Survei Designs
Survei Designs
Correlational research
1. Pengertian Correlational research
Desain korelasional memberikan kesempatan bagi Anda untuk memprediksi skor
dan menjelaskan hubungan antar variabel. Di dalam desain penelitian korelasional,
peneliti menggunakan uji statistik korelasi untuk mendeskripsikan dan mengukur derajat
hubungan (atau hubungan) antara dua atau lebih variabel atau kumpulan skor. Dalam
desain ini, peneliti tidak berusaha mengendalikan atau memanipulasi variabel seperti
dalam eksperimen; sebaliknya, mereka menghubungkan, dengan menggunakan statistik
korelasi, dua atau lebih skor untuk setiap orang (misalnya, motivasi siswa dan skor
prestasi siswa untuk setiap individu).
Korelasi adalah uji statistik untuk mengetahui kecenderungan atau pola dua (atau
lebih) variabel atau dua kumpulan data untuk bervariasi secara konsisten. Dalam kasus
hanya dua variabel, ini berarti dua variabel mempunyai varians yang sama, atau keduanya
saling berkovarian. kovarian dua variabel mempunyai dasar matematis yang agak rumit.
Kovarian artinya kita dapat memprediksi skor suatu variabel dengan mengetahui skor
individu pada variabel lain. Sebuah contoh sederhana mungkin bisa menggambarkan hal
ini. Asumsikan bahwa skor pada kuis matematika untuk siswa kelas empat berkisar antara
30 hingga 90. Kita tertarik pada apakah skor pada latihan matematika di kelas (satu
variabel) dapat memprediksi skor kuis matematika siswa (variabel lain). Jika skor pada
latihan tidak menjelaskan skor pada kuis matematika, maka kita tidak dapat memprediksi
skor siapa pun kecuali mengatakan bahwa skor tersebut mungkin berkisar antara 30
hingga 90. Jika latihan tersebut dapat menjelaskan varians dalam semua skor kuis
matematika, maka kita dapat memprediksi nilai matematika dengan sempurna. Situasi ini
jarang tercapai; sebaliknya, kita mungkin menemukan bahwa 40% perbedaan nilai kuis
matematika disebabkan oleh nilai latihan. Hal ini mempersempit prediksi kita pada skor
kuis matematika dari 30 menjadi 90 menjadi kurang dari itu, seperti 40 menjadi 60.
Idenya adalah ketika varians bersama meningkat, kita akan lebih mampu memprediksi
skor dari variabel independen ke variabel dependen (Gall, Gall, & Borg, 2007).
Statistik yang menyatakan korelasi sebagai hubungan linier adalah product–
moment correlation coefficient (korelasi bivariat, korelasi orde nol, atau sederhananya
Pearson r) .
(a) Variabel “jam penggunaan Internet” diplot pada X sumbu, sumbu horizontal.
(b) Variabel “depresi” diplot pada Y sumbu, sumbu vertikal.
(c) Setiap siswa dalam penelitian ini memiliki dua skor: satu untuk penggunaan
Internet berjam-jam per minggu dan satu untuk depresi.
(d) Tanda (atau titik) pada grafik menunjukkan skor setiap individu dalam hal
depresi dan jam penggunaan Internet setiap minggunya. Ada 10 skor (poin)
pada grafik, satu untuk setiap peserta penelitian.
Skor rata-rata (M) pada setiap variabel juga diplot pada grafik. Para siswa
menggunakan Internet rata-rata 9,7 jam per minggu, dan skor depresi rata-rata
mereka adalah 29,3. Menggambar garis vertikal dan horizontal pada grafik yang
berhubungan dengan skor rata-rata (M), kita dapat membagi plot menjadi empat
kuadran dan memberikan tanda minus (-) pada kuadran yang skornya “negatif”
dan tanda tambah (+) pada kuadran yang skornya “positif”. Dalam contoh kita,
memiliki skor depresi di bawah 29,3 (M) bernilai positif karena hal ini
menunjukkan bahwa siswa dengan skor tersebut mempunyai depresi yang lebih
sedikit. Skor di atas 29,3 (M) menunjukkan depresi yang lebih parah, dan ini
“negatif.” Alternatifnya, menggunakan Internet kurang dari 9,7 (M) jam per
minggu adalah “positif” (yaitu, karena siswa dapat menghabiskan lebih banyak
waktu untuk mengerjakan pekerjaan rumah), sedangkan menghabiskan lebih dari
9,7 jam adalah “negatif” (yaitu, penggunaan pencarian Internet yang berlebihan
akan mengorbankan hal lain). Baik mengalami depresi berat (di atas 29,3 untuk
depresi) maupun sering menggunakan Internet (di atas 9,7 untuk penggunaan
Internet) adalah apa yang mungkin telah kita prediksi berdasarkan literatur
sebelumnya.
Perhatikan tiga aspek penting tentang skor pada plot ini. Pertama, arah skor
menunjukkan kapan X meningkat, Y meningkat juga, menunjukkan hubungan
yang positif. Kedua, titik-titik pada scatter plot cenderung membentuk garis lurus.
Ketiga, titik-titik tersebut akan mendekati garis lurus jika kita menarik garis
melalui semuanya. Ketigagagasan ini berkaitan dengan arah, bentuk asosiasi,
dan derajat hubungan itu kita bisa belajar dari mempelajari plot pencar ini. Kita
akan menggunakan informasi ini nanti ketika kita membahas hubungan antara
skor dalam penelitian korelasi.
2) A Correlation Matrix
Peneliti korelasi biasanya menampilkan koefisien korelasi dalam sebuah
matriks. Matriks korelasi menyajikan tampilan visual koefisien korelasi seluruh
variabel dalam suatu penelitian. Dalam tampilan ini, kami mencantumkan semua
variabel pada baris horizontal dan kolom vertikal dalam tabel. Peneliti korelasi
menyajikan koefisien korelasi dalam matriks dalam laporan penelitian yang
dipublikasikan.
Contohnya dapat dilihat pada Tabel 11.1, yang melaporkan koefisien
korelasi enam variabel dalam studi variabel yang berhubungan dengan kepuasan
sekolah di kalangan siswa sekolah menengah. Perhatikan bahwa keenam
variabel tercantum dalam baris horizontal dan kolom vertikal. Untuk
menyederhanakan tabel, penulis memberikan nomor pada variabel dan hanya
menyertakan nomor pada judul kolom. Koefisien yang berkisar antara -0,33 dan
+0,65 dilaporkan dalam sel dalam tabel. Kita hanya mengisi separuh sel bagian
bawah karena separuh sel di atas diagonal hanya akan mengulangi informasi yang
sama. Terakhir, tanda bintang menunjukkan apakah statistik koefisien berkorelasi
signifikan secara statistik pada p< 0.05 dan p < 0.01 level.
c) Multiple Variable Analysis
1) Korelasi Parsial
Dalam banyak situasi penelitian, kita mempelajari tiga, empat, atau lima
variabel sebagai prediktor hasil. Jenis variabel disebut variabel mediasi “stands
between” variabel independen dan dependen dan mempengaruhi keduanya.
Variabel ini berbeda dengan variabel kontrol yang mempengaruhi hasil suatu
eksperimen. Kita gunakan korelasi parsial untuk menentukan jumlah varians yang
dijelaskan oleh variabel mediasi keduanya variabel independen dan dependen.
Gambaran dua variabel yang diikuti dengan dimasukkannya variabel
ketiga dapat membantu menjelaskan korelasi parsial. Perhatikan Gambar 11.3,
yang menunjukkan korelasi bivariat (dua variabel) di sisi kiri dan analisis korelasi
parsial (tiga variabel) di sisi kanan. Asumsikan bahwa seorang peneliti melakukan
penelitian yang menghubungkan waktu mengerjakan tugas dengan prestasi anak
sekolah menengah. Setelah mengumpulkan skor, peneliti kami menghitung
koefisien korelasi dengan hasil r = .50. Gambar 11.3 menunjukkan hubungan ini
dan juga r2, atau proporsi variansi bersama antara kedua variabel. Namun,
situasinya lebih rumit. Motivasi siswa, variabel ketiga, juga dapat mempengaruhi
waktu siswa dalam mengerjakan tugas dan prestasi mereka di kelas. Peneliti
mengidentifikasi variabel ketiga ini berdasarkan tinjauan literatur dan studi teori
masa lalu yang menunjukkan faktor-faktor yang mungkin mempengaruhi prestasi
siswa. Dalam perancangannya, motivasi perlu dihilangkan agar hubungan antara
waktu mengerjakan tugas dan prestasi dapat ditentukan dengan lebih jelas.
Analisis statistik korelasi parsial digunakan untuk menghilangkan variansi
bersama dalam waktu mengerjakan tugas dan prestasi berdasarkan motivasi.
Perhitungan matematis untuk koefisien ini tersedia di buku statistik; ini
didasarkan pada koefisien korelasi antara ketiga variabel dan variansnya. Area
yang diberi tanda penetasan menunjukkan varians bersama yang tersisa setelah
menghilangkan efek motivasi, dan r2= (0.35)2 sekarang lebih rendah dari korelasi
aslinya r = 0.50.
2) Regresi Berganda
Peneliti korelasi menggunakan statistik korelasi untuk memprediksi skor
di masa depan. Untuk melihat dampak beberapa variabel terhadap suatu hasil,
peneliti menggunakan analisis regresi. Kita akan mulai dengan memahami garis
regresi dan kemudian melanjutkan ke analisis menggunakan regresi.
Garis regresi adalah garis “paling cocok” untuk semua poin skor pada
grafik. Garis ini paling dekat dengan semua titik pada plot dan dihitung dengan
menggambar garis yang meminimalkan kuadrat jarak titik-titik tersebut dari garis.
Perhatikan Gambar 11.4, yang merupakan grafik yang sama dengan yang
digunakan pada Gambar 11.1, yang menunjukkan hubungan antara “jam
penggunaan Internet per minggu” dan “skor depresi” pada siswa sekolah
menengah. Gambar 11.4 sekarang berisi informasi tambahan: lebih detail tentang
garis regresi. Anda dapat melihat bagaimana garis tersebut mendekati semua
titik pada grafik, dan kami menggambarnya secara diagonal yang konsisten
dengan korelasi positif antara penggunaan Internet dan skor depresi.
Y (diprediksi)=b (X )+a
Di mana
Y = skor prediksi pada depresi
X = skor aktual pada jumlah jam penggunaan Internet
b = kemiringan garis regresi (disebut koefisien regresi tidak
terstandarisasi)
a = intersep atau konstanta, nilai prediksi Y (depresi) skor ketika X=0
Y (diprediksi)=b 1 (X 1 )+ b2 (X 2 )+a
Di mana
Jika kita ingin memprediksi skor seseorang pada suatu kuis, misalnya, dari
waktu mengerjakan tugas ( X 1 ) dan pencapaian sebelumnya ( X 2 ), kami akan
mengganti skor mereka pada kedua ukuran tersebut ke dalam rumus. Asumsikan
waktu penyelesaian tugas adalah 10 dan pencapaian sebelumnya adalah 70. Skor
prediksi dari kombinasi dua variabel independen ini adalah
c) Identifikasi dua atau lebih ukuran untuk setiap individu dalam studi
Karena ide dasar penelitian korelasional adalah untuk membandingkan peserta
dalam kelompok tunggal berdasarkan dua atau lebih karakteristik, ukuran variabel
dalam pertanyaan penelitian perlu diidentifikasi (misalnya, penelusuran literatur dari
penelitian sebelumnya), dan instrumen yang mengukur variabel perlu diidentifikasi.
didapat. Idealnya, instrumen-instrumen tersebut harus mempunyai validitas dan
reliabilitas yang terbukti. Kita dapat memperoleh izin dari penerbit atau penulis
untuk menggunakan instrumen tersebut. Biasanya, satu variabel diukur pada setiap
instrumen, namun satu instrumen mungkin memuat kedua variabel yang
dikorelasikan dalam penelitian.
d) Kumpulkan data dan pantau potensi ancaman
Langkah selanjutnya adalah mengelola instrumen dan mengumpulkan setidaknya
dua set data dari masing-masing individu. Desain penelitiannya agak sederhana
sebagai presentasi visual. Dua skor data dikumpulkan untuk setiap individu hingga
kita memperoleh skor dari setiap orang dalam penelitian.
e) Analisis data dan sajikan hasilnya
Tujuan dalam penelitian korelasional adalah untuk menggambarkan derajat
hubungan antara dua variabel atau lebih. Penyelidik mencari pola tanggapan dan
menggunakan prosedur statistik untuk menentukan kekuatan hubungan serta
arahnya. Hubungan yang signifikan secara statistik, jika ditemukan, tidak berarti
sebab-akibat (sebab-akibat) melainkan hanya hubungan antar variabel. Prosedur yang
lebih ketat, seperti yang digunakan dalam eksperimen, dapat memberikan kontrol
yang lebih baik dibandingkan dengan yang digunakan dalam studi korelasional.
Analisis dimulai dengan pengkodean data dan mentransfernya dari instrumen ke
dalam file komputer. Kemudian peneliti perlu menentukan statistik yang tepat untuk
digunakan. Pertanyaan awal adalah apakah data tersebut berhubungan secara linier
atau lengkung. Plot sebar skor (jika studi bivariat) dapat membantu menentukan
pertanyaan ini. Selain itu, pertimbangkan hal berikut:
1) Apakah hanya satu variabel prediktor yang dipelajari (koefisien korelasi Pearson)
2) Apakah suatu variabel mediasi menjelaskan variabel prediktor dan kriteria serta
perlu dikontrol (koefisien korelasi parsial)
3) Apakah perlu dipelajari lebih dari satu variabel prediktor untuk menjelaskan
variabilitas suatu variabel kriteria (koefisien regresi berganda)
Selain itu, berguna juga untuk melaporkan ukuran efek ( r 2). Dalam analisis
korelasional, ukuran umum dari besaran pengaruh adalah koefisien korelasi Pearson
yang dikuadratkan. Dalam merepresentasikan hasil, peneliti korelasional akan
menyajikan matriks korelasi seluruh variabel serta tabel statistik (untuk studi regresi)
yang melaporkan nilai R dan R2 dan bobot beta untuk setiap variabel.
f) Interpretasikan hasilnya
Langkah terakhir dalam melakukan penelitian korelasional adalah menafsirkan
makna hasil. Hal ini memerlukan pembahasan besaran dan arah hasil dalam studi
korelasional, mempertimbangkan dampak variabel mediasi dalam studi korelasi
parsial, menafsirkan bobot regresi variabel dalam analisis regresi, dan
mengembangkan persamaan prediktif untuk digunakan dalam studi prediksi.
C. Survei Designs
1. Pengertian Survei Research Designs
Survei Research Designs adalah prosedur dalam penelitian kuantitatif di mana
peneliti melakukan survei terhadap sampel atau seluruh populasi untuk
menggambarkan sikap, pendapat, perilaku, atau karakteristik populasi. Peneliti
mengumpulkan data kuantitatif dengan menggunakan kuesioner atau wawancara dan
menganalisis data secara statistik untuk menggambarkan tren tentang respons terhadap
pertanyaan dan untuk menguji pertanyaan atau pertanyaan penelitian.
Survei Designs berbeda dari penelitian eksperimental karena tidak melibatkan
perlakuan yang diberikan peneliti kepada partisipan. Karena survey researchers tidak
memanipulasi kondisi secara eksperimental, mereka tidak dapat menjelaskan sebab dan
akibat sebaik peneliti eksperimental. Sebaliknya, studi survei menggambarkan tren data
dibandingkan memberikan penjelasan yang teliti. Survey researchers memiliki banyak
kesamaan dengan desain korelasional. Peneliti survei sering kali mengkorelasikan
variabel, namun fokus mereka lebih diarahkan pada pembelajaran tentang suatu
populasi dan bukan pada menghubungkan variabel atau memprediksi hasil, seperti fokus
dalam penelitian korelasional.
Survei Research bertujuan untuk menggambarkan tren, seperti minat masyarakat
terhadap masalah obligasi sekolah atau tren negara bagian atau nasional tentang
suatu kebijakan dan juga penelitian survei digunakan untuk menentukan pendapat
individu tentang isu-isu kebijakan, seperti apakah siswa memerlukan pilihan
sekolah untuk bersekolah dan survei membantu mengidentifikasi keyakinan dan
sikap penting individu.
Daftar Pustaka
Babbie, E. (2013). The practice of social research (03th ed.). Belmont, CA: Wadsworth.
Brown, B. L., & Hedges, D. (2009). Use and misuse of quantitative methods. In D. M.
Mertens & P. E. Ginsberg (Eds.), The handbook of social research ethics (pp. 373–
390). Thousand Oaks, CA: SAGE
Dillman, D. A. (2007). Mail and Internet surveys: The tailored design method (2nd ed.).
Hoboken, NJ: Wiley.
Fink, A. (2013). How to conduct surveys: A step-by step guide (5th ed.). Los Angeles: Sage.
Fowler, F. J. (2009). Survey research methods (4th ed.). Los Angeles: Sage.
Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.).
Belmont, CA: Wadsworth/Thomson Learning.
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.).
New York: Guilford Press.
Pedhazur, E. J. (1997). Multiple regression in behavioral research: Explanation and
prediction (3rd ed.). Fort Worth, TX: Harcourt Brace.
Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data
analysis methods (2nd ed.). Thousand Oaks, CA: SAGE.
Salkind, N. J. (2010). Statistics for people who (think they) hate statistics (4th ed.). Thousand
Oaks, CA: SAGE.