ANALISIS JALUR

Analisis jalur pertama kali diperkenalkan oleh Sewall Wright (1921), seorang ahli genetika, namun kemudian dipopulerkan oleh Otis Dudley Duncan (1966), seorang ahli sosiologi. Analisis jalur bisa dikatakan sebagai pengembangan dari konsep korelasi dan regresi, dimana korelasi dan regresi tidak mempermasalahkan mengapa hubungan antar variabel terjadi serta apakah hubungan antar variabel tersebut disebabkan oleh variabel itu sendiri atau mungkin dipengaruhi oleh variabel lain.

  

 DEFINISI

Path analysis (PA) atau analisis jalur adalah keterkaitan antara variable independent, variable intermediate, dan variable dependen yang biasanya disajikan dalam bentuk diagram. Didalam diagram ada panah panah yang menunjukkan arah pengaruh antara variable-variabel exogenous, intermediary, dan variabel dependent. Terkadang besaran pengaruh di gambarkan dengan ketebalan anak panah. Path analysis hanya berkaitan dengan REGRESI GANDA dengan VARIABEL YANG TERUKUR.

Analisis jalur merupakan teknik statistik untuk menguji hubungan kausal antara dua atau lebih variabel, berdasarkan persamaan linier. Teknik ini dikembangkan sejak tahun 1939 oleh Sewall Wright.Hubungan kausal ini ada yang langsung X→Z dan juga ada yang tak langsung tetapi melalui variabel antara Y ialah X Y → Z. Jalur yang di gambarkan dengan tanda panah ini merupakan → hipotesis yang akan di uji berdasarkan data lapangan.

Berbeda dengan korelasi dan regresi, analisis jalur mempelajari apakah hubungan yang terjadi disebabkan oleh pengaruh langsung dan tidak langsung dari variabel independen terhadap variabel dependen, mempelajari ketergantungan sejumlah variabel dalam suatu model (model kausal), dan menganalisis hubungan antar variabel dari model kausal yang telah dirumuskan oleh peneliti atas dasar pertimbangan teoritis. Melalui analisis jalur kita akan menguji seperangkat hipotesis kausal dan menginterpretasikan hubungan tersebut (langsung atau tidak langsung).

Asumsi yang digunakan dalam analisis jalur yaitu:

1. Linearity: keterkaitan/ hubungan antar variabel adalah linier.
2. Interval level data disarankan jangan menngunakan variabel dummy.
3. Residual (unmeasured) variables hanya berkorelasi dengan satu variabel dalam model yang ada panah langsung.
4. Low multicollinearity secara teoretis taka ada korelasi yang signifikan antar variabel exogen.
5. No under identification or under determination of the model is required. For underidentified models there are too few structural equations to solve for the unknowns. Overidentification usually provides better estimates of the underlying true values than does just identification.
6. Adequate sample size diperlukan agar signifikan. Kline (1998) merekomendasikan 10 sd 20 kali parameter yang akan di estimasikan.

Contoh model analisis jalur:

Dengan notasi-notasi yang digunakan sebagai berikut:

• γ (gamma)    : koefisien pengukur hubungan antara variabel endogen dengan eksogen
• β (beta)    : koefisien yang mengukur hubungan antar variabel dependen (endogen).
• ϕ (hi)    : koefisien yang mengukur hubungan antar variabel independen (eksogen).
• ζ (zeta)    : varian peubah latent yg tdk terjelaskan model
• Y        : variabel dependen (endogen)
• X        : variabel independen (eksogen)

Langkah-langkah dalam analisis jalur sebagai berikut:

1. Merancang model berdasarkan konsep dan teori

2. Pemeriksaan terhadap asumsi yang melandasi

3. Pendugaan parameter atau perhitungan koefisien jalur

4. Pengujian model

5. Interpretasi model

Structural Equation Modeling (SEM) merupakan model analisis yang padaumumnya menggabungkan antara dua bagian ialah i). pembentukan variabel LATENT dan ii). Pembangunan model struktural. Analisis jalur merupakan bagian (subset) dari SEM adalah gabungan antara REGRESI GANDA dengan variabel LATENT yang di bangun dengan analisis faktor dari butir butir/indikator/ item atas variabel laten tersebut.
Hox dan Bechger (2002) menyebutkan bahwa SEM adalah suatu kombinasi analisis faktor dan analisis regresi atau analisis jalur. Selanjutnya dikatakan bahwa dalam penyusunan variabel latent didasarkan atas theoretical constructs yang juga di hitung berdasarkanmetode regresi. Selanjutnya model structural didasarkan atas covariances antara variabel exogen,variabel antara, dan variabel endogen. Oleh karenanya model structural ini juga sering disebut covariance structure modeling. Disana juga dikatakan bahwa “ Nowdays structural equation models need not be linear, and the possibilities of SEM extend well beyond the original Lisrel program”.

Variabel eksogen (exogenous) adalah variabel yang tidak ada anak panah mengarahnya. Jika dua varaibel eksogen berkorelasi di tunjukkan dengan panah dua arah.

Variabel endogen (endogenous) yang terdiri dari variabel antara dan variabel dependen. Variabel antara terdapat anak panah yang datang dan juga yang pergi. Sedangkan variabel dependen hanya terdapat panah yang datang menujunya.

Variabel LATENT adalah variabel yang diukur dengan indikator-indikator (item-tem atau butir-butir) nya, misalnya variabel kesejahteraan, kepuasan, partisipasi, pemahaman, dll. Cara klasik data variabel latent dengan menjumlahkan skor butir-butir yang valid dan reliable. Cara yang terbaik dalam SEM adalah di hitung dengan menggunakan metode confirmatory factor analysisis (CFA) . Dalam CFA dirancang sedemikian rupa agar setiap butir/item menyumbang (Loading) kepada satu variabel latent saja. Besaran sumbangan ini biasa disebut LOADING yang berbeda beda sesuai dengan derajat variabilitas dan tingkat korelasi terhadap item item yang lainnya. Hox dan Bechger (2002) menyebutkan CFA confirmatory (restricted) factor analysis menjamin bahwa setiap item hanya akan memberikan loading kepada satu variabel latent saja .

Path coefficient/ path weight pada umumnya adalah koefisien regresi yang distandarkan (artinya regresi dimana semua variabelnya dalam bentuk z-score).
Disturbance terms adalah residual error yang besarannya sama dengan(1 - R2). Dia mengukur sisa pengaruh faktor lain kepada suatu variabel exogen.
Significance and Goodness of Fit. Testing setiap koefisien dengan t-tes atau F-test. Sedangkan untuk test kecocokan suatu model dengan jika Chi-square dg P > 0.05 dan RMSEA < 0.05. Hox dan Bechger (2002) menyebutkan Goodness of fit (Tuna Cocok) dengan chi squared dengan p-value lebih besar dari 0.05 persen baru dikatakan model SEM cocok pada data empiris.

LANGKAH-LANGKAH

Menurut Ferdinand (2006), ada tujuh langkah yang harus dilakukan untuk menyiapkan analisis jalur, yaitu:

1. Pengembangan Model Teoritis

Dalam SEM, hal yang harus dilakukan adalah melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model teoritis yang dikembangkan. SEM digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.

2. Pengembangan Path Diagram atau diagram alur

Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah path diagram, yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstrak dengan konstrak lainya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antar konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu:

a. Exogenous constructs atau konstruk eksogen

Dikenal juga sebagai source variables atau independent variables yang tidak diprediksi oleh variabel lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.

b. Endogenous construct atau konstruk endogen

Merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.

3. Konversi diagram alur ke dalam persamaan struktural dan model pengukuran

Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari:

• Structural Equation atau persamaan struktural

Dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Rumus yang dikembangkan adalah:

Variabel endogen = variabel eksogen + variabel endogen + error

4. Memilih matrik input dan estimasi model.

Pada penelitian ini matrik inputnya adalah matrik kovarian atau matrik korelasi. Hal ini dilakukan karena fokus SEM bukan pada data individual, tetapi pola hubungan antar responden. Dalam hal ini ukuran sampel memegang peranan penting untuk mengestimasi kesalahan sampling. Untuk itu ukuran sampling jangan terlalu besar karena akan menjadi sangat sensitif sehiungga akan sulit mendapatkan ukuran goodness of fit yang baik, setelah model dibuat dan input data dipilih, maka dilakukan analisis model kausalitas dengan teknik estimasi yaitu teknik estimasi model yang digunakan adalah Maximum Likehood Estimation Method. Teknik ini dipilih karena ukuran sampel yang digunakan dalam penelitian ini adalah kecil (100-200 responden).

5. Menganalisa kemungkinan munculnya masalah identifikasi

Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk. Disebutkan oleh Ferdinand (2006), beberapa indikasi problem identifikasi:

a. Standard error untuk satu atau beberapa koefisien adalah sangat besar.

b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.

c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.

d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya lebih dari 0,9)

6. Evaluasi kriteria goodness of fit

Pada tahap ini dilakukan pengujian terhadap kesesuaian model terhadap berbagai kriteria goodness of fit. Disebutkan oleh Ferdinand (2006), beberapa indeks kesesuaian dan cut of value untuk menguji apakah sebuah model dapat diterima atau ditolak antara lain:

a. X² - Chi-Square statistik, di mana model dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai Chi-Square, semakin baik model itu dan diterima berdasarkan probabilitas dengan cutoff value sebesar p>0.05 atau p>0.10.

b. RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan close fit dari model itu berdasarkan degrees of freedom.

c. GFI (Goodness of fit Index), adalah ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.

d. AGFI (Adjusted Goodness of Fit Index), di mana tingkat penerimaan yang direkomendasiakan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90.

e. CMIN/DF, adalah The Minimum Sample Discrepancy Function yang dibagi dengan Degree of Freedom. CMIN/DF tidak lain adalah statistic Chi-Square, X² dibagi DF-nya, disebut X² relatif. Bila nilai X² reltif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data.

f. TLI (Tucker Lewis Index), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah base line model, di mana nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah ≥0.95 dan nilai yang mendekati 1 menunjukkan a very good fit.

g. CFI (Comparative Fit Index), di mana mendekati 1, mengindikasikan tingkat fit yan paling tinggi. Nilai yang direkomendasikan adalah CFI ≥0.95

Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti dalam tabel berikut ini:

Tabel 4.5. Good of Fit Indexuntuk Evaluasi Model

Goodness    Of   fit index	Keterangan	Cut-off Value
Chi-square	Menguji apakah covariance populasi yang diestimasi sama dengan covariance sampel (apakah model sesuai dengan data).  Bersifat sangat sensitive untuk sampel besar (di atas 200)	Diharapkan Kecil
Probability	Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi	³ 0,05
RMSEA	Mengkompensasi kelemahan Chi-Square pada sample besar	£ 0,08
GFI	Menghitung proporsi tertimbang varians dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi (analog dengan R2 dalam regresi berganda)	³ 0,90
AGFI	GFI yang disesuaikan terhadap DF	³ 0,90
CMIND/DF	Kesesuaian antara data dan model.	£ 2,00
TLI	Pembandingan antara model yang diuji terhadap base line model	³ 0,95
CFI	Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model	³ 0,94

Sumber: Ferdinand, A. (2002)

7. Interpretasi dan Modifikasi Model

Tahap akhir ini adalah melakukan interpretasi dan modifikasi bagi model-model yang tidak memenuhi syarat-syarat pengujian. Hair et. al. (dalam Ferdinand, 2006) memberikan pedoman untuk mempertimbangkan perlu tidaknya modifikasi model dengan melihat jumlah residual yang dihasilkan oleh model tersebut. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 2% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi perlu dipertimbangkan. Bila ditemukan bahwa nilai residual yang dihasilkan model cukup besar (yaitu ≥2.58) maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap model yang diestimasi itu. Nilai residual value yang lebih besar atau sama dengan ± 2.58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5%.

Read More

ANALISIS DATA NON PARAMETRIK

A.      Mann – Whitney Test

Mann – Whitney Test digunakan untuk :

a.       Untuk membandingkan perbedaan dua median.

b.      Data dikumpulkan berdasarkan dua sampel yang independent

c.       Tingkat pengukuran sekurang-kurangnya ordinal

B.      Wilcoxon Signed – Rank Test

Wilcoxon Signed – Rank Test digunakan untuk :

a.       Untuk membandingkan perbedaan dua median

b.      Data dikumpulkan berdasarkan dua sampel yang tidak independent

c.       Tingkat pengukuran minimal ordinal

C.      Kruskal Wallis – Test

Kruskal Wallis – Test digunakan untuk:

a.       Jika ingin membandingkan median lebih dari dua buah

b.      Data dikumpulkna berdasrkan sampel yang independent

c.       Tingkat pengukuran sekurang-kurangnya ordinal

D.      Friedman – Test

Merupakan pengganti paired Analisis Varians (Anova) pada statistika parametric.

Friedman – Test digunakan untuk :

a.       Untuk data yang dikumpulkan berdasarkan related sampel

b.      Tingkat pengukuran sekurang-kurangnya ordinal

Read More

Analisis data eksploratif

Langkah pertama dalam menganalisis data adalah mempelajari karakteristik dari data tersebut. Terdapat beberapa alasan penting yang perlu kita pertimbangkan secara cermat sebelum analisis data sebenarnya kita lakukan. Alasan pertama pemeriksaan data adalah untuk memeriksa kesalahan-kesalahan yang mungkin terjadi pada berbagai tahap, mulai dari pencatatan data di lapangan sampai pada entry data pada komputer. Alasan berikutnya adalah untuk tujuan eksplorasi data sehingga kita bisa menentukan model analisis yang tepat.

Seperti kita ketahui, penelitian yang dilakukan secara ilmiah merupakan sebuah aktivitas yang bisa dianalogkan dengan pemecahan puzzle. Penelitian harus berpusat pada masalah, bukan pada tools analisis statistik yang digunakan. Sikap ingin tahu, curiga, dan imajinasi merupakan kunci utama dalam proses penemuan tersebut. Eksplorasi data merupakan bagian yang integral dari persepsi kita. Apabila tujuan akhir dari penelitian bukan untuk menghasilkan inferensi kausal, analisis data selanjutnya sudah tidak diperlukan lagi. Namun apabila diperlukan, analisis data eksploratori sangat menunjang dalam menelaah dan menemukan tentang sifat-sifat data yang nantinya dapat berguna dalam menyeleksi model statistik yang tepat. Dengan demikian, pada analisis data eksploratif, sifat dari data pengamatanlah yang akan menentukan model analisis statistik yang sesuai (atau perbaikan dari analisis yang sudah direncanakan).

Analisis data eksploratif (Exploratory Data Analysis – EDA) merupakan metode eksplorasi data dengan menggunakan teknik aritmatika sederhana dan teknik grafis dalam meringkas data pengamatan.

EDA banyak digunakan dalam berbagai hal seperti:

• Memaksimalkan telaahan data
• Mencari struktur data yang tersembunyi (mengungakp misteri yang tersembunyi)
• Mengeluarkan variable penting
• Mendeteksi kelainan dan anomali
• Melakukan test suatu asumsi
• Membangun model
• Melakukan optimasi

Kontribusi utama dari pendekatan analisis data secara eksploratif terletak pada penyajian seluruh ringkasan statistik secara visual. Ringkasan statistik secara numerik saja, dapat mengaburkan, menyembunyikan, atau bahkan salah dalam merepresentasikan struktur data. Apabila ringkasan numerik digunakan secara terpisah dan langsung diterima tanpa pemeriksaan data terlebih dahulu secara visual mungkin akan mengakibatkan pemilihan model tidak tepat. Pemilihan model yang langsung dilakukan secara tergesa-gesa dan mungkin berdasarkan pada asumsi yang salah akan mengakibatkan penarikan kesimpulan yang salah.  Untuk alasan tersebut, analisis pendahuluan harus dimulai dengan pemeriksaan secara visual, bukan ringkasan data secara numerik.

Paradigma Teknik Analisis

Terdapat tiga pendekatan analisis data:

1. Klasis (Classical)
2. Eksploratif (Exploratory (EDA))
3. Bayesian

Dengan demikian, EDA merupakan salah satu dari tigak teknik pendekatan analisis data yang ada. Ketiga pendekatan tersebut mempunyai kemiripan, semuanya dimulai dari teori atau permasalahan umum dan diakhiri dengan suatu kesimpulan. Perbedaannya terletak pada urutan dan fokus dari langkah-langkah perantara.

• Analisis klasik, urutannya:
  • Masalah → Data → Model → Analisis → Kesimpulan
• EDA, urutannya:
  • Masalah → Data → Analisis → Model → Kesimpulan
• Bayesian, urutannya:
  • Masalah → Data → Model → Distribusi Prior/bersyarat → Analisis → Kesimpulan

Jadi, pada analisis klasik, pengumpulan data diikuti dengan penerapan model (normalitas, linieritas, dll) dan selanjutnya adalah analisis, estimasi, dan pengujian yang difokuskan pada model parameter tersebut. Pada EDA, pengumpulan data tidak diikuti dengan penerapan model, melainkan segera diikuti dengan analisis dengan tujuan untuk menentukan model apa yang akan sesuai. Akhirnya, metode pendugaan Bayesian merupakan proses pendugaan dengan mempertimbangkan dua hal, yaitu data yang sekarang kita miliki dan informasi awal mengenai kasus yang sedang kita teliti. Keduanya digunakan secara bersama-sama untuk membuat suatu kesimpulan atau uji asumsi mengenai model parameter.

Pada kenyataannya, analisis data merupakan kombinasi dari ketiga pendekatan di atas (serta pendekatan-pendekatan lainnya). Perbedaan tersebut diatas hanya diuraikan untuk menekankan perbedaan utama dari ketiga pendekatan tersebut.

EDA bukan seperangkat teknik.  EDA merupakan suatu pendekatan, pola/sikap/filosofi tentang bagaimana kita dalam menganalisis sekumpulan data. Lalu, apakah EDA sama dengan statistik grafis? Jawabannya adalah tidak.  EDA memang banyak menggunakan teknik grafis, tapi EDA tidak identik dengan analisis grafik meskipun keduanya mirip dan kadang terminologinya sering bolak-balik. Pendekatan analisis secara grafis hanya terbatas pada sekumpulan perangkat teknik yang semuanya bersifat grafis dan hanya fokus kepada satu aspek karakteristik data saja, sedangkan EDA mencakup area yang lebih luas. EDA lebih menekankan pada pendekatan langsung sehingga data sendirilah yang bisa mengungkapkan struktur dan modelnya.

Beberapa teknik grafis yang sering digunakan dalam EDA seringkali sangat sederhana. Teknik-teknik tersebut diantaranya adalah:

• plotting data mentah (histogram, dotplot, dataplot, stem-and-leaf plot, )
• plotting statistik sederhana seperti (boxplot, mean plot, std plot)
• dsb

Penyajian Data Secara Grafis

Struktur data yang paling umum adalah kumpulan dari angka-angka. Struktur ini sangat sederhana, namun apabila jumlah data pengamatan sangat besar, sangat sulit bagi kita untuk melihat gambaran karakteristik data tersebut secara menyeluruh apabila hanya sekedar melihat deretan angka yang begitu banyak.

Terdapat beberapa teknik untuk meringkas dan mempelajari karakteristik dan distribusi data di mana data dapat digambarkan secara grafis. Diantaranya adalah histogram, dotplot, stem-and-leaf plot, density trace, box plot, dan probability plot.

Histogram

Dotplot

Binning: Lebar Interval = 1

Binning: Lebar Interval = 2

Binning: Lebar Interval =10

Stem-and-leaf plot

MINITAB:
Stem-and-leaf of Nilai Ujian  N  = 80
Leaf Unit = 1.0

 2    3  58
 5    4  389
 8    5  169
 19   6  00133356778
(24)  7  000011122233444455667899
 37   8  0000111223334566788889
 15   9  000111223335789
 ^    ^     ^
 f  stem | leaf

Box-plot

Read More

PENGUMPULAN DATA

Sesuatu yang tidak bisa diabaikan oleh seorang peneliti selain cara mendapatkan data yang mendukung penelitian kita. Seperti juga polisi yang membutuhkan data lengkap si tersangka pembunuhan dengan berbagai cara dan metode dilakukan agar bisa menggali data verbal. Seperti kita ketahui kita tidak hanya sekedar melihat saja terhadap objek penelitian, tetapi berhubungan dengan berbagai macam pendapat dan persepsi atas fenomena, keadaan dan peristiwa yang terjadi. Artinya saat terjadinya peristiwa pembunuhan, polisi harus mencari data-data sebagai sebuah modus operansi dan modus vivendi-nya dari pembunuhan tersebut, kapan terjadi, berapa luas modus dan berapa lama mereka merencanakan dan siapa yang menyuruh mereka membunuh. Akan tetapi mengamati bukan sekedar melihat objek tetapi didalamnya ada kegiatan penerimaan data dengan cara merekam kejadian, menghitungnya, mengukurnya dan mencatatnya yang nantinya bias menjadi sebuah fakta yang menguatkan dugaan yang direkayasa oleh peneliti.

Begitu juga fakta yang didapat polisi akan menjadi sebuah Data apabila fakta tersebut di rekam, dihitung diukur dan dicatatnya. Penggunaan istilah tersebut sering berbeda dengan pengertiannya. Yang dikumpulkannya adalah fakta sehingga menjadi data, tetapi pada umumnya lebih banyak digunakan istilah pengumpulan data, karena dianggap memiliki pengertian yang lebih luas karena menyangkut pula masalah penyajian data serta keterkaitannya dengan seluruh proses penelitian. Sehingga metode pengumpulan data merupakan suatu cara atau proses yang sitematis dalam pengumpulan, pencatatan dan penyajian fakta untuk tujuan tertentu.

Mengumpulkan data bukan pekerjaan nyaman dan terkadang sangat sulit mencari data tersebut, terkadang pencarian data diserahkan pada orang lain, sementara desain dan instrument penelitian, mengolah data dan mengambil kesimpulan yang dilakukan oleh si peneliti.Arti penting data bagi sebuah penelitian, sugiono[1] mengungkapkan ada dua hal yang mempengaruhi kualitas data hasil  penelitian yaitu kualitas instrument penelitian dan kualitas pengumpulan data.

Data dan tahapan pengumpulan data

Data itu sendiri adalah subjek darimana data dapat diperoleh, atau bisa juga data diartikan sebagai sumber informasi yang bisa menguatkan fakta yang sedang diamati.  Untuk memudahkan makna dari data dapat diklasifikasikan dalam tiga tingkatan data yang diungkapkan oleh Suharsimi (2006) [2]  bisa berupa sumber yang berupa Person (sumber data berupa orang), Place (sumber data berupa tempat )dan Paper (sumber data berupa symbol). Selain data juga terdiri dari fakta, pendapat dan kemampuan.[3]

Dari metode pengumpulan data ini ada beberapa tahapan dalam pengumpulan data  yaitu menyangkut :

1.       Perumusan tujuan pengumpulan data.

Tujuan pegumpulan data sangat tergantung pada tujuan dan metodologi penelitian, khususnya metodologi analisa data. Secara umum pengumpulan data bertujuan untuk memperoeh fakta yang diperlukan untuk mencapai tujuan penelitian. Begitu juga penentuan objek yang akan dikumpulkan datanya oleh latar belakang dari perumusan maslah riset, serta pemilihan contoh (sampling). namun demikian identitas objek pengaruh pada jenis data yang akan dikumpulkan, teknik dan alat bantu yang digunkan serta tahapan pengumpulan data.

2.       Penentuan jenis data yang akan dikumpulkan.

Secara umum data dibagi dua kategori yaitu data kualitatif dan data kuantitatif. Data kualitatif adalah nilai dari perubahan yang tidak dapat dinyatakan dalam angka-angka,s ebaliknya data kuantitatif adalah nilai perubahan yang dapat dinyatakan dalam angka. Pandangan umum bahwa data kuantitatif merupakan kategori data yang lebih baik dan dan data kualitaif yang dinilai sering tidak pasti. Namun sebenarnya keduanya saling melengkapi, karena hanya dengan data kualitatif saja tidak akan memberikan informasi yang lengkap tanpa dukungan data kuantitatif yang jelas. Juga terkadang data kuantitatif sering kali tidak cukup untuk menggambarkan keadaan sebenarnya juka tida ditunjang oleh data kualitatif yang memadai.

Pembeda data lain sering digunakan data primer dan data sekunder. Data perimer adalah data yang diperoleh langsung oleh pengumpul data dari obejek penelitiannya. Sedang data sekunder adaah semua data yang diperoleh secara tidak langsung dari objek yang diteliti. Dalam pengumpulan data primer, improvisasi peneliti terhadap objek penelitian sangat penting dilakukan, terutama untuk memperoleh informasi kualitatif yang melatar belakangi data kuantitatif yang diperoleh. Pengumpulan data primer tetap dapat dilakukan dengan menggunakan tenaga pembantu (enumerator), asalkan peneliti telah menghayati permasalahan yang dihadapi atau telah menemukan objek penelitiannya. Sedangkan pada data sekunder yang diperlukan hanyalah keadaan atau ada-tidaknya data itu sendiri.

Data lainnya ada istilah data kerat lintang (cross section) dan data deret waktu (Time series). Data kerat lintang (cross section) adalah data mengenai fakta-fakta yang terjadi pada waktu bersamaan yang dikumpulkan dari berbagai sumber, sedang data deret waktu (time series) adalah data mengenai fakta-fakata pada waktu berbeda dan umumnya dikumpulkan dari sumber yang sama.

3.       Menentukan teknik pengumpulan data yang akan digunakan.

Setiap jenis data yang dikumpulkan dengan menggunkan salah satu teknik pengumpulan data. Perbedaanya hanya dalam hal cara menghasilkan data yang dimaksud, terutama dalam hal hubungannya dengan pengolahan dan penyajian data. Banyak teknik yang sering digunakan para peneliti dari berbagai buku penelitian yang semuanya digunakan dengan berbagai kombinasi terbaik sehingga diharapkan mendapatkan data yang akurat dan bias dipercaya.

·         Observasi langsung.

·         Interview

·         Pengisian daftar isian

·         Studi pustaka

4.       Menentukan alat bantu pengumpulan data

Pada dasarnya setiap teknik pengumpulan data memerlukan alat bantu yang berbeda. Beguitu juga penggunaan alat bantu sangat tergnatung pada tujuan penelitian dan jenis data yang akan dikumpulkan. Perkembangan teknologi penelitian memberikan dinamisasi dan fleksibilitas. Tapi secara umum alat bantu pengumpulan data dapat dikelompokan menjadi catatan penelitian, daftar pertanyaan, daftar ceklist.

5.       Penyajian dan pengolahan data awal.

Data yang telah dikumpulkan perlu disusun terlebih dahulu sebelum diolah lebih lanjut. Ahsul pengolahn dan analisis data pada tahaps elanjutnya akan disebut sebagai penyajian dan pengolahan data alkhir. Tujuan penyajian dan pengolahan data awal adalah untuk memperoleh data yang komprehnesif sesuai dengan tujuan riset. Hal itu diperlukan Karen adalm proses pengumpulan data, data untuk satu analisis dapat dikumpulkan dari berbagai sumber yang terpisah sehingga perlu dipadukan terlebih dahulu. Pengolahan awal juga dilakukan untuk membersihkan data dari kesalahan-keslahan yang mungkin terjadi selama proses pengumpulan data,s eerti keslahan pencttatan, keslahah pentuan contoh. Terapdta beberpaa tahapan proses pengolahan data awal, antara lain penyusunan kategori untuk data kualitatif, pemberian ode dan penyusunan master table.

6.       Menyajikan data berkualitas yang telah dikumpulkan,

Kualitas data yang diharapkan dari tahapan terakhir dari pengumpulan data.

---

[1] Prof Dr. sugiono, Metodologi Penelitian Administrasi, Alfabeta, Bandung, 2006, hal.156

[2] Prof Dr. Suharsimi Arikunto, Prosedur Penelitian, Rineka Cipta, Jakarta, 2006, hal. 129

[3] Ibid, 2006 :223

Read More

METODE ANALISIS DATA

A. DATA, STATISTIK, DAN PENELITIAN

Data adalah informasi tentang sesuatu. Data yang dikumpulkan berapapun banyaknya, bukanlah merupakan tujuan dari penelitian. Akan tetapi data dapat merupakan sarana untuk memudahkan penafsiran dan memahami maknanya. Jadi pengambilan (pengumpulan) data merupakan langkah yang penting dalam penelitian. Agar memudahkan untuk penafsiran, data yang sudah terkumpul harus ditabulasikan. Cara-cara tabulasi data dapat dipelajari saat kita mempelajari Statistik.

Data yang sudah ditabulasi, jika diperhatikan dengan cermat dan sungguh- sungguh menimbulkan sejumlah pertanyaan, atau dapat mengungkapkan hal-hal tertentu. Kemungkinan, kita akan melihat sejumlah keganjilan atau penyimpangan sehingga menimbulkan pertanyaan mengapa bisa terjadi demikian. Meskipun tanpa atau belum menggunakan perhitungan-perhitungan statistik, hanya menggunakan pikiran, imajinasi dan kecermatan pengamatan kita dapat mendekati makna data yang kita hadapi. Dengan selalu menggunakan pertanyaan-pertanyaan kita mencoba berusaha memperoleh jawaban dari data itu.

Dengan menggunakan statistik, data dapat diolah dengan lebih eksak. Dengan statistik mungkin pula dapat mengungkapkan aspek-aspek baru, sehingga dapat memancing pemahaman baru yang dapat membantu kita dalam menelaah data yang kita hadapi.

Secara umum statistik dapat membantu kita dalam :

a. Menghitung nilai tengah data.

Dengan menghitung nilai tengah data (mean, median, modus) kita bisa mengetahui kecenderungan dari data tersebut. Hasil dari nilai statistik ini sering terlihat aneh jika dibandingkan dengan yang terdapat dalam dunia nyata.

b. Mengetahui sebaran atau distribusi data.

Distribusi data umumnya mengikuti distribusi normal yang berbentuk lonceng. Kebanyakan data berkelompok di bagian tengah, dan berangsur-angsur berkurang ke bagian tepinya. Makin jauh dari titik tengah berarti makin besar deviasi atau

penyimpangannya.

Dari sini dapat dihitung penyimpangan rata-rata atau

penyimpangan bakunya.

c. Mengetahui hubungan antara suatu data dengan data lain.

Seperti kita ketahui banyak fakta menunjukkan saling berhubungannya antara variabel yang satu dengan variabel yang lainnya. Bahkan dalam dunia nyata hubungan antar variabel tersebut sedemikian kompleksnya. Untuk menganalisis hubungan yang sangat kompleks sangatlah tidak mungkin. Untuk itu kita harus menyederhanakan hubungan tersebut dengan membuat model-model hubungan dengan sejumlah asumsi-asumsi. Dalam mengetahui hubungan-hubungan ini statistik sangat membantu untuk menghitung besar dan sifat dari hubungan itu. Hubungan ini biasa dikenal dengan korelasi dan regresi. Untuk mendapatkan koefisien korelasi atau regresi kita bisa dilakukan dengan bantuan komputer. Tetapi bukan berarti jika koefisien korelasi atau regresi sudah kita dapatkan lalu masalahnya menjadi telah terpecahkan dan penelitian selesai. Tidak. Komputer hanyalah sebuah alat atau mesin yang membantu kita menghitung, tetapi ia tidak dapat berpikir. Yang harus berpikir adalah penelitinya sendiri.

Penelitilah yang harus menafsirkan dan

mengiterpretasi nilai-nilai hasil perhitungan komputer tersebut.

d. Mengetahui sejauh mana data sesuai atau menyimpang dengan standar.

Pada umumnya alam mengikuti aturan-aturan tertentu. Salah satunya adalah distribusi normal. Sebagian besar kejadian dialam mengikuti distribusi normal. Kurva normal yang ditemukan oleh Karl Fredrich Gauss menunjukkan bahwa jumlah terbanyak adalah yang mengitari angka rata-rata berkelompok di bagian tengah dan ke sebelah kanan dan kirinya semakin menipis sehingga jika digambarkan akan membentuk lonceng yang simetris.

Kurva normal ini menunjukkan adanyakeseimbangan dalam alam. Jika suatu distribusi menyimpang dari kurva normal, maka ini pertanda adanya faktor-faktor eksternal yang mempengaruhinya di luar faktor-faktor alamiah. Adanya pengaruh eksternal ini harus diselidiki. Tujuannya adalah mengkonfirmasi data dengan data yang diharapkan menurut kurva normal.

Read More