Ketika Tidak Signifikan (2)

Saat kita menemukan hipotesis penelitian kita tidak signifikan, seakan telah tamat lah penelitian kita. Dan sampai-sampai beberapa orang harus mengorbankan idealismenya untuk membuatnya menjadi signifikan. Menyambung tulisan saya sebelumnya di blog ini, tidak signifikan sebenarnya bukanlah musibah terbesar, akan tetapi cobaan semata. Dalam edisi pertama, saya contohkan bahwa seorang promovenda masih bisa mendapatkan nilai A dan lulus dengan cumlaude meski ada beberapa hipotesis tidak signifikan.

Tidak hanya level S3, di S2 ataupun S1 juga banyak contoh mereka yang mendapatkan nilai A. Tidak hanya di level tugas akhir, di sebuah kompetisi penelitian pun, ada juga pemenang kejuaraan yang ternyata tidak meningkat perolehan nilai yang dihipotesiskan.

Kasus-kasus tersebut menunjukkan bahwa penilaian sebuah penelitian tidak hanya dari diterima atau ditolaknya hipotesis alternatif, tetapi dari overall performance. Dalam penilaian penelitian (skripsi, tesis, disertasi) terbagi menjadi unsur metodologi, penyajian presentasi sampai ketepatan menjawab presenter. Dalam metodologi pun, banyak penilaian yang dapat mendongkrak perolehan nilai.

Beberapa tips yang diberikan oleh Dr. Samsul Hadi ketika hipotesis alternatif kita tidak signifikan adalah: pertama cek ricek lagi metodologi yang digunakan (harus sudah benar), perbanyak diskusi hasil penelitian dengan menunjukkan data-data lapangan sehingga dapat menjelaskan mengapa itu terjadi, kemukakan teori yang relevan dengan pembahasan sehingga mendukung argumen yang kita bangun.

Statistik Univariat

Tulisan ini merupakan kelanjutan dari tulisan saya sebelumnya.

Singkat cerita, saya merekomendasikan pada si ibu untuk memakai one sample t test (t tes satu sampel).Hal ini saya pilih karena istilah monovariat sama saja dengan univariat, atau disebut sinonim. 

Ketika Anda googling atau searching di internet anda juga akan ditawarkan untuk mengecek univariat. Nah, baru ketika Anda mengklik univariat, akan muncul berbagai teknik analisis univariat yang ada. Anda dapat menelusuri sumber tersebut satu per satu untuk mendapatkan materi/informasi seputar statistik univariat.

Kenapa saya menyarankan untuk memakai one sample t test? Hal ini didasarkan pada tujuan analisis dan jenis data yang didapatkan. Anda harus mengingat tulisan saya sebelumnya tentang teknik pemilihan analisis statistik untuk aplikasi penelitian. Pada tulisan tersebut, lihat tabel, kita dapat cek ketika tujuan yang hendak dijawab adalah menguji perbedaan satu sampel dengan jenis data yang didapatkan adalah data interval/rasio maka teknik analisis yang dipakai adalah one sample t test. Jika Anda lupa, baiknya kembali baca tulisan saya tersebut.

One sample t test termasuk dalam statistik parametrik, sehigga sebelum dipakai kita perlu uji asumsi yakni: Uji normalitas dan uji homogenitas. Berdasarkan pengalaman saya,  menangani jasa olahdata, memang alat uji ini jarang dipakai oleh para peneliti.

Apakah uji univariat hanya one sample t test? kemudian apa sajakah alat analisis yang masuk statistik bivariat? akan kita bahas pada tulisan saya berikutnya. 

Terus Belajar Structural Equation Modelling

Pada hari Selasa, 28 Agustus 2012 saya berkesempatan untuk belajar lagi tentang materi Structural Equation Modelling (SEM) dengan salah satu ahli SEM di Yogyakarta, yakni Bp. Asma'i, P.hD. Pertemuan siang itu, saya bertanya seputar permasalahan yang muncul pada persoalan SEM, yakni over fit. Indikasi dari adanya over fit adalah indikator TLI yang sebesar 1,065, di sisi lain indikator GFI sebesar 0,743 dan AGFI sebesar 0,720. Berikut hasil analisis yang kami lakukan dengan software AMOS versi 18.

Berdasarkan indikator tersebut, maka permasalahan tidak hanya over fit, tetapi juga lack of fit (marginal) untuk indikator GFI dan AGFI. Permasalahan GFI dan AGFI disebabkan data yang tidak berdistribusi normal. Benar saja, indikator Multivariat normality memang sebesar 16, jauh dari standar 2,58. 

Atas permasalahan tersebut, beberapa langkah yang disaranakan adalah: 1) dengan men-drop observed variable yang outlier, 2) mendrop data observasi yang outlier, dan 3) mengubah/transformasi menjadi skor composite. 

Itu adalah beberapa petunjuk yang diberikan pada kami, agar permasalahan yang muncul di SEM, baik dengan program AMOS maupun Lisrel dapat sesuai dengan ketentuan yang berlaku (kaidah teoritis yang ada).