Perbedaan Kategorisasi Data berdasarkan Statistik Hipotetik dan Empirik

Dalam kita mengkategorisasikan data, terkadang pertanyaan yang sering muncul adalah, kita mau pakai statistik hipotetik atau empirik nih? Dulu waktu skripsi, saya menggunakan statistik hipotetik karena dalam buku salah satu profesor saya (Pak Azwar), untuk mengkategorikan subjek ke dalam kelompok tinggi, sedang, dan rendah yang digunakan adalah statistik hipotetik. Namun kemudian oleh dosen penguji prosedur saya ini dikatakan salah. “Untuk apa kita mengambil data sampel, kalau kita mengkategorisasikannya memakai statistik hipotetik”, begitu kata beliau. Saya yang saat itu masih polos diam saja dan mengiyakan saja perkataan dosen penguji. Sekarang saya coba merefleksikan saran itu kembali dan menuliskan pendapat saya mengenai perbedaan keduanya di sini. Untuk cara kategorisasinya dapat dilihat di sini

Oiya,  bagi yang belum tahu maksudnya statistik hipotetik dan empirik, jadi gambarannya begini. Statistik yang dimaksud di sini banyak merujuk ke mean dan standar deviasi (SD). Jadi statistik hipotetik adalah nilai mean dan SD yang mungkin diperoleh dari sejumlah item soal. Jadi kalau suatu tes dengan skala 0-4 memiliki 6 item, maka nilai terendah (Xmin) yang mungkin diperoleh adalah 0 dan nilai tertinggi yang mungkin diperoleh (Xmaks) adalah 24. Dengan demikian mean hipotetiknya adalah titik tengah 0 dan 24 yaitu 12. Sementara SD hipotetiknya adalah 24/6=4. Sementara statistik empirik adalah statistik yang diperoleh dari data sesungguhnya pada sampel kita. Bisa jadi nilai mean dan SD nya lebih tinggi, lebih rendah, atau sama dengan mean dan SD hipotetiknya. 

Ilustrasi

Dalam suatu ujian matematika, dari 100 soal yang ada, Ali berhasil menjawab soal 55 dengan benar. Pertanyaannya, bagaimanakah kategori nilai Ali tersebut, apakah termasuk kelompok rendah, sedang, atau tinggi? Jika dalam ujian itu hanya Ali saja yang diuji, tentulah kita tidak memiliki pembanding, dengan demikian satu-satunya pembanding yang dapat digunakan adalah alat tes tersebut. Karena nilai 55 hanya sedikit di atas mean (mean hipotetik=50), maka bisa kita katakan nilai Ali tersebut sedang. Namun bagaimana jika soal tersebut sebenarnya sangat sulit, dan mean dari nilai 100 siswa dalam ujian matematika ini adalah 25? Tentu bisa kita katakan, nilai Ali ini masuk kategori tinggi dalam kelompoknya. Kita juga bisa mengatakan, jika dengan melihat jumlah soal, secara keseluruhan nilai matematika 100 siswa tersebut adalah rendah.

Jika digambarkan bentuk histogramnya kira-kira seperti ini.

Kembali ke pengelompokan menggunakan statistik hipotetik atau empirik. Penggunaan statistik empirik didasarkan pada kurve normal distribusi skor suatu kelompok, dengan demikian kategorisasi dengan menggunakan statistik empirik akan selalu menghasilkan pola kategori yang sesuai seperti bentuk kurve normal, yakni yang masuk kategori sedang selalu lebih banyak dibanding yang masuk kategori tinggi dan rendah. Sementara penggunaan statistik hipotetik tidak selalu mengikuti kurve normal dari skor kelompok.

Sebagai gambaran, dari contoh di atas kalau digunakan statistik empirik dan hipotetik, kurang lebih kategoriasinya akan seperti ini.

Hasil kategorisasi berdasarkan statistik empirik

Kelompok	Jumlah
Rendah	21 (21%)
Sedang	50 (50%)
Tinggi	19 (19%)

Hasil kategorisasi berdasarkan statistik hipotetik

Kelompok	Jumlah
Rendah	93 (93%)
Sedang	4 (4%)
Tinggi	1 (1%)

Dari dua contoh kategorisasi skor matematika di kelas dengan menggunakan statistik empirik dan hipotetik di atas kita dapat lihat bahwa, jika kita menggunakan statistik empirik, kategorisasi akan membentuk distribusi normal, sedangkan pada statistik hipotetik tidak. Lalu apa beda keduanya? Kembali lagi pada tujuan mengkategorisasikannya. Jika tujuannya adalah melihat posisi relatif individu pada kelompoknya, maka yang digunakan adalah statistik empirik. Jadi nilai Ali yang hanya 55 masuk kategori tinggi dalam kelompok kelas itu. Namun jika tujuannya adalah melihat skor kelompok secara umum, maka yang digunakan adalah statistik hipotetik.

Jadi secara umum, statistik empirik tepat jika digunakan untuk interpretasi pada level individu, sedangkan statistik hipotetik cocok untuk interpretasi kelompok. Menggunakan statistik empirik untuk interpretasi kelompok tentu akan bias dan tidak memberikan banyak informasi, karena sudah pasti secara umum subjek akan berada ada kategori sedang. Sementara menggunakan statistik hipotetik untuk interpretasi individu juga tidak fair karena tidak melihat nilai anggota kelompok yang lain.

Dalam interpretasi hasil pengukuran kita juga mengenal ada dua pendekatan yang sering digunakan, yakni referensi berupa norma (norm referenced) dan referensi berupa kriteria (criterion referenced). Penggunaan referensi berupa norma berusaha untuk membedakan antara individu dalam populasi, sementara refrensi berdasarkan kriteria berusaha membedakan penguasaan individu berdasarkan kriteria yang ditentukan. Sebenarnya kedua hal ini juga setara dengan penggunaan statistik empirik dan hipotetik. Statistik empirik setara dengan pendekatan referensi berupa norma, sementara statistik hipotetik setara dengan pendekatan referensi berupa kriteria.

Dampak dari penggunaan referensi berupa norma adalah melibatkan sampel yang jumlahnya cukup besar, seperti yang digunakan dalam tes inteligensi. Skor yang diperoleh seseorang akan dilihat posisi relatifnya berdasarkan skor pada populasi. Contohnya adalah pada tes Inteligensi. Pada tahap pembuatan alat tes akan dibuat norma yang digunakan untuk interpretasi skor individu. Norma dibuat dengan mengambil sampel yang cukup banyak, karena diharapkan norma ini akan mewakili populasi. (sebagai contoh norma tes WJ-IV dibuat dari sampel sejumlah 7.000 orang).

Sementara penggunaan referensi menggunakan kriteria menghendaki alat ukur yang sudah tervalidasi berulang kali. Kriteria yang ditetapkan bisa disesuaikan dengan tujuan pengukuran. Misalnya, tes TOEFL digunakan untuk seleksi beasiswa. Pantia menetapkan batas minimal tes TOEFL adalah 500, dengan demikian interpretasi skor tersebut hanya berlaku pada individu tersebut tanpa melihat skor kelompok.  

Dari penejelasan di atas, dapat dirangkum perbedaan penggunaan statistik empirik dan hipotetik sebagai berikut.

Statistik empirik	Statistik hipotetik
Digunakan untuk melihat posisi relatif individu terhadap kelompok	Digunakan untuk melihat posisi relatif kelompok beasarkan alat ukur
Interpretasi relatif terhadadap kelompok. Berbeda kelompok akan menghasilkan kategori yang berbeda.	Interpretasi relatif terhadap alat ukur. Berbeda tingkat kesulitan alat ukur (meskipun megukur variabel yang sama) dapat menghasilkan kategori yang berbeda.
Menggunakan sampel yang besar	Menggunakan alat ukur yang sudah tervalidasi berulang kali

Jadi memakai statistik empirik atau hipotetik?

Secara mudah seperti ini saja

-    Jika tujuan utama untuk melihat posisi relatif individu dalam kelompok, maka gunakan statistik empirik. Jika tujuan utama untuk melihat posisi relatif kelompok secara umum terhadap alat tes, gunakan statistik hipotetik.

-   Jika alat tes sudah memiliki norma yang disusun dari statistik empirik sampel dalam jumlah banyak sebelumnya, gunakan statistik empirik. Misal, tes inteligensi yang sudah dibuat normanya berdasarkan ribuan sampel sebelumnya, gunakan kategorisasi dari statistik empirik alat tes inteligensi tersebut.

- Jika penelitian hanya dilakukan pada sampel yang sedikit, atau hanya untuk menggambarkan data kita secara umum tanpa digunakan untuk interpretasi lebih mendalam terhadap individu, gunakan statistik hipotetik.

  

Cara Membuat Kategorisasi Data Penelitian dengan SPSS

Dalam laporan karya ilmiah, peneliti tidak hanya melaporkan hasil dari uji hipotesisinya dengan statistik inferensial saja, tetapi juga memberikan deskripsi dari data yang diperoleh. Hal ini dilakukan untuk memberikan informasi bagi pembaca awam serta kedalaman dalam pembahasan. Pada umumnya bagian deskriptif subjek memuat  gambaran mengenai jumlah subjek yang dianalisis berdasarkan karakteristik mereka yang relevan (seperti jenis kelamin, usia, pendidikan, dll). Deskripsi subjek kemudian diikuti oleh deskripsi data penelitian yang memuat statistik deskriptif pada masing-masing variabel yang dianalisis, seperti banyaknya subjek (n), mean (M), deviasi standar (s), varians (s²), skor minimum (X_min), dan skor maksimum (X_maks). Dari informasi deskriptif yang diperoleh tadi, kita dapat mengetahui keadaan subjek pada aspek alau variabel yang diteliti.

Salah satu manfaat kita mengetahui itu adalah untuk mengkategorikan subjek kita memiliki skor skala yang tinggi, sedang, atau rendah. Oleh karena itu, tulisan kali ini akan memaparkan bagaimana cara membuat kategorisasi skor subjek dari hasil pengukuran skala dengan SPSS.

Membuat kriteria kategorisasi

Langkah pertama untuk kita membuat kategorisasi adalah dengan menetapkan kriterianya terlebih dahulu. Ini juga tidak terlepas dari berapa jumlah kategori yang akan kita buat, misalkan 3 kategori (rendah, sedang, tinggi), atau 5 kategori (sangat rendah, rendah, sedang, tinggi, sangat tinggi). Penentuan kategori ini dadasari atas asumsi bahwa skor populasi subjek terdistribusi secara normal. Distribusi normal terbagi atas enam bagian atau enam satuan deviasi standar, seperti pada gambar di bawah.

Untuk mengkategorikan hasil pengukuran menjadi tiga kategori, pedoman yang bisa digunakan adalah:

Rendah	X < M – 1SD
Sedang	M – 1SD < X < M + 1SD
Tinggi	M + 1SD < X

Sedangkan jika ingin membuat lima kategori, pedoman yang bisa digunakan adalah:

Sangat Rendah	X < M – 1,5SD
Rendah	M – 1,5SD < X < M – 0,5SD
Sedang	M – 0,5SD < X < M + 0,5SD
Tinggi	M + 0,5SD < X < M + 1,5SD
Sangat tinggi	M + 1,5SD < X

Keterangan:

M = Mean

SD = standar deviasi

*Panduan kategorisasi ini dapat dilihat di buku Azwar (2012).

Sebenarnya tidak ada pedoman khusus tentang berapa jumlah kategori yang ingin kita buat dan berapa batasan skor pada masing-masing kategori. Pedoman di atas hanyalah pedoman yang dibuat oleh salah satu ahli dalam bidang pengukuran. Meskipun demikian, peneliti bisa memodifikasi kreteria yang dibuat sesuai dengan kebutuhannya, asalkan tetap logis dan proporsional.

Misalkan, saya punya contoh skala asertivitas model skala likert dengan skala 1-5. Jumlah item dalam skala tersebut adalah 12. Saya ingin menkategorikan subjek ke dalam 3 kelompok, yakni rendah, sedang, dan tinggi. Dengan demikian, jika subjek menjawab nilai paling rendah semua, yakni 1, maka skor yang mungkin didapatkan adalah 1x12 = 12 (X_min). Sedangkan jika subjek menjawab nilai paling tinggi semua, yakni 5, maka skor yang mungkin didapatkan adalah 5x12 = 60 (X_maks). Dengan demikian Range dari data tersebut adalah 60-12 = 48. Karena kita tahu bahwa kurve normal terdiri atas 6 standar deviasi, maka tiap standar deviasi nilainya adalah 48/6=8. Kita juga tahu bahwa dalam kurve normal, nilai mean selalu berada di tengah, dengan demikian mean = (12+60) / 2 = 36.

Xmin = 12

Xmaks = 60

Range = Xmaks – Xmin

= 60-12 = 48

Mean   = (Xmaks + Xmin) / 2

= (12+60) / 2 = 36

SD       = Range / 6

= 48/6 = 8

Karena kita sudah mendapatkan nilai mean dan SD, maka kita bisa membuat kriteria kategorisasi berdasarkan pedoman yang sudah ada.

Rendah	X < M – 1SD X < 36 – 8 X < 28
Sedang	M – 1SD < X < M + 1SD 36 – 8 < X < 36 + 8 28 < X < 44
Tinggi	M + 1SD < X 36 + 8 < X 44 < X

Kita sudah mendapatkan kriteria penentuan kategorisasi, selanjutnya kita tinggal mencocokkan dengan data kita. Jadi misalkan si A mendapat skor 30, maka dia memiliki asertivitas yang sedang.

Menentukan kategori di SPSS

Jika kita memiliki data yang sedikit, misal di bawah 30, kita masih bisa dengan mudah mengkategorikan dengan manual satu per satu. Namun jika subjek kita ratusan, alangkah lebih mudah kalau kita memanfaatkan software seperti Excel atau SPSS. Kali ini saya akan menjelaskan prosedur menentukan kategorisasi dengan SPSS.

Untuk mengkategorikan data, ikuti langkah berikut

1.    Klik Transform – Recode into different variables

2.    Masukkan skor total ke kotak di kanan

3.    Pada output variables, isi name dengan nama variabel baru kita, misal kat_asertivitas

4.    Klik old and new values

5.    Kita akan membuat kode untuk kategori rendah dahulu. Misal kategori rendah kita kode 1, jadi pada new value kita isi value dengan 1. Karena dari kriteria kita tadi kelompok rendah adalah yang memiliki X < 28, maka pada bagian old value kita pilih range, LOWEST through value dan kita isi 27,5. Kenapa 27,5, kenapa bukan 28 saja? Karena skor 28 sudah masuk kategori sedang, sedangkan kategori rendah adalah di bawah 28. Jadi kita ambil batasnya adalah 27,5. Lalu kalau sudah klik add. Ini akan mengubah semua nilai yang memiliki skor dibawah 27,5 menjadi kode 1.

6.    Kita lanjut membuat kode kategori sedang. Misal kategori sedang kita kode 2, jadi pada new value kita isi value dengan 2. Karena dari kriteria kita tadi kelompok sedang adalah yang memiliki 28 < X < 44, maka pada bagian old value kita pilih range dan isi kotak pertama dengan 28 dan kotak kedua dengan 43,5. Kenapa batas atasnya 43,5, kenapa bukan 44 saja? Sama seperti langkah sebelumnya, karena 44 sudah masuk kategori tinggi, sedangkan sedang adalah dibawah 44. Lalu kalau sudah klik add. Ini akan mengubah semua nilai yang memiliki skor 28 sd 43,5 menjadi kode 2.

7.    Kita lanjut membuat kode untuk kategori tinggi. Misal kategori tinggi kita kode 3, jadi pada new value kita isi value dengan 3. Karena dari kriteria kita tadi kelompok tinggi adalah yang memiliki 44 < X, maka pada bagian old value kita pilih range, value through HIGHEST dan kita isi 44. Lalu klik add. Ini akan mengubah semua nilai yang memiliki skor 44 ke atas menjadi kode 3.

8.    Kalau sudah, klik continue

9.    Klik change, lalu OK

Jika kita kembali ke data kita, kita akan menjumpai variabel baru bernama kat_asertivitas. Variabel itu tak lain adalah kategori skor subjek pada variabel asertivitas. angka 1 menunjukkan rendah, 2 menunjukkan sedang, dan 3 menunjukkan tinggi.

Untuk mengubah label kode, kita bisa klik tab variable view di kiri bawah, lalu kita klik pada variabel kat_asertivitas, klik kotak pada kolom values, lalu kita beri values labels. Value 1 label rendah, lalu klik add. Value 2 label sedang, lalu klik add. Value 3 label tinggi, lalu klik add. Jika sudah klik OK.

Sekarang kita sudah selesai mengkategorikan subjek ke dalam kelompok rendah, sedang, atau tinggi asertivitasnya sesuai dengan skor skala yang diperoleh.

Menghitung frekuensi masing-masing kelompok

Untuk mengh itung berapa jumlah subjek yang memiliki asertivitas rendah, sedang, dan tinggi, kita dapat memanfaatkan menu frequencies di SPSS. Caranya adalah:

1.    Klik Analyze – descriptive statistics – frequencies

2.    Masukkan variabel kat_asertivitas, lalu klik OK

3.    Akan keluar output seperti gambar di bawah

Sampai disini kita sudah bisa mengetahui bahwa sebagian besar subjek memiliki asertivitas yang tinggi (59,3%), dan hanya sedikit sekali yang memiliki asertivitas rendah (2,8%).

Prosedur di atas adalah cara mengkategorisasikan data berdasarkan pada statistik hipotetik. Prosedur ini dijelaskan Prof. Azwar dalam bukunya Azwar (2012) dan di jurnal Azwar (1993). Penggunaan statistika hipotetik menggunakan alat ukur sebagai acuan. Penggunaan prosedur ini mensyaratkan alat ukur yang digunakan adalah alat ukur yang sudah divalidasi. Selain penggunaan statistik hipotetik, beberapa peneliti juga menggunakan statistik empirik. Perbedaan keduanya akan dibahas pada artikel lain.

REFERENSI

Azwar, S. (1993). "Kelompok subjek ini memiliki harga diri yang rendah"; kok, tahu...? Buletin Psikologi, I(2), 13-17.

Azwar, S. (2012). Penyusunan Skala Psikologi edisi 2. Yogyakarta: Pustaka Pelajar

Kritik Terhadap Metode Causal Steps Baron dan Kenny untuk Analisis Peran Mediasi

Secara umum, prosedur untuk analisis adanya efek mediasi suatu hubungan ditentukan dengan tiga cara, yakni dengan causal steps dari Baron dan Kenny (1986), dengan Sobel Test, dan dengan Bootstraping. Diantara ketiga itu, prosedur analisis mediator yang paling umum digunakan mahasiswa baik untuk level skripsi maupun tesis adalah prosedur estimasi yang didasarkan pada panduan Baron dan Kenny (1986), atau yang sering dikenal dengan sebutan Causal steps. Hal ini wajar, karena memang Baron dan Kenny adalah pionir yang pertama kali mencetuskan teknik untuk melihat adanya peran variabel mediator. Jurnal dari Baron dan Kenny sudah disitasi oleh ribuan peneliti dunia.

Meskipun demikian, tren terkini justru banyak yang mengkritik prosedur causal steps Baron dan Kenny, bahkan beberapa jurnal sudah tidak menerima lagi teknik analisis ini dimuat dalam artikel mereka. Tulisan ini akan merangkum beberapa kritik yang disampaikan peneliti dunia terhadap prosedur causal steps Baron dan Kenny, serta alternatif solusi yang digunakan untuk analisis variabel mediator.

Langkah-langkah dalam menguji hipotesis mengacu prosedur pengujian peran mediator yang dikemukakan Baron dan Kenny (1986) adalah sebagai berikut:

1.   Membuat persamaan regresi pengetahuan (X) terhadap perilaku (Y). Analisis regresi ini akan menghasilkan jalur c yang diharapkan signifikan atau yang disebut efek total (total effect).

2. Membuat persamaan regresi pengetahuan (X) terhadap sikap (M). Analisis regresi ini akan menghasilkan jalur a yang diharapkan signifikan.

3.  Membuat persamaan regresi pengetahuan (X) dan sikap (M) terhadap perilaku (Y). Analisis regresi ini akan menghasilkan dua nilai estimasi prediktor dari M dan X. Prediksi M terhadap Y kita menghasilkan jalur b, sedangkan prediksi X terhadap Y menghasilkan jalur c’. Jalur b diharapkan signifikan, sedangkan jalur c’ diharapkan tidak signifikan agar terjadi mediasi sempurna, atau jalur c’ signifikan tapi menurun effect sizenya untuk agar terjadi mediasi parsial. Jalur a*b ini disebut efek tidak langsung (indirect effect), sedangkan jalur c’ disebut efek langsung (direct effect).

Jika salah satu dari keempat jalur tersebut tidak sesuai dengan kriteria, maka peneliti tidak dapat menyebut adanya efek mediasi. Beberapa kritik kemudian muncul atas prosedur ini.

Pertama, perlu dicatat bahwa metode Baron dan Kenny tidak memberikan cara menguji bahwa efek tidak langsung (jalur a*b) telah terjadi. Baron dan Kenny hanya menyebutkan langkah-langkah kausal (yang sudah diuraikan sebelumnya), yang harus dipenuhi untuk memungkinkan mediasi terjadi. Baron dan Kenny justru merekomendasikan peneliti untuk menggunakan teknik analisis Sobel Test untuk menguji efek tidak langsung ini. Meskipun demikian, langkah ini sebenarnya bukan bagian dari causal steps Baron dan Kenny, dan hal ini sering diabaikan oleh para peneliti. Tren terkini juga banyak yang mengkritik penggunaan Sobel Test karena sangat tergantung pada distrubusi sampel yang normal.

Kedua, beberapa langkah yang dilakukan dalam causal steps Baron dan Kenny juga dirasa tidak penting dan kurang logis, karena dalam analisis peran mediator yang paling utama sebenarnya adalah ada atau tidaknya efek tidak langsung (indirect effect). Baron dan Kenny menetapkan bahwa X harus berperan signifikan terhadap Y dengan tidak adanya M (total effect), karena akan ada efek untuk memediasi. Meskipun hal nampak ini logis, namun tidak demikian. Misal: peneliti meregresikan X ke Y pada suatu kelompok sampel (misal laki-laki dan perempuan). Jika kedua kelompok sampel tersebut memiliki magnitude hubungan yang sama besar namun dengan arah yang berlawanan, maka ketika kedua kelompok tersebut dijadikan satu akan menjadikan hubungan X dan Y menjadi tidak signifikan. Dengan demikian jika mengacu pada kriteria Baron dan Kenny tidak ada efek mediasi. Padahal mediasi bisa terjadi meskipun tidak terdapat total effect X terhadap Y. Pada kasus yang lain, Baron dan Kenny menetapkan bahwa M harus berperan signifikan terhadap Y. Padahal, jika hubungan X dan Y sangat kuat dapat menyebabkan standar eror yang besar pada M, yang kemudian dapat menyebabkan perannya terhadap Y menjadi negatif.

Kritik yang paling utama adalah terkait pemisahan jenis mediasi dari Baron dan Kenny menjadi mediasi sempurna dan mediasi parsial. Isitilah mediasi sempurna menunjukkan bahwa dia telah mampu memperantarai keseluruhan total effect hubungan antara X dan Y. Namun pada kenyataannya, sering dijumpai banyak mediator sempurna dari suatu hubungan X dan Y. Lebih lanjut, dalam kasus dimana sebenarnya ada mediasi parsial, temuan mediasi sempurna mungkin hanyalah cerminan ketidakmampuan untuk mendeteksi efek langsung melalui kurangnya kekuatan statistik. Hasil ini sering dianggap benar, padahal jika sampel ditambah ada kemungkinan sebanarnya ada efek langsung, yang ini berarti terjadi mediasi parsial. Dalam hal ditemukan mediasi parsial juga sebenarnya agak tidak masuk akal. Semua variabel psikologis pada dasarnya dimediasi oleh sesuatu, sehingga terjadinya efek langsung yang signifikan hanyalah refleksi dari mispesifikasi model.

Lalu bagaimana alternatif solusi untuk analisis peran mediasi. Beberapa peneliti sudah berpindah ke teknik bootstraping untuk analisis peran mediasi. Selain bisa menguji efek tidak langsung, bootstraping juga lebih tahan atas ketidaknormalan data, seperti yang menjadi kelemahan Sobel Test. Teknik ini lebih diterima secara ilmiah, beberapa jurnal lebih menerima prosedur menggunakan bootstraping dibandingkan causal steps yang dirasa sudah outdated. Teknik analisis dengan bootsraping sendiri bisa dilakukan di SPSS dengan mengunduh plug PROCESS Hayes untuk SPSS yang memungkinkan seseorang untuk menghasilkan output untuk efek tidak langsung, termasuk interval kepercayaan dan effect sizenya. Tulisan sebelumnya tentang prosedur analisis mediator dengan causal steps dapat dilihat di sini, sementara tulisan tentang prosedur analsis mediator dengan bootstraping melalui PROCESS di SPSS dapat dilihat di sini.

Bahan bacaan:

Baron, R.M. & Kenny, D.A. 1986. The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations. Journal of personality and Social Psychology. 51 (6), 1173-1182

Field, A. (2013). Discovering statistics using IBM SPSS statistics. Sage.

Hayes, A. F. (2013). Introduction to mediation, moderation, and conditional process analysis. New York, NY: Guilford.

Zhao, X., Lynch, J.G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research. 37(2), 197-206

Analisis Variabel Mediator melalui PROCESS di SPSS

Baron dan Kenny (1986) menyebut suatu variabel disebut mediator jika variabel tersebut ikut mempengaruhi hubungan antara variabel prediktor (independen) dan kriterion (dependen).  Model mediasi memiliki hipotesis bahwa variabel independen mempengaruhi variabel mediator, yang pada gilirannya mempengaruhi variabel dependen.

Skala Versi Pendek untuk Mengukur Kepribadian Big Five dalam Bahasa Indonesia

Sumber gambar: https://www.verywellmind.com

Tren penelitan terkini menunjukkan pertanyaan penelitian yang menjadi lebih kompleks serta melibatkan lebih banyak variabel. Hal ini didukung dengan teknik statistik yang lebih canggih, seperti dengan Model Persamaan Struktural (SEM).

Validasi Instrumen Penelitian dengan Analisis Faktor Eksploratori (EFA) Menggunakan SPSS

Pada tulisan sebelumnya telah dijelaskan bahwa analisis faktor eksloratori dapat berguna dalam pengembangan awal instrumen penelitian maupun untuk uji validitas instrumen yang sudah jadi. Tulisan kali ini akan memberikan contoh penggunaan analisis faktor eksploratori untuk menguji validitas skala yang sudah jadi.

Pengembangan Awal Instrumen Penelitian dengan Analisis Faktor Eksploratori (EFA): Analisis Menggunakan SPSS

Analisis Faktor merupakan salah satu teknik statistik yang digunakan untuk melihat sekelompok variabel berdasarkan kemiripannya. Kemiripan dalam hal ini adalah korelasi yang tinggi antar variabel tersebut. Oleh karena itu asumsi mendasar dalam analisis faktor adalah bahwa variabel-variabel yang dianalisis harus saling berhubungan.

Analisis Regresi dengan Variabel Dummy di SPSS

Kata “dummy” kalau diterjemahkan secara harfiah artinya “buatan”. Jadi yang dimaksud dengan variabel dummy adalah variabel yang nilainya sebenarnya adalah buatan, karena nilai variabel tersebut sebenarnya bukanlah skala. Atau secara mudahnya, variabel dummy adalah variabel independen yang wujudnya berskala non-metrik atau kategori. Jika variabel independen berukuran kategori atau dikotomi, maka dalam model regresi kita harus nyatakan sebagai variabel dummy dengan memberi kode 0 atau 1. Setiap variabel dummy menyatakan satu kategori variabel, dan setiap variabel dengan k kategori dapat dinyatakan dalam k-1 variabel dummy.

Analisis Jalur dengan Program AMOS

Analisis Jalur (path analysis) merupakan teknik analisis perluasan dari model regresi, yang digunakan untuk menguji ketergantungan sejumlah variabel dalam suatu model (model kausal). Model ini pada umumnya digambarkan dalam suatu gambar lingkaran dan arah panah yang menunjukkan hubungan antara variabel independen, variabel mediator, dan variabel dependen. Model analisis jalur ini cocok untuk menguji hipotesis penelitian yang menunjukkan hubungan langsung dan tidak langsung. Model kausal yang dirumuskan oleh peneliti ini haruslah berbasiskan pertimbangan teoritis yang kuat.