STATISTIKA DASAR (Bagian 1,2,3,dan 4 )

A. PENGUKURAN DISTRIBUSI

1. Kemiringan (Skewness)

Kemiringan (Dihitung Jika W >= 3 Dan S² > 0)

Dimana:

W = Sum of weight of the cases

S = Simpangan Baku

Jika n > 150 gunakan kurva normal sebagai pembanding.

2. Keruncingan (Kurtosis)

Keruncingan (Dihitung Jika W >= 4 Dan S² > 0)

Jika n > 1000, gunakan kurva normal sebagai pembanding

Jika n <>

3. Normalitas (Normality)

a. Statistik Shapiro-Wilks (W)

b. Statistik Kolmogorov-Smirnov dengan Signifikansi Lilliefors

c. Plot Probabilitas Normal

d. Plot Normal yang di-Detrend

STATISTIKA DASAR (Bagian 3)

A. PENGUKURAN PENYIMPANGAN DATA (DISPERSION / DEVIATION/ VARIATION MEASUREMENT)

Nilai maksimum (X_max), nilai minimum (X_min), dan rentang (X_max - X_min).

1. Untuk Arithmatic Mean

1. Simpangan Rata-rata / Simpangan Mutlak Rata-rata Hitung (Absolute Average Deviation)

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

2. Koefisien Sebaran (Coefficient Deviation)

3. Variansi (Variance)

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

Catatan: Untuk data yang berasal dari sensus, maka penggunaan notasinya menjadi sebagai berikut,

4. Simpangan Baku (Standard Deviation)

5. Dispersi Relatif (Relative Dispersion)

6. Koefisien Variasi (Coefficient Variation)

7. Angka Z

8. Angka Baku

Untuk distribusi normal baku dengan rata-rata hitung = 0 dan simpangan baku = 1, maka angka baku = Z.

2. Untuk Median

1. Rentang Antar Kuartil (Interquartile Range)

2. Rentang Semi Antar Kuartil (Semi Interquartile Range)

3. Untuk Modus

Frekuensi relatif dari nilai modus atau frekuensi relatif dari kelas modus.

STATISTIKA DASAR (Bagian 2)

A. PENGUKURAN POSISI / LOKASI DATA (POSITION / LOCATIONMEASUREMENT)

1. Median

Catatan: Sudah dipaparkan pada poin A.1.b.

2. Kuartil (Quartile)

1. Menentukan posisi kuartil ke-i

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

a. Menentukan nilai kuartil ke-i

2. Desil (Decile)

1. Menentukan posisi desil ke-i

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

b. Menentukan nilai desil ke-i

3. Persentil (Percentile)

a. Menentukan posisi persentil ke-i

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

b. Menentukan nilai persentil ke-i

4. Titik Potong (Cut Point)

a. Menentukan posisi Titik Potong ke-i

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

b. Menentukan nilai titik potong ke-i

Catatan: Cut Point digunakan dalam rangka fleksibilitas pengelompokan data. Jadi jika tidak data tidak ingin dibagi dua, empat, sepuluh, atau seratus, maka Cut Point digunakan.Misalkan data ingin dibagi dalam tiga kelompok, lima kelompok, enam kelompok, lima belas kelompok, tiga puluh kelompok maupun yang lainnya maka digunakanlah Cut Point ini.

STATISTIKA DASAR (Bagian 1)

A. PENGUKURAN KECENDERUNGAN PEMUSATAN DATA (CENTRAL TENDENCY MEASUREMENT)

1. Jenis

a. Rata-rata (Mean/Average)

1) Rata-rata Ukur/Geometrik (Geometric Mean)

Untuk bilangan yang besar lebih baik digunakan:

1. Data Dikelompokkan

2. Data Tidak Dikelompokkan

Catatan: Untuk fenomena yang bersifat tumbuh sering digunakan ukuran yang mirip dengan rata-rata ukur, yaitu;

2) Rata-rata Harmonik (Harmonic Mean)

a) Data Dikelompokkan

b) Data Tidak Dikelompokkan

3) Rata-rata Hitung (Arithmatic Mean)

a) Data Dikelompokkan

b) Data Tidak Dikelompokkan

Catatan: Untuk populasi digunakan notasi μ sebagai pengganti dan N sebagai pengganti n, sehingga rumus untuk Rata-rata Hitung bagi data yang tidak dikelompokkan menjadi,

Untuk rumus-rumus yang lain juga dapat menggunakan penggantian notasi sebagaimana di atas bila data yang dianalisis adalah hasil sensus.

4) Rata-rata Terbobot (Weighted Mean)

Waverage

Haverage

5) Rata-rata Terpotong 5% (5% Trimmed Mean)

6) Rata-rata Tengah (Interquartile Mean)

7) Rata-rata Wilayah (Area Mean)

8) Tri Rata-rata (Mean of Triple Central Measures)

b. Median

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

Median adalah nilai yang berada di tengah jika data diurutkan.

a) Banyaknya data merupakan bilangan genap

(1) Menentukan posisi Median

(2) Menentukan nilai Median

b) Banyaknya data merupakan bilangan ganjil

(1) Menentukan posisi Median

(2) Menentukan nilai Median

3) Median sebagai Estimator (M-Estimator)

c. Modus

1) Data Dikelompokkan

2) Data Tidak Dikelompokkan

2. Prosedur Pemilihan

a. Rata-rata Hitung

Rata-rata hitung digunakan apabila:

1) Jenis datanya adalah numerik interval/rasio.

Jika datanya numerik ordinal, gunakan median.

Jika datanya kategorik, gunakan modus.

2) Sebaran datanya simetrik

Jika sebaran datanya tidak simetrik, gunakan Tri Rata-rata (tidak terdapat di SPSS), Rata-rata Tengah (tidak terdapat di SPSS) atau Median/Modus.

3) Tidak ada data pencilan (outlier) maupun pencilan jauh (outliest)

Jika ada pencilan, periksa terlebih dahulu apakah pengukuran sudah dilakukan dengan benar atau tidak.

Jika terjadi kekeliruan pengukuran, maka data dapat dibuang/diganti dengan data baru.

Jika pengukuran sudah dilakukan dengan benar, maka data tidak boleh dihilangkan dan untuk menghilangkan pencilan, dapat ditambah jumlah sampel.

Jika pencilan atas tak lebih dari 5% dan pencilan bawah juga tak lebih dari 5%, gunakan Rata-rata Terpotong 5%.

Jika pencilan atas/bawah lebih dari 5% namun tak lebih dari 25%, gunakan Rata-rata Tengah (tidak terdapat di SPSS).

Jika pencilan atas/bawah ada yang melebih 25%, gunakanMedian Estimator.

4) Untuk inferensi, sebaran data harus berdistribusi normal.

Untuk kepentingan ini dibuat selang kepercayaan (Interval Confidence) dengan menggunakan ± Kesalahan Baku dari Rata-rata Hitung (Standard Error of Arithmatic Mean) dengan rumus:

atau menggunakan

Untuk rata-rata terbobot selang kepercayaannya:

Jika sebaran tidak berdistribusi normal, lakukan transformasi.

Jika transformasi dilakukan berulang dan sebaran tetap tidak normal, maka gunakan Median/Modus untuk kepentingan inferensi.

Catatan: Jika Arithmatic Mean memenuhi syarat untuk digunakan, maka keseluruhan ukuran pemusatan data, ukuran posisi, dan ukuran dispersi juga dapat digunakan.

b. Median

Median digunakan bila:

1) Arithmatic Mean tak memenuhi syarat pada data berjenis interval/rasio seperti:

a) Sebaran data yang tidak simetrik

b) Untuk inferensi jika sebaran data tidak normal dengan selang kepercayaan:

2) Digunakan pada data numerik ordinal.

Catatan: Jika Arithmatic Mean tak memenuhi syarat untuk digunakan sehingga hanya digunakan Median, maka Variansi dan Simpangan Baku juga tak layak untuk digunakan. Dalam hal ini digunakan Interquartile Range dan Semi Interquartile Range(tidak terdapat di SPSS) untuk ukuran variasinya.

c. Modus

Modus digunakan bila:

1) Arithmatic Mean tak memenuhi syarat pada data berjenis interval/rasio seperti:

a) Sebaran data yang tidak simetrik

b) Untuk inferensi jika sebaran data tidak normal

begitu pula Median.

2) Digunakan pada data kategorik.

Catatan: Jika Arithmatic Mean dan Median tak memenuhi syarat untuk digunakan sehingga hanya digunakan Modus, maka Variansi, Simpangan Baku dan Interquartile Range sertaSemi Interquartile Range juga tak layak untuk digunakan.Dalam hal ini digunakan Relative Frequency of Modal Value or Class (tidak terdapat di SPSS) dan yang lainnya.

sumber : http://omegahat.blogspot.com

Konsep-Konsep Dasar Penelitian (Bagian 7)

A. ANALISIS DATA

1. Univariat, Bivariat, dan Multivariat

Univariate Analysis, adalah analisis yang dilakukan untuk satu variabel atau per variabel.

Catatan: Dalam pengertian tertentu, analisis deskriptif menjadi sama dengan analisis univariat.

Bivariate Analysis, adalah analisis yang dilakukan untuk menganalisis hubungan dua variabel.

Multivariate Analysis, adalah analisis yang dilakukan untuk menganalisis hubungan lebih dari dua variabel.

Catatan: Karena pada saat sekarang kecenderungan penelitian melibatkan banyak variabel, maka terjadi kecenderungan analisis multivariat pula. Agar penamaan analisis multivariat tidak menjadi suatu analisis yang ”biasa”, maka sekarang digunakan pengertian lain dalam analisis hubungan asimetrik, yaitu;

Univariate Analysis, adalah analisis yang dilakukan pada dua atau lebih variabel yang hanya memiliki 1 variabel terikat.

Dengan pengertian ini, analisis univariat menjadi tak sama lagi dengan analisis deskriptif.

Multivariate Analysis, adalah analisis yang dilakukan pada tiga ataulebih variabel yang memiliki dua atau lebih variabel terikat.

Program SPSS menggunakan konsep seperti ini.

2. Parametrik dan Nonparametrik

Parametric Analysis, analisis yang dilakukan untuk menguji parameter/berdasarkan asumsi-asumsi tertentu dan biasanya salah satu asumsinya adalah distribusi normal.

Catatan: keluarga distribusi normal antara lain adalah;

a. Distribusi Gauss

b. Distribusi Fisher

c. Distrbusi Student.

Nonparametric Analysis, analisis yang dilakukan tidak untuk menguji parameter/tidak berdasarkan asumsi-asumsi tertentu.

Catatan: salah satu keluarga distribusi yang termasuk dalam kategori statistika bebas distribusi (free distribution statistics) adalah Chi-Square.

3. Deskriptif dan Inferensial

Descriptive Analysis, seperti yang telah dipaparkan sebelum ini adalah analisis yang dilakukan untuk satu variabel atau per variabel.

Dalam pengertian yang lain, analisis deskriptif adalah analisis dimana kesimpulan yang didapat hanya diberlakukan pada data tersebut, tanpa melakukan generalisasi pada lingkup data yang lebih luas.

Catatan: a. pada pengertian pertama, analisis deskriptif merupakan komplemen untuk analisis bi/multivariat.

b. pada pengertian yang kedua, analisis deskriptif merupakan komplemen untuk analisis inferensial dan lebih cocok untuk sensus.

Penggunaan istilah deskriptif pada SPSS jika dikaitkan dengan konsep yang telah dipaparkan adalah sebagai berikut:

SPSS		Konsep yang Dipaparkan
Descriptive Statistics	Descriptives	Statistika Deskriptif
	Crosstab	Statistika Nonparametrik	Statistika Bebas Distribusi
Nonparametric Test			Uji Nonparametrik

Inference Analysis, adalah analisis dimana kesimpulan yang didapat (dari sampel) digunakan untuk melakukan generalisasi pada lingkup data yang lebih luas (populasi) pada survey.

4. Eksplorasi dan Konfirmasi

Exploratory Analysis, atau disebut juga Tukey Analysis dilakukan dengan cara melakukan berbagai analisis yang memungkinkan untuk memahami/menemukan suatu sifat/pola tertentu pada data.

Karena itu analisis eksplorasi dilakukan seperti pekerjaan seorang detektif dengan model sebagai berikut:

Catatan: Analisis eksplorasi cocok digunakan untuk penelitian yang tidak menguji hipotesis seperti Data Driven Research.

Confirmatory Analysis, adalah analisis yang dilakukan untuk menguji hipotesis yang telah dibuat berdasarkan teori tertentu (mengkonfirmasi teori) seperti pada Theory Driven Research.

Modelnya dapat digambarkan sebagai berikut:

Konsep-Konsep Dasar Penelitian (Bagian 6

F. POPULASI DAN SAMPEL

1. Statistik dan Parameter

Statistic, adalah ukuran yang berlaku bagi sampel.

Parameter, adalah ukuran yang berlaku bagi populasi.

Contoh:

(klik gambar untuk memperjelas tulisan)

2. Populasi Tak Hingga, Terhingga, Terjangkau, dan Tersedia

Uncountable Population, adalah populasi dengan ukuran yang sulit untuk dihitung jumlahnya.

Kesulitan terjadi karena:

a. Jumlahnya secara riil memang tak terhingga

b. Jumlahnya sangat besar, sehingga peneliti memerlukan waktu yang sangat lama untuk menghitungnya

c. Jumlahnya dipengaruhi oleh variabel waktu yang belum diketahui batasnya.

Dampaknya populasi secara konseptual dapat didefinisikan tetapi

ukurannya “tidak dapat” ditentukan.

Contoh: a. Jumlah benda angkasa di alam semesta.

b. Jumlah kendaraan yang lewat di jalanan kota Pontianak pada hari Minggu.

c. Jumlah pelanggan supermarket Garuda Mitra.

Countable Population, adalah populasi yang ukurannya dapat dihitung biasanya dengan menambahkan batasan (karakteristik) tertentu.

Populasi ini dapat merupakan accessible maupun nonaccessible population, tergantung dari sumber daya yang dimiliki oleh peneliti, baik waktu, tenaga, maupun biaya.

Contoh: Siswa SD se-Kalbar tahun 2007

Jumlah pelanggan Bank se-Kota Pontianak tahun 2006.

Reached/Accesible Population, adalah populasi yang penentuan karakteristiknya dilakukan agar jumlahnya dapat dijangkau oleh peneliti.

Contoh: a. Jumlah pelanggan supermarket Garuda Mitra pada tanggal 26 Februari 2007.

b. Siswa Kelas VIII SLTPN 2 Pontianak yang terdaftar pada Tahun Pelajaran 2006/2007

Available Population, adalah populasi yang tersedia yang dapat dijadikan sumber data dalam penelitian.

Terkadang meskipun jumlah populasi dapat dijangkau misalkan untuk jumlah “Siswa Kelas VIII SLTPN 2 Pontianak yang Terdaftar pada Tahun Pelajaran 2006/2007”. Namun ketika diadakan penelitian satu atau beberapa orang diantaranya tidak dapat diteliti baik karena telah meninggal dunia, berkunjung ke luar negeri, ataupun karena hal-hal lainnya.Sehingga yang dapat diteliti (tersedia) jumlahnya jadi berkurang.

Jika peneliti memperhitungkan hal ini, maka kondisi yang dianggap bakal berpengaruh terhadap ketersediaan populasi sebaiknya dimasukkan sebagai karakteristik populasi.

Contoh: Siswa Kelas VIII SLTPN 2 Pontianak yang terdaftar pada Tahun Pelajaran 2006/2007 yang tidak sedang berkunjung ke luar negeri.

3. Sampel Random dan Non Random

Sample, adalah sebagian dari populasi yang digunakan sebagai sumber data penelitian.

Sampel digunakan karena lebih efisien dibandingkan menggun akan populasi sebagai sumber data antara lain dalam hal:

a. Waktu

b. Tenaga

c. Biaya

d. Tingkat kerusakan yang lebih kecil

dengan efektivitas (tingkat akurasi) yang dapat dikatakan sebagai ”sama baiknya”.

Random Sample, adalah sebagian dari populasi yang diambil secara random sehingga memenuhi prinsip probabilitas, baik yang bersyarat (conditional probability) maupun tidak (unconditional probability).

Teknik random sampling ini dapat berupa:

a. Simple Random Sampling

b. Stratified Random Sampling

c. Cluster Random Sampling

d. Proportional Random Sampling.

Dalam pelaksanaannya penentuan sampel secara random antara lain dapat menggunakan:

a. Cara undian/arisan

b. Tabel bilangan random

c. Lemparan dadu

d. Kalkulator

e. Komputer.

Non Random Sample, adalah bagian dari populasi yang diambil tidak secara random.

Teknik non random sampling ini dapat berupa:

a. Purposive Sampling

b. Accidental Sampling

c. Quota Sampling.

Konsep-Konsep Dasar Penelitian (Bagian 5)

E. VARIABEL

Variabel penelitian adalah objek yang diteliti yang memiliki nilai yang bervariasi. Dengan demikian sesuatu yang hanya mempunyai satu nilai (tidak mempunyai nilai yang bervariasi) tidak dapat dinyatakan sebagai variabel, tetapi konstanta (constant).

1. Kualitatif dan Kuantitatif

Qualitative Variable, adalah variabel yang datanya berupa data kualitatif (skala nominal atau ordinal).

Quantitative Variable, adalah variabel yang datanya berupa angka (skala ordinal, interval, atau rasio).

2. Bebas dan Terikat

Variabel Bebas (Independent Variable), adalah variabel yang mempengaruhi variabel yang lain (variabel terikat).

Variabel Terikat (Dependent Variable), adalah variabel yang dipengaruhi oleh variabel lain (variabel bebas).

Dua pengertian di atas memperlihatkan bahwa istilah dua jenis variabel ini muncul pada penelitian (study) pengaruh.

Jika digambarkan, modelnya akan menjadi:

Contoh: Pada penelitian tentang ”Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”, yang menjadi VB adalah ”IQ” dan yang menjadi VT adalah ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”.

Catatan: Pada penelitian korelasional tidak dikenal istilah variabel bebas dan terikat, karena;

a. Pada hubungan relasional tidak ada variabel yang ”mempengaruhi” (VB) maupun ”dipengaruhi” (VT).

Contoh: Hubungan Kemampuan Berbahasa Arab dan Kemampuan Berbahasa Inggris Mahasiswa.

b. Pada hubungan resiprokal tiap variabel ”mempengaruhi” dan ”dipengaruhi” oleh variabel yang lain, sehingga penentuan VB dan VT menjadi rancu.

Contoh: Hubungan Motivasi dan Hasil Belajar Mahasiswa.

3. Kontrol dan Ekstrane

Ketika peneliti merasa tidak puas dengan hasil yang ditunjukkan oleh variabel bebas dan variabel terikat yang dianalisis, maka perlu dilakukan analisis lanjutan dengan memperhitungkan variabel-variabel yang lain (variabel-variabel penjelas) yang dapat lebih menjelaskan realitas yang sesungguhnya. Analisis lanjutan ini disebut dengan analisis penjelas (elaboration). Sedangkan variabel yang perlu diperhitungkan dalam analisis ini antara lain adalah variabel kontrol dan variabel ekstrane.

Control Variable, adalah variabel yang dikendalikan pengaruhnya terhadap variabel terikat. Pengendalian ini dilakukan dengan menggunakan nilai yang sama (dijadikan konstanta).

Contoh: Jika meneliti tentang ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel lain yang juga diduga berpengaruh terhadap ”Nilai” dimaksud seperti ”Minat” dikendalikan (VK), yaitu dengan menggunakan satu nilainya saja seperti mahasiswa yang memiliki minat belajar Statistika yang ”Tinggi”.

Control variable ini sering ditemukan pada penelitian di bidang eksakta, terutama pada penelitian eksperimental. Pada bidang sosial, pengontrolan variabel lebih sulit dilakukan terutama pada penelitian observasional.

Catatan: Pengontrolan variabel yang berpengaruh terhadap VT selain dapat dilakukan dengan cara membuat variabel menjadi konstanta (secara metodologis), juga dapat dilakukan dengan pengontrolan secara statistis/matematis.Pengontrolan secara statistis dapat dilihat secara eksplisit pada analisis-analisis parsial.

Extraneous Variable, adalah variabel yang diabaikan pengaruhnya terhadap variabel terikat, karena pengaruhnya dianggap tidak signifikan.

Contoh: Jika meneliti tentang ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT) yang diduga dipengaruhi oleh IQ-nya (VB), maka variabel lain yang juga diduga berpengaruh terhadap ”nilai” dimaksud namun dianggap pengaruhnya kecil (negligible) sehingga tak berarti (nonsignificant) seperti ”Penggunaan Ruangan ber-AC”, diabaikan.

4. Antara dan Moderator

Variabel-variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas adalah sebagai berikut:

Intervening Variable, adalah variabel yang menjadi perantara efek dari VB ke VT. Dengan demikian VB secara langsung memberikan efek terhadap VI, kemudian VI memberikan efek terhadap VT yang di dalamnya termasuk efek (tak langsung) dari VB.

Jika digambarkan modelnya akan menjadi:

Contoh: Pada penelitian tentang ”Pengaruh IQ terhadap Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika”, sebenarnya pengaruh dari ”IQ” (VB) tidaklah langsung terhadap ”Nilai yang Dicapai Mahasiswa dalam Perkuliahan Statistika” (VT), tetapi melalui suatu variabel lain yaitu ”Proses Belajar Statistika” (VI).

Moderator Variable, yaitu variabel yang memberikan dampak terhadap pengaruh VB kepada VT.

Jika digambarkan modelnya akan menjadi:

Contoh: Pada penelitian tentang ”Efek Motivasi terhadap Proses Belajar Mahasiswa di Kelas pada Mata Kuliah Statistika”, peneliti menduga bahwa motivasi yang diukur sebelum perkuliahan dilaksanakan berdampak positif terhadap proses belajar yang diamati secara langsung. Namun hasil penelitian ternyata tidak sesuai dengan dugaan tersebut. Bisa saja dampaknya tidak signifikan atau bahkan dampaknya negatif.

Peneliti kemudian menduga bahwa hal ini terjadi karena pengaruh dari ”Cara Mengajar Dosen” yang membuat mahasiswa yang motivasinya tinggi tetapi proses belajarnya di kelas tidak baik atau sebaliknya. Jika kemudian ”Cara Mengajar Dosen” ikut dilibatkan dalam penelitian, maka ia berkedudukan sebagai VM.

Dampak VM terhadap pengaruh VB kepada VT selain dijelaskan melalui prosesnya sebagaimana yang telah dipaparkan di atas, juga dapat dijelaskan melalui pengaruhnya terhadap VB sekaligus terhadap VT, sehingga modelnya digambarkan sebagai berikut:

Contoh: Dari contoh penelitian tentang ”Efek Motivasi terhadap Proses Belajar Mahasiswa di Kelas pada Mata Kuliah Statistika”, sebenarnya dapat dipandang bahwa ”Cara Mengajar Dosen” memberikan dampak terhadap ”Motivasi Belajar” mahasiswa sekaligus terhadap ”Proses Belajar” mereka.

Catatan: Jika melihat kedudukannya dalam model, maka VM sebenarnya adalah VB. Tetapi karena VM dimunculkan untuk menjelaskan pengaruh VB terhadap VT, maka kedudukan VM dalam analisis dianggap sebagai VB Kedua (Secondary Independent Variable).

Jika bukan dalam analisis penjelas maka model kedua yang menggambarkan kedudukan VM, dapat membuat kedudukan VB berubah menjadi VI dengan model sebagai berikut:

(klik gambar untuk memperjelas tulisan)

5. Komponen, Pengganggu, dan Penekan

Beberapa variabel lain yang juga dapat memberikan kontribusi dalam analisis penjelas adalah sebagai berikut:

Component Variable, adalah bagian dari suatu variabel yang apabila diperlakukan sebagai variabel tersendiri akan dapat memberikan hasil penelitian yang lebih baik.

Contoh: Tes IQ (VB) diduga memiliki pengaruh yang signifikan terhadap hasil belajar dalam mata kuliah Statistika (VT). Mungkin akan lebih baik jika setiap bagian dari Tes IQ dianalisis sebagai VB yang terpisah yaitu: Tes Verbal (VB1), Tes Spasial (VB2), Tes Logikal (VB3), dan Tes Numerikal (VB4) sehingga dapat diketahui komponen Tes IQ mana yang berpengaruh atau tak berpengaruh signifikan serta yang mana yang pengaruhnya paling signifikan terhadap hasil belajar dalam mata kuliah Statistika (VT). Mungkin juga akan lebih baik lagi jika hasil belajar Statistika dianalisis komponennya secara terpisah (dianggap sebagai variabel-variaabel tersendiri) juga.

Distractor Variable, yaitu variabel yang dapat mengungkapkan bahwa kesimpulan yang benar dari suatu analisis adalah kebalikan dari apa yang disimpulkan pada desain sebelumnya.

Contoh: Suatu hasil penelitian menunjukkan bahwa pelanggan suatu bank ternyata lebih banyak dari masyarakat yang berdomisili jauh dibandingkan yang dekat dengan bank dimaksud.

Hasil penelitian ini tentu mengherankan. Namun jika dilakukan analisis dengan melibatkan perbandingan jarak rumah populasi dengan lokasi bank saingan terdekatyang diklasifikasikan atas ”lebih dekat” atau ”lebih jauh”, ternyata memberikan hasil bahwa sebaliknya yaitu seseorang dalam memilih bank ternyata memilih yang jaraknya lebih dekat dengan rumahnya.

Dengan demikian ”Perbandingan Jarak dengan Bank Kompetitor” lebih layak dijadikan VB dibandingkan menggunakan ”Jarak Rumah Populasi dengan Bank Tertentu”.

Supressor Variable, yaitu variabel yang menekan pengaruh suatu variabel terhadap variabel yang lain.

Contoh: Diduga bahwa ”Reaksi terhadap Perubahan Harga” (VT) dari kelompok masyarakat berpenghasilan (VB) rendah lebih signifikan dibanding kelompok masyarakat berpenghasilan tinggi. Namun hasil pengujian menunjukkan tidak ada perbedaan yang signifikan.

Ketika kemudian masyarakat yang diteliti dibedakan juga atas dasar tingkat pendidikan, terlihat bahwa tingkat pendidikan rendah dan tinggi berbeda secara signifikan dalam hal reaksi terhadap perubahan harga. Peneliti mungkin terjebak dalam pemikiran bahwa ”Tingkat Penghasilan” sudah bukan merupakan variabel yang signifikan lagi untuk melihat ”Reaksi Masyarakat terhadap Perubahan Harga”. Hasil analisis memperlihatkan variabel ”Tingkat Pendidikan”-lah yang berpengaruh.

Namun jika variabel ”Tingkat Pendidikan” dibuat konstan (dijadikan VK), maka akan dapat dilihat bahwa tingkat penghasilan memberi pengaruh yang signifikan. Hal ini menjelaskan bahwa pengaruh ”Tingkat Penghasilan” telah ditekan oleh ”Tingkat Pendidikan”.

6. Eksogen dan Endogen

Exogeneous Variable, adalah variabel yang dianggap memiliki pengaruh terhadap variabel yang lain, namun tidak dipengaruhi oleh variabel lain dalam model.

Endogeneous Variable, adalah variabel yang dianggap dipengaruhi oleh variabel lain dalam model.

Contoh Model:

Variabel Eksogen ----------------Variabel Endogen

(klik gambar untuk memperjelas tulisan)
Dari model di atas dapat dilihat bahwa:

a. ”Cara Mengajar Dosen” adalah VB, ”Motivasi Belajar Mahasiswa” adalah VI, dan ”Proses Belajar Mahasiswa” adalah VT.

b. ”Cara Mengajar Dosen” karena tidak dipengaruhi oleh variabel yang lain adalah Vex.

c. ”Motivasi Belajar Mahasiswa” adalah VEn, karena dipengaruhi oleh variabel ”Cara Mengajar Dosen. ”Proses Belajar Mahasiswa” juga Ven karena dipengaruhi oleh ”Motivasi Belajar Mahasiswa”.

7. Teramati dan Laten

Observed Variable, adalah variabel yang dapat ”diamati” secara langsung.

Latent Variable, adalah variabel yang tidak dapat ”diamati” secara langsung namun harus dikonstruk sedemikian rupa dari berbagai indikator.

Catatan: Indikator yang digunakan untuk mengukur VL adalah Variabel Teramati (VTm) atau Observed Variable/Manifest Variable.

VTm sering muncul dalam penelitian-penelitian eksakta.

Dalam penelitian sosial – humaniora (behavioristic), variabel yang digunakan seringkali berupa variabel yang tidak dapat diamati secara langsung, namun harus dikonstruk sedemikian rupa.

Variabel ”Warna Kulit”, adalah variabel yang dapat diamati secara langsung baik dengan teknik observasi, angket, maupun yang lainnya.Tetapi variabel ”Motivasi” tidaklah dapat diamati secara langsung, karena secara konseptual motivasi adalah ”proses neuro-psikologis dalam diri seseorang”. Oleh karena itu variabel seperti motivasi harus diukur dengan cara:

a. Mengamati akibatnya → reflective indicators

b. Mengamati faktor (penyebabnya) → formative indicators

c. Mengamati bagian-bagiannya → correlative indicators.

Contoh konstruk variabel laten dengan indikator reflektif:

(klik gambar untuk memperjelas tulisan)

Contoh konstruk variabel laten dengan indikator formatif:

(klik gambar untuk memperjelas tulisan)

Contoh konstruk variabel laten dengan indikator korelatif:

(klik gambar untuk memperjelas tulisan)

Model-model di atas menggunakan one level factor yang dianalisis denganfirst order factor analysis. Tetapi jika model kedua dan ketiga digabungkan, maka akan didapatkan two level factor yang mencakup gabungan indikator-indikator formatif dan korelatif. Untuk menganalisis model two level factordigunakan second order factor analysis.

Catatan: Analisis faktor dengan indikator korelatif dan resiprokal (hubungan simetrik) antara lain dapat menggunakan program SPSS, Lisrel, EQS yang berbasisikan rumus korelasi. Dalam analisis multivariat, analisis faktor seperti ini diklasifikasikan sebagai analisis multivariat yang bersifat interdependensi dan merupakan teknik parametrik.

Analisis faktor dengan indikator formatif antara lain dapat menggunakan program-program berbasisikan metode Partial Least Square seperti Smart PLS, Visual PLS, PLS-GUI, PLS Graph yang berbasiskan rumus multipel regresi. DalamSecond-Order Multivariate Analysis, analisis seperti ini termasuk dalam kategori dependensi dan masuk dalam kategori nonparametrik.

Analisis faktor dengan indikator reflektif seharusnya berbasiskan rumus multivariate regression, namun penulis belum menemukan program yang khusus untuk ini. Karenanya dalam praktek, yang digunakan adalah analisis berbasiskan korelasi.

sumber : http://omegahat.blogspot.com