1 / 41

Rancangan Penelitian

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 .

stian
Download Presentation

Rancangan Penelitian

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. RancanganPenelitian RancanganKorelasi

  2. PengertianKorelasi • Dalamrancanganpenelitiankorelasi, penelitimenggunakanujistatistikkorelasiuntukmendeskripsikandanmengukurtingkatasosiasi (atauhubungan) antara 2 ataulebihvariabel. • Penelititidakberupayamengontroldanmemanipulasivariabel-variabelsepertipadarancanganeksperimen. • Korelasi = suatuujistatistik yang menentukankecenderunganataupolabagidua (ataulebih) variabelatau 2 set data yang bervariasisecarakonsisten. • Dalamkorelasi, ketikakitamemiliki 2 variabelsaja, makainiberarti 2 variabelberbagivarian (variance) yang umum, ataukeduanyasama-samaco-vary. Bila 2 variabelsama-samaco-vary, makakeduanyamembutuhkandasarmatematis yang cukupkompleks.

  3. Co-vary = kitamemprediksisuatuskorpadasuatuvariabeldenganpengetahuantentangskorindividupadavariabellainnya. • Ilustrasi: Asumsikanbahwaskorpadakuismatematikakelas 4 SD memilikijangkauandarinilai 30 sampai 90. • Kita inginmencaritahuapakahskorpadasuatupekerjaansekolahpadamatematika (Variabel 1) dapatmemprediksiskorkuismatematika (Variable 2). • Jikaskorpadalatihantidakmenjelaskanskorpadakuismatematika, makakitatidakdapatmemprediksiskorsiapapunkecualidenganmengatakanmungkinskornyamenjangkaudarinilai 30 sampai 90. • Jikalatihandapatmenjelaskanvariandalamseluruhskorkuismatematikamakakitadapatmemprediksiskormatematikasecarasempurna. • Situasiinijarangdicapai, malahkitamungkinmendapatibahwa 40% variancedalamskorkuismatematikadijelaskanolehskorlatihan. Hal inimempersempitprediksikitapadaskorkuisdari 30-90 menjadi 40-60. • Dengankata lain bahwaketikavariancebertambah, kitalebihmampumemprediksiskordari variable independenhingga variable dependen.

  4. Kapankitamenggunakankorelasi? • Andamenggunakanrancangankorelasiketikahendakmencarihubunganantara 2 ataulebihvariabeljikavariabel-variabeltsbsalingmempengaruhi. Contoh: hubunganantara guru yang menjalankanpraktek-praktekpengajaran yang terusberkembangdenganpenggunaanbahasapengajaran yang formal. • Rancangankorelasimemungkinkanandamemprediksihasil, contohnya, prediksiterhadapkemampuanpembelajarandisekolah, kualitaspembelajarandisekolah, motivasisiswa, danrancanganpengajaran yang mempengaruhiprestasisiswa.

  5. Tipe-tiperancangankorelasi • RancanganPenjelasan (Explanatory Design) • RancanganPrediksi (Prediction Design)

  6. Explanatory Design • Explanatory research design = suaturancangankorelasi yang diminatipenelitikarenaadanya 2 variabel (ataulebih) saling co-vary, yaituperubahandalamsuatuvariabeldirefleksikandenganperubahandalamvariabellainnya. • Explanatory designs terdiridariasosiasisederhanaantara 2 variabel (misal: rasa humor dan performance dalam drama) ataulebihdari 2 variabel (misal: tekanandaritemanatauperasaandikucilkan yang berdampakpadapeminummiras)

  7. Prediction Design • Prediction research design = rancanganuntukmengidentifikasivariabel yang akanmemprediksisuatuhasilataukriteria. Dalambentukpenelitian, penelitimengidentifikasi 1 ataulebihvariabelpredictordansuatuvariabel criteria (atauvariabelhasil). • Variabel predictor = suatuvariabel yang digunakanuntukmeramalkan (forecast) suatuhasildaripenelitiankorelasi.

  8. Dalamkasusprediksikesuksesan guru disuatusekolah, predictor mungkindapatberupa “mentoring” selamapelatihan guru atau “lamanyapengalamanmengajar”. • Dalambanyakpenelitianprediksi, penelitiseringmenggunakanlebihdari 1 variabel predictor. • Variabel Criterion = Hasil yang sedangdiprediksidalampenelitiankorelasi. • Meskipunlebihdari 1 hasildapatdiprediksitetapiumumnyahanyaada 1 variabel criterion.

  9. Untukmengidentifikasipenelitianprediksi, perhatikankarakteristikberikut: • Penelitiumumnyamemasukkankataprediksidalamjudullaporanataumungkinbisaditempatkandalampernyataantujuanpenelitianataupertanyaanpenelitian.

  10. Penelitiumumnyamengukurvariabel predictor dalamsatuwaktudanmengukurvariabel criterion di lain waktu. Olehkarenaitu, andaharusmengujisuatukajianuntukmenentukanapakahpenelitimembangunsuatudimensi “waktu” kedalamrancanganpenelitian. Contoh: Predictor kesuksesan guru, “mentoring”, diukurselama program pelatihan guru, sedangkan “kesuksesan” diukursetelah program pelatihanselesaidanparasiswapelatihanmempraktekkanilmukeguruannya. • Penelitimeramalkankinerja (performance). Biasanyainidirumuskandalampernyataantujuanpenelitianataudidalampertanyaanpenelitian. Untukmembenarkan (justification) masalahpenelitian, penulisjugamenyebutkanmaksudnyauntuk “memprediksi” hasil.

  11. KarakteristikUtamaRancanganKorelasi • Tampilanskor (scatterplotsdanmatrix) • Asosiasiantarskor (arah, bentuk, dankekuatan) • Analisis multi variabel (korelasisebagiandan multi regresi)

  12. Tampilanskor (scatterplotsdanmatrix) • Penelitimemplotskoruntuk 2 variabelpadagrafikuntukmenyajikangambar visual daribentukskor. • Inimemungkinkanpenelitimengidentifikasitipeasosiasiantarvariabeldanmenemukanskorekstrim. Terutama plot tsbdapatmenyajikaninformasittgbentukasosiasi – apakahskornya linear ataukurva linear (U-shaped form). • Jugamengindikasikanarahasosiasinya (misal: 1 skornaikdanskor lain juganaik) danderajadasosiasi(apakahrelasisempurnadengankorelasi = 1.0 ataukurangsempurna).

  13. Suatumatrikskorelasimenyajikantampilan visual koefisienkorelasibagiseluruhvariabeldalamsuatukajian. • Untukmenyederhanakantabel, penelitimenempatkanangka-angkapadavariabeldanhanyamemasukkanangka-angkadikolomheading. • Koefisien yang hanyaberkisarantara -.33 dan +.65 ditampilkandalamcellsdalamtabel. • Asterisk (bintang) mengindikasikanapakahkoefisiensecarasignifikanberkorelasipada level p < .05 and p < .01.

  14. Asosiasiantarskor (arah, bentuk, dankekuatan)

  15. Koefisienkorelasir bergunauntukmenggambarkandanmengukurasosiasiantara 2 variabeljikaasosiasinya linear. • Alih-alihmenggunakankoefisienr, penelitimenggunakankorelasikoefisienSpearman rho (rs) untuk data non-lineardanuntuktipe data lain yang terukurpadaskalakategori (berdasarkan ranking) • Jikaandamengukur 1 variabelpadaskalacontinuous (interval ataurasio) danlainnyapadaskalakategori, dikotomi, makakorelasistatistikbukanlahrnamunkorelasipoint-biserial.

  16. Asumsikanbahwapenelitimengkorelasikanskor interval berangkaipadavariabeldepresidenganpriadanwanita (variabeldikotomi) • Suatu statistic korelasipoint-biserialdigunakandengancaramengkonversivariabeldikotomimenjadiskornumerikyaituPria = 1 danWanita = 2. Denganmenggunakanangka-angkatersebutdanrumusuntuk data ordinal, penelitimengkalkulasikoefisienkorelasipoint biserial yang mengukurderajaddanarahasosiasiantaradepresipadapridanwanita.

  17. Koefisien phidigunakanuntukmenentukanderajaddanarahasosiasiketikakeduaukuranvariabelnyadikotomi. • Contoh: PriadanWanitamungkinberkorelasidenganpenggunaannarkoba (tidakdanya). Dalamsituasiini, penelitijugamengkonversikeduavariabeldikotomimenjadi (pria=1, wanita=2; tidakmengkonsumsinarkoba=1, mengkonsumsinarkoba =2) dankemudianmenggunakanrumuskoefisien phiuntukmengkalkulasiskor yang telahdikonversitadi.

  18. Derajadasosiasi= asosiasiantara 2 variabelatau set skormerupakankoefisienkorelasiantara –1.00 hingga +1.00, dengan 0.00 yang mengindikasikantidakadanyaasosiasi linear. Asosiasiantara 2 set skorinimerefleksikanapakahadaasosiasikonsistendandapatdiprediksiantarskor. • Meskipunkorelasimengukurderajadrelasi/hubungan, banyakpenelitisukamengkuadratkankorelasikorelasidanmenggunakannilaiakhiruntukuntukmengukurkekuatanrelasi/hubungan. Dalamprosedurini, penelitimenghitungkoefisiendeterminasi.

  19. Koefisiendeterminasi (coefficient of determination) = koefisien yang menilaiproporsivariabilitasdalamsatuvariabel yang dapatdideterminasikanataudijelaskanolehvariabelkedua. Contoh: Jikaandamemperolehr=+.70 (atau –.70), denganmengkuadratkannilaiiniakandiperolehr2 = .49 (atau 49%). Iniberartihampirseparuh (49%) variabilitasdalam Y dapatdideterminasikanataudijelaskanoleh X. • Ilustrasi: Tingkat pendidikanortumenjelaskanbahwaada 49% kepuasansiswaterhadapsekolahnya (r2 =.49).

  20. UkuranKoefisienKorelasi • .20 –.35: terdapatsedikithubungandansecarastatistiksedikitsignifikanuntuk 100 partisipanataulebih. Ukurankoefisieninimungkinbernilaiuntukmengeksplorasiinterkoneksiantarvariabeltapisedikitnilainyauntuktujuanprediksi. • .35 –.65: ketikakorelasidiatas .35, makaakanbermanfaatbagiprediksiterbatas. Merekamerupakannilai yang umumdigunakanuntukmengidentifikasikeanggotaanvariabeldalamproseduranalisisfaktor (interkorelasiantarvariabeldengansuatuskala), danbanyakkoefisienkorelasiuntukrelasibivariateditemukanpadawilayahini.

  21. .66 –.85: ketikakorelasiditemukanpadawilayahini, prediksiygbagusdapatmunculdari 1 variabelkevariabellainnya. Koefisiendalamwilayahinidianggapsangatbagus. • .86 dandiatasnya: korelasidiwilayahiniumumnyadicapaiuntukkajianataupenelitianconstruct validity danreliabilitastes-retes. Malahparapenelitiinginkorelasiujivaliditasdanreliabilitassetinggiini. Ketika 2 ataulebihvariabelberelasi, korelasisetinggiinijarangdicapai. Kalaupunsetinggiini, maka 2 variabelsesungguhnyamengukurciri-ciri/karakteristikdasar yang samadanharusdikombinasikandalamanalisis data.

  22. Analisis multi variabel (korelasisebagiandan multi regresi) • Untukmelihatdampakapaygdimiliki multi variabelpadasuatuhasil, penelitimenggunakananalisisregresi. • Regression line = suatugaris yang tepatmengisisemuapoinskorpadasuatugrafik. • Garisinimendekatisemuapoinpada plot grafikdandikalkulasidenganmenggambarkansuatugaris yang meminimalisirjarakdalamkotakdarigaris. • Rumus Regression linesepertiberikut

  23. Contoh: kitamendugaseorangindividu yang menggunakan Internet 14 jam/minggumemilikiskordepresisenilai 41. • Jika a= 6, b = 2.5, and X= 14  Y(yang diprediksi) =2.5(14) + 6 = 41

  24. Multiple regression (atau multiple correlation) = suatuprosedurstatistikuntukmengujirelasikombinasidari multi variabelindependendengansatuvariabeldependen. 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 • Asumsikanbahwakemiringan (slope) untuk b1=.24 dan b2=.19 danintercept=10.77. Prediksipersamaanuntukkeduavariabelindependenmenjadi: Y(predicted) =.24 (X1)+.19 (X2)+10.77 Y(predicted) =.24 (10) +.19 (70) +10.77

  25. TabelRegresimenunjukkanjumlah total variance yang dijelaskandalamsuatuvariabeldependenolehsemuavariabelindependen yang disebutr2 • Bobot beta = koefisien yang mengindikasikankekuatanprediksisuatuvariabelsetelahmenghilangkanefekseluruh predictor yang lain

  26. Langkah-langkahmelakukanpenelitiankorelasi • Tentukanapakahdenganpenelitiankorelasiakanmenjawabmasalahpenelitiananda. • Identifikasiindividuuntukditeliti. • Identifikasi 2 ataulebihukuranuntukmasing-masingindividudalampenelitian. • Kumpulkan data dan monitor ancaman-ancamanpotensial. • Analisis data danrepresentasikanhasilnyadalamtabeldangrafik. • Interpretasikanhasilpenelitian.

  27. TentukanapakahdenganpenelitiankorelasiakanmenjawabmasalahpenelitianandaTentukanapakahdenganpenelitiankorelasiakanmenjawabmasalahpenelitiananda • Penelitiankorelasitidakmembuktikansuaturelasi, tetapimengindikasikansuatuasosiasiantar 2 ataulebihvariabel. • Karenaandatidakmembandingkankelompok-kelompokdalampenelitiankorelasi, makaandamenggunakanpertanyaanpenelitianketimbanghipotesis. • Contohpertanyaanpenelitiankorelasi: • Apakahkreatifitasberhubungandenganskortes IQ padaanak-anak SD? (mengasosiasikan 2 variabel) • Apasajakahfaktor-faktor yang menjelaskanperilakuetissiswakeguruanselamapengalamanmengajarnyadisekolah? (mengeksplorasirelasikompleks) • Apakah ranking di SMA dapatdigunakanuntukmemprediksikan IPK mahasiswatingkat I pada semester 1? (prediksi)

  28. Identifikasiindividuuntukditeliti. • Kelompoksampelperluukuranmemadaiuntukdiujistatistikkorelasi, contoh: N = 30; Semakinbesarukuran yang berkontribusipadaminimnyaerror variance, semakinbaikketerwakilannya. • Ilustrasi: seorangpenelitimeneliti 100 atlit yang sedangbelajardi SMA denganmaksudmengkorelasikanderajadpartisipasimerekadalamberagamolahragadanaktifitasmerokok. • Suatujangkauanskor yang sempitdarisuatupopulasimungkinakanmempengaruhikekuatankorelasihubungannya. Sebagaicontoh, jikaandamemperhatikanrelasiantaratinggibadanpemain basket danjumlahkeranjangdalamsatupermainan/game, andamungkinakanmenemukanhubungankuatantaradiantaraanak-anakusia TK-SMA. Tapijikaandamemilihdarikumpulanpemain NBA, makahubungannyasecarasignifikanakanlebihlemah.

  29. Identifikasi 2 ataulebihukuranuntukmasing-masingindividudalampenelitian • Karenapengertiandasardarikorelasiadalahuntukmembandingkanpartisipanpada 2 ataulebihkarakteristik, makaukuran-ukuranvariabeldalampertanyaanpenelitianharusdiidentifikasidaninstrumen-instrumen yang mengukurvariabel-variabelperludiperoleh. • Idealnya, instrumen-instrumentsbharusdibuktikanvaliditasdanreliabilitasnya. • Umumnya 1 variabeldiukurpadamasing-masinginstrumen, tetapi 1 instrumentunggalmungkinsajamemuat 2 variabel yang nantinyaakandikorelasikan.

  30. Kumpulkan data dan monitor ancaman-ancamanpotensial • Ilustrasi: Suatusampel database kecilberisi 10 mahasiswaditujukkanpadatabelberikut. Penelitiinginmenjelaskanvariabilitas IPK mahasiswatahun I. • Asumsikanbahwapenelitiinitelahmengidentifikasi 4 predictormelaluitinjauanpustaka. Dalampenelitian-penelitianterdahulu, predictor-predictor inisecarapositifberkorelasidenganprestasidiperkuliahan. • Penelitidapatmemperolehinformasiuntukvariabel predictor darikantoradmisi. Kriteria, yaitu IPK (GPA) selamatahun I, diperolehdarikantor registrar. • Dalamkajianregresi, penelitimengidentifikasifaktorataukombinasifaktormana yang paling tepatmenjelaskanvariancepadaIPK (GPA) tahun I. • Ulasan data inimenunjukkanbahwaskorbervariasipadamasing-masingvariabel, denganvariasi yang lebihbanyakdiantaraskorTesMasuk PT (GRE) ketimbangdiantaraskorrekomendasidankecocokkanpadaprogram studitertentu. JugaditunjukkanbahwanilaiIPK (GPA) danTesMasuk PT (GRE) yang lebihtinggisecarapositifberhubungandengan IPK (GPA) semester I. • Karena data inidiperolehdarikantoradmisimakapenelititidakperlukhawatirakanprosedur-prosedur yang mengancamvaliditasskor.

  31. Analisis data danrepresentasikanhasilnyadalamtabeldangrafik • Penelitimencaripola (pattern) respondanmenggunakanprosedurstatistikuntukmenentukankekuatanhubungandanarahnya. • Analisisdimulaidenganpengkodean data danmentransfernyadariinstrumenke file komputer. Kemudianditentukanlahstatistik yang tepatuntukdigunakan. • Pertanyaanawaladalahapakah data berhubunganitusecara linear ataucurva linear. Makascatterplotskor (jikapenelitianmenggunakanbivariate) dapatmembantumenjawabpertanyaantsb.

  32. Jugapertimbangkanapakah: • Hanya 1 variabelindependen yang dikaji/diteliti (Pearson’s correlation coefficient) • Suatuvariabelmediasimenjelaskanbaikvariabelindependenmaupundependendanperludikontrol (partial correlation coefficient) • Adalebihdari 1 variabelindependenperludikaji/ditelitiuntukmenjelaskanvariabilitasdalamsuatuvariabeldependen (multiple regression coefficient)

  33. Berdasarkanuji statistic yang paling banyakdigunakan, penelitikemudianmengkalkulasiapakah statistic tsbsignifikanberdasarkanskor-skor yang ada. Contohnya: suatup-valuediperolehdalamkajianbivariatedengancara: • Men-setting alpha level • Menggunakancritical valuedaritabelr. (Dapatdiperolehdaribanyakbuku-bukustatistik) • Menggunakandegree of freedom N = 2 dengantabelr • Mengkalkulasikoefisienr yang diamatidanmembandingkannyadengan r-critical value. • Menolakataumenerima hipotesis null pada level signifikansitertentu, contoh: p < 0.05 • Selainitu, bergunauntukmelaporkaneffect size (r2). Dalamanalisiskorelasi, effect sizeadalahPearson’s correlation coefficientkuadrat. Dalammerepresentasikanhasil, penelitikorelasiakanmenyajikanmatrikskorelasidarisemuavariabeldanjugatabel statistic (untukkepentingankajianregresi) yang melaporkannilaiRdanR2danbeta weightsbagimasing-masingvariabel.

  34. Interpretasikanhasilpenelitian • Bagianinimembutuhkanpembahasantentangkekuatandanarahdarihasilpenelitiankorelasi yang: • mempertimbangkandampakvariabel-variabelintervensidalamsuatukorelasipartial • menginterpretasikanbobotregresivariabeldalamanalisisregresi • mengembangkanpersamaanprediktif yang digunakandalamkajian/penelitianprediksi. • Dalamseluruhrangkaianlangkahpenelitiankorelasi, perhatianseutuhnyaadalah: • apakah data andamendukungteori-teori, hipotesis-hipotesis, ataupertanyaan-pertanyaanpenelitian. • apakahhasilpenelitianandamengkonfirmasiatautidak (confirm or disconfirm) temuan-temuanpadapenelitianlainnya/sebelumnya. • apakahrefleksi yang dibuatapakahmenyinggungtentangancaman-ancaman yang akanmenimbulkankekeliruan-kekeliruankoefisien • apakahdimungkinkanlangkah-langkah yang ditempuhpadapenelitianselanjutnyamampumengatasi/menjawabperhatian (concern) tsb.

  35. Bagaimanamengevaluasipenelitiankorelasi? Untukmengevaluasidanmenilaikualitaspenelitiankorelasi, peneliti/penulisakanmempertimbangkan: • Ukuransampel yang memadaiuntukdiuji/diteliti. • Tampilanhasilkorelasidalammatriksdangrafik. • Intepretasitentangarahdankekuatanasosiasiantara 2 ataulebih variable. • Penilaiankekuatanrelasi / hubunganberdasarkankoefisiendeterminasi, p-value, effect size, size of the coefficient. • Pilihan statistic yang tepatuntukmenganalisis data. • Identifikasivariabelpredictordancriterion. • Jika model visual relasidigunakan, makapenelitimengindikasikanarahrelasiantarvariabelatauarahberdasarkan data yang diobservasi. • Identifikasisecarajelasterhadapprosedurstatistik.

More Related