Bab-7-analisis-dan-interpretasi-data-kuantitatif-docx1

BAB 7
ANALISIS DAN INTERPRETASI DATA KUANTITATIF

Statistik

bisa

jadi

merupakan

tantangan.

Walaupun

demikian

perhitungan statistik hanyalah satu langkah dalam menganalisis data.
Analisis juga mencakup penyiapan data untuk analisis, melaksanakan
analisis, melaporkan hasil-hasilnya dan mendikusikan hasil-hasil tersebut.
Pada akhir bab ini anda diharapkan akan mampu :

 Mendeskripsikan proses penyiapan dan pengorganisasian data
anda untuk dianalisis
 Mengidentifikasi

prosedur-prosedur

untuk

menganalisis

pertanyaan-pertanyaan penelitian secara deskripif
 Mengidentifikasi

prosedur-prosedur

untuk

menganalisis

pertanyaan-pertanyaan dan hipotesis-hipotesis penelitian secara

inferensial
 Mengenal bagaimana merancang dan menyajikan hasil-hasilnya
dalam bentuk tabel, diagram, dan bagian hasil penelitian
 Mendeskripsikan bagian pembahasan dari laporan penelitian yang
memberikan interpretasi terhadap hasil-hasil penelitian
Maria selalu bergulat dengan Matematika. Sehingga ketika ia perlu
menganalisis data dari angket, ia bertanya-tanya “Apakah saya akan
mampu menganalisis data-data saya?”Ia pun mengunjungi professor yang
mengajar statistik pendahuluan untuk mempelajari apa yang harus ia
lakukan. Ia berharap guru besarnya tersebut berbicara tentang statistik
apa

yang akan digunakan oleh Maria. Sebaliknya

mengajukan

pertanyaan-pertanyaan

merencanakan dan mengorganisasikan

berikut

:

guru besarnya

Bagaimana

anda

data-data anda sebelum data-

data tersebut anda analisis? Pertanyaan-pertanyaan apa yang anda
harapkan untuk dijawab dengan analisis data-data anda itu? Bagaimana
anda menyajikan hasil penelitian anda dalam laporan anda? Bagaimana
anda memberikan struktur terhadap interpretasi terhadap hasil-hasil

penelitian anda? Maria sekarang menyadari bahwa analisis data itu terdiri
dari beberapa langkah.
BAGAIMANA ANDA MENYIAPKAN DATA UNTUK ANALISIS?

Langkah
Penyiapan

pertama
dan

adalah

mengorganisasikan

data

untuk

analisis.

pengorganisasian data untuk analisis dalam penelitian

kuantitatif terdiri dari memberikan skor terhadap data dan membuat buku
kode, menentukan tipe skor yang akan digunakan, menyeleksi program

komputer dalam rangka menginput data ke dalam program-program
analisis dan pembersihan data.
Memberikan Skor Terhadap Data
Apabila anda mengumpulkan data dengan menggunakan instrumen atau
ceklist, anda memerlukan sebuah sistem penskoring data. Scoring data
(penskoran data) bermakna bahwa para peneliti menentukan skor
numerik (atau nilai) kepada masing-masing kategori jawaban untuk setiap
pertanyaan dalam instrumen yang digunakan dalam pengumpulan data.
Contoh, misalkan para orangtua menjawab pertanyaan-pertanyaan
yang anda ajukan dalam survey untuk mengukur sikap mereka terhadap
pilihan sekolah untuk anak-anak mereka di sebuah kawasan. Sebuah
pertanyaan berbunyi:
Harap ditandai jawaban anda terhadap pernyatan berikut secara
tepat:
“para siswa sebaiknya diberi kesempatan untuk memilih sekolah
yang mereka inginkan”
------------- sangat setuju
------------- setuju
------------- tak tentu
------------- tidak setuju

------------- sangat tidak setuju
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 jawabanjawaban

mahasiswa

menggunakan

untuk

instrumen

keperluan

yang

analisis.

tersedia

Bila

secara

anda

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 7.1.
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 7.1. 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 7.1 memperlihatkan 3 tipe skor untuk 6 orang mahasiswa: skor
berbutir tunggal, jumlah skor pada sebuah skala, atau skor bersih atau
perbedaan skor.
Skor Berbutir Tunggal
Untuk sebuah penelitian anda boleh jadi mengkaji skor berbutir tunggal. A

single item score (skor yang berbutir tunggal) adalah skor yang

diberikan

kepada

masing-masing

pertanyaan

untuk

masing-masing

partisipan di dalam sebuah penelitian. Skor-skor ini memberikan analisis
rinci

dari

jawaban

masing-masing

orang

terhadap

masing-masing

pertanyaan dalam sebuah instrumen. Dalam sebuah penelitian para
peneliti bertanya kepada individu-individu pada sebuah pertemuan
sekolah di sebuah wilayah, “Apakah anda akan menjawab iya atau tidak
untuk penghapusan pajak dalam pemilihan yang akan diadakan pada hari
Selasa mendatang?” Dalam menskor data-data tersebut si peneliti akan
memberikan nilai 1 terhadap jawaban tidak dan nilai 2 untuk pertanyaan
iya dan membuat catatan terhadap bagaimana masing-masing individu
memberikan jawaban terhadapa masing-masing pertanyaan. Dalam Tabel
7.1 keenam partisipan masing-masing memiliki skor untuk pertanyaan 1,
2, dan 3.
Penjumlahan Skor
Dalam kasus-kasus lain kita boleh jadi perlu menjumlahkan jawaban
terhadap semua pertanyaan yang terdapat dalam instrumen seperti skor
berskala Tabel 7.1. Penjumlahan ini terjadi karena butir-butir soal secara
individual boleh jadi menggambarkan perspektif seorang partisipan. Di
samping itu para partisipan bisa jadi salah paham terhadap pertanyaan
tunggal

atau

si

peneliti

boleh

jadi

membuat

redaksi

pertanyaan

sedemikian rupa sehingga jawabannya berisi bias. Ringkasnya, jawabanjawaban terhadap pertanyaan-pertanyaan tunggal bisa jadi tidak reliabel
dan tidak secara tepat mencerminkan skor seorang individu (sebagaimana
dibicarakan dalam Bab 6). Satu solusi terhadap masalah ini adalah
membuat skala atas dasar jawaban-jawaban terhadap pertanyaanpertanyaan tunggal. Summed score (penjumlahan jawaban) adalah skorskor dari seorang individu yang dijumlahkan dari beberapa pertanyaan
yang mengukur variabel yang sama. Para peneliti menjumlahkan butirbutir secara individual untuk menghitung skor menyeluruh dari sebuah
variabel. Seperti diperlihatkan pada Tabel 7.1 ketiga partisipan yakni Jane,
Jim dan John memberikan jawaban terhadap lima pertanyaan. Si peneliti

menjumlahkan skor masing-masing individu untuk mendapatkan skor
tunggal bagi sebuah variabel yang mencakup kelima pertanyaan.
Perbedaan Skor
Skor-skor penjumlahan untuk masing-masing individu digunakan untuk
mendapatkan skor test secara menyeluruh yang dapat dibandingkan dari
satu periode ke periode lainnya. Net different scores adalah skor-skor di
dalam penelitian kuantitatif yang menggambarkan perbedaan atau
perubahan skor masing-masing individu. Perubahan itu boleh jadi lebih
bermakna ketimbang perubahan-perubahan lainnya. Sebuah perubahan
kecil pada skor yang tinggi bisa jadi lebih bermanfaat ketimbang
perubahan yang besar pada skor yang rendah. Contoh, perubahan yang
kecil dari 98 ke 99 berskala 100 mungkin bisa lebih bermakna ketimbang
perubahan dari 46 ke 66 pada skala yang sama (skala 100). Dalam
ekperimen para peneliti sering mengumpulkan skor-skor pada sebuah
instrumen sebelum penelitian dimulai (waktu 1) dan sesudah penelitian
berakhir (waktu 2). Si peneliti mengumpulkan skor-skor ini atas dasar
pretest

dan

postest,

yang

merupakan

pengukuran

yang

biasa

dikumpulkan selama penelitian eksperimen. Pada tabel 7.1, untuk masingmasing keenam partisipan itu kita melihat skor pretest untuk Matematika
skor penjumlahan dari semua butir-butir dalam test sebelum satu unit
pembelajaran Matematika diajarkan. Kita juga melihat untuk masingmasing partisipan skor postest untuk Matematikan tersebut, skor yang
dijumlahkan pada akhir sebuah unit yang merupakan pencerminan skor
menyeluruh dari test akhir atau postest. Skor bersih memperlihatkan
seberapa banyak kinerja masing-masing partisipan menjadi lebih baik
antara pretest dan postest.
Memilih Program Statistik
Setelah data-data diskor, para peneliti memilih sebuah program komputer
untuk menganalisis data-data mereka. Para peneliti akademis biasanya
menggunakan program-program statistik kampus mainframe computer
atau program-program statistik yang tersedia pada mikro komputer.

Dengan tersedianya dan murahnya biaya program perangkat lunak
komputer

anda

bisa

melakukan

analisis

secara

nyaman

dengan

menggunakan komputer di rumah. Bagian yang paling susah adalah
menentukan paket perangkat lunak yang akan digunakan. Ada beberapa
petunjuk yang bisa diikuti untuk memilih program-program statistik
tersebut (Lihat Leedy & Ormrod, 2001, sebagai tambahan).
 Cari sebuah program yang memiliki petunjuk tentang bagaimana
menggunakan program tersebut. Program-program tersebut sering
memiliki

tutorial

yang

memungkinkan

anda

secara

mudah

mempelajari karakteristik kunci dan mempraktekannya dengan
menggunakannya serentetan data yang sudah disediakan. Pelatihan
tanpa bayar sering tersedia di beberapa situs website.
 Mudahnya digunakan merupakan faktor penting ketika memilih
sebuah program. Pull down menus dan pengentrian data yang
gampang membuat sebuah program mudah untuk digunakan.
 Cari sebuah program yang mencakup tipe-tipe statistik yang dapat
anda

gunakan

untuk

menjawab

pertanyaan-pertanyaan

dan

hipotesis-hipotesis penelitian anda.
 Yakinilah bahwa program tersebut bisa menganalisis sejumlah data
dalam database anda. Pertimbangkan berapa banyak partisipan dan
jumlah variabel secara maksimum yang anda perlukan dalam analisis
anda. Sebuah program sebaiknya mengakomodasi secara baik datadata yang hilang (missing) untuk seseorang partisipan. Cari sebuah
program yang memiliki fleksibilitas dalam menangani data, bisa
membaca data dalam banyak format (misalnya, angka dan huruf)
dan bisa membaca file yang diimport dari spreadsheets atau
database.
 Cari sebuah program dengan kapabilitas untuk menghasilkan output
berupa grafik dan tabel yang bisa anda gunakan dalam laporan
penelitian anda.
 Apabila anda perlu membeli program perangkat lunak bandingkan
harga untuk masing-masing program. Program-program khusus untuk

mahasiswa

sering

tersedia

(walaupun

program

ini

memiliki

keterbatasan dalam test-test statistik) dengan biaya yang murah.
 Pilih sebuah program yang digunakan oleh kampus anda sehingga
anda bisa mencari bantuan untuk menjawab pertanyaan-pertanyaan
yang mungkin muncul. Beberapa program boleh jadi memberikan
dukungan teknis untuk membantu menjawab pertanyaan-pertanyaan
tersebut, tetapi ini memerlukan waktu yang relatif lebih banyak dan
lebih mahal biayanya.
Dengan kriteria ini dalam benak kita, program-program statistik apa
yang paling sering dan umum tersedia? Beberapa website memberikan
informasi yang rinci tentang berbagai analisis statistik dari programprogram komputer yang tersedia. Beberapa program-program yang sering
digunakan adalah:
 Minitabl3 (www.minitab.com). Ini adalah paket perangkat lunak

statistik interaktif yang tersedia dari Minitab Inc, 3081 Enterprise
Drive, State College, PA 16801-3008.
 StatView (www.statview.com). Ini program perangkat lunak lain yang

populer yang tersedia dari SAS Institute, Inc., SAS Campus Drive,
Cary, NC 27513-2414.
 SYSTAT (www.spssscience.com). Ini paket statistik interaktif yang

komprehensif yang tersedia dari SPSS Science, Inc., 233 S. Wacker
Drive, 11th Floor, Chicago, IL 60606-6307.
 SAS/STAT

(www.sas.com).

Ini

adalah

program

statistik

dengan

peralatan sebagai komponen yang terintegrasi dari produk sistem
SAS yang tersedia dari SAS Institute Inc., SAS Campus Drive, Cary,
NC 27513-2414.
 Statistical Package for the Social Sciences (SPSS) Student Version

11.0 for Windows and Version 6.0 for Macintosh (www.spss.com). Ini
adalah program analisis yang murah, profesional bagi mahasiswa
didasarkan pada versi yang profesional tersedia dari SPSS Science,
Inc., 233 S. Wacker Drive, 11th Floor, Chicago, IL 60606-6307.
Menginput Data

Setelah memilih program statistik langkah anda selanjutnya adalah mengenter data-data dari instrumen atau cheklist ke dalam program-program
komputer. Inputting the data (menginput data) terjadi ketika peneliti
mentransfer

data-data

dari

jawaban-jawaban

terhadap

instrumen-

instrumen ke dalam file komputer untuk analisis. Bagi mereka yang baru
dalam proses ini, tabel ini sama dengan tabel spreadsheet yang
digunakan dalam banyak paket-paket perangkat lunak (misanya excel).
Tabel 7.2 memperlihatkan sebuah database yang kecil untuk 50 orang
siswa yang berpartisipasi dalam penelitian tentang penggunaan tembakau
di sekolah. Anda telah melihat variabel-variabel dalam database ini dalam
buku kode yang ditampilkan pada diagram 7.1. Bila anda cermati Tabel
7.1 terlihat bahwa tabel tersebut berisikan cells-cells dalam bentuk baris
dan kolom yang ke dalamnya si peneliti menginput data untuk analisis.
Anda akan melihat pada kolom pertama diperlihatkan angka untuk
masing-masing partisipant yang diikuti oleh nomor identifikasi yang
diberikan kepada masing-masing ke 50 orang siswa. dalam kolom-kolom
yang lain adalah variabel-variabel yang oleh si peneliti diukur (misalnya
jender, tingkat/kelas, orangtua, dan seterusnya). Dengan menggunakan
buku kode para peneliti

memberikan angka kepada masing-masing

jawaban yang memperlihatkan skor pada masing-masing variabel. Di
halaman bagian bawah dari lembaran tersebut dicatat informasi (dijumpai
dalam buku kode) yang memberikan yang mengaitkan antara angka
dan jawaban yang terdapat dalam instrumen. Nama-nama variabel
itu pendek dan sederhana tetapi deskriptif sifatnya (tidak lebih dari 8
huruf untuk SPSS seperti untuk jender, merokok, atau mengunyah
tembakau).
Proses pengimputan data ke dalam tabel ini (George 7 Mallery 2001)
membuat database SPSS sebagai berikut:
 Masukkan data dari skor-skor yang terdapat di dalam instrumen ke
dalam cell-cell tabel dengan jalan memilih cell dan mengetikkan nilai
yang tepat. Masukkan data-data baris per baris untuk masing-masing
individu dan gunakan kolom untuk nilai bagi masing-masing variabel.

Values adalah angka-angka yang diberikan kepada pilihan-pilihan

jawaban untuk sebuah variabel (misalnya 1= laki-laki, dan 2 =
wanita).
 Beri masing-masing partisipan nomor identifikasi dan tempatkan
nomor ini pada kolom pertama dan gunakan nomor-nomor atau
angka-angka ini pada kolom 1 dengan menggunakan SPSS (misalnya,
001, 002, 003, atau 343, 344, 345). Nomor anda sendiri boleh jadi
mencerminkan tiga digit terakhir dalam nomor kartu penduduk
(misalnya, 343, 344, 345) atau sesuatu nomot identifikasi yang lain.
 Dalam SPSS, anda melihat judul kolom sebagai variabel: var001,
var002, var003, dan seterusnya. Daripada menggunakan judul-judul
tersebut gantikan nama-nama itu dengan variabel sendiri (misalnya
var002 diganti dengan jender).
 Anda juga bisa memberikan nama kepada nilai-nilai dan variabelvariabel sehingga print out anda akan berisikan nama-nama ini dan
diperolehnya cara yang mudah untuk mengidentifikasi informasi
anda. Anda bisa juga memberikan nama terhadap variabel-variabel
anda seperti “orangtua”, atau nilai-nilai untuk variabel ini, seperti
“kawin”, “bercerai”, dan “berpisah”.
Membersihkan dan Menghitung Data-data Yang Hilang
Setelah meng-enter data ke dalam tabel-tabel komputer, anda perlu
menentukan apakah terdapat kesalahan di dalam data atau ada data-data
yang missing atau hilang. Kesalahan-kesalahan terjadi apabila partisipan
dalam penelitian anda memberikan skor di luar rentangannya bagi
sesuatu variabel atau anda menginput angka yang salah ke dalam tabeltabel data. Data-data yang hilang boleh jadi terjadi ketika data-data
instrumennya

hilang,

atau

individu-individu

melompati

pertanyaan-

pertanyaan. Para partisipan tidak hadir ketika pengumpulan data-data
observasi atau individu-individu menolak untuk menjawab pertanyaanpertanyaan yang sensitif. Untuk alasan-alasan etika anda melaporkan
bagaimana

data-data

yang

hilang

ini

ditangani

sehingga

para

pembacanya bisa memberikan interpretasi yang tepat terhadap hasil
penelitian (George & Mallery, 2001). Karena masalah-masalah ini bisa

terjadi anda perlu membersihkan data dan menentukan bagaimana
memperlakukan data-data yang hilang.
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.
Menilai Database Untuk Menentukan Data-Data Yang Hilang
Anda perlu meneliti database anda kalau-kalau ada data yang hilang.
Data-data yang hilang akan mengakibatkan berkurangnya jumlah individu
dalam analisis data dan karena kita ingin sebanyak mungkin orang
termasuk di dalam analisis kita perlu mengoreksi sejauh mungkin
terhadap data-data yang hilang. Missing data adalah data-data yang
hilang di dalam database karena partisipan tidak memberikannya.

Bagimana

anda

harus

menangani

data-data

yang

hilang

ini?

Pendekatan yang paling kentara adalah agar memiliki instrumen yang
bagus yang akan diisi oleh masing-masing individu dan mampu menjawab
pertanyaan-pertanyaan sehingga data-data yang hilang tidak mungkin
terjadi. Dalam beberapa penelitian anda bisa menghubungi individuindividu untuk menentukan kenapa mereka tidak memberikan jawaban
terhadap

sesuatu

pertanyaan.

Apabila

individu-individu

itu

tidak

memberikan jawaban, pastilah terjadi kesalahan dalam pengumpulan data
anda yang mengindikasikan perencanaan yang kurang baik dalam
rancangan penelitiannya.
Walaupun demikian, anda harus mengantisipasi bahwa pertanyaanpertanyaan bisa dihilangkan atau beberapa orang partisipan tidak
memberikan informasi dengan alasan apapun. Dalam hal ini anda
memiliki beberapa pilihan yaitu :
 Anda bisa menghilangkan para partisipan dengan skornya yang
hilang itu dari analisis data dan memasukkan hanya para
partisipan dengan data-data yang komplit dan lengkap. Praktek
seperti ini pada dasarnya akan menyebabkan berkurangnya jumlah
partisipan secara keseluruhan dalam analisis data anda.
 Anda bisa mengganti angka-angka dari data-data yang hilang di
dalam

database

untuk

masing-masing

individu.

Apabila

variabelnya adalah kategorikal, ini berarti mengganti sebuah nilai
seperti “-9”, untuk semua nilai-nilai yang hilang dalam tabel data.
Apabila variabelnya kontinu (misalnya atas dasar skala interval),
prosesnya menjadi lebih rumit. Dengan menggunakan SPSS, si
peneliti bisa membuat program komputer itu mengganti sebuah
nilai untuk masing-masing skor yang hilang, seperti angka ratarata, untuk pertanyaan bagi semua partisipan penelitian. Anda bisa
mengganti sampai kira-kira 15% dari data-data yang hilang itu
dengan skor tanpa mengubah temuan-temuan statistik secara
menyeluruh (George & Mallery, 2001). Prosedur-prosedur statistik
yang

lebih

advanced

(lanjut)

juga

tersedia

dalam

rangka

mengidentifikasi angka-angka penganti bagi data-data yang hilang
(lihat Gall, Borg, & Gall, 1996).
BAGAIMANA ANDA MENGANALISIS DATA?
Setelah anda mempersiapkan dan menyusun data-datanya anda siap
menganalisisnya. Anda menganalisis data-data dalam rangka menjawab
masing-masing pertanyaan dan hipotesis penelitian anda. Kembali kita
pada tipe-tipe pertanyaan dan hipotesis penelitian pada bab 5. Untuk
pertanyaan-pertanyaan

atau

hipotesis-hipotesis

dalam

penelitian

kuantitatif anda perlu :
 Mendeskripsikan kecenderungan data untuk variabel tunggal atau
pertanyaan pada instrumen anda (misalnya “Apa self-esteem dari
siswa sekolah menengah pertama?” untuk menjawab pertanyaan ini
anda perlu statistik dekriptif yang memperlihatkan tendensi-tendensi
umum yang terdapat dalam data (mean, mode, median), distribusi
skor (varian, standar deviasi, dan rentangan nilai), atau perbandingan
bagaimana sebuah skor berhubungan dengan skor-skor lainnya (z
skor, pencentile rank). Kita juga bisa mendeskripsikan masing-masing
variabel kita: independen, dependen, kontrol, atau perantara.
 Membandingkan

dua

atau

lebih

kelompok

dari

sisi

variabel

independen dalam hal variabel dependen (misalnya, “bagaimana
anak laki-laki dibandingkan anak perempuan dalam hal self-esteem
mereka?”). Untuk menjawab pertanyaan ini kita memerlukan statistik
inferensial yang memungkinkan untuk menganalisis data dari sebuah
sampel untuk mengambil kesimpulan tentang sebuah populasi yang
tak diketahui. Kita menilai apakah perbedaan-perbedaan antar
kelompok itu (angka rata-rata mereka) atau hubungan antara
variabel-variabel jauh lebih besar atau lebih kecil dari apa yang kita
harapkan untuk keseluruhan populasi, seandainya kita bisa meneliti
keseluruhan populasi tersebut.
 Mengaitkan dua atau lebih variabel (misalnya “apalah self-esteem
berhubungan dengan sikap yang optimistik”). Untuk menjawab
pertanyaan ini kita juga menggunakan statistik inferensial.

 Mengetes

hipotesis

tentang

perbedaan

antar

kelompok

atau

hubungan antara variabel-variabel (misalnya, “anak laki-laki memiliki

self-esteem yang lebih tinggi dari anak-anak perempuan” atau “ self
esteem memprediksi sikap optimistik yang dimiliki oleh anak-anak
sekolah menengah pertama”). Untuk menjawab pertanyaan ini
statistik inferensial juga digunakan.
Dengan demikian, kita mendeskripsikan hasil-hasil dari varaiabel
tunggal atau pertanyaan atau kita menyimpulkan hasil-hasil dari sebuah
sampel terhadap sebuah populasi. Dalam semua pertanyaan dan hipotesis
penelitian kuantitatif kita meneliti para individu yang disampel dari
sebuah

populasi.

Walaupun

demikian

dalam

pertanyaan-pertayaan

deskriptip kita meneliti hanya variabel tunggal satu demi satu; dalam
analisis inferensial kita menganalisis variabel-variabel jamak pada waktu
yang

bersamaan.

Juga

dari

perbandingan

antar

kelompok

atau

menghubungkan variabel-variabel kita bisa membuat prediksi tentang
variabel-variabel itu. Kita bisa menguji hipotesis berkaitan dengan prediksi
dengan membandingkan kelompok-kelompok atau mengaitkan variabelvariabel.

Lakukan Analisis Deskriptif
Bagaimana

anda

menganalisis

data

untuk

mendeskripsikan

kecenderungan? Gunakan statistik, menghitung nilai-nilai yang didasarkan
kepada

angka-angka.

Banyak

buku-buku yang memberikan

rincian

tentang berbagai statistik, penghitungannya, dan asumsi-asumsinya
(misalnya, Abelson, 1995; Gravetter & Wallnau, 2000; Wright, 1997).
Disini kita memfokuskan diri pada yang biasanya digunakan dalam
penelitian pendidikan.
Memilih Test-Test Statistik Deskriptif

Statistik deskriptif akan membantu anda menyarikan kecenderungan
secara menyeluruh atau tendesi dari data-data anda, memberikan
pemahamanan tentang berbagai skor yang mungkin anda miliki, dan
memberikan pemahaman tentang posisi sebuah skor dibandingkan
dengan skor-skor lainnya. Ketiga hal ini adalah central tendency,
variability, kedudukan relatif. Diagram 7.2 memperlihatkan prosedurproseur statistik yang dapat anda gunakan untuk memberikan informasi
seperti ini.
Mengukur Tendesi Sentral (measures of central tendency) adalah
angka-angka yang merupakan sarian yang melambangkan sebuah nilaitunggal di dalam distribusi skor-skor yang ada (Vogt, 1999). Angka-angka
ini melambangkan sebuah nilai rata-rata (mean), titik tengah dari
sejumlah skor (median), atau skor yang paling sering terjadi (mode).
Dalam penelitian kuantitatif, para peneliti biasanya melaporkan ketiga
ukuran ini. Tabel 7.3 memperlihatkan perbedaan antara ketiga ukuran ini
masing-masing untuk 10 orang siswa yang skornya tentang depresi yang
kita miliki.

Mean atau rata-rata adalah statistik yang paling populer yang
digunakan untuk mendeskripskan jawaban semua partisipan terhadap
butir-butir dalam sebuah instrument. Untuk menghitung rata-rata anda
menjumlahkan sebuah skor yang ada kemudian membaginya dengan
jumlah atau banyaknya skor. Pada tabel 7.3 anda membagi jumlah skor
keseluruhan (818) dengan 10 (jumlah siswa) sehingga mendapatkan ratarata (mean sebesar 81.10). Dalam mengkalkulasikan skor-skor tipe lainnya
untuk statistik yang lebih rumit rata-rata atau mean ini memegang
peranan yang sangat penting. Rapikan bahwa skor pada tabel 7.3 itu
bersifat kontinue dan melaporkan sebuah sampel dari 10 buah skor
berkenaan dengan depresi. Rata-rata ini memberikan kepada kita sebuah
angka rata-rata untuk semua skor.
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 3. 1 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 7.3 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 7.4. 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 rataratanya tidak.
Ukuran Variabilitas

Variabilitas menyatakan sebaran skor dalam

sebuah distribusi. Range (rentangan), variance (varoansi), dan standard
deviasi semua menyatakan jumlah variabilitas dalam sebuah distribusi
skor. Informasi ini membantu kita melihat bagaimana terpencarnya
jawaban-jawaban

terhadap

butir-butir

pertanyaan

dalam

sebuah

instrumen. Variabilitas juga memainkan peranan yang sangat penting
dalam banyak penghitungan-penghitungan statistik yang lebih rumit.
Kita bisa melihat sejauh mana skor-skor itu bervariasi dengan jalan
melihat range (jarak antara skor tertinggi dan terendah). Range of

scores (rentangan nilai) adalah perbedaan antara skor tertinggi dan skor
terendah dari butir-butir sebuah instrumen. Dalam tabel 7.3 kita melihat
bahwa skor-skor berjarak dari yang terendah 60 ke yang tertinggi 99,
sebesar 39 poin.

The variance (variansi) menyatakan sebaran skor seputar rata-rata.
Untuk menghitungnya relatif mudah:
 Cari perbedaan antara mean dan skor mentah untuk masingmasing individu
 Pangkat duakan perbedaan tersebut untuk masing-masing individu
 Jumlahkan pangkat dua masing-masing skor itu
 Bagi dengan jumlah individu
Dalam contoh tabel 7.3 variansinya sama dengan 173.96. Informasi ini
tidak banyak berarti tapi bermanfaat ketika menghitung statistik yang
lebih lanjut. Akar pangkat dua dari variansi, standar deviasi (SD) tidak
memberikan informasi yang bermanfat dan kita perlakukan angka
tersebut sebagai indikator dari sebaran nilai. Dalam tabel 7.3, standar
deviasinya adalah 13,90. Apabila skor-skor tersebut memiliki standar
deviasi 3,90, kita mengatakan bahwa variansi skor itu berada di seputar
rata-rata kurang dari 13,90.
Makna dari standar deviasi menjadi jelas ketika kita membuat grafik
dari sebuah distribusi skor secara teoritis sebagaimana diperlihatkan
dalam Diagram 7.3 ini disebut distribusi normal atau kurva probabilitas
normal (normal distribution atau normal probability curve). Dalam
kenyataanya skor aktual bisa jadi tidak sesuai dengan distribusi normal ini
(misalnya distribusi gaji), akan tetapi apabila kita mengambarkan ratarata dari banyak sampel dan menghitung rata-rata gaji untuk setiap
sampel maka kita mendapatkan umpamanya 5.000 buah angka rata-rata
maka

distribusinya

Memperhatikan

akan

kembali

mengambarkan

diagram

7.3

bagian

distribusi
yang

normal.
dihitamkan

memperlihatkan persentase skor-skor yang cenderung berada pada jarak
antara masing-masing standar deviasi dari mean. Contoh, 60% dari skor
berada pada +1 SD (34%) dan -1 SD (34%) standar deviasi dari mean:
95% antara +2 SD (13.5% + 34%) dan -2 SD (13.5% + 34%). Anda juga
bisa mengasosiasikannya dengan skor-skor presentile, z score, t score
dengan masing-masing standar deviasinya.

Percentile memberikan tipe statistik dedskriptif lainnya. Measures
of relative standing adalah statistik yang mendeskripsikan sebuah skor
kaitannya dengan sekelompok skor tertentu. Dalam diagram 7.3, 2.28%
dari skor berada pada dua standar deviasi dibawah rata-rata. Dengan
mengetahui

dimana

sebuah

skor

berada

dalam

sebuah

distribusi

merupakan kunci untuk keperluan pengujian hipotesis. Dua buah statistik
yang sering digunakan adalah persentile skor dan z score.
Ukuran dari posisi relatif adalah percentile score. Percentile rank
(percentile skor) dari sebuah skor tertentu adalah persentase partisipan
dalam sebuah distribusi skor yang berada pada atau dibawah skor
tertentu. Anda menggunakan angka tersebut untuk menentukan dimana
dalam sebuah distribusi skor, skor seorang individu berada dalam
kaitannya dengan skor-skor lainnya. Dalam tabel 7.3 kita melihat bahwa
seorang individu dengan skor 94 berada pada percentile ke 80, dengan
20% para partisipan memiliki skor di atas skor individu ini, dan 80% dari
partisipan memiliki skor pada atau berada dibawah individu ini.
Ukuran yang lain dari posisi yang relatif ini adalah skor standar. A

standar

score

(skor

standar)

adalah

skor

yang

dihitung

yang

memungkinkan seorang si peneliti membandingkan skor-skor dari skalaskala yang berbeda. Penghitungan ini mencakup mentransformasikan skor
mentah menjadi skor yang memiliki makna relatif. A z score adalah
bentuk skor standar yang populer yang memiliki rata-rata nol dari standar
deviasi 1. Ini menghasilkan sebuah z score yakni skor standar yang
bermanfaat untuk memungkinkan anda membandingkan skor-skor dari
sebuah instrumen terhadap skor-skor dari instrumen yang lain. Dengan
menggunakan

skor-skor

standar

ini

merupakan

juga

kunci

dari

penghitungan berbagai tipe statistik. Prosedurnya adalah menetapkan

sebuah skor, menguranginya dengan mean, dan membaginya dengan
standar deviasi. Dalam tabel 7.3 kita melihat bahwa seseorang dengan
skor 60 memiliki z score -1.57, atau skor yang berarti satu setengah
standar deviasi dibawah rata-rata atau mean.
Melakukan Analisis Inferensial
Statistik deskriptif membantu anda menganalisis pertanyaan-pertanyaan
deskriptif. Walaupun demikian, apabila anda membandingkan kelompok
atau mengaitkan dua atau lebih variabel analisis inferensial perlu anda
gunakan. Gagasan utamanya adalah untuk melihat skor dari sisi sampel
dan menggunakan hasilnya untuk menarik inferensi (generalisasi) atau
membuat prediksi tentang populasi. Ingat dari bab 6 bahwa kita sering
mengadakan penelitian tidak meliputi keseluruhan populasi karena
besarnya sampel dan biayanya kita sering meneliti sebuah sampel yang
telah dipilih secara cermat dari populasi.
Apabila anda meneliti sampel ini anda akan mendapatkan skor,
beberapa pendekatan tersedia untuk menentukan apakah skor-skor
sampel merupakan estimasi yang bagus dari skor-skor populasi (lihat
Vogt, 2005). Tanyakanlah kepada diri anda sendiri :
1. Apakah skor sampel (misalnya perbedaan rata-rata antara dua
kelompok) barangkali merupakan estimasi yang salah dari ratarata populasi itu? Prosedur yang anda gunakan untuk mengkaji
pertayaan ini adalah dengan melakukan pengujian hipotesis.

Hypothesis testing (pengujian hipotesis) adalah prosedur untuk
memuat

kesimpulan

tentang

hasil

penelitian

dengan

jalan

membandingkan nilai yang teramati dari sebuah sampel dengan
nilai populasi untuk menentukan apakah tidak dapat perbedaan
atau tidak ada hubungan antara nilai-nilai tersebut. Ini adalah cara
tradisional untuk menguji apakah rata-rata sampel merupakan
estimasi yang baik dari rata-rata populasi. Ia memberikan jawaban
ya atau tidak: Apakah rata-rata sampel merupakan estimasi
populasi yang bagus atau tidak. Karena kita tidak akan pernah

membuktikan bahwa sampel adalah estimasi yang bagus makanya
kita mencoba membangun apakah estimasi itu salah.
2. Sejauh mana kita percaya bahwa skor sampel kita itu benar? Ini
disebut pendekatan confidence interval. A confidence interval

or internal estimate adalah jarak antara nilai-nilai statistik paling
atas dan paling bawah yang konsisten dengan data-data yang
teramati yang cenderung mencakup rata-rata populasi aktual.
Dalam pendekatan ini anda menentukan sebuah interval atau jarak
dimana skor populasi anda yang cenderung di mana nilai populasi
itu berada. Dalam makna ini condifence interval memberikan
keluasan yang lebih besar ketimbang pengujian hipotesis dalam
bentuk ya atau tidak.
3. Apakah skor sampel atau perbedaan antara dua kelompok memiliki
makna praktis? Ini disebut pendekatan effect size (besarnya
pengaruh). Effect size atau besarnya pengaruh adalah cara
mengidentifikasi makna praktis dari konklusi tentang perbedaan
kelompok atau tentang hubungan antara variabel-variabel dalam
penelitian kuantitatif. Besarnya pengaruh memperlihatkan kepada
kita besarnya perbedaan nilai-nilai sampel dan memungkinkan kita
membuat suatu penilaian tentang apakah konklusi tadi significant
atau tidak berdasarkan pada pengetahuan kita tentang ukuranukuran, para partisipan dan upaya-upaya pengumpulan data.
Alasan kenapa kita memiliki lebih dari satu pendekatan adalah
bahwa dewasa ini beberapa peneliti merasa bahwa jawaban
terhadap pengujian hipotesis ya atau tidak terhadap pertanyaanpertanyaan dan hipotesis kuantitatif menyebabkan terjadinya misinsterpretasi dan kesalahan (Finch, Cumming & Thomason, 2001).

Confidence interval dan effect size memberikan cara membaca dan
menginterpretasikan hasil-hasil penelitian secara lebih praktis.
Dewasa

ini

dalam

memanfaatkan

melaporkan

ketiga

tipe

hasil

estimasi

penelitian,
populasi

ini:

kita

perlu

pengujian

hipotesis, konfidence interval, effect size (Willkinson & Task Force
on Statistical Inference, 1999).

Pengujian Hipotesis
Ada

lima

hipotesis

langkah dalam pengujian hipotesis:
null

dan

hipotesis

alternatif,

(b)

(a) mengidentifikasi

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 ratarata 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 orangorang 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 7.4 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 babbab sebelumnya, anda melakukan pengkodean terhadap data dan
menginputnya ke dalam file komputer untuk analisis.
4. Hitung statistik sampel. Berikutnya dengan menggunakan programprogram 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 7.5 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 datadata 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 7.2, misalkan anda menggunakan SPSS
versi 14.0 dan memiliki print out seperti tergambar dalam tabel 7.6.
Dalam tabel 7.6 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 stati