu observer hanya memilih satu setting
atau satu periode waktu sehingg gagal emngambil sampel tingkah laku yang
representative atau mewakili secara memadai.
- Coding complexity, yaitu observer tidak mampu menggunakan kode secara akurat
karena dalam alat ukur atau instrument:
 terlalu banyak kategori dalam sistem coding yang dipakai.
 terlalu banyak kategori yang harus di skor dalam setiap pengamatan.
 terlalu banyak observee yang ahrus diamati dalam satu sesi observasi
- Inflence of extraneous cues, yaitu peristiwa tertentu dilingkungan memengaruhi
observer dalam memberikan skor munculnya tingkah laku ketika tingkah laku
tersebut sebenarnya tidak terjadi.
- Mechanical Scale, Instrumen yaitu observer gagal menggunakan alat mekanik
untuk mencatat data.
3. Kendala Observasi yang bersumber dari Observee
- Hawthorne Effect dan Child Reactivity adalah observe yang mengetahui bahwa
dirinya sedang diamati, sehingga tingkah lakunya dibuat-buat agar berkesan baik.
 - Role Selection adalah individu yang diobservasi mengadops peran tertentu
sebagai akibat darti pengetahuan bahwa dirinya sedang diobservasi.
4. Kendala Observasi yang bersumber dari Sampel
- Unpresentative Sample, observer gagal mendapatkan server yang representative
dari populasi.
- Sample Insability, observer gagal mengenali populasi yang sudah berubah,
sehingga sulit membandingkan sample saat ini dengan sample yang telah diambil
sebelumnya.

 CARA MENGATASI KENDALA DALAM OBSERVASI

Menurut Benzent (2000) :
- Objective Description (Deskripsi yang Objektif), yaitu mengacu pada
melaporkan, mencatat yang dilihat setepat dan selengkap mungkin.
- Interpreation, mencari tahu apa yang dibalik deskripsi yang objektif dan
mencoba untuk menjelaskan atau memberi makna apa adanya.
- Evaluation, terjadi bila kita menerapkan nilai dan sikap pribadi kita terhadap
tingkah laku, karakteristik, dan kepribadian observee.
 DAFTAR PUSTAKA

Yoder, Paul dan Frank Symons. 2010. Observational Measurement of Behavior. Springer, Publishing
Company.

Hanifah, Azmi, dkk. 2018. PENGANTAR PSIKODIAGNOSTIK “OBSERVASI”. Makalah.