Berikut ini adalah kutipan-kutipan yang saya kumpulkan dan terjemahkan dari buku Foundations of Behavioral Research oleh Fred N. Kerlinger.
Tanpa harus membacanya semua, Anda mendapatkan hal-hal yang menurut saya menarik dan terpenting.
Saya membaca buku-buku yang saya kutip ini dalam kurun waktu 11 – 12 tahun. Ada 3100 buku di perpustakaan saya. Membaca kutipan-kutipan ini menghemat waktu Anda 10x lipat.
Selamat membaca.
Chandra Natadipurba
===
Berpikir Ilmiah. diterjemahkan dari Kerlinger, F. N. (2000). Foundations of Behavioral Research. San Diego, CA: Harcourt College.
METODE ILMIAH
EMPAT METODE PENGETAHUAN
Yang pertama adalah metode keteguhan (tenacity).
Di sini, orang berpegang teguh pada kebenaran, kebenaran yang mereka yakini sebagai benar karena mereka terus memegangnya erat, karena mereka selalu mengetahuinya sebagai kebenaran.
Pengulangan yang sering dari “kebenaran” semacam itu tampaknya meningkatkan validitasnya.
Orang sering kali berpegang teguh pada keyakinan mereka meskipun ada fakta yang jelas bertentangan.
Dan mereka juga akan menyimpulkan pengetahuan “baru” dari proposisi yang mungkin salah.
Metode kedua untuk mengetahui atau memperbaiki keyakinan adalah metode otoritas.
Ini adalah metode keyakinan yang sudah mapan.
Jika Alkitab mengatakan demikian, maka demikianlah adanya.
Jika seorang fisikawan terkenal mengatakan bahwa Tuhan itu ada, maka demikianlah adanya.
Jika suatu gagasan memiliki dukungan tradisi dan sanksi publik, maka gagasan itu dianggap benar.
Seperti yang ditunjukkan oleh Peirce, metode ini lebih unggul daripada metode keteguhan karena kemajuan manusia, meskipun lambat, dapat dicapai dengan metode ini.
Sebenarnya, kehidupan tidak dapat berjalan tanpa metode otoritas.
Sebagai individu, kita tidak dapat mengetahui segalanya.
Kita menerima otoritas dari Badan Pengawas Obat dan Makanan AS dalam menentukan bahwa apa yang kita makan dan minum aman.
Pikiran yang benar-benar terbuka yang mempertanyakan semua otoritas tidak ada.
Kita harus menerima sejumlah besar fakta dan informasi berdasarkan otoritas.
Oleh karena itu, tidak boleh disimpulkan bahwa metode otoritas tidak masuk akal; metode ini hanya tidak masuk akal dalam keadaan tertentu.
Metode a priori adalah cara ketiga untuk mengetahui atau memperbaiki keyakinan.
Metode ini juga disebut metode intuisi.
Metode ini menganggap superioritasnya berdasarkan asumsi bahwa proposisi yang diterima oleh “a priorist” adalah bukti-diri.
Perhatikan bahwa proposisi a priori “sesuai dengan akal” dan tidak selalu sesuai dengan pengalaman.
Idenya tampaknya adalah bahwa orang, melalui komunikasi dan hubungan yang bebas, dapat mencapai kebenaran karena kecenderungan alami mereka mengarah pada kebenaran.
Kesulitan dengan posisi ini terletak pada ungkapan “sesuai dengan akal.” Akal siapa? Misalkan dua individu yang jujur dan bermaksud baik, menggunakan proses rasional, mencapai kesimpulan yang berbeda. Siapa yang benar? Apakah ini masalah selera, seperti yang dikatakan Peirce? Jika sesuatu itu bukti-diri bagi banyak orang—misalnya, bahwa belajar mata pelajaran yang sulit melatih pikiran dan membangun karakter moral, bahwa pendidikan Amerika lebih rendah daripada pendidikan Asia dan Eropa—apakah ini berarti demikian? Menurut metode a priori, memang demikian—itu hanya “masuk akal.”.
Metode keempat adalah metode ilmu pengetahuan.
Peirce mengatakan: Untuk memuaskan keraguan kita, … oleh karena itu, perlu ditemukan suatu metode di mana keyakinan kita dapat ditentukan oleh sesuatu yang bukan manusia, melainkan oleh suatu permanensi eksternal—oleh sesuatu yang di luar jangkauan pemikiran kita.
Metode ilmiah harus sedemikian rupa sehingga kesimpulan akhir setiap orang akan sama.
Hipotesis dasarnya adalah ini: “Ada hal-hal nyata, yang karakternya sepenuhnya independen dari pendapat kita tentang mereka.”.
Pendekatan ilmiah memiliki ciri khas yang tidak dimiliki metode lain dalam memperoleh pengetahuan: koreksi diri.
Ada pemeriksaan yang dibangun sepanjang jalan menuju pengetahuan ilmiah.
Pemeriksaan ini dirancang dan digunakan sedemikian rupa sehingga mereka mengontrol dan memverifikasi kegiatan ilmiah dan kesimpulan dengan tujuan memperoleh pengetahuan yang dapat diandalkan.
Bahkan jika sebuah hipotesis tampaknya didukung dalam suatu eksperimen, ilmuwan akan menguji hipotesis alternatif yang masuk akal yang, jika juga didukung, dapat meragukan hipotesis pertama.
Ilmuwan tidak menerima pernyataan sebagai kebenaran, meskipun bukti pada awalnya tampak menjanjikan.
Mereka bersikeras untuk mengujinya.
Mereka juga bersikeras bahwa prosedur pengujian apa pun harus terbuka untuk pengawasan publik.
Salah satu interpretasi dari metode ilmiah adalah bahwa tidak ada satu metode ilmiah tertentu.
Sebaliknya, ada sejumlah metode yang dapat dan digunakan oleh ilmuwan, tetapi mungkin dapat dikatakan bahwa ada satu pendekatan ilmiah.
Seperti yang dikatakan Peirce, pemeriksaan yang digunakan dalam penelitian ilmiah ditambatkan sedapat mungkin pada kenyataan yang terletak di luar keyakinan pribadi, persepsi, prasangka, nilai, sikap, dan emosi ilmuwan.
Mungkin kata tunggal terbaik untuk mengungkapkan hal ini adalah objektivitas.
Objektivitas adalah kesepakatan di antara juri “ahli” tentang apa yang diamati atau apa yang harus dilakukan atau telah dilakukan dalam penelitian.
LIMA PERBEDAAN ANTARA AKAL SEHAT DAN PEMIKIRAN ILMIAH
Orang biasa mungkin menggunakan “teori” dan konsep, tetapi biasanya melakukannya dengan cara yang longgar.
Orang ini sering dengan mudah menerima penjelasan khayalan tentang fenomena alam dan manusia.
Misalnya, penyakit dapat dianggap sebagai hukuman karena dosa.
Keceriaan disebabkan oleh kelebihan berat badan.
Ilmuwan, di sisi lain, secara sistematis membangun struktur teoritis, menguji konsistensi internalnya, dan menguji aspek-aspeknya secara empiris.
Selain itu, mereka menyadari bahwa konsep yang mereka gunakan adalah istilah buatan manusia yang mungkin atau mungkin tidak menunjukkan hubungan yang erat dengan kenyataan.
Kedua, ilmuwan secara sistematis dan empiris menguji teori dan hipotesis mereka.
Non-ilmuwan juga menguji “hipotesis,” tetapi mereka mengujinya secara selektif.
Mereka sering “memilih” bukti hanya karena konsisten dengan hipotesis.
Ambil contoh stereotip: Orang Asia cenderung pada ilmu pengetahuan dan matematika.
Jika orang percaya ini, mereka dapat dengan mudah “memverifikasi” keyakinan mereka dengan mencatat bahwa banyak orang Asia adalah insinyur dan ilmuwan.
Pengecualian terhadap stereotip tidak dirasakan: orang Asia non-ilmiah atau orang Asia yang lemah dalam matematika.
Ilmuwan yang mengetahui “kecenderungan seleksi” ini sebagai fenomena psikologis yang umum, dengan hati-hati menjaga penelitian mereka dari prasangka dan preferensi mereka sendiri serta terhadap dukungan selektif hipotesis.
Ilmuwan berusaha secara sistematis untuk menyingkirkan variabel yang mungkin menjadi “penyebab” efek yang sedang dipelajari selain variabel yang dihipotesiskan sebagai “penyebab.” Orang awam jarang berusaha untuk secara sistematis mengontrol penjelasan mereka tentang fenomena yang diamati.
Mereka biasanya tidak berusaha untuk mengontrol sumber-sumber pengaruh yang menyimpang.
Mereka cenderung menerima penjelasan yang sesuai dengan prasangka dan bias mereka.
Jika mereka percaya bahwa kondisi kumuh menghasilkan kenakalan, mereka cenderung mengabaikan kenakalan di lingkungan non-kumuh.
Sebaliknya, ilmuwan mencari dan “mengontrol” insiden kenakalan di berbagai jenis lingkungan.
Ilmuwan, ketika berusaha menjelaskan hubungan antara fenomena yang diamati, dengan hati-hati menyingkirkan apa yang disebut “penjelasan metafisik.” Penjelasan metafisik hanyalah sebuah proposisi yang tidak dapat diuji.
Untuk mengatakan, misalnya, bahwa orang miskin dan kelaparan karena kehendak Tuhan, atau bahwa menjadi otoriter adalah salah, adalah berbicara secara metafisik.
Tidak ada dari proposisi ini yang dapat diuji; dengan demikian, mereka adalah metafisik.
Sebagai demikian, ilmu pengetahuan tidak peduli dengan mereka.
Ini tidak berarti bahwa ilmuwan pasti akan menolak pernyataan semacam itu, mengatakan mereka tidak benar, atau mengklaim bahwa mereka tidak bermakna.
Ini hanya berarti bahwa sebagai ilmuwan, mereka tidak peduli dengan mereka.
Singkatnya, ilmu pengetahuan berhubungan dengan hal-hal yang dapat diamati dan diuji secara publik.
Jika proposisi atau pertanyaan tidak memuat implikasi untuk pengamatan dan pengujian publik semacam itu, maka itu bukan proposisi atau pertanyaan ilmiah.
TUJUAN ILMU PENGETAHUAN, PENJELASAN ILMIAH, DAN TEORI Tujuan dasar ilmu pengetahuan adalah teori.
Lebih tepatnya, tujuan dasar ilmu pengetahuan adalah untuk menjelaskan fenomena alam.
Penjelasan semacam ini disebut “teori.” Daripada mencoba menjelaskan setiap perilaku terpisah dari perusahaan, ilmuwan mencari penjelasan umum yang mencakup dan menghubungkan berbagai perilaku yang berbeda.
Misalnya, daripada menjelaskan metode perusahaan dalam menyelesaikan masalah profitabilitas, ilmuwan mencari penjelasan umum dari semua jenis pemecahan masalah.
Ini bisa disebut teori umum tentang pemecahan masalah.
Tujuan lain dari ilmu pengetahuan yang sering disebutkan adalah: penjelasan, pemahaman, prediksi, dan pengendalian.
Jika kita menerima teori sebagai tujuan utama ilmu pengetahuan, maka penjelasan dan pemahaman menjadi tujuan sampingan dari tujuan utama tersebut.
Hal ini karena definisi dan sifat dari teori: Teori adalah serangkaian konsep, definisi, dan proposisi yang saling terkait yang menyajikan pandangan sistematis tentang fenomena dengan menentukan hubungan antara variabel, dengan tujuan untuk menjelaskan dan memprediksi fenomena tersebut.
Definisi ini mengatakan tiga hal: (1) teori adalah serangkaian proposisi yang terdiri dari konsep-konsep yang didefinisikan dan saling terkait, (2) teori menentukan keterkaitan antara serangkaian variabel (konsep), dan dengan melakukan itu, menyajikan pandangan sistematis tentang fenomena yang dijelaskan oleh variabel tersebut, dan (3) teori menjelaskan fenomena; ia melakukannya dengan menentukan variabel mana yang terkait dengan variabel mana dan bagaimana mereka terkait, sehingga memungkinkan peneliti untuk memprediksi dari variabel tertentu ke variabel lainnya.
Banyak penelitian sosial dan bisnis yang berharga terfokus pada tujuan jangka pendek untuk menemukan hubungan spesifik; artinya, hanya untuk menemukan sebuah hubungan merupakan bagian dari ilmu pengetahuan.
Namun, hubungan yang paling dapat digunakan dan memuaskan pada akhirnya adalah yang paling umum, yang terhubung dengan hubungan lain dalam sebuah teori.
Gagasan tentang generalitas penting.
Teori, karena bersifat umum, berlaku untuk banyak fenomena dan banyak orang di berbagai tempat.
Sebuah hubungan spesifik, tentu saja, kurang dapat diterapkan secara luas.
Tujuan penelitian teoretis lebih baik karena, antara lain, lebih umum dan dapat diterapkan dalam berbagai situasi.
Selain itu, ketika ada teori yang sederhana dan kompleks, dan keduanya sama-sama menjelaskan fakta, penjelasan sederhana lebih disukai (Pisau Occam).
Oleh karena itu, dalam pembahasan generalisasi, teori yang baik juga hemat (parsimonious).
Teori adalah penjelasan sementara.
Setiap teori dievaluasi secara empiris untuk menentukan seberapa baik teori tersebut memprediksi temuan baru.
Teori dapat digunakan untuk memandu rencana penelitian dengan menghasilkan hipotesis yang dapat diuji dan mengorganisir fakta yang diperoleh dari pengujian hipotesis tersebut.
Teori yang baik adalah yang memungkinkan kita menemukan kejadian yang bisa bertentangan dengan teori tersebut.
PENELITIAN ILMIAH Penelitian ilmiah adalah penyelidikan sistematis, terkontrol, empiris, amoral, publik, dan kritis terhadap fenomena alam.
Penelitian ini dipandu oleh teori dan hipotesis tentang hubungan yang diasumsikan di antara fenomena tersebut.
Sistematis dan terkontrol: Penyelidikan ilmiah diatur sedemikian rupa sehingga peneliti dapat memiliki keyakinan kritis terhadap hasil penelitian.
Di antara banyak penjelasan alternatif dari suatu fenomena, semua kecuali satu disingkirkan secara sistematis.
Dalam beberapa kasus, hubungan sebab-akibat dapat ditetapkan.
Empiris: Jika seorang ilmuwan meyakini sesuatu, keyakinan tersebut harus diuji secara independen dari luar.
Dengan kata lain, keyakinan subjektif harus diperiksa terhadap realitas objektif.
Ilmuwan harus selalu menguji gagasan mereka melalui pengujian empiris.
Mereka sangat kritis terhadap hasil penelitian mereka sendiri maupun orang lain.
Setiap ilmuwan yang menulis laporan penelitian memiliki ilmuwan lain yang membaca apa yang mereka tulis saat mereka menulisnya.
Meskipun mudah untuk melakukan kesalahan, melebih-lebihkan, atau membuat generalisasi berlebihan saat menulis hasil karya sendiri, sulit untuk mengabaikan perasaan bahwa mata ilmiah selalu mengawasi dari balik bahu.
Dalam ilmu pengetahuan, ada tinjauan sejawat (peer review).
Ini berarti bahwa orang lain dengan pelatihan dan pengetahuan yang setara diminta untuk mengevaluasi karya ilmuwan lain sebelum dipublikasikan di jurnal ilmiah.
Tinjauan sejawat bekerja dengan baik untuk ilmu pengetahuan dan mendorong penelitian berkualitas.
Namun, sistem ini tidak sempurna.
Ada kasus di mana tinjauan sejawat bekerja melawan ilmu pengetahuan, seperti yang didokumentasikan dalam sejarah dengan tokoh-tokoh seperti Kepler, Galileo, Copernicus, Jenner, dan Semmelweis.
Namun, dalam sebagian besar kasus, tinjauan sejawat ilmiah memberikan manfaat.
Ketiga, pengetahuan yang diperoleh secara ilmiah tidak tunduk pada evaluasi moral.
Hasilnya tidak dianggap “buruk” atau “baik,” melainkan dinilai berdasarkan validitas dan reliabilitas.
Namun, metode ilmiah tunduk pada isu-isu moral; yaitu, ilmuwan bertanggung jawab atas metode yang digunakan dalam memperoleh pengetahuan ilmiah.
Pendekatan ilmiah menurut Dewey terdiri dari hal-hal berikut: a. Masalah-Hambatan-Ide: Merumuskan masalah penelitian atau pertanyaan yang akan dipecahkan b. Hipotesis: Merumuskan pernyataan dugaan tentang hubungan antara fenomena atau variabel c. Penalaran-Deduksi: Ilmuwan menyimpulkan konsekuensi dari hipotesis.
Ini dapat mengarah pada masalah yang lebih signifikan dan memberikan ide tentang bagaimana hipotesis dapat diuji dalam istilah yang dapat diamati.
d. Observasi-Tes-Eksperimen: Ini adalah fase pengumpulan dan analisis data.
Hasil penelitian terkait kembali dengan masalah yang diidentifikasi.
MASALAH DAN HIPOTESIS KRITERIA MASALAH, PERNYATAAN MASALAH, DAN HIPOTESIS Banyak orang percaya bahwa ilmu pengetahuan pada dasarnya adalah kegiatan pengumpulan fakta.
Ini tidak benar.
Kita membutuhkan gagasan panduan, sebuah hipotesis.
Tanpa gagasan panduan, kita tidak tahu fakta apa yang harus dikumpulkan.
kita tidak bisa menentukan apa yang relevan dan apa yang tidak relevan.
Ada tiga kriteria masalah dan pernyataan masalah yang baik.
(1) Masalah harus menyatakan hubungan antara dua atau lebih variabel.
Ini pada dasarnya menanyakan pertanyaan seperti: Apakah A terkait dengan B? Bagaimana A dan B terkait dengan C? Bagaimana A terkait dengan B dalam kondisi C dan D? Pengecualian terhadap prinsip ini sebagian besar terjadi dalam penelitian taksonomi atau metodologi.
(2) Masalah harus dinyatakan dengan jelas dan tidak ambigu dalam bentuk pertanyaan.
Alih-alih mengatakan, misalnya, “Masalahnya adalah.” atau “Tujuan penelitian ini adalah.”, ajukan sebuah pertanyaan.
Pertanyaan memiliki keunggulan karena langsung mengajukan masalah.
(3) Kriteria ketiga adalah masalah dan pernyataan masalah harus mengandung kemungkinan pengujian empiris.
Masalah yang tidak mengandung implikasi untuk menguji hubungan yang dinyatakan bukanlah masalah ilmiah.
Ini berarti bahwa tidak hanya hubungan yang dinyatakan secara aktual, tetapi juga variabel-variabel dalam hubungan tersebut dapat diukur dengan cara tertentu.
Banyak pertanyaan yang menarik dan penting bukanlah pertanyaan ilmiah hanya karena mereka tidak dapat diuji.
Beberapa pertanyaan filosofis dan teologis, meskipun mungkin penting bagi individu yang mempertimbangkannya, tidak dapat diuji secara empiris dan karenanya tidak menarik bagi ilmuwan sebagai ilmuwan.
Pertanyaan epistemologis, “Bagaimana kita tahu?” adalah salah satu contoh.
Hipotesis adalah pernyataan dugaan tentang hubungan antara dua atau lebih variabel.
Hipotesis selalu berbentuk kalimat deklaratif, dan mereka menghubungkan—baik secara umum maupun spesifik—variabel dengan variabel.
Ada dua kriteria untuk hipotesis dan pernyataan hipotesis yang “baik.” Kriteria ini sama seperti dua dari kriteria untuk masalah dan pernyataan masalah.
(1) Hipotesis adalah pernyataan tentang hubungan antara variabel.
(2) Hipotesis membawa implikasi yang jelas untuk menguji hubungan yang dinyatakan.
Kriteria ini berarti bahwa pernyataan hipotesis mengandung dua atau lebih variabel yang dapat diukur atau berpotensi dapat diukur, dan mereka menentukan bagaimana variabel-variabel tersebut terkait.
Hipotesis, jika dinyatakan dengan benar, dapat diuji.
Sebuah hipotesis mungkin terlalu luas untuk diuji secara langsung, namun jika itu adalah hipotesis yang “baik,” maka hipotesis lain yang dapat diuji dapat diturunkan darinya.
Fakta atau variabel tidak diuji sebagai fakta.
Hubungan yang dinyatakan oleh hipotesis yang diuji.
Dan suatu masalah tidak dapat diselesaikan secara ilmiah kecuali jika diubah ke dalam bentuk hipotesis karena masalah adalah pertanyaan, yang biasanya bersifat luas, dan tidak dapat diuji secara langsung.
Masalah dan hipotesis memajukan pengetahuan ilmiah dengan membantu seorang peneliti mengonfirmasi atau menolak teori.
Hipotesis mengarahkan penyelidikan.
Seperti yang dikemukakan oleh Darwin lebih dari seratus tahun yang lalu, observasi harus mendukung atau menentang suatu pandangan agar bermanfaat.
Hipotesis menggabungkan aspek-aspek teori yang sedang diuji dalam bentuk yang dapat diuji atau hampir dapat diuji.
Penggunaan hipotesis ini mirip dengan bermain permainan untung-untungan.
Aturan permainan ditetapkan dan taruhan dibuat di muka.
Kita tidak dapat mengubah aturan setelah hasil diketahui, juga tidak dapat mengubah taruhan setelah menempatkannya.
Kita tidak bisa melempar dadu terlebih dahulu dan kemudian bertaruh.
Itu tidak akan “adil.”.
Demikian pula, jika seseorang mengumpulkan data terlebih dahulu dan kemudian memilih data tertentu untuk kemudian menarik kesimpulan berdasarkan data tersebut, aturan permainan ilmiah telah dilanggar.
Permainan ini tidak “adil” karena peneliti dapat dengan mudah memanfaatkan, katakanlah, dua hubungan signifikan dari lima yang diuji.
Biasanya, yang terjadi pada tiga lainnya adalah mereka dilupakan.
Dalam permainan yang “adil,” setiap lemparan dadu dihitung, dalam arti bahwa seseorang menang atau tidak menang berdasarkan hasil setiap lemparan.
Bahkan ketika hipotesis tidak dikonfirmasi, mereka tetap memiliki kekuatan.
Bahkan ketika y tidak berhubungan dengan x, pengetahuan tetap maju.
Temuan negatif terkadang sama pentingnya dengan temuan positif, karena mereka mengurangi alam semesta ketidaktahuan dan kadang-kadang menunjukkan hipotesis dan jalur penyelidikan lebih lanjut yang bermanfaat.
Namun, ilmuwan tidak dapat membedakan bukti positif dari negatif kecuali jika mereka menggunakan hipotesis.
Tentu saja, mungkin saja melakukan penelitian tanpa hipotesis, terutama dalam penyelidikan eksploratif.
Tetapi sulit membayangkan ilmu pengetahuan modern dengan segala ketelitian dan kedisiplinannya tanpa cahaya dan kekuatan panduan dari hipotesis.
HUBUNGAN DAN VARIANSI Hubungan adalah inti dari pengetahuan.
Yang penting dalam ilmu pengetahuan bukanlah pengetahuan tentang hal-hal khusus tetapi pengetahuan tentang hubungan di antara fenomena.
Kita tahu bahwa benda besar itu besar hanya dengan membandingkannya dengan benda yang lebih kecil.
Hubungan dalam ilmu pengetahuan selalu antara kelas atau kelompok objek.
Seseorang tidak bisa “mengetahui” hubungan antara strategi pemasaran dan profitabilitas hanya dengan mempelajari satu perusahaan.
“Mengetahui” hubungan dicapai hanya dengan mengabstraksi hubungan dari kelompok perusahaan, atau lebih tepatnya, dari kelompok karakteristik perusahaan.
Hubungan adalah seperangkat pasangan berurutan.
Hubungan apa pun adalah satu set, jenis set tertentu: seperangkat pasangan berurutan.
Pasangan berurutan adalah dua objek, atau seperangkat dua elemen, di mana ada urutan tetap untuk objek tersebut.
Sebenarnya, kita berbicara tentang pasangan berurutan, yang berarti bahwa anggota setiap pasangan selalu muncul dalam urutan tertentu.
Jika anggota set A dan B dipasangkan, maka kita harus menentukan apakah anggota A atau anggota B yang muncul terlebih dahulu di setiap pasangan.
Pembaca mungkin bertanya-tanya mengapa begitu banyak perhatian diberikan untuk mendefinisikan hubungan.
Jawabannya sederhana: Hampir semua ilmu pengetahuan mengejar dan mempelajari hubungan.
Tidak ada cara empiris untuk “mengetahui” apa pun kecuali melalui hubungannya dengan hal lain, seperti yang dijelaskan sebelumnya.
Ilmuwan sosial umumnya menghitung indeks hubungan, biasanya disebut koefisien korelasi, antara kumpulan pasangan berurutan untuk memperoleh perkiraan yang lebih tepat mengenai arah dan derajat hubungan.
Untuk mempelajari masalah ilmiah dan menjawab pertanyaan ilmiah, kita harus mempelajari perbedaan di antara fenomena.
Kita memeriksa hubungan di antara variabel; dalam arti tertentu, kita mempelajari persamaan.
Sekarang kita fokus pada perbedaan karena tanpa perbedaan dan tanpa variasi, tidak ada cara teknis untuk menentukan hubungan di antara variabel.
Mengapa menghitung rata-rata dan variansi? Rata-rata mengekspresikan tingkat umum, pusat gravitasi, dari suatu kumpulan ukuran.
Ini adalah representasi yang baik dari tingkat karakteristik atau kinerja suatu kelompok.
Variansi adalah ukuran dispersi dari kumpulan skor: variansi memberi tahu kita seberapa banyak skor menyebar.
Jika sekelompok perusahaan sangat heterogen dalam hal profitabilitas, maka variansi profitabilitas mereka akan besar dibandingkan dengan variansi kelompok yang homogen dalam profitabilitas.
Variansi, kemudian, adalah ukuran penyebaran skor; variansi menggambarkan sejauh mana skor-skor tersebut berbeda satu sama lain.
Untuk tujuan deskriptif, akar kuadrat variansi biasanya digunakan.
Ini disebut deviasi standar.
Cara paling umum untuk mengklasifikasikan variansi adalah sebagai variansi sistematis dan variansi kesalahan.
Variansi sistematis adalah variasi dalam ukuran yang disebabkan oleh beberapa pengaruh yang diketahui atau tidak diketahui yang “menyebabkan” skor cenderung ke satu arah lebih dari arah lain.
Pengaruh alami atau buatan manusia yang menyebabkan peristiwa terjadi dengan cara tertentu yang dapat diprediksi adalah pengaruh sistematis.
Variansi kesalahan adalah fluktuasi atau variasi ukuran yang tidak dapat dijelaskan.
Fluktuasi ukuran dalam variabel dependen dalam suatu penelitian di mana semua peserta diperlakukan sama dianggap sebagai variansi kesalahan.
Beberapa dari fluktuasi ini disebabkan oleh kebetulan.
Dalam hal ini, variansi kesalahan adalah variansi acak.
Ini adalah variasi dalam ukuran yang disebabkan oleh fluktuasi kecil yang biasanya seimbang dari ukuran—kadang-kadang naik, kadang-kadang turun.
Variansi sampel yang dibahas sebelumnya dalam bab ini, misalnya, adalah variansi acak atau kesalahan.
Untuk menjelaskan lebih lanjut, perlu digunakan gagasan tentang “acak” atau “keacakan.
” Untuk saat ini, keacakan berarti bahwa tidak ada cara yang diketahui untuk menggambarkan atau menjelaskan peristiwa dan hasil mereka dalam bahasa.
Dengan kata lain, peristiwa acak tidak dapat diprediksi.
Sampel acak adalah subset dari sebuah populasi.
Anggota-anggotanya dipilih sedemikian rupa sehingga setiap anggota populasi memiliki peluang yang sama untuk dipilih.
Ini adalah cara lain untuk mengatakan bahwa jika anggota dipilih secara acak, tidak ada cara untuk memprediksi anggota mana yang akan dipilih dalam setiap pemilihan—dengan asumsi semua hal lain dianggap sama.
Variansi kesalahan adalah variansi dalam pengukuran yang disebabkan oleh ketidaktahuan.
Bayangkan sebuah kamus besar di mana segala sesuatu di dunia—setiap kejadian, setiap peristiwa, setiap hal kecil, setiap hal besar—diberikan secara detail lengkap.
Untuk memahami kejadian apa pun yang telah terjadi, yang sedang terjadi, atau yang akan terjadi, yang perlu dilakukan hanyalah mencarinya di kamus tersebut.
Dengan kamus ini, tidak ada kejadian acak atau kebetulan.
Segala sesuatu dijelaskan.
Singkatnya, tidak ada variansi kesalahan; semua adalah variansi sistematis.
Sayangnya (atau lebih mungkin, untungnya), kita tidak memiliki kamus semacam itu.
Banyak kejadian dan peristiwa tidak dapat dijelaskan.
Banyak variansi yang sulit diidentifikasi dan dikendalikan.
Ini adalah variansi kesalahan selama identifikasi dan pengendalian masih sulit dicapai.
Selalu akan ada setidaknya dua sumber variansi.
Satu akan disebabkan oleh sumber variasi sistematis seperti perbedaan individu dari subjek yang karakteristik atau pencapaiannya diukur dan perbedaan antara kelompok atau subkelompok yang terlibat dalam penelitian.
Sumber lainnya disebabkan oleh kesalahan acak, fluktuasi ukuran yang saat ini tidak dapat dijelaskan.
Sumber variansi sistematis cenderung membuat skor condong ke satu arah atau lainnya.
Ini tentu saja tercermin dalam perbedaan dalam rata-rata.
Jika industri adalah sumber variansi sistematis dalam studi profitabilitas perusahaan, misalnya, maka variabel industri akan cenderung bertindak sedemikian rupa sehingga skor profitabilitas perusahaan teknologi akan cenderung lebih tinggi daripada perusahaan non-teknologi.
Sebaliknya, sumber kesalahan acak cenderung membuat ukuran fluktuatif, kadang-kadang ke satu arah, kadang-kadang ke arah lain.
Kesalahan acak, dengan kata lain, bersifat saling mengimbangi; mereka cenderung menyeimbangkan (atau saling membatalkan).
Kovariansi adalah ukuran hubungan antara sekumpulan skor.
Variansi dan kovariansi adalah konsep yang sangat penting dalam penelitian dan analisis data penelitian.
Ada dua alasan utama.
Pertama, mereka merangkum variabilitas variabel dan hubungan antar variabel.
Hal ini paling mudah dipahami ketika kita menyadari bahwa korelasi adalah kovariansi yang distandarisasi agar memiliki nilai antara -1 dan +1.
Tetapi istilah ini juga berarti kovariasi variabel secara umum.
Dalam sebagian besar penelitian kita, kita secara harfiah mengejar dan mempelajari kovariasi fenomena.
Kedua, variansi dan kovariansi membentuk tulang punggung statistik dari analisis multivariat.
Sebagian besar diskusi tentang analisis data didasarkan pada variansi dan kovariansi.
Analisis variansi, misalnya, mempelajari berbagai sumber variansi pengamatan, sebagian besar dalam eksperimen, seperti yang disebutkan sebelumnya.
Analisis faktor pada dasarnya adalah studi tentang kovariansi, yang salah satu tujuan utamanya adalah untuk mengisolasi dan mengidentifikasi sumber variasi yang umum.
Metode analisis mutakhir yang paling kuat dan canggih dalam analisis multivariat disebut analisis struktur kovariansi, karena sistem ini mempelajari sekumpulan hubungan yang kompleks dengan menganalisis kovariansi antar variabel.
PROBABILITAS, SAMPLING, DAN RANDOMISASI Probabilitas Probabilitas adalah rasio antara jumlah kejadian suatu peristiwa dengan jumlah keseluruhan percobaan.
Dengan definisi ini, seseorang mendekati probabilitas secara empiris dengan melakukan serangkaian tes, menghitung jumlah kejadian jenis peristiwa tertentu, dan kemudian menghitung rasionya.
Hasil dari perhitungan tersebut adalah probabilitas terjadinya jenis peristiwa tertentu.
Definisi frekuensi harus digunakan ketika penghitungan teoretis atas kelas-kelas peristiwa tidak memungkinkan.
Sebagai contoh, untuk menghitung probabilitas umur panjang dan pacuan kuda, kita harus menggunakan tabel aktuaria dan menghitung probabilitas berdasarkan hitungan dan perhitungan masa lalu.
Pernyataan bahwa seorang pemotong berlian memiliki akurasi 95% menunjukkan bahwa dari setiap 100 berlian yang telah ia potong di masa lalu, 95 di antaranya dipotong dengan benar.
Sebuah peristiwa adalah kumpulan kemungkinan; ini adalah himpunan peristiwa yang mungkin; ini adalah hasil dari “percobaan” probabilitas.
Peristiwa gabungan adalah kejadian bersamaan dari dua atau lebih peristiwa tunggal (atau gabungan).
Dua operasi himpunan yang menarik bagi kita—operasi irisan dan gabungan—menunjukkan peristiwa gabungan.
Jika kita melempar koin dan mengocok dadu, hasilnya adalah peristiwa gabungan, dan kita bisa menghitung probabilitas dari peristiwa semacam itu.
Lebih menarik lagi, kita mungkin bertanya bagaimana variabel demografis tertentu saling terkait.
Salah satu caranya adalah dengan mencari jawaban atas pertanyaan seperti: “Apa probabilitas seorang wanita Anglo-Saxon ada dalam daftar Who’s Who in America?” atau, “Apa probabilitas seorang pria kulit hitam Amerika memegang jabatan tinggi di Layanan Sipil Amerika?” Peristiwa gabungan lebih menarik daripada peristiwa tunggal—dan lebih berguna dalam penelitian.
Hubungan dapat dipelajari dengannya.
Untuk memahami ini, kita pertama-tama mendefinisikan dan mengilustrasikan peristiwa gabungan, lalu memeriksa masalah penghitungan tertentu dan cara penghitungan terkait dengan teori himpunan dan teori probabilitas.
Ditemukan bahwa jika teori dasarnya dipahami, penerapan teori probabilitas pada masalah penelitian akan sangat difasilitasi.
Selain itu, interpretasi data menjadi lebih sedikit terpengaruh oleh kesalahan.
SAMPLING Manusia, melalui pengalaman mereka yang terbatas, sering kali membuat kesimpulan tentang orang lain dan lingkungan mereka.
Untuk mencapai kesimpulan semacam itu, mereka harus mengambil “sampel” dari pengalaman mereka dengan orang lain.
Sebenarnya, mereka mengambil sampel yang relatif kecil dari semua kemungkinan pengalaman.
Kata “pengalaman” di sini harus dipahami dalam arti luas.
Ini dapat berarti pengalaman langsung dengan orang lain—misalnya, interaksi langsung dengan Muslim atau orang Asia.
Atau bisa juga berarti pengalaman tidak langsung: mendengar tentang Muslim atau orang Asia dari teman, kenalan, orang tua, dan lainnya.
Apakah pengalamannya langsung atau tidak langsung, bagaimanapun, tidak terlalu menjadi perhatian kita saat ini.
Misalkan semua pengalaman semacam itu adalah langsung.
Seorang individu mengklaim “mengetahui” sesuatu tentang orang Asia dan berkata, “Saya ‘tahu’ mereka eksklusif karena saya memiliki pengalaman langsung dengan sejumlah orang Asia.” Atau, “Beberapa teman baik saya adalah orang Asia, dan saya tahu bahwa.” Poinnya adalah bahwa kesimpulan orang ini didasarkan pada sampel orang Asia, atau sampel perilaku orang Asia, atau keduanya.
Individu ini tidak pernah bisa “mengetahui” semua orang Asia, dan pada akhirnya harus bergantung pada sampel.
Bahkan, sebagian besar pengetahuan dunia didasarkan pada sampel, seringkali sampel yang tidak memadai.
Sampling mengacu pada pengambilan sebagian dari populasi atau alam semesta sebagai perwakilan dari populasi atau alam semesta tersebut.
Random sampling adalah metode pengambilan sebagian (atau sampel) dari populasi atau alam semesta sehingga setiap anggota populasi atau alam semesta memiliki peluang yang sama untuk dipilih.
Metode pemilihan acak tidak memungkinkan bias kita sendiri atau faktor seleksi sistematis lainnya untuk beroperasi.
Prosedurnya objektif, terpisah dari preferensi dan prasangka kita.
Kita mengatakan peristiwa bersifat acak jika kita tidak dapat memprediksi hasilnya.
Misalnya, tidak ada cara yang diketahui untuk memenangkan permainan melempar koin.
Kapan pun tidak ada sistem untuk memainkan permainan yang memastikan kita menang (atau kalah), maka peristiwa (hasil permainan) adalah acak.
Ketika peristiwa bersifat acak, kita tidak dapat memprediksinya secara individu.
Anehnya, kita dapat memprediksinya dengan cukup berhasil secara keseluruhan.
Artinya, kita dapat memprediksi hasil dari sejumlah besar peristiwa.
Kita tidak dapat memprediksi apakah koin yang dilempar akan menghasilkan kepala atau ekor, tetapi jika kita melempar koin yang adil 1.
000 kali, kita dapat memprediksi dengan akurasi yang cukup tinggi jumlah total kepala dan ekor.
RANDOMISASI Eksperimen “ideal” adalah eksperimen di mana semua faktor atau variabel yang mungkin memengaruhi hasil eksperimen dikendalikan.
Jika kita mengetahui semua faktor ini sejak awal dan dapat mengendalikan mereka, maka kita mungkin memiliki eksperimen yang ideal.
Namun, kenyataannya, kita tidak bisa mengetahui semua variabel yang relevan, dan bahkan jika kita tahu, kita tidak bisa mengendalikannya.
Namun, randomisasi membantu kita.
Randomisasi adalah penugasan anggota suatu alam semesta ke perlakuan eksperimental dengan cara sedemikian rupa sehingga untuk setiap penugasan ke suatu perlakuan, setiap anggota alam semesta memiliki peluang yang sama untuk dipilih untuk penugasan tersebut.
Tujuan dasar dari penugasan acak, seperti yang disebutkan sebelumnya, adalah untuk membagi subjek (objek, kelompok) ke dalam perlakuan.
Individu dengan karakteristik yang bervariasi disebarkan secara merata di antara perlakuan sehingga variabel yang mungkin memengaruhi variabel dependen, selain variabel eksperimen, memiliki pengaruh yang “sama” dalam perlakuan yang berbeda.
Tidak ada jaminan bahwa keadaan yang diinginkan ini akan tercapai, tetapi lebih mungkin tercapai dengan randomisasi dibandingkan jika tidak.
Randomisasi juga memiliki tujuan dan dasar rasional statistik.
Jika penugasan acak telah digunakan, maka dimungkinkan untuk membedakan antara variansi sistematis atau eksperimen dan variansi kesalahan.
Variabel yang bias didistribusikan ke kelompok eksperimen sesuai dengan peluang.
Tes signifikansi statistik secara logis bergantung pada penugasan acak.
Tes ini digunakan untuk menentukan apakah fenomena yang diamati secara statistik berbeda dari peluang.
Tanpa penugasan acak, tes signifikansi kehilangan dasar logis.
ANALISIS DAN INTERPRETASI Analis penelitian memecah data menjadi bagian-bagian konstituen untuk mendapatkan jawaban atas pertanyaan penelitian dan menguji hipotesis penelitian.
Namun, analisis data penelitian itu sendiri tidak memberikan jawaban atas pertanyaan penelitian.
Interpretasi data diperlukan.
Menginterpretasikan berarti menjelaskan, menemukan makna.
Sulit atau tidak mungkin menjelaskan data mentah; kita harus terlebih dahulu menganalisis data dan kemudian menginterpretasikan hasil dari analisis tersebut.
Data berarti hasil penelitian dari mana inferensi ditarik: biasanya hasil numerik, seperti skor tes dan statistik seperti rata-rata, persentase, dan koefisien korelasi.
Kata ini juga digunakan untuk mewakili hasil analisis matematika dan statistik.
Data dapat berupa informasi dari artikel surat kabar dan majalah, materi biografi, buku harian, dan sebagainya—sebenarnya, materi verbal secara umum.
Data juga merupakan hasil pengamatan dan analisis sistematis yang digunakan untuk membuat kesimpulan dan sampai pada keputusan.
Dari data ini, ilmuwan menarik kesimpulan tentang hubungan di antara variabel-variabel dari masalah penelitian.
Analisis berarti mengkategorikan, mengurutkan, memanipulasi, dan merangkum data untuk mendapatkan jawaban atas pertanyaan penelitian.
Tujuan analisis adalah untuk mereduksi data menjadi bentuk yang dapat dipahami dan diinterpretasikan sehingga hubungan dari masalah penelitian dapat dipelajari dan diuji.
Interpretasi mengambil hasil analisis, membuat inferensi yang relevan dengan hubungan penelitian yang dipelajari, dan menarik kesimpulan tentang hubungan tersebut.
Peneliti yang menginterpretasikan hasil penelitian mencari makna dan implikasinya.
Hal ini dicapai dengan dua cara: (1) Hubungan dalam studi penelitian dan datanya diinterpretasikan.
Ini adalah penggunaan istilah interpretasi yang lebih sempit dan lebih sering.
Di sini, interpretasi dan analisis sangat terkait.
Seseorang hampir secara otomatis menginterpretasikan saat menganalisis.
Artinya, ketika seseorang menghitung, katakanlah, koefisien korelasi, orang tersebut hampir segera menyimpulkan adanya suatu hubungan.
(2) Makna yang lebih luas dari data penelitian dicari.
Seseorang membandingkan hasil dan inferensi yang ditarik dari data dengan teori dan hasil penelitian lainnya.
Seseorang mencari makna dan implikasi dari hasil penelitian dalam hasil studi, dan kesesuaian atau ketidakcocokan mereka dengan hasil peneliti lain.
Yang lebih penting, seseorang membandingkan hasilnya dengan tuntutan dan harapan teori.
Temuan yang tidak terprediksi dan tidak terduga harus diperlakukan dengan lebih hati-hati daripada temuan yang terprediksi dan diharapkan.
Sebelum diterima, temuan tersebut harus dibuktikan dalam penelitian independen di mana temuan tersebut diprediksi dan diuji secara khusus.
Hanya ketika suatu hubungan diuji secara sengaja dan sistematis dengan kontrol yang diperlukan dalam desain, kita bisa memiliki keyakinan pada hubungan tersebut.
Temuan yang tidak terduga mungkin saja kebetulan atau palsu.
Peneliti yang tidak menghipotesiskan hubungan sebelumnya tidak memberi fakta kesempatan untuk membuktikan atau membantah apa pun.
Kata “membuktikan” dan “membantah” di sini tidak boleh diambil dalam arti harfiah.
Sebuah hipotesis tidak pernah benar-benar dibuktikan atau dibantah.
Untuk lebih akurat, kita mungkin lebih baik mengatakan sesuatu seperti: Bukti mendukung hipotesis, atau bukti menimbulkan keraguan terhadap hipotesis.
Interpretasi data penelitian berpuncak pada pernyataan probabilistik bersyarat dari jenis “Jika p, maka q.” Kita memperkaya pernyataan semacam itu dengan memenuhi syarat mereka dalam cara seperti ini: “Jika p, maka q, di bawah kondisi r, s, dan t.” Biasanya kita menghindari pernyataan sebab-akibat, karena kita sadar bahwa mereka tidak dapat dibuat tanpa risiko kesalahan besar.
Mungkin yang lebih penting secara praktis bagi peneliti yang menginterpretasikan data adalah masalah pembuktian.
Mari kita tegaskan dengan tegas bahwa tidak ada yang bisa “dibuktikan” secara ilmiah.
Yang bisa dilakukan hanyalah memberikan bukti bahwa proposisi tertentu benar.
Pembuktian adalah masalah deduktif.
Metode penelitian eksperimental bukanlah metode pembuktian, melainkan metode terkontrol untuk memberikan bukti terhadap kemungkinan kebenaran atau kesalahan dari proposisi hubungan.
Singkatnya, tidak ada satu pun investigasi ilmiah yang pernah membuktikan apa pun.
Oleh karena itu, interpretasi analisis data penelitian sebaiknya tidak pernah menggunakan kata “bukti.”.
Untungnya, untuk tujuan penelitian praktis, bukti pada tingkat probabilitas yang memuaskan sudah cukup untuk kemajuan ilmiah.
STATISTIK MAKNA DAN SIGNIFIKANSI STATISTIK Tingkat signifikansi 0,05 berarti bahwa hasil yang diperoleh dan signifikan pada tingkat 0,05 dapat terjadi secara kebetulan tidak lebih dari lima kali dalam 100 percobaan.
Tingkat signifikansi statistik dipilih secara arbitrer sampai batas tertentu.
Tingkat signifikansi lain yang sering digunakan adalah tingkat 0,01.
Tingkat 0,05 dan 0,01 sesuai dengan dua dan tiga deviasi standar dari rata-rata distribusi probabilitas normal.
(Distribusi probabilitas normal adalah kurva berbentuk lonceng simetris yang mungkin sering dilihat oleh siswa).
Jika kita melakukan percobaan dan menemukan perbedaan antara dua rata-rata yang, setelah diuji secara statistik, berada pada tingkat signifikansi 0,05, maka kita memiliki alasan untuk percaya bahwa perbedaan rata-rata yang diperoleh bukan hanya perbedaan kebetulan.
Namun, ini bisa jadi perbedaan kebetulan.
Jika percobaan dilakukan 100 kali dan tidak ada perbedaan nyata antara rata-rata, paling banyak lima dari 100 replikasi ini mungkin menunjukkan perbedaan rata-rata yang cukup besar untuk dianggap “signifikan.”.
Prinsip dasar di balik penggunaan uji statistik signifikansi dapat dinyatakan sebagai: Membandingkan hasil yang diperoleh dengan ekspektasi kebetulan.
Atau secara singkat: Apakah Anda mendapatkan apa yang Anda harapkan dari kebetulan? Ketika sebuah penelitian selesai dan hasil statistik telah diperoleh, mereka diperiksa terhadap hasil yang diharapkan oleh kebetulan.
Statistik adalah teori dan metode menganalisis data kuantitatif yang diperoleh dari sampel pengamatan untuk mempelajari dan membandingkan sumber variansi dari fenomena, membantu membuat keputusan untuk menerima atau menolak hubungan hipotesis antara fenomena tersebut, serta membantu dalam menarik kesimpulan yang dapat diandalkan dari pengamatan empiris.
Ada empat tujuan statistik yang dapat disarankan dalam definisi ini: (1) Untuk mereduksi sejumlah besar data menjadi bentuk yang dapat dikelola dan dipahami.
Misalnya, mustahil untuk mencerna 100 skor, tetapi jika rata-rata dan deviasi standar dihitung, seseorang yang terlatih dapat langsung menginterpretasikan skor tersebut.
Rata-rata, median, variansi, deviasi standar, persentil, persentase, dan sebagainya, yang dihitung dari sampel adalah statistik.
(2) Untuk membantu mempelajari populasi dan sampel.
(3) Untuk membantu dalam pengambilan keputusan.
(4) Untuk membantu dalam membuat inferensi yang andal dari data pengamatan—ini erat terkait, bahkan merupakan bagian dari, tujuan membantu membuat keputusan di antara hipotesis.
Inferensi adalah proposisi atau generalisasi yang diturunkan melalui penalaran dari proposisi lain, atau dari bukti.
Secara umum, inferensi adalah kesimpulan yang dicapai melalui penalaran.
Dalam statistik, sejumlah inferensi dapat ditarik dari pengujian hipotesis statistik.
Misalnya, kita “menyimpulkan” bahwa metode A dan B benar-benar berbeda.
Kita menyimpulkan dari bukti, misalnya, r = 0,67, bahwa dua variabel benar-benar terkait.
Inferensi statistik memiliki dua karakteristik: (1) Inferensi biasanya dibuat dari sampel ke populasi.
Ketika kita mengatakan bahwa variabel A dan B terkait karena bukti statistik adalah r = 0,67, kita menyimpulkan bahwa karena r = 0,67 dalam sampel ini, maka r = 0,67, atau mendekati 0,67, dalam populasi dari mana sampel tersebut diambil.
(2) Inferensi digunakan ketika peneliti tidak tertarik pada populasi, atau hanya tertarik pada populasi secara sekunder.
Peneliti menyimpulkan, dari bukti statistik tentang perbedaan antara sistem A, di satu sisi, dan sistem B dan C di sisi lain, bahwa proposisi hipotetis awal benar—dalam perusahaan Y.
Dan mungkin saja minat peneliti terbatas pada perusahaan Y.
Untuk meringkas banyak diskusi di atas, tujuan utama statistik adalah membantu dalam pembuatan inferensi.
Ini adalah salah satu tujuan dasar desain penelitian, metodologi, dan statistik.
Ilmuwan ingin menarik kesimpulan dari data.
Ilmu statistik, melalui kemampuannya untuk mereduksi data menjadi bentuk yang dapat dikelola (statistik), dan untuk mempelajari serta menganalisis variansi, memungkinkan ilmuwan untuk melampirkan estimasi probabilitas pada inferensi yang mereka buat dari data.
HUKUM BILANGAN BESAR (THE LAW OF LARGE NUMBER) Hukum bilangan besar memakan waktu dua puluh tahun untuk dirumuskan oleh Jacob Bernoulli (juga dikenal sebagai Jacques atau James).
Secara sederhana, hukum ini mengatakan: Dengan bertambahnya ukuran sampel, n, ada penurunan probabilitas bahwa nilai pengamatan dari suatu peristiwa, A, akan menyimpang dari nilai “sebenarnya” A lebih dari sejumlah tetap, k.
Atau dalam bahasa yang lebih sederhana, selama anggota sampel diambil secara independen, semakin besar sampelnya, semakin dekat nilai proporsi “sebenarnya” dari populasi tersebut tercapai.
Misalnya, jika sebuah koin yang adil dilemparkan 100 kali dan jumlah kepala dicatat.
Sekarang misalkan kita melemparkan koin yang sama sebanyak 1.000 kali dan jumlah kepala dicatat.
Berdasarkan hukum bilangan besar, ada kemungkinan lebih besar bahwa hasil dari 1.000 lemparan akan mendekati 550 kepala (selisih 10 kepala dari ekspektasi 500 kepala) daripada hasil dari 100 lemparan yang menghasilkan 60 kepala (juga selisih 10 kepala dari ekspektasi 50 kepala).
Intinya, kesalahan menjadi lebih kecil dengan percobaan 1.000 kali dibandingkan dengan percobaan 100 kali.
KURVA LONCENG Kurva probabilitas normal adalah kurva berbentuk lonceng yang sering dijumpai dalam buku teks statistik.
Pentingnya kurva ini terletak pada fakta bahwa peristiwa kebetulan dalam jumlah besar cenderung mendistribusikan diri dalam bentuk kurva ini.
Banyak fenomena dianggap mendistribusikan diri dalam bentuk yang kira-kira normal.
Tinggi badan, kecerdasan, kemampuan, dan prestasi adalah tiga contoh yang sudah dikenal.
Rata-rata sampel mendistribusikan diri secara normal.
Pembaca harus menghindari anggapan yang belum teruji bahwa semua atau bahkan sebagian besar fenomena didistribusikan secara normal.
Jika memungkinkan, data harus diperiksa dengan metode yang sesuai, terutama dengan memplot atau membuat grafik.
Data sering kali halus dan tidak selalu sesuai dengan distribusi normal.
Alasan statistik yang paling penting untuk menggunakan kurva normal adalah kemampuan untuk menginterpretasikan probabilitas statistik yang dihitung dengan mudah.
Jika data tersebut, seperti yang dikatakan, “normal” atau kira-kira normal, seseorang memiliki interpretasi yang jelas untuk apa yang dilakukan.
Kita dapat menggambar kurva normal dan meletakkan dua set nilai pada sumbu horizontal.
Dalam satu set nilai, kita menggunakan skor tes kecerdasan dengan rata-rata 100 dan deviasi standar 16.
Misalkan kita memiliki sampel 400 dan data (skor) kira-kira dalam bentuk normal.
Kurva ini tampak seperti diagram di bawah ini.
Bayangkan sumbu Y (vertikal) dengan frekuensi (atau proporsi) ditandai pada sumbu tersebut.
INTERPRETASI KURVA LONCENG: DEVIASI STANDAR Deviasi standar dapat dipahami sebagai jarak sepanjang garis dasar kurva dari rata-rata atau titik tengah garis dasar ke kanan atau kiri hingga titik di mana kurva berinfleksi.
Ini juga dapat divisualisasikan sebagai titik pada garis dasar dengan jarak tertentu dari rata-rata.
Satu deviasi standar dari rata-rata distribusi tertentu adalah 100 + 16 = 116.
Garis tebal pada gambar di atas menunjukkan jarak dari 100 ke 116.
Demikian pula, satu deviasi standar di bawah rata-rata adalah 100 – 16 = 84.
Dua deviasi standar diwakili oleh 100 + (2)(16) = 132 dan 100 – (2)(16) = 68.
Jika seseorang dapat yakin bahwa datanya terdistribusi secara normal, maka seseorang dapat menggambar kurva seperti di atas, menandai rata-rata, dan meletakkan deviasi standar.
Artinya, alih-alih menggunakan skor seperti 100, 116, dan 68, skor deviasi standar dapat digunakan.
Mereka adalah 0, +1, -2, dan seterusnya; titik-titik di antara tanda-tanda ini dapat ditunjukkan.
Sebagai contoh, setengah deviasi standar di atas rata-rata dalam skor mentah adalah 100 + (1/2)(16) = 108.
Dalam skor deviasi standar, itu adalah 0 + 0,5 = 0,5.
Skor deviasi standar ini disebut skor standar atau Z-score.
Z-score dalam penggunaan praktis berkisar dari sekitar -3 hingga 0 hingga +3.
Untuk mengubah skor mentah menjadi Z-score, gunakan rumus Z = x/SD, di mana x = X – M dan SD adalah deviasi standar sampel.
Nilai x disebut skor deviasi.
Sekarang kita dapat membagi deviasi standar ke dalam x untuk mengonversi X (skor mentah) menjadi Z-score.
Sebagai contoh, ambil X = 120, maka Z = (120 – 100)/16 = 20/16 = 1,25.
Jadi, skor mentah 120 setara dengan Z-score sebesar 1,25, atau satu dan seperempat deviasi standar di atas rata-rata.
Jika Z-score digunakan, dan total area di bawah kurva ditetapkan sama dengan 1,00, maka kurva dikatakan dalam bentuk standar.
Ini segera menunjukkan probabilitas.
Bagian-bagian area kurva dipahami sebagai probabilitas dan diinterpretasikan demikian.
Jika total area di bawah seluruh kurva sama dengan 1,00, maka jika garis vertikal digambar ke atas dari garis dasar di rata-rata (Z = 0) hingga puncak kurva lonceng, area di sebelah kiri dan kanan garis vertikal masing-masing sama dengan 1/2 atau 50%.
Tetapi garis vertikal mungkin digambar di tempat lain pada garis dasar, seperti satu deviasi standar di atas rata-rata (Z = 1) atau dua deviasi standar di bawah rata-rata (Z = -2).
Untuk menginterpretasikan titik-titik tersebut dalam istilah area—dan dalam istilah probabilitas—kita harus mengetahui sifat area dari kurva.
Persentase area satu, dua, dan tiga deviasi standar di atas dan di bawah rata-rata adalah:.
Area antara Z = -1 dan Z = +1 kira-kira 68%.
Area antara Z = -2 dan Z = +2 kira-kira 96%.
Area antara Z = -3 dan Z = +3 adalah lebih dari 99%.
Dengan demikian, semua jarak garis dasar lainnya dan area yang terkait dapat diterjemahkan menjadi persentase dari seluruh kurva.
Poin penting yang perlu diingat adalah bahwa, karena area seluruh kurva sama dengan 1,00, atau 100%, dan setara dengan 1 dalam teori probabilitas, persentase area dapat diinterpretasikan sebagai probabilitas.
Tabel probabilitas normal memberikan nilai sebagai persentase area yang sesuai dengan Z-score ini, tetapi ini hanya berlaku untuk distribusi normal.
Jika bentuk distribusi tidak normal, persentase ini tidak berlaku.
PENGUJIAN HIPOTESIS Tujuan utama statistik inferensial dalam penelitian adalah untuk menguji hipotesis penelitian melalui pengujian hipotesis statistik.
Ilmuwan menggunakan dua jenis hipotesis: substantif dan statistik.
Hipotesis substantif, secara ketat, tidak dapat diuji langsung.
Hipotesis ini harus diterjemahkan terlebih dahulu ke dalam istilah operasional.
Salah satu cara yang sangat berguna untuk menguji hipotesis substantif adalah melalui hipotesis statistik.
Hipotesis statistik adalah pernyataan dugaan, dalam istilah statistik, tentang hubungan statistik yang disimpulkan dari hubungan hipotesis substantif.
Namun, hipotesis statistik harus diuji terhadap sesuatu.
Tidak mungkin menguji hipotesis statistik tanpa alternatif.
Alternatif yang biasanya dipilih adalah hipotesis nol (null hypothesis), yang diperkenalkan oleh Sir Ronald Fisher.
Hipotesis nol adalah proposisi statistik yang pada dasarnya menyatakan bahwa tidak ada hubungan antara variabel-variabel dalam masalah.
Hipotesis nol mengatakan, “Anda salah, tidak ada hubungan; bantah saya jika Anda bisa.”.
Pada dasarnya, kita menetapkan apa yang dapat disebut sebagai hipotesis kebetulan: μA = μB, atau μA – μB = 0.
Ini adalah hipotesis nol.
Apa yang kita lakukan adalah menulis hipotesis.
Pertama, kita menulis hipotesis statistik yang mencerminkan makna operasional-eksperimental dari hipotesis substantif.
Kemudian kita menulis hipotesis nol yang diuji terhadap hipotesis pertama.
Berikut dua jenis hipotesis yang diberi label dengan benar: H0: μA = μB H1: μA > μB.
H1 mewakili “Hipotesis 1.” Jika ada lebih dari satu hipotesis semacam itu, mereka diberi label H1, H2, H3, dan seterusnya.
H0 mewakili “hipotesis nol.” Perhatikan bahwa hipotesis nol dalam kasus ini dapat ditulis H0: μA – μB = 0.
Bentuk ini menunjukkan dari mana hipotesis nol mendapatkan namanya: perbedaan antara μA dan μB adalah nol.
Namun, bentuk ini tidak praktis, terutama ketika ada tiga atau lebih rata-rata atau statistik lain yang diuji.
Sebagai peneliti, tujuan kita adalah menunjukkan bahwa H1 benar, tetapi hal ini tidak dapat dilakukan secara langsung.
Katakanlah hipotesis substantif kita mengarah pada penulisan hipotesis statistik H1: μA ≠ μB.
Hipotesis ini dapat ditulis ulang sebagai H1: μA – μB ≠ 0.
Untuk menguji hipotesis ini secara langsung, kita perlu menguji sejumlah nilai yang tak terbatas.
Itu berarti kita harus menguji setiap situasi di mana μA – μB tidak sama dengan nol.
Dalam pengujian hipotesis, prosedurnya mengharuskan kita menguji hipotesis nol.
Hipotesis nol ditulis sebagai H0: μA – μB = 0.
Kita perlu mengumpulkan cukup banyak data empiris untuk menunjukkan bahwa hipotesis nol tidak dapat diterima.
Dalam istilah statistik, kita akan “menolak H0.” Penolakan H0 menunjukkan bahwa kita mendapatkan hasil yang signifikan.
Menolak H0 membawa kita mendukung H1, yang pada gilirannya mendukung hipotesis substantif kita.
Jika tidak ada cukup data empiris untuk menolak hipotesis nol, kita tidak dapat menolak hipotesis nol.
Secara statistik kita akan mengatakan “gagal menolak H0” atau “tidak menolak H0.” Perhatikan bahwa kita tidak pernah “menerima” H0 hanya karena hasilnya “tidak signifikan.” Terlepas dari hasilnya, hanya ada dua kemungkinan: “gagal menolak” H0 atau “menolak” H0; tidak pernah ada opsi untuk “menerima” H0.
Untuk “menerima” H0 memerlukan pengulangan penelitian dengan jumlah yang tak terbatas, dan mendapatkan hasil nol setiap kali.
Di sisi lain, kita dapat “gagal menolak” H1 karena hasilnya tidak cukup berbeda dari yang diprediksi (dengan asumsi H0 benar) untuk mendukung kesimpulan bahwa H0 salah.
Status H1 mirip dengan terdakwa di pengadilan yang dianggap “tidak bersalah” sampai terbukti “bersalah”.
Jika hasil persidangan menghasilkan vonis “tidak bersalah,” itu tidak berarti terdakwa “tidak bersalah.” Itu hanya berarti bahwa kesalahan tidak dapat dibuktikan di luar keraguan yang wajar.
Ketika peneliti gagal menolak H0, itu tidak berarti H0 benar, melainkan hanya berarti bahwa H0 tidak dapat dibuktikan salah di luar keraguan yang wajar.
EKSPERIMEN TERKONTROL Penelitian ilmiah adalah investigasi ilmiah di mana peneliti memanipulasi dan mengendalikan satu atau lebih variabel independen dan mengamati variabel dependen atau variabel untuk variasi yang terjadi bersamaan dengan manipulasi variabel independen.
Dalam praktiknya, ilmuwan menggunakan kelompok kontrol dan kelompok eksperimen.
Ada dua kelompok dalam eksperimen, dan keduanya identik kecuali bahwa satu menerima perlakuan sementara yang lain tidak.
Kelompok yang menerima perlakuan disebut kelompok eksperimen, sementara kelompok yang tidak menerima perlakuan disebut kelompok kontrol.
Kelompok kontrol memberikan dasar untuk melihat apakah perlakuan memiliki efek.
Salah satu contoh adalah Randomized Controlled Trial (RCT), bentuk percobaan ilmiah yang digunakan untuk mengendalikan faktor-faktor yang tidak berada di bawah kendali langsung eksperimen.
Contoh RCT adalah uji klinis yang membandingkan efek obat, teknik bedah, perangkat medis, prosedur diagnostik, atau perawatan medis lainnya.
RCT yang dilakukan dengan baik dianggap sebagai standar emas untuk uji klinis.
“Setiap teori dievaluasi secara empiris untuk menentukan seberapa baik teori tersebut memprediksi temuan baru.”
