korelasional the nature of
TRANSCRIPT
PENELITIAN KORELASI
Justine Gibbs, seorang guru biologi SMA, merasa terganggu oleh fakta
tahun lalu bahwa banyak dari siswa kelas 10 nya mengalami cukup banyak
kesulitan belajar dalam konsep-konsep biologi sementara siswa lainnya
menganggap konsep-konsep itu mudah dipelajari. Oleh karena itu, sebelum
semester dimulai pada tahun ini, dia ingin bisa memprediksi jenis individu yang
cenderung memiliki kesulitan belajar pada konsep-konsep ini. Jika dia bisa
membuat beberapa prediksi yang cukup akurat, dia mungkin dapat menyarankan
beberapa tindakan korektif (misalnya, sesi tutorial khusus) sehingga hanya sedikit
siswa yang akan mengalami kesulitan di kelas biologinya.
Metodologi yang tepat untuk ini disebut penelitian korelasional. Hal yang
perlu dilakukan Gibbs adalah mengumpulkan berbagai jenis data pada siswanya
yang mengalami kesulitan dalam belajar biologi dan yang tidak mengalami
kesulitan dengan biologi. Variabel apa saja yang mungkin berhubungan dengan
keberhasilan atau kegagalan dalam belajar biologi (misalnya, kecemasan mereka
terhadap subjek, pengetahuan mereka sebelumnya, seberapa baik mereka
memahami abstraksi, kinerja mereka dalam kursus ilmu lainnya, dll) akan
berguna. Hal ini mungkin memberikan beberapa ide tentang bagaimana para siswa
yang belajar konsep biologi dengan mudah berbeda dari mereka yang mengalami
kesulitan. Hal ini, pada gilirannya, dapat membantu dia memprediksi siswa yang
mungkin memiliki kesulitan belajar biologi pada semester berikutnya. Oleh
karena itu, bab ini, menjelaskan pada Ms Gibbs (dan Anda) apa yang dimaksud
dengan penelitian korelasional dan semua tentang penelitian korelasional.
SIFAT PENELITIAN KORELASI
Penelitian korelasiona lmenyerupai penelitian kausal-komparatif (yang
akan kita bahas dalam Bab enam belas), adalah contoh dari apa yang kadang-
kadang disebut penelitian asosiasional. Dalam penelitian asosiasional, ada
hubungan antara dua atau lebih variabel yang diteliti tanpa ada upay auntuk
mempengaruhi variabel. Dalam bentuk yang paling sederhana, penelitian
korelasional menyelidiki kemungkinan adanya hubungan antara dua variabel,
29
meskipun ada penyelidikan lebih dari dua variabel yang umum. Berbeda dengan
penelitian eksperimental, tidak ada manipulasi variabel dalam penelitian
korelasional.
Penelitian korelasional kadang-kadang disebut sebagai bentuk penelitian
deskriptif karena menggambarkan hubungan yang ada antara variabel. Cara
menggambarkan hubungan ini sangat berbeda dari deskripsi yang ditemukan pada
jenis-jenis penelitian lain. Sebuah penelitian korelasional menggambarkan sejauh
mana dua atau lebih variabel kuantitatif berhubungan, dan penelitian korelasional
melakukannya dengan menggunakan koefisien korelasi.
Ketika ditemukan ada korelasi di antara dua variabel, itu berarti bahwa
skor dalam rentang tertentu di salah satu variabel berhubungan dengan skor dalam
rentang tertentu pada variabel lainnya. Anda akan ingat bahwa korelasi positif
berarti skor tinggi pada satu variabel cenderung terhubung dengan skor tinggi
pada variabel lain, sedangkan skor rendah pada satu variabel terhubung dengan
skor rendah pada variabel yang lain. Sebuah korelasi negatif, dilain sisi, berarti
nilai tinggi pada satu variabel terhubung dengan skor rendah pada variabel
lainnya, dan skor rendah pada satu variabel terhubung dengan skor tinggi di sisi
lain(tabel 15.1).
Seperti yang telah kami tunjukkan sebelumnya, hubungan seperti yang
ditunjukkan dalam tabel 15.1 dapat digambarkan secara grafis melalui
penggunaan scatterplots. Gambar15,1, misalnya, menggambarkan hubungan yang
ditunjukkan dalam tabel15,1(A).
30
Tujuan Penelitian Korelasi
Penelitian korelasional dilakukan untuk salah satu dari dua tujuan dasar,
baik untuk membantu menjelaskan perilaku penting manusia atau untuk
memprediksi kemungkinan hasil.
Penjelasan Kajian
Tujuan utama dari penelitian korelasional adalah untuk memperjelas
pemahaman kita tentang fenomena penting dengan mengidentifikas ihubungan
antar variabel. Khususnya dalam perkembangan psikologi, di mana penelitian
eksperimental sangat sulit untuk didesain, banyak yang telah dipelajari dengan
menganalisis hubungan antara beberapa variabel. Sebagai contoh, korelasi
ditemukan antara variabel seperti kompleksitas bahasa ibu dan tingkat penguasaan
bahasa telah mengajarkan banyak tentang penelitian bagaimana bahasa diperoleh.
Demikian pula, penemuan bahwa di antara variabel hubungan keterampilan
memori dalam membaca dan mendengarkan menunjukkan korelasi yang
sisignifikan dengan kemampuan membaca yang telah memperluas pemahaman
kita mengenai fenomena yang kompleks dari membaca. Saat ini dipercaya bahwa
merokok menyebabkan kanker paru-paru, meskipun sebagian didasarkan pada
31
penelitian eksperimental hewan, sangat tergantung pada bukt ikorelasional tentang
hubungan antara frekuens imerokok dan kejadian kanker paru-paru.
Peneliti yang melakukan penellitian yang bersifat penjelasan umumnya
menyelidiki sejumlah variabel yang mereka yakini terkait dengan variabel yang
lebih kompleks, seperti motivasi atau belajar. Variabel ternyata tidak berhubungan
atau hanya sedikit yang berkaitan (yaitu, ketika diperoleh korelasi di bawah0.20)
kemudian turun dari pertimbangan lebih lanjut, sementara yang mereka temukan
terkait lebih tinggi (yaitu, ketika korelasi yang diperoleh di luar +0.40 atau -0.40)
seringkali menjadi fokus penelitian tambahan, menggunakan desain
eksperimental, untuk melihat apakah memang merupakan hubungan yang kausal.
Mari kita bicarakan sedikit tentang sebab-akibat di sini. Meskipun
penemuan hubungan korelasional tidak membangun hubungan kausal, sebagian
besar peneliti yang terlibat dalam penelitian korelasional mungkin mencoba untuk
mendapatkan beberapa ide tentang sebab dan akibat. Seorang peneliti yang
melakukan penelitian fiktif yang hasilnya diilustrasikan pada Gambar 15.2,
misalnya, mungkin akan cenderung untuk menyimpulkan bahwa kegagalan
dugaan guru merupakan penyebab dari sebagian (atau setidaknya berkontribusi)
perilaku siswa-siswanya yang mengganggu di dalam kelas.
Bagaimapun, harus ditekankan bahwa penelitian korelasional bukan
berasal dari dalam dan dari diri mereka sendiri dalam membangun sebab dan
akibat. Pada contoh sebelumnya, salah satu bisa juga berpendapat bahwa jumlah
perilaku yang mengganggu di kelas menyebabkan kegagalan dugaan guru, atau
32
bahwa baik dugaan guru dan perilaku mengganggu disebabkan oleh beberapa
faktor ketiga seperti tingkat kemampuan kelas.
Penyebab mungkin diperkuat, jika ada selang waktu antara pengukuran
variabel yang sedang diteliti. Jika kegagalan dugaan guru diukur sebelum
menugaskan siswa di kelas, misalnya, tampaknya tidak masuk akal untuk
mengasumsikan bahwa perilaku kelas (atau juga tingkat kemampuan kelas) akan
menyebabkan kegagalan dugaan guru. Sebaliknya, pada kenyataannya akan lebih
masuk akal. Bagaimanapun, beberapa penjelasan kausal lain tetap persuasif,
seperti tingkats osial ekonomi dari siswa yang terlibat. Guru mungkin memiliki
kegagalan dugaan yang lebih tinggi terhadap ekonomi siswa miskin. Siswa
tersebut mungkin juga menunjukkan sejumlah besar perilaku mengganggu di
kelas terlepas dari dugaan guru mereka. Oleh karena itu, pencarian sebab dan
akibat dalam penelitian korelasional penuh dengan kesulitan. Meskipun demikian,
hal itu bisamenjadi langkah yang berbuah dalam mencari penyebab. Kita kembali
ke masalah selanjutnya dalam pembahasan ancaman terhadap validitas internal
dalam penelitian korelasional.
33
Lebih Lanjut tetanng penelitianTEMUAN PENTING DALAM PENELITIAN KORELASIONALSalah satu contoh yang paling terkenal, dan kontroversial, penelitian korelasional adalah bahwa frekuensi merokok berhubungan dengan kejadian kanker paru-paru. Ketika penelitian ini mulai muncul, banyak yang berpendapat merokok sebagai penyebab utama kanker paru-paru. Para penentang tidak berdebat untuk sebaliknya yaitu, bahwa kanker menyebabkan merokok untuk alasan yang jelas bahwa merokok yang pertama terjadi. Mereka, bagaimanapun, berpendapat bahwa merokok dan kanker paru-paru disebabkan oleh faktor lain seperti predisposisi genetik, gaya hidup (pekerjaan yang menetap mungkin menghasilkan lebih banyak merokok dan kurang berolahraga), dan lingkungan (merokok dan kanker paru-paru mungkin lebih umum di kota berkabut).
Meskipun secara persuasif teori merokok jelas bisa mengiritasi jaringan paru-paru argumen untuk sebab-akiba titu tidak cukup persuasif untuk dokter bedah umum untuk mengeluarkan peringatan sampai penelitian eksperimental menunjukkan bahwa paparan asap tembakau mengakibatkan kanker paru-paru pada hewan.
KAJIAN PREDIKSI
Tujuan kedua dari penelitian korelasional adalah prediksi. Jika ada
hubungan yang cukup besar antara dua variabel maka ada kemungkinan untuk
memprediksi skor pada satu variabel jika skor pada variabel lain diketahui. Para
peneliti telah menemukan, misalnya, bahwa nilai SMA sangat berkaitan dengan
nilai kuliah. Oleh karena itu, nilai SMA dapat digunakan untuk memprediksi nilai
kuliah. Kami akan memprediksi bahwa orang dengan IPK tinggi di SMA akan
cenderung memiliki IPK tinggi di perguruan tinggi. Variabel yang digunakan
untuk membuat prediksi disebut variabel prediktor, sedangkan variabel yang
mampu memprediksi tentang yang dibuat disebut variabel kriteria. Oleh karena
itu, dalam contoh di atas, nilai SMA akan menjadi variabel prediktor, dan nilai
kuliah akan menjadi variabel kriteria. Seperti yang telah disebutkan dalam Bab 8,
pengkajian prediksi juga digunakan untuk menentukan validitas prediktif dari alat
ukur.Menggunakan Scatterplots untuk memprediksi suatu skor prediksi dapat
digambarkan melalui penggunaan scatterplots. Anggaplah, misalnya, bahwa kita
memperoleh data yang ditampilkan dalam Tabel 15.2 dari sampel yang terdiri dari
12 kelas. Dengan menggunakan data ini, kita menemukan korelasi 0,71 antara
variabel kegagalan dugaan guru dan jumlah perilaku mengganggu.
Memplot data pada Tabel 15.2 menghasilkan plot yang tersebar
ditunjukkan pada Gambar 15.2. Setelah sebaran plot seperti ini telah dibuat
34
menjadi garis lurus, yang dikenal sebagai garis regresi, dapat dihitung secara
matematis. Perhitungan garis ini ada di luar lingkup teks ini, tetapi pemahaman
umum penggunaannya dapat diperoleh dengan melihat Gambar 15.2. Garis regresi
paling dekat dengan semua nilai yang digambarkan pada sebaran dari setiap garis
lurus yang dapat ditarik. Seorang peneliti kemudian dapat menggunakan garis
sebagai dasar prediksi. Dengan demikian, seperti yang Anda lihat, seorang guru
dengan kegagalan dugaan dengan skor 10 akan diperkirakan memiliki kelas
dengan skor 9 pada jumlah perilaku mengganggu, dan guru dengan skor dugaan 6
akan diperkirakan memiliki kelas dengan skor perilaku mengganggu 6. Demikian
pula, garis regresi kedua dapat ditarik untuk memprediksi skor pada kegagalan
harapan guru jika kita tahu skor jumlah perilaku mengganggu pada kelas itu.
Kemampuan memprediksi skor bagi setiap individu (atau kelompok) pada
satu variabel didasarkan pada skor individu (atau kelompok ) pada variabel lain
sangat berguna. Seorang administrator sekolah, misalnya, bisa menggunakan
Gambar 15.2 (jika didasarkan pada data riil) untuk (1) mengidentifikasi dan
memilih guru yang cenderung memiliki kelas kurang mengganggu, (2)
memberikan pelatihan kepada guru-guru yang diperkirakan memiliki sejumlah
besar perilaku yang mengganggu di kelas mereka, atau (3) rencana bantuan
tambahan bagi para guru tersebut. Baik guru dan siswa yang terlibat akan
mendapatkan keuntungan yang sesuai.
Persamaan Prediksi yang Sederhana. Walaupun scatterplots merupakan
perangkat yang cukup mudah untuk digunakan dalam pembuatan prediksi, mereka
tidak efisien ketika pasangan nilai dari sejumlah besar individu telah
dikumpulkan. Sayangnya, garis regresi kita hanya menjelaskanyang dapat
dinyatakan dalam bentuk persamaan prediksi, yang memiliki bentuk berikut:
Yi’ = a + bXi
Dimana Yi’ = skor prediksi pada Y (variabel kriteria) untuk individu i, Xi = skor
individu i pada X (variabel prediktor), dan nilai-nilai a dan b dihitung secara
matematis dari nilai aslinya. Untuk setiap set data, a dan b adalah konstanta.
Kami sebutkan sebelumnya bahwa IPK SMA telah ditemukan sangat
terkait dengan IPK perguruan tinggi. Oleh karena itu, sebagai contoh simbol Y’
35
singkatan dari prediksi IPK kuliah semester pertama(variabel kriteria), danXi
singkatan dari IPK individu di SMA (variabel prediktor). Mari kita asumsikan
bahwa a = 0.18 dan b = 0.73. Dengan memasukkannya dalam persamaan, kita
dapat memprediksi IPK kuliah di semester pertama. Dengan demikian, jika IPK
seseorang diperguruan tinggi adalah 3.5, kita akan memprediksi bahwa IPK kuliah
di semester pertama adalah 2.735 (yang mana 0.18+0.73 (3.5) 2.735)?. Kita
kemudian bisa membandingkan IPK kuliah siswa yang sebenarnya pada semester
pertama dengan IPK yang diprediksikan. Jika ada kemiripan antara keduanya,
kami mendapatkan kepercayaan diri dalam menggunakan persamaan prediksi
untuk membuat prediksi di masa depan.
Bagaimanapun, prediksi skor ini tidak akan tepat, maka peneliti juga
menghitung indeks kesalahan prediksi, yang dikenal sebagai standard error dari
estimasi. Indeks ini memberikan perkiraan sejauh mana kemungkinan skor
prediksi tidak benar. Semakin kecil standard error dari estimasi, semakin akurat
prediksi. Indeks kesalahan ini, seperti yang Anda harapkan, jauh lebih besar untuk
nilai-nilai kecil daripada untuk r yang lebih besar.
Selain itu, jika kita memiliki informasi lebih lanjut tentang siapa indivdu
yang ingin kita prediksi, kita harus bisa mengurangi kesalahan prediksi kita. Ini
adalah teknik yang dikenal sebagai regresi berganda (atau korelasi berganda) yang
dirancang untuk dilakukan.
TEKNIK KORELASIONAL YANG LEBIH KOMPLEKS
Regresi berganda, regresi berganda adalah teknik yang memungkinkan peneliti
untuk menentukan korelasi antara variabel kriteria dan kombinasi terbaik dari dua
atau lebih variabel prediktor. Mari kita kembali ke contoh kita sebelumnya yang
melibatkan korelasi positif antara tingginya IPK SMA dan IPK kuliah semester
pertama. Misalkan juga ditemukan bahwa korelasi yang positif tinggi (r = 0.68)
ada antara IPK kuliah semester pertama dan nilai SAT pada ujian lisan untuk
masuk perguruan tinggi, dan korelasinya positif cukup tinggi (r = 0.51) ada antara
skor SAT matematika dan IPK di kuliah semester pertama. Hal ini
memungkinkan, dengan mula-mula menggunakan prediksi regresi berganda,
36
untuk menggunakan ketiga variabel untuk memprediksi IPK siswa selama
semester pertama di perguruan tinggi. Rumus ini mirip dengan persamaan
prediksi yang sederhana, kecuali bahwa sekarang mencakup lebih dari satu
variabel prediktor dan lebih dari dua konstanta. Dibutuhkan rumus berikut:
Y’= a + b1X1 + b2X2 + b3X3
Dimana Y’ diprediksi sebagai IPK kuliah semester pertama, a, b1, b2, dan
b3 adalah konstanta, X1= IPK perguruan tinggi; X2 = skor SAT verbal; dan X3 =
skor SAT matematika. Mari kita bayangkan bahwa a = 0.18, b1 = 0.73, b2 =
0.0005, dan b 3= 0. 0002. Kita tahu bahwa IPK perguruan tinggi 3,5. Misalnya
skor SAT verbal dan matematika adalah 580 dan 600, masing-masing.
disubstitusikan dalam rumus, kita akan memprediksi IPK semester pertama siswa
akan 3.15.
Y’ = 0.18 + 0.73(3.5) + 0.0005(580) + 0.0002(600)
= 0.18 + 2.56 + 0.29 +0.12
= 3.15
Sekali lagi, kita kemudian bisa membandingkan IPK kuliah semester
pertama secara aktual yang diperoleholeh siswa ini dengan skor prediksi untuk
menentukan seberapa akurat prediksi kita.
Koefisien Korelasi Berganda. Koefisien korelasi berganda, dilambangkan
dengan R, menunjukkan kekuatan korelasi antara kombinasi variabel prediktor
dan variabel kriteria. Hal ini dapat dianggap sebagai korelasi Pearson sederhana
antara skor aktual terhadap variabel kriteria dan nilai prediksi pada variabel
tersebut. Dalam contoh sebelumnya, kami menggunakan kombinasi IPK SMA,
skor SAT verbal, dan skor SAT matematika untuk memprediksi bahwa IPK
semester pertama mahasiswa tertentu di perguruan tinggi akan bernilai 3.15. Kita
kemudian bisa memperoleh IPK semester pertama yang aktual yang sama bahwa
IPK mahasiswa di kampus mungkin 2,95, misalnya. Jika kita memberlakukan ini
untuk 100 siswa, kita kemudian bisa menghitung korelasi (R) antara IPK yang
diprediksi dan aktual. Jika R +1,00, misalnya, itu berarti bahwa skor diperkirakan
berkorelasi dengan sempurna dengan nilai yang sebenarnya pada variabel kriteria.
R +1,00, tentu saja, akan sangat tidak biasa untuk didapatkan. Dalam praktek yang
37
sebenarnya, R dari 0.70 atau 0.80 dianggap cukup tinggi. Semakin tinggi R, tentu
saja, prediksinya akan lebih reliable. Gambar 15.3 menggambarkan hubungan
antara kriteria dan dua prediktor. Jumlah dari IPK perguruan tinggi dicatat dengan
IPK SMA (sekitar 36 persen) yang meningkat sekitar 13 persen menambahkan
skor tes sebagai prediktor kedua.
Koefisien Determinasi. Kuadrat dari korelasi antara prediktor dan variabel
kriteria dikenal sebagai koefisien determinasi, dilambangkan dengan r2. Jika
korelasi antara IPK SMA dan IPK perguruan tinggi misalnya, sama dengan 0,60,
maka koefisien determinasi akan sama dengan 0,36. Apa artinya ini? Singkatnya,
koefisien determinasi menunjukkan persentase variabilitas antara skor kriteria
yang dapat dikaitkan dengan perbedaan dalam nilai pada variabel prediktor.
Dengan demikian, jika korelasi antara IPK sekolah dan IPK perguruan tinggi
untuk sekelompok siswa adalah 0.60, 36 persen (0.60)2 dari perbedaan dalam IPK
perguruan tinggitersebutsiswadapat dikaitkan denganperbedaan dalamIPK sekolah
mereka.
Penafsiran R2 (untukregresi) adalah mirip dengan r2 (untuk regresi
sederhana). Misalkan kami contohkan dalam penggunaan tiga variabel prediktor ,
Koefisien korelasi berganda sebesar 0.70., maka, koefisien diskriminasi sama
dengan (0.70)2, atau 0.49. Dengan demikian, maka akan lebih tepat untuk
mengatakan bahwa 49 persen dari variabilitas dalam variabel kriteria diprediksi
berdasarkan tiga variabel prediktor. Cara lain untuk mengatakan bahwa ini adalah
38
IPK SMA, skor verbal SAT, dan nilai SAT matematika (prediktor tiga variabel),
diambil bersama-sama, mencapai sekitar 49 persen dari variabilitas IPK di
perguruan tinggi (variabel kriteria).
Nilai persamaan prediksi tergantung pada apakah dapat digunakan dengan
kelompok individu baru. Para peneliti tidak pernah bisa memastikan persamaan
prediksi yang mereka kembangkan akan bekerja dengan sukses bila digunakan
untuk memprediks skor kriteria untuk kelompok orang yang baru. Bahkan, sangat
mungkin bahwa hal itua kan kurang akurat ketika digunakan, karena kelompok
baru tidak akan sama dengan yang digunakan untuk mengembangkan persamaan
prediksi. Oleh karena itu, keberhasilan dari persamaan prediksi tertentu dengan
kelompok baru biasanya tergantung pada kelompok yang sama, yaitu kelompok
yang digunakan untuk mengembangkan persamaan prediksi pada awalnya.
Analisis Fungsi Diskriminasi. Dalam penelitian prediksi, variabel kriteria
bersifat kuantitatif yaitu, melibatkan nilai yang bisa diperoleh di mana saja
sepanjang kontinum dari rendah ke tinggi. Kami sebelumnya mencontohkan IPK
perguruan tinggi, adalah variabel kuantitatif, untuk nilai pada variabel yang bisa
didapat di mana saja pada atau antara 0,00 dan 4,00. Kadang-kadang, variabel
kriteria mungkin adalah variabel kategori yaitu melibatkan keanggotaan dalam
kelompok (atau kategori) daripada skor selanjutnya. Misalnya, seorang peneliti
mungkin tertarik dalam memprediksi apakah seseorang lebih cocok masuk
jurusan mesin atau jurusan bisnis. Dalam hal ini, variabel kriteria adalah individu
yang dikotomis baik dalam satu kelompok atau yang lain. Tentu saja, sebuah
variabel kategori mampu memiliki lebih dari dua kategori (sebagai contoh,
jurusan teknik, jurusan bisnis, pendidikan utama, jurusan ilmu, dan sebagainya).
Teknik regresi berganda tidak dapat digunakan ketika variabel kriteria merupakan
kategori, melainkan teknik yang dikenal sebagai analisis fungsi diskriminan yang
digunakan. Tujuan dari analisis dan bentuk persamaan prediksi sama dengan yang
untuk regresi berganda. Gambar 15.4 menggambarkan logika, perhatikan bahwa
nilai dari individu yang diwakili oleh enam wajah tetap sama untuk kedua
kategori. Skor seseorang tersebut dibandingkan dulu ke sejumlah ahli penelitian
kimia, dan kemudian skor guru kimia.
39
Analisis faktor . Bila sejumlah variabel yang diselidiki dalam analisis, studi
tunggal dan interpretasi data dapat menjadi agakr umit. Hal ini sering diinginkan,
oleh karena itu, untuk mengurangi jumlah variabel dengan mengelompokkan
mereka ke dalam kelompok sedang atau sangat berkorelasi dengan satu sama lain
menjadi faktor.
Analisis faktor adalah suatu teknik yang memungkinkan pencarian
kembali untuk menentukan apakah variabel dapat dijelaskan oleh beberapa faktor.
Perhitungan matematis yang terlibat berada di luar cakupan buku ini, tetapi teknik
dasarnya melibatkan pencarian untuk "cluster" dari variabel, yang semuanya
berhubungan dengan satu sama lain. Setiap kelompok mewakili faktor. penelitian
kelompok tes IQ, misalnya, telah disarankan secara spesifik lagi bahwa banyak
nilai yang digunakan dapat dijelaskan sebagai akibat dari sejumlah faktor kecil
dengan relatif. Sementara kontroversial, hasil ini tidak memberikan suatu cara
untuk memahami kemampuan yang dibutuhkan untuk mengerjakan dengan baik
seperti pada tes. Mereka juga menyebabkan tes baru yang dirancang untuk
menguji kemampuan, mengidentifikasi yang lebih efektif.
40
Analisis jalur¸ analisis jalur digunakan untuk menguji kemungkinan dari
hubungan kausal antara tiga variabel atau lebih. Beberapa teknik lain yang kita
miliki dijelaskan dapat digunakan untuk mengeksplorasi teori-teori tentang
hubungan sebab akibat, tetapi analisis jalur jauh lebih kuat daripada yang lain.
Meskipun penjelasan rinci dari teknik ini terlalu teknis untuk dimasukkan di sini,
gagasan penting di balik analisis jalur adalah untuk merumuskan sebuah teori
tentang kemungkinan penyebab fenomena tertentu (seperti keterasingan siswa )-
yaitu, untuk mengidentifikasi variabel kausal yang bisa menjelaskan mengapa
fenomena tersebut terjadi dan kemudian untuk menentukan apakah korelasi antara
semua variabel-variabel konsisten dengan teori.
Misalkan seorang peneliti berteoris ebagai berikut: (1) siswa tertentu lebih
terasingdi sekolah daripada yang lain karena mereka tidak menemukan sekolah
yang menyenangkan dan karena mereka memiliki sedikit teman, (2) mereka tidak
menemukan sekolah yang menyenangkan sebagian karena mereka memiliki
sedikit teman dan sebagian karena mereka tidak menghubungkan program pilihan
dengan kebutuhan mereka, dan (3) relevansi dirasakan dari program yang sedikit
berhubungan ke sejumlah teman. Peneliti kemudian mengukur masing-masing
variabel (derajat keterasingan, relevansi kursus pribadi, kenyamanan di sekolah,
dan jumlah teman-teman) untuk sejumlah siswa. Korelasi antara pasangan
masing-masing variabel kemudian akan dikalkulasikan. Mari kita bayangkan
bahwa peneliti memperoleh korelasi yang ditampilkan dalam matriks korelasi
pada Tabel 15.3
Apa yang tabel ini ungkapkan mengenai kemungkinan penyebab
keterasingan siswa? Dua dari variabel (relevansi kursus di -0.48 dan Kenyamanan
sekolah di -0.53) Ditunjukkan dalam tabel adalah prediktor yang cukup besar dari
keterasingan tersebut. Namun demikian, untuk mengingatkan Anda lagi, hanya
karena variabel-variabel memprediksi keterasingan siswa, Anda tidak harus
41
menganggap bahwa mereka menyebabkan hal itu. Selain itu, suatu masalah ada
pada kenyataan bahwa dua prediktor variabel-variabel berkorelasi dengan satu
sama lain. Seperti yang Anda lihat, kenyamanan sekolah dan relevansi kursus
dirasakan tidak hanya memprediksi keterasingan siswa, tetapi mereka juga sangat
berkorelasi dengan satu sama lain (r = 0.65). Sekarang, apakah dirasakan relevansi
kursus mempengaruhi keterasingan siswa yang independen dengan kenyamanan
sekolah? Apakah kenyamanan sekolah mempengaruhi keterasingan siswa secara
independen dari persepsi relevansi saja? Analisis jalur dapat membantu peneliti
mempertimbangkan jawaban atas pertanyaan-pertanyaan.
Analisis jalur melibatkan empat langkah dasar. Pertama, sebuah teori yang
menghubungkan beberapa variabel yang diformulasikan untuk menjelaskan
fenomena tertentu yang saling berhubungan. Menurut kami, contohnya, peneliti
secara teori memiliki hubungan kausal berikut: (1) Ketika siswa menganggap
program mereka tidak berhubungan dengan kebutuhan mereka, mereka tidak akan
menyenangi sekolah, (2) jika mereka memiliki beberapa teman di sekolah, hal ini
akan memberikan kontribusi terhadap kurangnya kenyamanan, dan (3) siswa
semakin tidak menyukai sekolah dan memiliki teman-teman yang sedikit , dia
akan semakin terasing. Kedua, variabel yang ditentukan oleh teori tersebut
kemudian diukur dalam beberapa cara. Ketiga, koefisien korelasi dihitung untuk
menunjukkan kekuatan hubungan antara masing-masing pasangan dari variabel
yang dikendalikan dalam teori. Dan, keempat, hubungan antara koefisien korelasi
yang dianalisis dalam kaitannya dengan teori.
Jalur analisis variabel biasanya ditampilkan dalam bentuk diagram,
digambarkan dalam Gambar 15.5 .Setiap variabel dalam teori ditunjukkan dalam
42
gambar. Setiap panah menunjukkan hipotesis hubungan kausal menurut arah-
panah. Dengan demikian, keinginan untuk sekolah diduga mempengaruhi
keterasingan, jumlah teman mempengaruhi kenyamanan sekolah, dan sebagainya.
Perhatikan bahwa dalam contoh semua titik panah berada dalam satu arah saja. Ini
berarti bahwa variabel pertama diduga mempengaruhi variabel kedua, namun
tidak sebaliknya. Nomor sama (tapi tidak identik) dengan yang dihitung oleh
koefisien korelasi untuk setiap pasangan variabel, jika hasil seperti yang
ditunjukkan pada Gambar 15.5, maka teori kausal dari peneliti akan didukung.
Tahukah Anda mengapa seperti itu?
Pemodelan struktural, Pemodelan Struktural adalah metode yang muktahir
untuk menjelajahi dan mungkin mengkonfirmasi penyebab antara beberapa
variabel. Kompleksitasnya berada di luar lingkup teksi ini. Cukuplah untuk
mengatakan bahwa itu menggabungkan regresi berganda, analisis jalur, dan faktor
analisis. Perhitungan yang sangat sederhana dengan menggunakan program
komputer, program komputer paling banyak digunakan mungkin LISREL.
43