Rancangan Penelitian Rancangan Korelasi
Pengertian Korelasi Dalam rancangan penelitian korelasi, peneliti menggunakan uji statistik korelasi untuk mendeskripsikan dan mengukur tingkat asosiasi (atau hubungan) antara 2 atau lebih variabel. Peneliti tidak berupaya mengontrol dan memanipulasi variabel-variabel seperti pada rancangan eksperimen. Korelasi = suatu uji statistik yang menentukan kecenderungan atau pola bagi dua (atau lebih) variabel atau 2 set data yang bervariasi secara konsisten. Dalam korelasi, ketika kita memiliki 2 variabel saja, maka ini berarti 2 variabel berbagi varian (variance) yang umum, atau keduanya sama-sama co-vary. Bila 2 variabel sama-sama co-vary, maka keduanya membutuhkan dasar matematis yang cukup kompleks.
Co-vary = kita memprediksi suatu skor pada suatu variabel dengan pengetahuan tentang skor individu pada variabel lainnya. Ilustrasi: Asumsikan bahwa skor pada kuis matematika kelas 4 SD memiliki jangkauan dari nilai 30 sampai 90. Kita ingin mencari tahu apakah skor pada suatu pekerjaan sekolah pada matematika (Variabel 1) dapat memprediksi skor kuis matematika (Variable 2). Jika skor pada latihan tidak menjelaskan skor pada kuis matematika, maka kita tidak dapat memprediksi skor siapapun kecuali dengan mengatakan mungkin skornya menjangkau dari nilai 30 sampai 90. Jika latihan dapat menjelaskan varian dalam seluruh skor kuis matematika maka kita dapat memprediksi skor matematika secara sempurna. Situasi ini jarang dicapai, malah kita mungkin mendapati bahwa 40% variance dalam skor kuis matematika dijelaskan oleh skor latihan. Hal ini mempersempit prediksi kita pada skor kuis dari 30-90 menjadi 40-60. Dengan kata lain bahwa ketika variance bertambah, kita lebih mampu memprediksi skor dari variable independen hingga variable dependen.
Kapan kita menggunakan korelasi? Anda menggunakan rancangan korelasi ketika hendak mencari hubungan antara 2 atau lebih variabel jika variabel-variabel tsb saling mempengaruhi. Contoh: hubungan antara guru yang menjalankan praktek-praktek pengajaran yang terus berkembang dengan penggunaan bahasa pengajaran yang formal. Rancangan korelasi memungkinkan anda memprediksi hasil, contohnya, prediksi terhadap kemampuan pembelajaran di sekolah, kualitas pembelajaran di sekolah, motivasi siswa, dan rancangan pengajaran yang mempengaruhi prestasi siswa.
Tipe-tipe rancangan korelasi Rancangan Penjelasan (Explanatory Design) Rancangan Prediksi (Prediction Design)
Explanatory Design Explanatory research design = suatu rancangan korelasi yang diminati peneliti karena adanya 2 variabel (atau lebih) saling co-vary, yaitu perubahan dalam suatu variabel direfleksikan dengan perubahan dalam variabel lainnya. Explanatory designs terdiri dari asosiasi sederhana antara 2 variabel (misal: rasa humor dan performance dalam drama) atau lebih dari 2 variabel (misal: tekanan dari teman atau perasaan dikucilkan yang berdampak pada peminum miras)
Prediction Design Prediction research design = rancangan untuk mengidentifikasi variabel yang akan memprediksi suatu hasil atau kriteria. Dalam bentuk penelitian, peneliti mengidentifikasi 1 atau lebih variabel predictor dan suatu variabel criteria (atau variabel hasil). Variabel predictor = suatu variabel yang digunakan untuk meramalkan (forecast) suatu hasil dari penelitian korelasi.
Dalam kasus prediksi kesuksesan guru di suatu sekolah, predictor mungkin dapat berupa “mentoring” selama pelatihan guru atau “lamanya pengalaman mengajar”. Dalam banyak penelitian prediksi, peneliti sering menggunakan lebih dari 1 variabel predictor. Variabel Criterion = Hasil yang sedang diprediksi dalam penelitian korelasi. Meskipun lebih dari 1 hasil dapat diprediksi tetapi umumnya hanya ada 1 variabel criterion.
Untuk mengidentifikasi penelitian prediksi, perhatikan karakteristik berikut: Peneliti umumnya memasukkan kata prediksi dalam judul laporan atau mungkin bisa ditempatkan dalam pernyataan tujuan penelitian atau pertanyaan penelitian.
Peneliti umumnya mengukur variabel predictor dalam satu waktu dan mengukur variabel criterion di lain waktu. Oleh karena itu, anda harus menguji suatu kajian untuk menentukan apakah peneliti membangun suatu dimensi “waktu” ke dalam rancangan penelitian. Contoh: Predictor kesuksesan guru, “mentoring”, diukur selama program pelatihan guru, sedangkan “kesuksesan” diukur setelah program pelatihan selesai dan para siswa pelatihan mempraktekkan ilmu keguruannya. Peneliti meramalkan kinerja (performance). Biasanya ini dirumuskan dalam pernyataan tujuan penelitian atau di dalam pertanyaan penelitian. Untuk membenarkan (justification) masalah penelitian, penulis juga menyebutkan maksudnya untuk “memprediksi” hasil.
Karakteristik Utama Rancangan Korelasi Tampilan skor (scatterplots dan matrix) Asosiasi antar skor (arah, bentuk, dan kekuatan) Analisis multi variabel (korelasi sebagian dan multi regresi)
Tampilan skor (scatterplots dan matrix) Peneliti memplot skor untuk 2 variabel pada grafik untuk menyajikan gambar visual dari bentuk skor. Ini memungkinkan peneliti mengidentifikasi tipe asosiasi antar variabel dan menemukan skor ekstrim. Terutama plot tsb dapat menyajikan informasi ttg bentuk asosiasi – apakah skornya linear atau kurva linear (U-shaped form). Juga mengindikasikan arah asosiasinya (misal: 1 skor naik dan skor lain juga naik) dan derajad asosiasi(apakah relasi sempurna dengan korelasi = 1.0 atau kurang sempurna).
Suatu matriks korelasi menyajikan tampilan visual koefisien korelasi bagi seluruh variabel dalam suatu kajian. Untuk menyederhanakan tabel, peneliti menempatkan angka-angka pada variabel dan hanya memasukkan angka-angka di kolom heading. Koefisien yang hanya berkisar antara -.33 dan +.65 ditampilkan dalam cells dalam tabel. Asterisk (bintang) mengindikasikan apakah koefisien secara signifikan berkorelasi pada level p < .05 and p < .01.
Asosiasi antar skor (arah, bentuk, dan kekuatan)
Koefisien korelasi r berguna untuk menggambarkan dan mengukur asosiasi antara 2 variabel jika asosiasinya linear. Alih-alih menggunakan koefisien r, peneliti menggunakan korelasi koefisien Spearman rho (rs) untuk data non-linear dan untuk tipe data lain yang terukur pada skala kategori (berdasarkan ranking) Jika anda mengukur 1 variabel pada skala continuous (interval atau rasio) dan lainnya pada skala kategori, dikotomi, maka korelasi statistik bukanlah r namun korelasi point-biserial.
Asumsikan bahwa peneliti mengkorelasikan skor interval berangkai pada variabel depresi dengan pria dan wanita (variabel dikotomi) Suatu statistic korelasi point-biserial digunakan dengan cara mengkonversi variabel dikotomi menjadi skor numerik yaitu Pria = 1 dan Wanita = 2. Dengan menggunakan angka-angka tersebut dan rumus untuk data ordinal, peneliti mengkalkulasi koefisien korelasi point biserial yang mengukur derajad dan arah asosiasi antara depresi pada pri dan wanita.
Koefisien phi digunakan untuk menentukan derajad dan arah asosiasi ketika kedua ukuran variabelnya dikotomi. Contoh: Pria dan Wanita mungkin berkorelasi dengan penggunaan narkoba (tidak dan ya). Dalam situasi ini, peneliti juga mengkonversi kedua variabel dikotomi menjadi (pria=1, wanita=2; tidak mengkonsumsi narkoba=1, mengkonsumsi narkoba =2) dan kemudian menggunakan rumus koefisien phi untuk mengkalkulasi skor yang telah dikonversi tadi.
Derajad asosiasi = asosiasi antara 2 variabel atau set skor merupakan koefisien korelasi antara –1.00 hingga +1.00, dengan 0.00 yang mengindikasikan tidak adanya asosiasi linear. Asosiasi antara 2 set skor ini merefleksikan apakah ada asosiasi konsisten dan dapat diprediksi antar skor. Meskipun korelasi mengukur derajad relasi/hubungan, banyak peneliti suka mengkuadratkan korelasi korelasi dan menggunakan nilai akhir untuk untuk mengukur kekuatan relasi/hubungan. Dalam prosedur ini, peneliti menghitung koefisien determinasi.
Koefisien determinasi (coefficient of determination) = koefisien yang menilai proporsi variabilitas dalam satu variabel yang dapat dideterminasikan atau dijelaskan oleh variabel kedua. Contoh: Jika anda memperoleh r=+.70 (atau –.70), dengan mengkuadratkan nilai ini akan diperoleh r2 = .49 (atau 49%). Ini berarti hampir separuh (49%) variabilitas dalam Y dapat dideterminasikan atau dijelaskan oleh X. Ilustrasi: Tingkat pendidikan ortu menjelaskan bahwa ada 49% kepuasan siswa terhadap sekolahnya (r2 =.49).
Ukuran Koefisien Korelasi .20 –.35: terdapat sedikit hubungan dan secara statistik sedikit signifikan untuk 100 partisipan atau lebih. Ukuran koefisien ini mungkin bernilai untuk mengeksplorasi interkoneksi antar variabel tapi sedikit nilainya untuk tujuan prediksi. .35 –.65: ketika korelasi diatas .35, maka akan bermanfaat bagi prediksi terbatas. Mereka merupakan nilai yang umum digunakan untuk mengidentifikasi keanggotaan variabel dalam prosedur analisis faktor (interkorelasi antar variabel dengan suatu skala), dan banyak koefisien korelasi untuk relasi bivariate ditemukan pada wilayah ini.
.66 –.85: ketika korelasi ditemukan pada wilayah ini, prediksi yg bagus dapat muncul dari 1 variabel ke variabel lainnya. Koefisien dalam wilayah ini dianggap sangat bagus. .86 dan diatasnya: korelasi di wilayah ini umumnya dicapai untuk kajian atau penelitian construct validity dan reliabilitas tes-retes. Malah para peneliti ingin korelasi uji validitas dan reliabilitas setinggi ini. Ketika 2 atau lebih variabel berelasi, korelasi setinggi ini jarang dicapai. Kalaupun setinggi ini, maka 2 variabel sesungguhnya mengukur ciri-ciri/karakteristik dasar yang sama dan harus dikombinasikan dalam analisis data.
Analisis multi variabel (korelasi sebagian dan multi regresi) Untuk melihat dampak apa yg dimiliki multi variabel pada suatu hasil, peneliti menggunakan analisis regresi. Regression line = suatu garis yang tepat mengisi semua poin skor pada suatu grafik. Garis ini mendekati semua poin pada plot grafik dan dikalkulasi dengan menggambarkan suatu garis yang meminimalisir jarak dalam kotak dari garis. Rumus Regression line seperti berikut
Contoh: kita menduga seorang individu yang menggunakan Internet 14 jam/minggu memiliki skor depresi senilai 41. Jika a= 6, b = 2.5, and X= 14 Y(yang diprediksi) =2.5(14) + 6 = 41
Multiple regression (atau multiple correlation) = suatu prosedur statistik untuk menguji relasi kombinasi dari multi variabel independen dengan satu variabel dependen. Y(predicted) =b1(X1)+b2(X2)+a Dimana : Y=the predicted scores b1=a constant for the slope of X1 ( b2, for X2) a=the intercept Asumsikan bahwa kemiringan (slope) untuk b1=.24 dan b2=.19 dan intercept=10.77. Prediksi persamaan untuk kedua variabel independen menjadi: Y(predicted) =.24 (X1)+.19 (X2)+10.77 Y(predicted) =.24 (10) +.19 (70) +10.77
Tabel Regresi menunjukkan jumlah total variance yang dijelaskan dalam suatu variabel dependen oleh semua variabel independen yang disebut r2 Bobot beta = koefisien yang mengindikasikan kekuatan prediksi suatu variabel setelah menghilangkan efek seluruh predictor yang lain
Langkah-langkah melakukan penelitian korelasi Tentukan apakah dengan penelitian korelasi akan menjawab masalah penelitian anda. Identifikasi individu untuk diteliti. Identifikasi 2 atau lebih ukuran untuk masing-masing individu dalam penelitian. Kumpulkan data dan monitor ancaman-ancaman potensial. Analisis data dan representasikan hasilnya dalam tabel dan grafik. Interpretasikan hasil penelitian.
Tentukan apakah dengan penelitian korelasi akan menjawab masalah penelitian anda Penelitian korelasi tidak membuktikan suatu relasi, tetapi mengindikasikan suatu asosiasi antar 2 atau lebih variabel. Karena anda tidak membandingkan kelompok-kelompok dalam penelitian korelasi, maka anda menggunakan pertanyaan penelitian ketimbang hipotesis. Contoh pertanyaan penelitian korelasi: Apakah kreatifitas berhubungan dengan skor tes IQ pada anak-anak SD? (mengasosiasikan 2 variabel) Apa sajakah faktor-faktor yang menjelaskan perilaku etis siswa keguruan selama pengalaman mengajarnya di sekolah? (mengeksplorasi relasi kompleks) Apakah ranking di SMA dapat digunakan untuk memprediksikan IPK mahasiswa tingkat I pada semester 1? (prediksi)
Identifikasi individu untuk diteliti. Kelompok sampel perlu ukuran memadai untuk diuji statistik korelasi, contoh: N = 30; Semakin besar ukuran yang berkontribusi pada minimnya error variance, semakin baik keterwakilannya. Ilustrasi: seorang peneliti meneliti 100 atlit yang sedang belajar di SMA dengan maksud mengkorelasikan derajad partisipasi mereka dalam beragam olahraga dan aktifitas merokok. Suatu jangkauan skor yang sempit dari suatu populasi mungkin akan mempengaruhi kekuatan korelasi hubungannya. Sebagai contoh, jika anda memperhatikan relasi antara tinggi badan pemain basket dan jumlah keranjang dalam satu permainan/game, anda mungkin akan menemukan hubungan kuat antara diantara anak-anak usia TK-SMA. Tapi jika anda memilih dari kumpulan pemain NBA, maka hubungannya secara signifikan akan lebih lemah.
Identifikasi 2 atau lebih ukuran untuk masing-masing individu dalam penelitian Karena pengertian dasar dari korelasi adalah untuk membandingkan partisipan pada 2 atau lebih karakteristik, maka ukuran-ukuran variabel dalam pertanyaan penelitian harus diidentifikasi dan instrumen-instrumen yang mengukur variabel-variabel perlu diperoleh. Idealnya, instrumen-instrumen tsb harus dibuktikan validitas dan reliabilitasnya. Umumnya 1 variabel diukur pada masing-masing instrumen, tetapi 1 instrumen tunggal mungkin saja memuat 2 variabel yang nantinya akan dikorelasikan.
Kumpulkan data dan monitor ancaman-ancaman potensial Ilustrasi: Suatu sampel database kecil berisi 10 mahasiswa ditujukkan pada tabel berikut. Peneliti ingin menjelaskan variabilitas IPK mahasiswa tahun I. Asumsikan bahwa peneliti ini telah mengidentifikasi 4 predictor melalui tinjauan pustaka. Dalam penelitian-penelitian terdahulu, predictor-predictor ini secara positif berkorelasi dengan prestasi di perkuliahan. Peneliti dapat memperoleh informasi untuk variabel predictor dari kantor admisi. Kriteria, yaitu IPK (GPA) selama tahun I, diperoleh dari kantor registrar. Dalam kajian regresi, peneliti mengidentifikasi faktor atau kombinasi faktor mana yang paling tepat menjelaskan variance pada IPK (GPA) tahun I. Ulasan data ini menunjukkan bahwa skor bervariasi pada masing-masing variabel, dengan variasi yang lebih banyak di antara skor Tes Masuk PT (GRE) ketimbang di antara skor rekomendasi dan kecocokkan pada program studi tertentu. Juga ditunjukkan bahwa nilai IPK (GPA) dan Tes Masuk PT (GRE) yang lebih tinggi secara positif berhubungan dengan IPK (GPA) semester I. Karena data ini diperoleh dari kantor admisi maka peneliti tidak perlu khawatir akan prosedur-prosedur yang mengancam validitas skor.
Analisis data dan representasikan hasilnya dalam tabel dan grafik Peneliti mencari pola (pattern) respon dan menggunakan prosedur statistik untuk menentukan kekuatan hubungan dan arahnya. Analisis dimulai dengan pengkodean data dan mentransfernya dari instrumen ke file komputer. Kemudian ditentukanlah statistik yang tepat untuk digunakan. Pertanyaan awal adalah apakah data berhubungan itu secara linear atau curva linear. Maka scatterplot skor (jika penelitian menggunakan bivariate) dapat membantu menjawab pertanyaan tsb.
Juga pertimbangkan apakah: Hanya 1 variabel independen yang dikaji/diteliti (Pearson’s correlation coefficient) Suatu variabel mediasi menjelaskan baik variabel independen maupun dependen dan perlu dikontrol (partial correlation coefficient) Ada lebih dari 1 variabel independen perlu dikaji/diteliti untuk menjelaskan variabilitas dalam suatu variabel dependen (multiple regression coefficient)
Berdasarkan uji statistic yang paling banyak digunakan, peneliti kemudian mengkalkulasi apakah statistic tsb signifikan berdasarkan skor-skor yang ada. Contohnya: suatu p-value diperoleh dalam kajian bivariate dengan cara: Men-setting alpha level Menggunakan critical value dari tabel r. (Dapat diperoleh dari banyak buku-buku statistik) Menggunakan degree of freedom N = 2 dengan tabel r Mengkalkulasi koefisien r yang diamati dan membandingkannya dengan r-critical value. Menolak atau menerima hipotesis null pada level signifikansi tertentu, contoh: p < 0.05 Selain itu, berguna untuk melaporkan effect size (r2). Dalam analisis korelasi, effect size adalah Pearson’s correlation coefficient kuadrat. Dalam merepresentasikan hasil, peneliti korelasi akan menyajikan matriks korelasi dari semua variabel dan juga tabel statistic (untuk kepentingan kajian regresi) yang melaporkan nilai R dan R2 dan beta weights bagi masing-masing variabel.
Interpretasikan hasil penelitian Bagian ini membutuhkan pembahasan tentang kekuatan dan arah dari hasil penelitian korelasi yang: mempertimbangkan dampak variabel-variabel intervensi dalam suatu korelasi partial menginterpretasikan bobot regresi variabel dalam analisis regresi mengembangkan persamaan prediktif yang digunakan dalam kajian/penelitian prediksi. Dalam seluruh rangkaian langkah penelitian korelasi, perhatian seutuhnya adalah: apakah data anda mendukung teori-teori, hipotesis-hipotesis, atau pertanyaan-pertanyaan penelitian. apakah hasil penelitian anda mengkonfirmasi atau tidak (confirm or disconfirm) temuan-temuan pada penelitian lainnya/sebelumnya. apakah refleksi yang dibuat apakah menyinggung tentang ancaman-ancaman yang akan menimbulkan kekeliruan-kekeliruan koefisien apakah dimungkinkan langkah-langkah yang ditempuh pada penelitian selanjutnya mampu mengatasi/menjawab perhatian (concern) tsb.
Bagaimana mengevaluasi penelitian korelasi? Untuk mengevaluasi dan menilai kualitas penelitian korelasi, peneliti/penulis akan mempertimbangkan: Ukuran sampel yang memadai untuk diuji/diteliti. Tampilan hasil korelasi dalam matriks dan grafik. Intepretasi tentang arah dan kekuatan asosiasi antara 2 atau lebih variable. Penilaian kekuatan relasi / hubungan berdasarkan koefisien determinasi, p-value, effect size, size of the coefficient. Pilihan statistic yang tepat untuk menganalisis data. Identifikasi variabel predictor dan criterion. Jika model visual relasi digunakan, maka peneliti mengindikasikan arah relasi antar variabel atau arah berdasarkan data yang diobservasi. Identifikasi secara jelas terhadap prosedur statistik.