Panduan Statistika: Dari Skala Data ke Bab Hasil

Hampir semua keputusan di statistika berawal dari satu pertanyaan: variabel ini diukur dengan skala apa? Stevens membagi tingkat pengukuran menjadi empat. Skala nominal berisi kategori tanpa urutan, seperti jenis kelamin, daerah asal, atau program studi. Skala ordinal berisi kategori berurutan, seperti tingkat kepuasan rendah, sedang, dan tinggi. Skala interval berisi angka dengan jarak setara tanpa titik nol mutlak, misalnya suhu dalam Celsius. Skala rasio punya titik nol yang bermakna, seperti berat badan, penghasilan, atau lama belajar dalam menit.

Kesulitan paling sering muncul pada data kuesioner. Satu butir Likert dengan pilihan 1 sampai 5 secara teknis bersifat ordinal, karena jarak antara pilihan setuju dan sangat setuju belum tentu sama dengan jarak antara netral dan setuju. Banyak penelitian menjumlahkan beberapa butir menjadi skor total lalu memperlakukannya sebagai data numerik. Keputusan itu perlu dicatat dan dibicarakan dengan pembimbing, sebab ia menentukan apakah analisis berikutnya memakai rata-rata atau peringkat. Untuk skor gabungan, uji validitas butir dan reliabilitas, misalnya koefisien Cronbach's alpha, biasanya dijalankan lebih dulu.

Untuk tahap pengukuran, alat latih paling ampuh berupa tabel dua kolom: nama variabel di kiri, skalanya di kanan, ditambah alasan satu kalimat. Ambil kuesioner apa saja, dari survei kepuasan kantin sampai instrumen penelitian sendiri, lalu isi tabel itu tanpa membuka catatan. Tahap skala data dianggap tuntas begitu pembelajar mampu menjelaskan kenapa nomor induk mahasiswa termasuk data nominal walaupun ditulis dengan angka.

Jembatan dari statistika deskriptif ke statistika inferensial adalah peluang. Di SMA, materinya meliputi ruang sampel, kejadian, permutasi, kombinasi, dan peluang kejadian majemuk. Di bangku kuliah, peluang berkembang menjadi distribusi: distribusi binomial untuk menghitung banyaknya keberhasilan dari sejumlah percobaan, dan distribusi normal untuk data kontinu yang berbentuk lonceng simetris di sekitar rata-ratanya.

Distribusi normal punya pola yang perlu dipahami betul. Sekitar 68 persen data berada dalam satu simpangan baku dari rata-rata, sekitar 95 persen dalam dua simpangan baku, dan sekitar 99,7 persen dalam tiga simpangan baku. Skor z mengubah nilai mentah menjadi jarak dari rata-rata dalam satuan simpangan baku, sehingga nilai dari dua tes yang skalanya berbeda bisa dibandingkan. Teorema limit pusat kemudian menjelaskan alasan banyak uji bekerja: rata-rata dari sampel yang cukup besar cenderung berdistribusi mendekati normal, meskipun data aslinya condong. Patokan kasar yang sering dipakai adalah ukuran sampel sekitar 30.

Konsep ini paling mudah dipegang lewat simulasi. Di R atau di lembar kerja, ambil 1.000 sampel acak berukuran 5, lalu berukuran 30, dari data yang condong, hitung rata-rata setiap sampel, dan buat histogram dari kumpulan rata-rata itu. Perubahan bentuknya terlihat jelas di layar. Pembelajar sudah menguasai bagian ini ketika ia bisa menjelaskan kenapa simpulan tentang populasi boleh ditarik dari sebuah sampel, lengkap dengan batas ketidakpastiannya.

Nilai p adalah peluang memperoleh data seekstrem yang teramati, atau lebih ekstrem lagi, seandainya H0 benar. Di output SPSS angka ini tercantum di kolom Sig. Keputusannya sederhana: ketika p lebih kecil dari alfa yang sudah ditetapkan, biasanya 0,05 untuk penelitian sosial dan ekonomi, H0 ditolak. Ketika p sama dengan atau lebih besar dari alfa, peneliti gagal menolak H0. Bidang yang menuntut ketelitian lebih tinggi kadang memakai alfa 0,01.

Bagian ini menyimpan beberapa miskonsepsi yang kerap ditanyakan penguji. Nilai p mengukur seberapa janggal data seandainya H0 benar, sedangkan peluang benarnya H0 sendiri berada di luar jangkauan uji ini. Nilai p 0,04 berarti bukti sudah melewati ambang 0,05, dan besarnya pengaruh dibaca dari ukuran efek. Hasil yang tidak signifikan berarti bukti belum cukup, sehingga istilah yang tepat adalah gagal menolak H0. American Statistical Association pada 2016 menerbitkan pernyataan khusus tentang batas makna nilai p, dan rujukan itu layak dibaca sekali sebelum menulis Bab 4.

Dua jenis kesalahan keputusan melengkapi gambaran ini. Kesalahan Tipe I adalah menolak H0 yang sebenarnya benar, dan peluangnya sama dengan alfa. Kesalahan Tipe II adalah gagal menolak H0 yang sebenarnya salah, dan peluangnya ditekan dengan memperbesar sampel. Kekuatan uji (power) sama dengan satu dikurangi peluang Kesalahan Tipe II, dan Cohen menyarankan power minimal 0,80. Karena itu analisis power, misalnya dengan G*Power, sering dipakai untuk menentukan ukuran sampel di bab metode.

Uji parametrik seperti uji t, ANOVA, dan korelasi Pearson mengandaikan data numerik yang menyebar mendekati normal dan ragam antar kelompok yang relatif setara. Normalitas umumnya diperiksa dengan Shapiro-Wilk untuk sampel kecil sampai sedang, atau dengan Kolmogorov-Smirnov, dan nilai signifikansi di atas 0,05 menandakan sebaran tidak menyimpang berarti dari normal. Kesamaan ragam diperiksa dengan uji Levene. Di output uji t sampel bebas SPSS, hasil Levene menentukan baris mana yang dibaca: equal variances assumed atau equal variances not assumed.

Ketika asumsi gagal, terutama pada sampel kecil, setiap uji utama punya padanan non-parametrik. Mann-Whitney menggantikan uji t sampel bebas, Wilcoxon menggantikan uji t berpasangan, Kruskal-Wallis menggantikan ANOVA satu arah, dan Spearman menggantikan korelasi Pearson. Uji-uji ini bekerja dengan peringkat, sehingga lebih tahan terhadap pencilan dan cocok untuk data ordinal seperti butir Likert tunggal. Q-Q plot melengkapi uji formal: titik yang mengikuti garis diagonal menunjukkan sebaran mendekati normal. Pada sampel yang sangat besar, uji normalitas bisa signifikan karena penyimpangan kecil, sehingga grafik ikut dipertimbangkan.

Latihannya berupa dua jalur untuk satu dataset. Jalankan uji t dan Mann-Whitney pada data yang sama, bandingkan kesimpulannya, lalu tulis paragraf singkat tentang jalur yang dipilih beserta alasannya. Hasil uji asumsi dicantumkan di bab metode atau lampiran. Pembelajar siap ketika ia bisa membaca Q-Q plot dan output Levene, lalu menentukan jalur analisis dengan yakin.

Perangkat lunak mengerjakan hitungan, dan keputusan analisis tetap dipegang pembelajar. JASP dan Jamovi gratis, berbasis klik, dan tabel hasilnya rapi untuk laporan. SPSS banyak dipakai di kampus dan umumnya berlisensi. R gratis dan paling luwes, dengan kurva belajar yang lebih menanjak karena analisis ditulis sebagai perintah. Panduan belajar statistika untuk skripsi di hub ini memberi saran yang jelas: pilih satu alat dan kuasai sampai lancar sebelum mencoba alat lain.

Alur kerja yang sehat dimulai dari data yang rapi: satu baris per responden, satu kolom per variabel, nama variabel singkat tanpa spasi, dan kode kategori yang tercatat di lembar keterangan. Sesudah itu urutannya tetap untuk setiap penelitian: bersihkan data dan periksa nilai yang hilang, jalankan statistik deskriptif, periksa asumsi, jalankan uji utama, lalu ekspor tabelnya. Simpan langkah tiap analisis dalam catatan atau berkas sintaks agar analisis bisa diulang tanpa mengingat dari nol. Di R, berkas skrip itu sekaligus menjadi catatan lengkapnya.

Kajian Dunlosky dan rekan pada 2013 menempatkan latihan berjarak dan latihan mengingat aktif sebagai teknik belajar dengan dukungan bukti terkuat. Untuk statistika, bentuknya berupa tiga sesi pendek per minggu, masing-masing satu analisis kecil, ditutup dengan menjelaskan hasilnya dengan suara sendiri tanpa melihat catatan. Mulailah memakai data contoh jauh sebelum data penelitian terkumpul. Artikel panduan memperkirakan rentang sekitar 6 sampai 10 minggu untuk membangun kemampuan statistika terapan dengan pola ini, bergantung pada bekal awal dan kerumitan analisis. Kecemasan statistika, yang menurut Onwuegbuzie dan Wilson dialami sebagian besar mahasiswa pascasarjana, juga lebih mudah dikelola ketika materi dipecah kecil seperti ini.