Terdapat beberapa langkah yang saling berhubungan dalam proses penganalisisan data
kuantitatif. Langkah pertama yaitu menyiapkan data untuk dianalisis. Ini termasuk
menentukan bagaimana cara menetapkan skor angka kepada data, memperkirakan tipe
skor yang akan digunakan, memilih salah satu program statistik, dan memasukkan data
ke progran, lalu membersihkan kumpulan data untuk analisis. Langkah kedua yaitu
memulai penganalisisan data. Biasanya anda melakukan analisis deskriptif dari langkah-
langkah pelaporan data dari kecenderungan utama dan variasi. Lalu anda mengadakan
analysis berbeda yang lebih spesifik untuk menguji hipotesis dan Anda memeriksa
interval-interval yang nampak dan pengaruh ukuran-ukuran. Langkah selanjutnya yaitu
melaporkan hasil yang ditemukan menggunakan tabel-tabel, figures(bisa berarti
diagram/angka/bilangan), dan sebuah pembahasan tentang hasil kunci. Terakhir, anda
menginterpretasikan hasil dari penganalisisan data. Ini termasuk merangkum hasil
analisis, membandingkannya dengan teori dan literatur terdahulu, memajukan batasan-
batasan penelitian, dan mengakhiri dengan saran-saran untuk penelitian selanjutnya.
Umpamakan seorang orangtua menandai “Setuju”. Skor numeric apa yang akan
diberikan terhadap jawaban seperti ini sehingga anda akan memberikan skor yang sama
terhadap semua orang yang menjawab “setuju”?. Untuk menganalisis data-data ini, anda
perlu memberikan skor terhadap jawaban-jawaban seperti 5=sangat setuju, 4=setuju,
3=tak tentu, 2= tidak setuju, 1=sangat tidak setuju. Berdasarkan angka-angka ini
orangtua yang memberikan jawaban setuju akan mendapatkan skor 4.
Beberapa petunjuk bisa membantu anda dalam rangka memberikan angka
terhadap pilihan-pilihan jawaban:
Untuk skala-skala kontinyu (lihat bab 6, dengan asumsi skalanya interval),
anda seharusnya memberikan skor secara konsisten terhadap masing-masing
pertanyaan dengan menggunakan sistem penomoran yang sama. Dalam contoh
di atas, anda harus secara konsisten memberikan skor terhadap skala seperti
“sangat setuju” sampai pada “sangat tidak setuju” skor lima sampai skor 1.
Untuk skala-skala kategorikal seperti “Tingkat atau kelas apa yang anda ajar?:
____ sekolah menengah atas, __________ sekolah menengah pertama,
__________ sekolah dasar”, anda secara mana suka bisa memberikan angka
yang masuk akal seperti 3=sekolah menengah atas, 2= sekolah menengah
pertama, dan 1=sekolah dasar. Walaupun demikian aturan yang baik adalah
makin positif jawabannya akan makin tinggi kategori informasinya atau akan
makin tinggi angka yang diberikan.
Untuk membuat pemberian skor ini mudah, anda bisa memberikan angka-
angka sebelumnya yang terdapat dalam instrumen bagi pilihan-pilihan jawaban
seperti contoh berikut:
Harap berikan jawaban anda terhadap pertanyaan ini :
“anak-anak kelas 4 SD harus diuji kemampuan Matematikanya
------------- (5) sangat setuju
------------- (4) setuju
------------- (3) tak tentu
------------- (2) tidak setuju
------------- (1) sangat tidak setuju
Disini anda bisa melihat bahwa angka-angka sudah ditentukan terlebih dahulu
dan anda tahu bagaimana menskor masing-masing pilihan jawaban tersebut.
Kadang-kadang anda bisa menyuruh para partisipan untuk mengisi dalam
lingkaran untuk jawaban-jawaban dengan menggunakan “bubble sheets”
(bulatan) seperti yang digunakan untuk membantu penskoran dalam
mengevaluasi dosen dalam mata kuliah tertentu. Apabila mahasiswa
menghitamkan lingkaran-lingkaran pada halaman itu anda bisa menscan
jawaban-jawaban mahasiswa untuk keperluan analisis. Bila anda menggunakan
instrumen yang tersedia secara komersial, perusahaan akan selalu memberikan
petunjuk penskoran untuk mendeskripsikan bagaimana instrumen itu harus
diberi skor.
Salah satu prosedur yang dapat membantu anda dalam memberikan skor
terhadap jawaban itu adalah dengan jalan membuat buku kode. Codebook (buku
kode) adalah daftar dari variabel-variabel atau pertanyaan-pertanyaan yang
mengindikasikan bagaimana si peneliti memberi kode atau memberi skor
terhadap jawaban-jawaban dalam instrumen atau ceklist. Sebuah contoh dari
buku kode itu diperlihatkan oleh Diagram 6.1. Perhatikan bahwa masing-masing
variabel diberikan nama (misalnya tingkat atau kelas) yakni definisi ringkas dari
sebuah variabel (tingkat atau kelas dari mahasiswa) diberikan, dan angka
diberikan untuk masing-masing pilihan jawaban (misalnya 10 = kelas 10;
11=kelas 11, 12 = kelas 12.)
Menentukan Tipe Skor Untuk Dianalisis
Perhatikan kembali Diagram 6.1. Variabel 9, Depresi, terdiri dari skor atas dasar
penjumlahan semua butir dalam sebuah instrumen. Sebelum melakukan analisis skor-
skor, para peneliti harus terlebih dahulu mempertimbangkan tipe skor yang digunakan
dalam instrumen mereka. Hal ini penting karena tipe skor itu akan berpengaruh terhadap
bagaimana anda meng-enter data dalam sebuah file komputer untuk dianalisis.
Tabel 6.1 memperlihatkan 3 tipe skor untuk 6 orang mahasiswa: skor berbutir
tunggal, jumlah skor pada sebuah skala, atau skor bersih atau perbedaan skor.
Membersihkan Database
Cleaning the data adalah proses menginspeksi data untuk melihat skor atau nilai yang
berada di luar rentangan nilai yang diharapkan. Salah satu cara melakukan ini adalah
dengan jalan menginspeksi tabel-tabel data secara visual. Untuk database yang besar
distribusi frekuensinya akan memberikan rentangan skor untuk mendeteksi jawaban-
jawaban yang berada diluar rentangan yang diharapkan. Contoh, para partisipan boleh
jadi memberikan angka enam untuk jawaban untuk skala “sangat setuju” ke “sangat
tidak setuju” padahal pilihannya cuma lima. Alternatifnya si peneliti boleh jadi
mengetikkan skor untuk seorang partisipan “3” untuk gender, sedangkan nilai yang sah
adalah “1” untuk wanita dan “2” untuk pria.
Prosedur yang lain adalah menggunakan SPSS dan menjalankan program
pengurutan kasus dari angka yang besar ke angka yang kecil untuk masing-masing
variabel. Proses ini menyusun nilai-nilai dari sebuah variabel dari angka yang paling
kecil ke angka yang paling besar yang memungkinkan anda untuk secara mudah
mendeteksi rentangan yang keliru atau kasus-kasus yang salah nomor. Apapun
prosedurnya, penampakan visual dari data-data itu akan membantu membersihkan data-
data dan membebaskannya dari kesalahan-kesalahan yang nampak sebelum anda
memulai analisis data.
Kita boleh jadi ingin mengetahui skor-skor yang berhadapan dengan posisi tengah
diantara semua skor yang ada. Skor ini disebut median. Skor median membagi seluruh
skor itu mengurutkannya dari skor yang paling tinggi ke skor yang paling rendah dalam
dua bagian. 50% dari skor terletak di atas median dan 50% terletak dibawah median.
Menghitung skor ini, peneliti menampilkan semua skor berurutan dari yang tinggi ke
yang rendah atau sebaliknya, kemudian menentukan skor mana yang disebut median itu
yakni berada di antara kedua kelompok skor itu. Median pada tabel 6.3 adalah parohan
antara angka 76 dan 83, yakni 79.5. Ada lima skor yang berada di atas 79.5 dan lima
skor lagi berada dibawahnya. Para peneliti sering melaporkan skor median ini, tetapi
manfaat skor tersebut agak terbatas.
Walaupun demikian skor mode memberikan informasi yang bermanfaat. Mode
adalah skor yang muncul paling sering dalam sejumlah skor. Ia digunakan apabila
peneliti ingin mengetahui skor yang paling banyak jumlahnya dalam sekumpulan skor
yang ada. Dalam tabel 6.3 skor yang paling sering muncul adalah 76, dan itu dimiliki
oleh 2 orang siswa dari 10 orang siswa. Para peneliti menggunakan mode untuk
melaporkan variabel-variabel yang bersifat kategorikal. Perhatikan tabel 6.4. disini ada
variabel kategorikal tentang afiliasi kelompok teman sejawat dari para siswa. Dengan
melihat tabel tersebut kita bisa menentukan bahwa “para penyanyi” lebih banyak
jumlahnya ketimbang dari kelompok lainnya (N = 14). Modenya adalah “penyanyi”
karena mereka diwakili oleh lebih banyak siswa ketimbang oleh kelompok-kelompok
lainnya (atlit=4, singer=3, punkers=2, dan yang lainnya=1) dan skor rata-ratanya
137/50= 2.74, ini sebenarnya bukan rata-rata karena tidak ada sebuah kelompok pun
yang diberi angka ini. Dengan demikian apabila kita memiliki informasi kategorikal
mode melaporkan informasi yang bermakna, akan tetapi rata-ratanya tidak.
Pengujian Hipotesis
Ada lima langkah dalam pengujian hipotesis: (a) mengidentifikasi hipotesis null dan
hipotesis alternatif, (b) menentukan level of significance, atau alpha level, (c)
mengumpulkan data, (d) menghitung statistik sampel, dan (e) membuat keputusan untuk
menolak atau menerima hipotesis null.
1. Mengidentifikasi hipotesis null dan hipotesis alternatif. Sebagaimana anda
mungkin masih ingat pada bab 5 hipotesis null adalah prediksi tentang populasi
dan biasanya dinyatakan dengan menggunakan kata-kata “tidak adanya perbedaan
(atau tidak adanya hubungan atau asosiasi). Walaupun demikian hipotesis
alternatif menyatakan perbedaan (atau hubungan atau asosiasi) dan arah
perbedaan ini bisa positif atau negatif (alternative directional hypothesis) atau
positif atau negatif (alternative non-directional hypothesis).
Kembali pada data-data siswa sekolah menengah pada tabel 7.2 anda
berkemungkinan merumuskan hipotesis null dan hipotesis alternatifnya sebagai
berikut:
Hipotesis Null:
Tidak terdapat perbedaan antara orang-orang yang perokok dan bukan perokok
dalam hal skor depresi.
Hipotesis alternatif (non-directional dan directional)
Terdapat perbedaan antara orang-orang perokok dan orang-orang yang tidak
perokok dalam hal skor depresi mereka.
(atau dirumuskan dengan cara lain):
Para perokok lebih banyak mengalami depresi ketimbang yang tidak perokok.
2. Menentukan level of singnificance atau alpha level dalam rangka menolak
hipotesis null. Apabila kita mengumpulkan sejumlah rata-rata sampel dan apabila
hipotesisnya benar (tidak ada perbedaan), distribusi teoritis cenderung mendekati
kurva normal berbentuk bell (lonceng) sebagaimana diperlihatkan oleh diagram
7.4. Dalam diagram ini sebuah kurva normal memperlihatkan distribusi rata-rata
sampel dari semua kemungkinan apabila hipotesis nolnya benar. Kita
mengharapkan kebanyakan dari rata-rata (mean) kita berada di pusat kurva bila
hipotesisnya benar. Akan tetapi sejumlah kecil berada pada daerah-daerah yang
ekstrim (kiri atau kanan). Dengan kata-kata lain kita berharap bahwa bagi setiap
sampel orang-orang perokok dan non perokok skor depresinya sama tapi dalam
jumlah yang persentasinya kecil anda berkemungkinan menemukan hal yang
berbeda seperti anda lihat ada daerah-daerah yang ditandai dengan tanda hitam
pada masing-masing ujung kurva. Kita mengharapkan akan ada probabilitas yang
sangat rendah bahwa skor itu akan berada di daerah ini.
Sebuah standar diperlukan untuk daerah-daerah probabilitas yang rendah ini untuk
menandainya secara persis di dalam kurva ini. Ini disebut menentukan tingkat
signifikansi. A significance level (or alpha level) adalah tingkat probabilitas yang
mencerminkan resiko maksimum yang ingin anda ambil bahwa perbedaan-
perbedaan yang teramati itu terjadi secara kebetulan. Biasanya tingkat ini
ditentukan 0,01 (1 dari 100 kali skor sampel terjadi karena kebetulan) atau 0,05 (5
dari 100 kali skor sampel terjadi karena kebetulan). Ini berarti bahwa 1 dari 100
kali (atau 5 dari 100 kali nilai probabilitas yang sangat rendah yang teramati
apabila hipotesis nullnya benar. Dalam beberapa situasi perlu ditentukan tingkat
aplhanya bahkan lebih kecil (rendah dari 0,01 atau 0,05). Umpamakan seorang
peneliti menguji pengaruh dari obat-obatan yang memiliki efek samping yang
sangat berbahaya. Tingkat alphanya bisa jadi ditentukan lebih rendah untuk
menolaknya, misalkan 0,001, apabila obat itu memiliki pengaruh samping yang
merusak bagi penderita penyakit kanker ketimbang tingkat apha yang lebih tinggi
misalnya 0,05 apabila obat tersebut memiliki pengaruh samping yang kurang
berbahaya untuk orang-orang dengan penyakit acne.
Daerah kurva normal untuk nilai-nilai probabilitas yang rendah jika hipotesis
nullnya benar disebut daerah kritis (critical region). Apabila data-data sampel
(perbedaan antara perokok dan tidak perokok dalam hal depresi) berada pada
daerah kritis, hipotesis nullnya ditolak. Ini berarti bahwa “tidak ada perbedaan”
sebagaimana yang dinyatakan dalam hipotesis null kita menemukan hipotesis
alternatifnya yang benar: “terdapat perbedaan”
Juga perhatikan dalam diagram 6.4 bahwa daerah kritis ini yang ditandai oleh
tingkat signifikansi terjadi pada kedua ujung kurva. Bila daerah kritis untuk
menolak hipotesis null dibagi menjadi dua daerah pada ujung distribusi sampel,
kita memiliki two-tailed test of significance (uji signifikansi dua arah) (Vogt,
1999). Walaupun demikian, apabila kita menempatkan daerah itu hanya pada satu
ujung untuk menolak hipotesis null kita memiliki one-tailed test of significance
(uji signifikansi satu arah). Anda menggunakan uji satu arah apabila penelitian
terdahulu memperlihatkan arah yang mungkin (misalnya hipotesis alternatif
terarah). Sebaliknya uji signifikansi dua arah lebih konservatif, atau lebih berat
karena daerah penolakan pada ujung manapun dari kurva akan lebih rendah
daripada daerah penolakan pada uji satu arah. Kita mengatakan bahwa uji satu
arah memiliki lebih besar kekuatan dengan makna bahwa kita akan lebih
cenderung menolak hipotesis null.
3. Mengumpulkan data. Anda mengumpulkan data dengan jalan menggunakan
instrumen atau merekam tingkah laku pada lembaran ceklist untuk para partisipan.
Kemudian seperti dibicarakan pada bab-bab sebelumnya, anda melakukan
pengkodean terhadap data dan menginputnya ke dalam file komputer untuk
analisis.
4. Hitung statistik sampel. Berikutnya dengan menggunakan program-program
komputer anda menghitung statistik atau nilai ρ dan menentukan apakah ia berada
di dalam atau diluar daerah kritis. A ρ value (nilai ρ) adalah probabilitas bahwa
sebuah hasil terjadi secara kebetulan apabila hipotesis nullnya benar. Setelah
menghitung nilai ρ tersebut, kita membandingkannya dengan nilai di dalam tabel
yang biasanya terletak pada halaman belakang dari buku-buku statistik pada
umumnya (misalnya Gravetter & Wallnau, 2000) apakah pengujian anda satu arah
atau dua arah dan derajat kebebasan bagi uji statistik kita (atau melihat hasil print
out dari nilai ini). Degrees of freedom (df) (tingkat kebebasan) yang digunakan
dalam uji statistik biasanya jumlah skor dikurang satu. Contoh untuk sebuah
sampel skor, df = n-1. Tingkat kebebasan menentukan jumlah skor di dalam
sebuah sampel yang bebas untuk bervariasi karena rata-rata sampel menentukan
pembatasan terhadap variabilitas sampel. Dalam sebuah sampel skor, apabila nilai
rata-ratanya diketahui semua skornya kecuali satu bisa bervariasi (misalnya bebas
satu sama lain dan memiliki nilai), karena satu skor dibatasi oleh rata-rata sampel
(Gravetter & Wallnau, 2007).
Bagian yang paling sukar adalah menentukan uji statistik apa yang akan
digunakan. Tabel 6.5 memperlihatkan uji-uji statistik yang biasa dipakai di dalam
penelitian pendidikan. tujuh buah pertanyaan perlu dijawab sebelum kita sampai
kepada menentukan uji statistik yang tepat (juga lihat Rudestan & Newton, 1992,
untuk kriteria yang sama).
Apakah anda ingin membandingkan kelompok/mengaitkan variabel-variabel di
dalam hipotesis atau pertanyaan penelitian anda?
Berapa banyak variabel bebas yang anda miliki dalam sebuah pertanyaan atau
hipotesis penelitian?
Berapa banyak variabel terikat yang anda miliki dalam sebuah pertanyaan
atau hipotesis penelitian? Biasanya para peneliti hanya menggunakan satu
variabel bebas, atau apabila variabel bebasnya banyak masing-masing variabel
dianalisis satu demi satu.
Apakah anda secara statistik melakukan kontrol terhadap covariat dalam
analisis anda terhadap hipotesis dan pertanyaan penelitian?
Bagaimana anda mengukur variabel-variabel bebas? Ingat dalam bab 6 ada
dua jenis skala: kategorikal (nominal dan ordinal) dan skala continu
(interval/rasio)
Bagaimana anda mengukur variabel-variabel terikat? Sama dengan variabel-
variabel bebas identifikasi apakah variabel-variabel terikat merupakan
variabel-variabel kategorikal atau variabel kontinu.
Apakah skor-skor variabel anda itu terdistribusi secara normal yakni bisakah
anda mengansumsikan bila skor-skor itu dibuat grafiknya, terdistribusi seperti
kurva normal? Statistik tertentu telah dirancang untuk bisa dilakukan paling
tepat dengan data-data yang terdistribusi secara normal dan statistik-statistik
lainnya akan lebih baik digunakan terhadap data-data yang terdistribusi secara
tidak normal (lihat lampiran c untuk informasi tambahan tentang distribusi
yang tidak normal).
Dengan ketujuh pertanyaan ini test statistik apa yang akan anda gunakan untuk
meneliti hipotesis-hipotesis null ini?
“tidak terdapat perbedaan antara perokok dan orang yang tidak merokok
dalam hal skor depresinya”
“tidak terdapat perbedaan antara perokok dan orang yang tidak merokok dan
afiliasi kelompok teman sejawat”
Untuk hipotesis pertama anda memilih t test dan untuk hipotesis kedua chi-
kuadrat. Bisakah anda mengidentifikasi kesimpulan apa yang diambil dalam
memilih kedua uji statistik ini berdasarkan tujuh kriteria di atas?
5. Membuat keputusan tentang menerima atau menolak hipotesis null. Misalkan
anda telah menghitung test statistik untuk kedua test hipotesis tersebut dengan
menggunakan data-data yang dilaporkan sebelumnya dalam tabel 6.2, misalkan
anda menggunakan SPSS versi 14.0 dan memiliki print out seperti tergambar
dalam tabel6.6. Dalam tabel 6.6 anda membandingkan orang perokok dan yang
bukan perokok dalam hal skor depresi mereka. Test statistik yang dihitung adalah
analisis t test dan hasilnya menyatakan bahwa 26 orang yang tidak merokok
memiliki rata-rata 69,77 dalam hal skor depresi, sedangkan 24 orang perokok
memiliki rata-rata 79,79 ini dengan perbedaan 10,02 diantara kedua kelompok itu.
Test signifikansi dua arah memperlihatkan nilai t = -7.49 dengan 48 df (derajat
kebebasan), dengan menghasilkan nilai ρ probabilitas = 0,00 (ρ = 0,00). Nilai ρ
signifikan karena ia lebih rendah dari nilai alpha = 0,05. Apabila nilai ρ nya lebih
rendah dari alpha ini berarti hipotesis nullnya ditolak; apabila nilai ρ nya itu lebih
besar dari nilai alpha, ini berarti hipotesis nulnya diterima. Kemudian kesimpulan
kita adalah terdapat perbedaan antara mereka yang bukan perokok dan yang
merokok dalam hal tingkat depresi mereka, kita menolak hipotesis null (terdapat
perbedaan) dan menerima hipotesis alternatif (terdapat perbedaan).
Dalam membuat pernyataan ini kita mengikuti prosedur berikut :
a) Lihat pada nilai test statistik dan nilai ρ nya. Anda bisa menemukan nilai ρ ini
pada print out.
b) Tentukan apakah nilai ρ yang teramati lebih rendah atau lebih tinggi dari nilai ρ
yang diperoleh dari distribusi skor untuk statistik dengan derajat kebebasan
tertentu dan dengan test satu atau dua arah pada tingkat signifikan tertentu.
Anda bisa menentukan nilai tabel untuk ρ secara manual dengan
membandingkan nilai statistik dengan nilai tabel distribusi untuk statistik atau
anda bisa minta bantuan program komputer untuk mengidentifikasi nilai ρ yang
teramati, dan anda bisa menginterpretasi apakah nilai tersebut lebih tinggi atau
lebih rendah dari nilai alpha.
c) Tentukan apakah hipotesis nullnya ditolak atau diterima. Kita perlu
menentukan apakah nilai ρ secara statistik signifikan untuk menolak atau
menerima hipotesis null. Statistical significance(signifikansi secara statistik)
adalah apabila nilai ρ dari skor yang teramati lebih rendah dari nilai alpha yang
sudah ditentukan sebelumnya oleh si peneliti.