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