Semesta Psikometrika Akhirnya Punya Rumah: Rumah Semesta!

Analisis Regresi dengan Variabel Mediator

Dalam analisis regresi, terkadang peneliti menemukan adanya hubungan tidak langsung antara satu variabel dengan variabel lain. Terdapat satu variabel yang memperantarai keduanya. Variabel perantara inilah yang disebut mediator atau intervening. Baron dan Kenny (1986) menyebut suatu variabel disebut mediator jika variabel tersebut ikut mempengaruhi hubungan antara variabel prediktor (independen) dan kriterion (dependen).  Model mediasi memiliki hipotesis bahwa variabel independen mempengaruhi variabel mediator, yang pada gilirannya mempengaruhi variabel dependen. Mediasi sempurna (perfect mediation) terjadi ketika tidak adanya efek variabel independen ke dependen ketika variabel mediator dimasukan dalam persamaan. Namun jika efek variabel independen ke dependen menurun namun tidak sama dengan nol dengan memasukan mediator, maka terjadi mediasi parsial. 

Indigenous Psychology: Dasar Filosofi dan Prospek Pengembangannya di Masa Depan

Pengaruh Adanya Outliers terhadap Analisis Statistik

Seringkali kita merasa gagal sebagai peneliti ketika hasil analisis statistik kita ternyata tidak sesuai dengan hipotesis kita atau hasil uji statistik kita tidak signifikan. Menanggapi kemungkinan buruk tersebut, kita seharusnya tidak tergesa-gesa mengambil kesimpulan bahwa hipotesis kita tidak terbukti. Kita harus mencari tahu terlebih dahulu apakah analisis yang kita gunakan sudah tepat, atau data yang kita gunakan sudah benar-benar dapat dipertanggungjawabkan. Salah satu penyebab kacaunya hasil analisis statistik kita adalah karena adanya data outliers.

Penerapan Computer Adaptive Testing (CAT) dalam Pengadministrasian Tes

Cara Mengatasi Data Berdistribusi Tidak Normal

Ketika kita hendak melakukan analisis statistik parametrik, seperti melakukan uji korelasi product moment, salah satu asumsi yang harus dipenuhi adalah distribusi data kita normal. Oleh karena itu sebelum melakukan analisis statistik parametrik, terlebih dahulu kita harus melihat apakah data kita terdistribusi normal atau tidak. Bagaimana cara untuk melihat data kita normal atau tidak? Berikut akan diberikan contoh penelitian fiktif tentang “Hubungan antara IQ dengan prestasi”. Data fiktif dapat didownload di sini

Review Buku Piece of Mind: Mengaktifkan Kekuatan Pikiran Bawah Sadar untuk mencapai Tujuan

Tulisan ini sebenarnya merupakan tugas mata kuliah Psikologi Positif, yaitu untuk mereview satu buku yaitu buku Piece of Mind karya Sandy McGregor. Berhubung tugas ini sudah dikumpulkan dan nilai sudah keluar, dan sayang sekali kalau hanya dosen pengampu mata kuliah saja yang membacanya, maka saya copykan tulisan di sini saja, siapa tahu bisa lebih bermanfaat.

Confirmatory Factor Analysis (CFA) dengan MPLUS

Tulisan sebelumnya telah membahas teknik analisis faktor konfirmatori / Confirmatory Factor Analysis (CFA) dengan menggunakan software LISREL dan AMOS. Tulisan ini akan menyajikan cara analisis faktor konfirmatori dengan menggunakan software MPLUS. MPLUS merupakan software analisis yang memiliki banyak fungsi. Dia bisa menganalisis banyak hal yang terkait dengan statistik pemodelan, misalnya SEM, IRT, Multilevel atau Analisis Kelas Laten. Hampir sama seperti LISREL, MPLUS banyak menggunakan syntax dibandingkan visual dan “klik”, sehingga pengetahuan dasar mengenai kode-kode dalam MPLUS diperlukan. Meskipun demikian, dengan syntax ini pengguna dapat menghemat waktu dalam menganalisis.

Kepribadian Sehat Model Rogers: Orang yang Berfungsi Sepenuhnya (Review Buku Psikologi Pertumbuhan)

Tulisan ini sebenarnya merupakan tugas mata kuliah Psikologi Positif, yaitu untuk mereview salah satu chapter dalam buku Psikologi Pertumbuhan karya Duane Schultz (1991). Berhubung tugas ini sudah dikumpulkan dan nilai sudah keluar, dan sayang sekali kalau hanya dosen pengampu mata kuliah saja yang membacanya, maka saya copykan tulisan di sini saja, siapa tahu bisa lebih bermanfaat.

Confirmatory Factor Analysis (CFA) dengan AMOS (Part 2)

Menilai Ketepatan Model

Tujuan utama dilakukannya analisis faktor konfirmatori adalah untuk menguji model, sehingga bagian terpenting dalam analisis ini adalah estimasi Goodness of fit statistics.Kriteria ketepatan model sudah dijelaskan dalam tulisan sebelumnya pada bagian analisis faktor konfirmatori dengan LISREL, di bagian ini akan saya copy paste lagi. Untuk melihat output kita, klik view – text output. Kemudian pilih bagian model fit, maka kita akan melihat output seperti ini.

Confirmatory Factor Analysis (CFA) dengan AMOS (Part 1)

Tulisan sebelumnya telah membahas teknik analisis faktor konfirmatori / Confirmatory Factor Analysis (CFA) dengan menggunakan software LISREL. Tulisan ini akan menyajikan cara analisis faktor konfirmatori dengan menggunakan software AMOS. AMOS sendiri adalah singkatan dari Analisis of Moment Structures yang digunakan sebagai pendekatan umum analisis data dalam Model Persamaan Struktural. AMOS sendiri merupakan salah satu software berbayar yang menjadi pelengkap SPSS dalam melakukan analisis struktural. Berbeda dengan LISREL yang banyak menggunakan script, AMOS lebih mudah dipahami oleh orang awam karena penggunaan software yang berbasiskan grafik. Dengan demikian pengguna dapat dengan leluasa menggambar model sesuai dengan yang dihipotesiskan. Namun bagi sebagian orang tentu proses menggambar ini lebih memakan waktu jika dibandingkan dengan menuliskan script.

Kepribadian Sehat Model Allport: Orang yang Matang (Review Buku Psikologi Pertumbuhan)

Tulisan ini sebenarnya merupakan tugas mata kuliah Psikologi Positif, yaitu untuk mereview salah satu chapter dalam buku Psikologi Pertumbuhan karya Duane Schultz (1991). Berhubung tugas ini sudah dikumpulkan dan nilai sudah keluar, dan sayang sekali kalau hanya dosen pengampu mata kuliah saja yang membacanya, maka saya copykan tulisan di sini saja, siapa tahu bisa lebih bermanfaat.

Confirmatory Factor Analysis (CFA) dengan LISREL (Part 2)

Tulisan ini merupakan kelanjutan dari Part 1  yang sudah banyak memberikan panduan untuk melakukan input dan mulai mengnalisis data. Bagian ini akan banyak memberikan panduan dalam membaca output dan interpretasinya.

Confirmatory Factor Analysis (CFA) dengan LISREL (Part 1)

Seiring berkembangnya teknik analisis dengan SEM, semakin berkembang pula model-model pengukuran. Pada dasarnya, SEM menggabungkan antara model pengukuran dan model struktural untuk melihat hubungan antar variabel. Pengujian model dengan Confirmatory Factor Analysis (analisis faktor konfirmatori) hanya dilakukan untuk mengetahui model pengukuran dan bukan untuk megetahui hubungan antar variabel laten (Byrne, 1998). Tujuan CFA adalah untuk mengidentifikasi model yang tepat yang menjelaskan hubungan antara seperangkat item-item dengan konstrak yang diukur oleh item tersebut. Model pengukuran memiliki ketepatan model yang baik ketika item-item yang dilibatkan mampu menjadi indikator dari konstrak yang diukur yang dibuktikan dengan nilai eror pengukuran yang rendah dan loading factor komponen yang tinggi. Model ini diperoleh berdasarkan kajian teoritis yang sudah kuat. Berbeda dengan Exploratory Factor Analysis (EFA) dimana peneliti ingin melihat jumlah faktor dari data empiris yang diperoleh, CFA justru sudah menetapkan jumlah faktor dari kajian teoritis, sehingga tujuan analisis hanyalah untuk konfirmasi apakah model pengukuran yang diajukan sesuai dengan data.

Perbedaan Adaptasi, Modifikasi, dan Konstruksi Skala

Ada tiga istilah yang sering kita dengar dalam proses penyusunan skala, yakni adaptasi, modifikasi, dan konstruksi. Beberapa orang sering menganggap sama arti dari ketiga istilah ini, sedangkan beberapa menganggap berbeda namun dengan pengertian yang masih tidak jelas. Beberapa literatur dalam bahasa Indonesia juga sedikit sekali yang membahas ketiga istilah ini. Beberapa dosen ada yang cukup strict dengan penggunaan istilah ini, maka bersiap-siap saja kena tegur saat ujian jika kita mengatakan adaptasi skala tapi kita menambahkan item-item buatan kita sendiri.

Icip-icip Belajar Coding R di DataCamp

Bagi yang belum berkenalan dengan R, silakan berkenalan dulu di sini. Secara ringkas, R ini adalah salah satu software olah data open source. Meskipun gratis, R cukup powerful dan berkembang cukup pesat di kalangan pegiat olad data. Beberapa ahli masih terus bergotong-royong mengembangkan package dalam R hingga saat ini. Meskipun demikian, R mungkin masih nampak asing bagi kita yang sudah terbiasa dengan SPSS karena bahasa yang digunakan lebih banyak menggunakan bahasa pemrograman, tidak seperti SPSS yang tinggal klik. Namun, tenang saja, banyak script R ini tersebar di internet, jadi kita tidak perlu lagi membuat sendiri, tinggal cari saja di google apa kebutuhan kita.

Diskusi Seputar Try Out Terpakai

Permasalahan try out terpakai atau uji coba terpakai memang masih menjadi perdebatan dalam metodologi penelitian, terutama di bidang ilmu sosial. Apa itu sebenarnya try out terpakai? Sebelumnya, mari kita refresh sejenak terkait dengan langkah-langkah pokok dalam penelitian. Secara garis besar, semua penelitian ilmu sosial akan melalui tahapan ini: 1) identifikasi masalah, 2) menyusun landasan teori dan hipotesis, 3)  menentukan variabel, 4) menyusun instrumen penelitian, 5) sampling, 6) pengambilan data, 7) analisis data, dan 8) menulis laporan.

Mengubah Skor ke Bentuk Skor Standar (Z-Score) dan Skor Terstandar T (T-Score) di SPSS

Skor standar (standard-scores) adalah skor mentah yang telah diubah menjadi bentuk lain berdasarkan penyimpangannya dari harga mean dan dinyatakan dalam satuan deviasi standar yang (Azwar, 2015). Skor standar dinyatakan dalam Z-Score dengan distribusi skor baru yang memiliki mean sama dengan 0 dan deviasi standar sama dengan 1. Apa kegunaan dari Z score ini? Dalam skoring, penggunaan z-score ini berguna bila jumlah item antara satu aspek dengan aspek yang lain tidak sama, padahal secara teoritis aspek tersebut memiliki bobot yang sama besar. Z score juga berperan jika kita hendak membandingkan prestasi dua kelompok yang diberikan tes dengan jumlah item berbeda. Semisal si A mampu mengerjakan 8 soal dari 10 soal yang diberikan, sedangkan si B mampu mengerjakan 8 soal dari 20 soal yang diberikan. Meskipun skor mentah keduanya sama-sama 8, tapi karena jumlah item tersebut berbeda, maka perbandingan dengan skor mentah saja tidak dapat dilakukan. Oleh karena itu diperlukan transformasi ke bentuk z-score.

Berapa Jumlah Rater dan Nilai Minimal yang Dapat Diterima pada Uji Validitas Isi?

Salah satu prosedur utama yang digunakan dalam validasi sebuah alat ukur adalah dengan cara validitas isi. Validitas isi ini dilakukan sejak awal penyusunan tes, bukan setelah tes selesai dirancang. Validitas isi terkait dengan apakah item-item dalam tes layak mewakili komponen dari kawasan isi materi yang diukur atau sejauh mana item tersebut  sesuai dengan indikator keperilakuan dari atribut yang diukur (Azwar, 2012). Layak tidaknya suatu item ditentukan oleh hasil penilaian (judgement) yang dilakukan oleh ahli/rater berdasarkan logic. Judgement ini dapat ditingkatkan objektivitasnya jika dilakukan oleh banyak orang.

Pedoman Memilih Teknik Analisis Statistik berdasarkan Jenis Data dan Hipotesis

Pada tulisan sebelumnya telah dijelaskan jenis-jenis analisis statistik, yakni ada analisis statistik deskriptif dan inferensial. Statistik inferensial sendiri terdiri atas dua jenis, yakni parametris dan non-parametris. Tulisan sebelumnya juga telah membahas mengenai jenis-jenis data dalam penelitian kuantitatif. Meskipun semuanya berwujud angka, namun jenis data yang berbeda membawa konsekuensi yang berbeda pula terkait bagaimana kita memperlakukan data tersebut.

Uji Normalitas dengan R

Hampir semua analisis statistika parametrik memiliki asumsi normalitas. Jadi sebelum dilakukan analisis statistik, seperti analisis korelasi, regresi, t-test, atau anova, terlebih dahulu harus diuji apakah data kita normal atau tidak. Uji Normalitas dilakukan untuk memastikan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Pada dasarnya distribusi normal merupakan suatu distribusi yang menunjukkan sebaran data yang seimbang yang sebagian besar data adalah mendekati nilai mean. Kalau digambarkan dengan histrogram, akan menyerupai bentuk lonceng. Ada beberapa cara untuk menguji normalitas data, baik itu dengan visual maupun dengan analisis statistik seperti shapiro-wilk dan kolmogorov-smirnov.

Analisis Regresi Tunggal dan Berganda dengan R

Koefien korelasi hanya mampu menggambarkan kuat lemahnya hubungan dua variabel, namun tidak mampu menjelaskan hubungan sebab akibat. Analisis regresi mempelajari bentuk hubungan antara satu atau lebih variabel bebas (X) dengan satu variabel tergantung (Y). Oleh karena itu, secara umum dapat dikatakan analisis regresi merupakan kelanjutan dari analisis korelasi karena dapat menentukan daya prediksi perubahan variabel Y akibat perubahan variabel X.

Analisis Korelasi dengan R

Analisis korelasi dilakukan untuk mengetahui adanya hubungan linear antara dua variabel yang dinyatakan dalam koefisien korelasi. Koefisien korelasi adalah nilai yang menunjukan kuat/tidaknya hubungan linier antar dua variabel. Koefisien korelasi biasa dilambangkan dengan huruf r dimana nilai r dapat bervariasi dari -1 sampai +1. Nilai r yang mendekati -1 atau +1 menunjukan hubungan yang kuat antara dua variabel tersebut dan nilai r yang mendekati 0 mengindikasikan lemahnya hubungan antara dua variabel tersebut. Koefisien korelasi bisa menjadi positif maupun negatif. Nilai koefisien yang positif berarti hubungan kedua variabel tersebut berbanding lurus, artinya peningkatan variabel X bersamaan dengan peningkatan variabel Y. Sedangkan nilai koefisien yang negatif berarti hubungan kedua variabel tersebut berbanding terbalik. Peningkatan variabel X bersamaan dengan penurunan variabel Y.

Menghitung Statistika Deskriptif pada R

Tulisan ini akan membahas beberapa analisis statistik dasar yang dapat digunakan dalam RStudio, seperti analisis deskriptif dari data yang kita miliki. Pada tulisan sebelumnya kita telah mempelajari bagaimana cara mengimpor data dari file CVS, excel, dan SPSS. Data yang telah kita impor tersebut kita gunakan untuk analisis selanjutnya. Untuk memanggil kembali data kita, ketikkan kembali script setwd("C:/Users/Hanif/Google Drive/BLOGSPOT/UNTUK DIDOWNLOAD") dan perilakucsv<-read.csv("perilaku merokok.csv",header=TRUE,sep = ";") lalu kita run. Maka akan muncul data perilakucsv. Script silakan disesuaikan dengan nama file anda dan tempat menyimpan file tersebut. Jangan lupa untuk mengubah tanda back-slash (\) menjadi tanda slash (/) untuk menunjukkan lokasi file. Data ini yang akan kita gunakan di analisis selanjutnya. Data dapat didownload di sini

Melihat struktur data kita

Untuk melihat struktur data kita dan variabel apa saja yang ada di data kita, kita bisa mengetikkan script str(file). Sebagai contoh, pada file tersebut kita bisa mengetik str(perilakucsv), lalu tekan run atau ctrl+enter. Maka akan muncul tampilan di console tekan run atau ctrl+enter. Maka akan muncul tampilan di console nama variabel beserta jenisnya apakah itu factor atau angka.

Melihat Data Awal dan Akhir

Kita juga dapat meilhat data teratas dan terbawah. Untuk melihat data teratas, ketik script head(nama file). Sebagai contoh untuk data di atas, ketik head(perilakucsv), lalu run. Maka akan keluar enam data paling atas kita. Sedangkan untuk melihat enam data paling akhir, ketikan script tail(perilakucsv), lalu tekan run.

Melihat Rangkuman Statistik Data

Untuk melihat rangkuman statistik data kita, ketik summary(perilakucsv) pada script editor, lalu tekan run atau ctrl+enter. Maka akan muncul rangkuman statistik masing-masing variabel data kita mulai dari min, max, mean, median, dan mean. Jika kita menghendaki haya variabel tertentu yang ditampilkan rangkuman statistiknya, maka beri tanda dolar ($) diikuti nama variabel. Misal untuk melihat rangkuman statistik variabel perilaku ketik summary(perilakucsv$PERILAKU), lalu run.

Melihat Standar Deviasi

Untuk melihat standar deviasi salah satu variabel kita, ketikan sd(variabel). Misal kita ingin melihat standar deviasi variabel perilaku, maka ketik sd(perilakucsv$PERILAKU), lalu klik run.

Melihat Frekuensi dan Persentase Data Kategorikal

Terkadang kita membutuhkan data frekuensi dan persentase dari data kategorikal kita. Misalkan berapa persen subjek tinggal di desa A, berapa persen subjek tinggal di desa B. Untuk melihat jumlah frekuensi dan membuat tabel baru dengan data tersebut, kita bisa memakai script table(nama file)->nama baru. Misalkan kita akan melihat frekuensi alamat subjek dan membuat tabel baru dengan nama f.alamat, maka kita ketik script table(perilakucsv$Alamat)->f.alamat, lalu tekan run. Maka di environment kita sudah ada value baru yaitu f.alamat. kemudian untuk melihat isi f.alamat, ketik f.alamat lalu run. Maka akan muncul frekuensi dari alamat, yakni purbonegaran 64 dan terban 40. Untuk melihat presentase alamat tersebut, kita dapat menggunakan scrip prop.table(f.alamat), lalu run. Maka akan muncul purbonegaran 61,9% dan terban 38,1%.  

Mengimpor Data dari CSV, Excel, dan SPSS ke RStudio

Salah satu kelebihan R adalah kita dapat menggunakan data dari berbagai macam sumber, seperti SPSS, Excel, CSV, SAS, atau STATA. Tulisan ini akan membahas cara mengimpor data dari CSV, Excel, dan SPSS.

CARA PERTAMA

Memilih File

Setelah kita mengeset working directory kita, kita dapat memilih file yang akan kita impor dengan cara mengetik script di console file.choose(), lalu tekan enter. Kita akan diarahkan ke folder yang telah kita set sebagai working directory kita sebelumnya. Kemudian pilih file yang akan kita impor, lalu klik open. Misalkan pada latihan ini saya akan mengimpor file “perilaku merokok.csv”, maka saya pilih file tersebut lalu saya klik open. Data ini yang akan kita gunakan di analisis selanjutnya. Data dapat didownload di sini

Mengimpor Data dari file CSV

Setelah kita memilih file yang akan kita impor, langkah selanjutnya adalah memerintahkan R agar membaca file kita tersebut dan menampilkannya sebagai data di Environment kita. Caranya adalah ketik script nama data kita<-read.csv(file="nama file.csv", header=TRUE, sep=";"). Jadi jika kita ingin mengimpor file “perilaku merokok.csv” dan menampilkannya sebagai data dengan nama “perilakucsv”, maka kita ketik scripnya perilakucsv<-read.csv(file="perilaku merokok.csv", header=TRUE, sep=";"). Untuk header silakan diubah menjadi FALSE jika memang data kita tidak memiliki header, dan sep silakan diubah menjadi “,” jika pemisah data kita adalah koma. Setelah mengetik script tersebut silakan tekan enter dan akan muncul data baru di enviromnet kita.

Untuk meilhat data yang barusan kita impor dapat diketikan scrip View(perilakucsv) atau bisa juga dengan mengkik data yang ada di enviromnet di kotak kanan atas.

Mengimpor Data dari File Excel

Untuk dapat mengimpor file dari excel, kita harus mengaktifkan library (readxl) terlebih dahulu. Caranya dengan menulis script berikut library(readxl). Jika library belum bisa diaktifkan, kemungkinan besar kita belum menginstall packages libraru tersebut. Untuk dapat mengintal packages readxl tuliskan script install.packages(“readxl”). Baru setelah itu kita aktifkan library(readxl).

Untuk mengimpor file dari laptop kita ke R ketik script nama data baru<-read_excel(“nama file”). Jadi sebagai contoh jika kita ingin mengimpor file “perilaku merokok excel.slsx” dan ingin membuat data “perilakuxl” maka kita buat script perilakuxl<-read_excel(“perilaku merokok excel.xlsx”). untuk melihat data kita, tuliskan View(perilakuxl).

Mengimpor Data dari File SPSS

Untuk dapat mengimpor file dari SPSS, kita harus mengaktifkan library (foreign) terlebih dahulu. Caranya dengan menulis script berikut library(foreign). Jika library belum bisa diaktifkan, kemungkinan besar kita belum menginstall packages libraru tersebut. Untuk dapat mengintal packages foreign tuliskan script install.packages(“foreign”). Baru setelah itu kita aktifkan library(foreign).

Untuk mengimpor file dari laptop kita ke R ketik script nama data baru<-read.excel(“nama file”, to.data.frame=TRUE). Jadi sebagai contoh jika kita ingin mengimpor file “perilaku merokok spss.slsx” dan ingin membuat data “perilakuspss” maka kita buat script perilakuspss<-read.spss(“perilaku merokok spss.sav”, to.data.frame=TRUE). untuk melihat data kita, tuliskan View(perilakuspss).

CARA KEDUA

Cara kedua untuk impor dataset ke R adalah dengan menu yang sudah tersedia di R Studio. Menu itu bisa dipilih di kotak kanan atas, klik import dataset, kemudian pilih file apa yang hendak kita masukan. Jika sudah, silakan browse dan pilih di folder mana kita meletakkan file tersebut. Untuk dapat mengimpor dengan menu ini juga diperlukan packages, namun jika kita belum memiliki maka R Stusio akan secara otomatis mendownload di CRAN dan mengintallnya. Pastikan laptop kita terkoneksi dengan internet. Khusus untuk file CSV, kita harus memperhatikan format data kita, apakah pemisahnya menggunakan koma atau titik koma (semicolon). Jika menggunakan titik koma, maka pada tab delimiter, silakan ganti dengan semicolon. Cara kedua ini lebih mudah dan lebih praktis digunakan untuk yang belum terbiasa menuliskan script.

Mengenal Tampilan dan Menginstall Packages Dasar RStudio

R studio merupakan program open source yang digunakan untuk melengkapi R Statistics. Dengan adanya R Studio, tampilan akan lebih menarik dan lebih memudahkan karena R Studio mampu memberikan instruksi-instruksi terkait penulisan script atau kesalahan penulisan script. Untuk menginstal R Studio sudah dijelaskan di tulisan sebelumnya. Tulisan ini akan memberikan pengenalan tampilan dalam R Studio berserta masing-masing fungsinya serta bagaimana menginstall packages ke dalam R Studio.

Tampilan R Studio

Secara umum, tampilan R Studio akan terbagi menjadi empat kotak, yakni: 1) Script editor, 2) Console editor, 3) Workspace dan History, 4) Files, Plot, Packages, dan help. Jika kita pertama kali menginstall R Studio biasanya kotak Script editor belum muncul. Untuk memunculkan script editor kita klik file – new file – R Script.

Script editor

Meruakan tempat untuk menuliskan kode/instruksi/komentar R agar dapat tersimpan dalam file. Semua script yang dituliskan di kotak script editor ini akan tetap tersimpan meskipun kita menutup tanpa menyimpan

Console Editor

Merupakan tempat untuk menjalankan perintah (Run) dari instruksi atau kode R yang ditulis. Hampir sama seperti di script editor, namun tidak akan tersimpan secara otomatis. Selain itu hasil output semua analisis juga akan muncul di console editor ini

Workspace dan Histroy

Tab workspace menampilkan seluruh obyek yang aktif, seperti data kita atau value yang kita tentukan. Tab history menampilkan urutan perintah (list of commands) yang telah dijalankan

Files, Plot, Packages, Help

Tab files menampilkan seluruh file dan folder.

Tab plots akan menampilkan seluruh grafik.

Tab packages akan menampilkan listing packages atau add-ons yang diperlukan agar program berjalan dengan baik

Tab help menampilkan penjelasan yang lengkap dan komprehensif apabila ada instruksi (code) yang tidak jelas, dilengkapi contohnya.

Setting Working Directory

Tahap awal yang penting untuk dilakukan sebelum kita memulai menggunakan R Studia adalah menentukan lokasi di folder mana kita akan bekerja, mendapatkan, dan menyimpanfile kita. Cara menentukan  working directory kita adalah dengan klik session – set working directory – choose directory. Kemudian pilih folder mana yang akan kita gunakan. Misalkan kita menyimpan file di "C:/Users/Hanif/Google Drive/BLOGSPOT", maka pada console editor akan muncul tulisan seperti ini: setwd("C:/Users/Hanif/Google Drive/BLOGSPOT"). Kita juga dapat langsung mengetikkan script tersebut di console, maka hasilnya akan sama saja.

Untuk melihat dile apa saja yang ada dalam working directory kita, kita bisa mengetikkan perintah dir() lalu tekan enter. Maka akan muncul seperti ini

Itu adalah isi dari folder yang kita tentukan tadi.

Menginstall Packages

Packages merupakan fitur-fitur yang ada dalam R Studio yang digunakan untuk melakukan analisis atau menampilkan sesuatu. Masing-masing packages memiliki fungsinya masing-masing. Packages ini dikembangkan oleh para ahli dari seluruh duni dan masih terus berkembang hingga saat ini. Terhitung jumlah packages yang ada saat ini kurang lebih 7000 packages.

Untuk menginstall packages, ketik di console editor install.packages("nama packages"), lalu tekan enter. Maka R Studio secara otomatis akan mendownload dan menginstall packages tersebut dari website CRAN. Untuk menginstall packages tersebut kita wajib terhubung dengan internet. Setelah packages selesai terinstall kita dapat menjalankannya dalam R dengan mengetik script library(nama packages) pada console editor, lalu tekan enter.

Sebagai contoh, apabila kita ingin R Studio kita mampu membaca file dengan format SPSS, maka kita membutuhkan library foreign. Oleh karena itu, sebelum kita mengaktifkannya kita perlu menginstal dengan mengetik script install.packages("foreign"). Setelah semua selesai terinstall, maka kita bisa mengaktifkannya dengan mengetik script library(foreign).

Selain packages foreign yang berfungsi membaca file SPSS, masih banyak packages lain seperti untuk membaca file excel, menampilkan grafik, analisis item, dll. Beberapa packages lain yang wajib dimiliki sebagai dasar penggunaan R Studio dapat dilihat disini. Beberapa packages lainnya dapat dicari dengan mudah di google. 

Berkenalan dengan R Statistics: Software Olah Data Gratis

Secara umum ada dua maca software analisis data, yakni software komersil dan software open source atau freeware. Software komersil itu diantaranya adalah SPSS, AMOS, LISREL, WINSTEP. Software analisis data yang komersil memerlukan lisensi dengan harga yang relatif mahal untuk sebagian besar pengguna di Indonesia. Dengan demikian, salah satu alternatif penyelesaian dari mahalnya lisensi tersebut adalah melalui penggunaan freeware statistik, khususnya R. 

R merupakan software yang digunakan untuk melakukan olah data yang merupakan hasil gotong royong ilmuwan di bidang olah data. Kenapa gotong royong? Karena pengembangan software ini sendiri dilakukan oleh semua orang yang ingin membagikan ilmunya secara gratis. Para ahli dari seluruh dunia bergotong-royong mengembangkat packages yang sangat bervariasi fungsinya, mulai dari analisis statsitika dasar, tampilan grafik dan diagram, hingga analisis item dan tes yang sering digunakan dalam bidang psikometrika. Meskipun gratis, tapi kemampuan yang dimiliki oleh R tidak bisa dianggap remeh. Justru R menyajikan alat analisis yang jaug lebih komprehensif dibandingkan software berbayar seperti SPSS, AMOS, LISREL, WINSTEP, dll. R memiliki kemampuan menganalisis data dengan sangat efektif dan dilengkapi dengan operator pengolahan array dan matriks. Hebatnya lagi R memiliki kemampuan penampilan grafik yang sangat baik. Meskipun demikian, software ini masih kalah populer di Indonesia karena memang bahasa yang digunakan cukup sulit bagi orang yang tidak terbiasa dengan penggunaan syntax. Meskipun demikian, seiring meningkatkan kesadaran untuk menggunakan software orisinil dan powerful, prospek penggunaan R Statistics yang merupakan software open source di masa depan ini dirasa sangat baik, apalagi jika melihat perkembangannya yang begitu pesat.

Kelebihan R

• Gratis. Pengguna dapat mengunduh secara gratis di web pengembang, serta mendowloat paket-paket yang dibutuhkan sesuai jenis analisis dengan gratis
• Dapat digunakan di berbagai sistem operasi baik itu di Windows, Mac, ataupun Linux
• Alat analisis sangat lengkap dan masih terus berkembang
• Kualitas grafik yang sangat baik dan bervariasi baik 2 dimensi maupun 3 dimensi
• Banyak komunitas R di dunia yang menyediakan informasi terupdate seputar penggunaan R dan analisis data. Jadi jika kita memiliki kesulitan terkait penggunaan R atau analisis data, kita tinggal googling saja dan akan banyak forum yang menyediakan jawabannya.

Kelemahan R

• Bahasa pemrograman kurang familiar bagi orang awam. Satu kesalahan sedikit saja (misal salah satu huruf) membuat analisis tidak bisa dijalankan. Bagi yang sudah terbiasa dengan SPSS atau AMOS yang banyak menggunakan “klik” mouse, bahasa R mungkin agak sedikit sulit dipahami karena lebih banyak menggunakan syntax, meskipun beberapa pengembangan sudah banyak yang menciptakan mirip seperti SPSS.
• Memakan banyak memory di komputer sehingga membuat lambat komputer
• Beberapa packages memiliki kualitas kurang memuaskan

Menginstal R

Untuk dapat menginstal R, kita dapat mendownloadnya terlebih dahulu di https://cran.r-project.org/ . Segala informasi terkait dengan R juga ada di website tersebut, baik itu buku manual, jurnal, packages, maupun pertanyaan-pertanyaan seputar R. Silakan download sesuai dengan sistem operasi yang laptop anda gunakan. Setelah R sudah terdownload, silakan instal pada laptop anda, tinggal ikuti saja petunjuk pengintalan yang ada, sama seperti kita menginstal software biasa. Jika instal sudah selesai anda sudah bisa menggunakan R.

Untuk lebih memudahkan tampilan R, sudah dikembangkan R Studio. Prinsip kerjanya sama dan tampilan GUI lebih menarik. R Studio akan memberikan kemudahan bagi pemakai R sehingga mereka dapat menjalankan program R dengan lebih menyenangkan karena R Studio memberikan informasi instruksi-instruksi apa saja yang harus dilakukan. R Studio juga merupakan program open source, kita dapat mendowloadnya di https://www.rstudio.com/, kemudian pilih download R Studio. Untuk mengintsal kita tinggal mengikuti pentunjuk saja, sama seperti mengintal software pada umumnya. Sebelum mengintal R Studio, pastikan R sudah terinstal di laptop kita. Jadi jika diibaratkan R adalah mesinnya, otaknya, maka R Studio adalah casing atau tubuh yang memudahkan kita dalam menjalankan mesin tersebut. Di web tersebut juga terdapat beberapa penjelasan dan download packages yang memiliki grafik yang menarik.

Peranan Statistik dalam Penelitian

Penelitian dan statistik memang tidak akan bisa dipisahkan. Meskpun ada jenis penelitian lain yang tidak membutuhkan peranan statistika yang dominan (penelitian kualitatif), namun untuk bisa menghasilkan kesimpulan yang bisa digeneralisasikan ke populasi yang lebih luas diperlukan ilmu statistika. Penelitian yang demikian merupakan penelitian kuantitatif dengan paradigma positivistik, yakni suatu gejala itu adalah nyata jika bisa dilihat, diukur, dan diklasifikasikan. Sebelum kita membahas lebih lanjut mengenai peran statistika dalam penelitian, mari kita cermati terlebih dahulu proses penelitian.

Proses Penelitian Kuantitatif

Penelitian kuantitatif merupakan penelitian yang dilakukan dengan cara ilmiah, sehingga langkah-langkahnya sistematis. Penelitian dimulai dengan mengidentifikasi adanya masalah. Masalah merupakan gap atau perbedaan antara apa yang diharapkan dengan apa yang terjadi. Masalah ini yang akan dipecahkan peneliti dengan melakukan proses penelitian. Pemecahan masalah dimulai dengan teori yang diajukan oleh peneliti. Tentu saja dalam merumuskan teori peneliti tidak sembarangan, harus berdasarkan temuan-temuan atau teori-teori yang sudah ada sebelumnya. Teori dari peneliti inilah yang disebut hipotesis, atau teori yang masih lemah karena belum diuji keberanannya. Hipotesis baru jawaban sementara dari permasalahan yang ingin dipecahkan peneliti. Proses penelitian selanjutnya adalah mengumpulkan fakta-fakta di lapangan untuk membuktikan apakah teori sementara yang diajukan peneliti tersebut benar atau salah.

Objek sasaran penelitian biasanya adalah masyarakat secara umum. Karena anggota dari populasi masyarakat itu sangat luas, makanya peneliti memilih sampel yang bisa merepresentasikan keadaan dari populasi. Asumsi dari pengumpulan data ini adalah bahwa kondisi sampel yang ada menggabarkan kondisi dari populasi, sehingga hasil temuan dari sampel dapat digeneralisasikan ke populasi. Untuk mendapatkan data juga diperlukan suatu instrumen yang teruji validitas dan reiabilitasnya. Setelah data sudah terkumpul, barulah data tersebut diolah dan disajikan sesuai kebutuahan peneliti dalam rangka membuktikan apakah hipotesis yang diajukan di awal terbukti atau tidak.Peran statistik sangat vital dalam hal ini karena valid atau tidaknya kesimpulan yang kita hasilkan tergantung dari bagaimana kita memperlakukan data yang ada. Setelah diketahui hasil analisis statistiknya langkah selanjutnya adalah menjelaskan dinamika dan menuliskan laporan secara umum. Secara ringkas, proses penelitian kuantitatif dapat dilihat pada bagan di bawah.

Peran Statistik dalam Penelitian

Setelah mengetahui proses dari penelitian secara umum, kita dapat membayangkan kira-kira pada bagian apa statistika dibutuhkan. Secara umum statistika dibutuhkan dalam empat tahap penelitian yakni:

1.  Penentuan sampel. Statistik diperlukan untuk menghiung berapa jumlah sampel yang diperlukan agar merepresentasikan populasi.

2.    Mengumpulkan data. Dalam pengumpulan data diperlukan suatu instrumen yang valid dan reliabel. Statistik berperan dalam menguji apalah instrumen yang digunakan sudah valid dan reliabel

3.    Menyajikan data. Dalam menyajikan data yang begitu banyak, diperlukan suatu teknik agar data tersebut lebih interaktif dan mudah dipahami oleh orang awam, misalnya dengan dibikin tabel atau diagram.

4.    Analisis data. Tentu saja kegunaan utama statistik adalah untuk analisis data dalam menguji hipotesis. Dalam hal ini ada beberapa teknik yang digunakan, seperti regresi, anova, SEM, dll.

Macam-macam statistik

Statistik dalam arti yang luas berarti alat untuk analisis dan alat untuk membuat keputusan. Sebagai alat, statistik punya beberapa macam yang dapat digunakan sesuai dengan kebutuhan. Secara umum statistik dibagi atas dua, yait statistik deskriptif dan statistik inferensial. Statistik deskriptif adalah statistik yang digunakan untuk menggambarkan atau menganalisis data penelitian namun tidak digunakan untuk generalisasi/inferensi. Sedangkan jika peneliti ingin membuat kesimpulan atau generalisasi dari hasil temuan pada sampel penelitian ke populasi, maka statistik yang dipakai adalah statistik inferensial. Statistik iferensial sendiri terbagi atas dua jenis, yakni statistik parametrik dan non-paramaterisk. Statistik paramaterik digunakan untuk menganalisis data interval dan rasio dengan distribusi normal, misalnya adalah korelasi product moment, regresi, anova, t-tes, dll. Sedangkan statistik non-parametrik digunakan untuk menganalisis data nominal dan ordinal dengan distribusi bebas, misalnya chi square, man whitney U test, kriskal-wallis, dll. Adanya berbagai macam statistik ini perlu diketahui agar peneliti dalam memperlakukan data penelitian tidak salah, sehingga dihasilkan kesimpulan yang menyesatkan.

Referensi

Sugiyono. (2006). Statistika untuk Penelitian. Bandung: Alfabet