Cara menghitung Effect Size dengan SPSS

50% menganggap dokumen ini bermanfaat (2 suara)

2K tayangan4 halaman

Cara Menghitung Effect Size

Diunggah oleh

Mila Pastiniari

Deskripsi lengkap

Lompat ke Halaman

Anda di halaman 1dari 4

Cari di dalam dokumen

You're Reading a Free Preview
Page 3 is not shown in this preview.

Buy the Full Version

Puaskan Keingintahuan Anda

Segala yang ingin Anda baca.

Kapan pun. Di mana pun. Perangkat apa pun.

Tanpa Komitmen. Batalkan kapan saja.

Effect Size adalah konsep statistik yang mengukur kekuatan hubungan antara dua variabel pada skala numerik. Misalnya, jika kita memiliki data tentang tinggi pria dan wanita dan kita melihat bahwa rata-rata pria lebih tinggi daripada wanita, perbedaan antara tinggi pria dan tinggi wanita dikenal sebagai ukuran efek.

Semakin besar ukuran efek, semakin besar perbedaan tinggi antara pria dan wanita. Ukuran efek statistik membantu kita dalam menentukan apakah perbedaan itu nyata atau karena perubahan faktor. Dalam pengujian hipotesis, ukuran efek, kekuatan, ukuran sampel, dan tingkat signifikansi kritis saling terkait.

Dalam Meta-analisis, ukuran efek berkaitan dengan studi yang berbeda dan kemudian menggabungkan semua studi menjadi satu analisis. Dalam analisis statistik, ukuran efek biasanya diukur dengan tiga cara:

(1) perbedaan rata-rata standar,

(2) rasio ganjil,

(3) koefisien korelasi.

Jenis Jenis Rumus Pada effect size

Korelasi Pearson r : Korelasi Pearson r dikembangkan oleh Karl Pearson, dan paling banyak digunakan dalam statistik. Parameter ukuran efek ini dilambangkan dengan r. Nilai effect size dari korelasi Pearson r bervariasi antara -1 sampai +1. Menurut Cohen (1988, 1992), ukuran efek rendah jika nilai r bervariasi sekitar 0,1, sedang jika r bervariasi sekitar 0,3, dan besar jika r bervariasi lebih dari 0,5. Korelasi Pearson dihitung menggunakan rumus berikut:

Dimana :

r = koefisien korelasi

N = jumlah pasangan skor

∑xy = jumlah produk dari skor berpasangan

∑x = jumlah nilai x

∑y = jumlah nilai y

∑x2= jumlah kuadrat x skor

∑y2= jumlah kuadrat y skor

Rumus Perbedaan rata-rata terstandarisasi

Jika suatu penelitian didasarkan pada rata-rata populasi dan simpangan baku, maka metode berikut digunakan untuk mengetahui ukuran efek:

Ukuran efek populasi dapat diketahui dengan membagi dua perbedaan rata-rata populasi dengan standar deviasinya.

Rumus Ukuran efek Cohen’s d:

Cohen’s d dikenal sebagai selisih dua rata-rata populasi dan dibagi dengan simpangan baku dari data. Secara matematis ukuran efek Cohen dilambangkan dengan:

Bagi peneliti kuantitatif, konsep dari signifikansi, besaran efek (Effect Size), kekuatan uji statistik (Statistical Power), dan besaran sampel merupakan konsep dasar yang harusnya dipahami. Namun kenyataannya, di mata kuliah statistika, tidak semua dosen menjelaskan konsep dasar ini, dan tidak semua dosen menjelaskan dengan tepat empat konsep ini. Penelitian Psikologi, terutama yang menggunakan pendekatan eksperimen sebagian besar ingin membandingkan apakah terdapat perbedaan variabel antara dua kelompok atau lebih. Misalnya sebuah penelitian ingin menguji apakah terapi psikologis mampu meningkatkan kepercayaan diri subjek. Penelitian dilakukan dengan desain between subject dengan kelompok kontrol dan eksperimen, dimana kelompok kontrol tidak diberi terapi, sedangkan kelompok eksperimen diberi terapi. Penelitian tersebut memiliki hipotesis bahwa “terdapat perbedaan kepercayaan diri antara kelompok kontrol dan kelompok eksperimen, dimana kelompok eksperimen memiliki kepercayaan diri yang lebih tinggi”.

Statistik inferensial tradisional tidak menguji hipotesis tersebut, melainkan menguji hipotesis null yang menyatakan bahwa “tidak ada perbedaan kepercayaan diri antara kelompok kontrol dan eksperimen”. Pendekatan ini sering disebut dengan Null Hypothesis Significance Testing (NHST). Peneliti melakukan uji statistik dengan independent sample t-test. Jika probabilitas jangka panjang data yang diobservasi muncul di bawah hipotesis null sangat rendah (misal di bawah 5%), peneliti menyimpulkan bahwa hipotesis null sangat kecil kemungkinannya untuk benar. Karena sangat kecil kemungkinan bahwa hipotesis null benar, maka peneliti menolak hipotesis null, dan menyimpulkan bahwa terapinya memberikan efek positif terhadap kepercayaan diri. Uji statistik tradisional ini memiliki beberapa paramater untuk memastikan kesimpulan tepat, yakni kriteria signifikansi, Effect Size, dan Statistical power, dan besaran sampel. Tulisan ini akan memberikan gambaran empat konsep ini dan bagaimana hubungan di antara keempatnya.

Kriteria Signifikansi

Dalam statistik tradisional, kesalahan Tipe I dilambangkan dengan simbol α (alfa), dan merupakan probabilitas jangka panjang sebuah penelitian menolak hipotesis null, ketika hipotesis null benar. Sebagian besar penelitian Psikologi dan humaniora memberikan toleransi 5% (α = 0.05) terhadap terjadinya kesalahan Tipe I atau atau biasa disebut false positives. Hal ini berarti, dalam pengambilan data yang dilakukan berkali-kali dengan batas tidak terhingga, terdapat kemungkinan 5% atau kurang bahwa efek yang ditemukan dalam observasi sebenarnya tidak ada. Toleransi terhadap kesalahan Tipe I dilambangkan dengan p, sehingga nilai p di bawah 0,05 (di bawah batas toleransi) dianggap sebagai temuan yang signifikan dan sebaliknya. Dalam contoh penelitian eksperimen di atas, jika menggunakan kriteria p < 0,05 artinya peluang peneliti salah menyimpulkan bahwa terapinya memiliki efek positif, padahal terapi tersebut tidak memiliki efek positif adalah sebesar 5%.

Kekuatan uji statistik (statistical power)

Dalam statistik tradisional, kesalahan Tipe II dilambangkan dengan simbol β (beta), dan merupakan probabilitas jangka panjang sebuah penelitian gagal menolak hipotesis null, ketika hipotesis null tidak benar. Kekuatan uji statistik (power) dalam statistik inferensial tradisional merupakan kontrol terhadap kesalahan Tipe II atau disebut juga sebagai false negatives (1- β). Sebagian besar penelitian Psikologi dan humaniora memberikan toleransi 20% terjadinya kesalahan Tipe II, sehingga penelitian-penelitian tersebut memiliki Statistical power sebesar 80% (Cohen, 1990). Hal ini berarti, dalam pengambilan data yang dilakukan berkali-kali dengan batas tidak terhingga, terdapat kemungkinan 80% atau lebih untuk menyimpulkan bahwa suatu efek tidak ada, ketika efek tersebut memang tidak ada.

Secara umum antara signifikansi (α) dan Statistical power (1- β) memiliki hubungan yang positif. Seperti terlihat pada gambar di bawah, jika kita meningkatkan level signifikansi (α), maka kita akan mengurangi daerah penerimaan hipotesis null. Berkurangnya daerah penerimaan ini secara otomatis meningkatkan nilai beta. Meningkatnya nilai beta akan menunjukkan nilai kekuatan uji bertambah.   

Besaran efek (effect size)

Besaran efek (effect size) menunjukkan perbedaan terstandar antara skor dari kelompok kontrol dan eksperimen. Dalam penelitian, peneliti tidak hanya tertarik pada perbedaan antara kelompok kontrol dan eksperimen, namun juga seberapa besar perbedaan antara kelompok kontrol dan kelompok eksperimen. Effect Size merupakan satuan standar, artinya, Effect Size dapat dibandingkan antar beberapa skala yang berbeda dan dapat dibandingkan antar beberapa penelitian dengan besaran sampel yang berbeda-beda. Dalam contoh penelitian eksperimen di atas, Effect Size yang dapat digunakan adalah Cohen’s d, yang semakin besar nilainya maka semakin besar perbedaan antara kelompok kontrol dan kelompok eksperimen. Effect Size ada beragam jenisnya sesuai jenis analisanya, misal Effect Size untuk uji beda dua kelompok menggunakan Cohen’s d, Effect Size uji korelasi menggunakan koefisien r, dan Effect Size Anova menggunakan Eta squared. Klasifikasi Effect Size pada berbagai jenis analisis dapat dilihat pada tabel di bawah.

Dari gambar terlihat bahwa Effect Size memiliki hubungan negatif dengan jumlah sampel. Untuk mendeteksi Effect Size yang kecil, dibutuhkan sampel yang lebih banyak, dan sebaliknya. Selain itu, Effect Size memiliki relasi eksponensial dengan besaran sampel. Ketika Effect Size yang diharapkan kecil, maka jumlah sampel yang dibutuhkan untuk mendeteksi suatu efek bertambah secara eksponensial menjadi sangat besar dan sebaliknya.

Dalam penelitian psikologi dan humaniora seringkali peneliti mengontrol taraf kesalahan Tipe I, namun tidak mengontrol taraf kesalahan Tipe II dan tidak mempertimbangkan Effect Size dalam pengambilan keputusan. Ketika taraf kesalahan Tipe II tidak dikontrol, Effect Size yang terhitung biasanya merupakan overestimasi, dan ketika Effect Size ini digunakan untuk menghitung Statistical power dalam penelitian replikasi, hasil penelitian sebagian besar tidak mereplikasi temuan sebelumnya. Oleh karena itu, dalam menentukan sampel, peneliti hendaknya memperhatikan keempat paramater tersebut.

Author : Hanif Akhtar

Pensiunan guru SD yang promosi menjadi dosen Psikologi di Universitas Muhammadiyah Malang. Sekarang balik lagi jadi mahasiswa di Benua Biru