Lab #11 ยท firmansyarifuddin.id
Bukalah sepuluh skripsi yang sama-sama menggunakan skala Likert. Kemungkinan besar Anda akan menemukan sepuluh cara analisis yang berbeda.
Ada yang berhenti pada distribusi persentase. Ada yang menjumlahkan seluruh skor menjadi skor total. Ada yang menghitung rata-rata, lalu memasukkannya ke dalam kategori “rendah”, “sedang”, atau “tinggi”. Ada pula yang langsung melompat ke uji statistik.
Pertanyaan yang wajar kemudian muncul: mana yang benar?
Jawaban yang jujur adalah tidak ada satu cara yang diwajibkan.
Sayangnya, jawaban ini sering disalahpahami. Banyak orang lalu menyimpulkan bahwa semua cara boleh digunakan kapan saja. Padahal memilih analisis bukan seperti mengambil makanan di prasmanan. Kita tidak memilih yang paling menarik, melainkan yang paling sesuai dengan pertanyaan penelitian.
Sebelum memilih cara analisis, ada dua pertanyaan yang harus dijawab lebih dahulu.
Dua gerbang sebelum memilih
Pertanyaan pertama sederhana.
Apakah yang sedang Anda analisis adalah satu item, atau skor gabungan dari beberapa item?
Ini bukan pertanyaan kecil. Inilah pembedaan yang sudah kita bahas pada tulisan sebelumnya: Rensis Likert tidak pernah bermaksud satu pertanyaan berdiri sendiri menjadi ukuran sikap. Yang ia usulkan adalah menggabungkan beberapa item menjadi satu skor yang lebih stabil.
Pertanyaan kedua tidak kalah penting.
Apakah Anda memperlakukan data tersebut sebagai ordinal, atau sebagai interval? Dan yang lebih penting lagi, apakah Anda sadar sedang membuat pilihan itu?
Kalau dua pertanyaan ini dijawab dengan jujur, pilihan analisis akan menyempit dengan sendirinya. Yang tadinya tampak seperti lima atau enam kemungkinan, biasanya tinggal satu atau dua yang benar-benar sesuai.
Kalau dua pertanyaan ini dilewati, Anda tetap bisa memilih metode analisis. Hanya saja Anda memilih dengan mata tertutup.
Mari kita lihat mengapa.
Dua puskesmas yang terlihat sama
Bayangkan kita mengukur kepuasan terhadap waktu tunggu di dua puskesmas. Masing-masing diisi oleh sepuluh pasien dengan skala 1 sampai 5.
| Puskesmas | Jawaban sepuluh pasien |
|---|---|
| A | 1, 3, 3, 3, 3, 3, 3, 3, 3, 5 |
| B | 1, 1, 1, 1, 1, 5, 5, 5, 5, 5 |
Kalau dihitung, hasilnya mengejutkan.
- Jumlah skor keduanya sama-sama 30.
- Rata-ratanya sama-sama 3,0.
- Mediannya juga sama-sama 3.
Kalau laporan penelitian berhenti di sini, kedua puskesmas itu tampak tidak berbeda.
Padahal kenyataannya sangat berbeda.
Di Puskesmas A, hampir semua pasien merasa biasa saja. Hanya satu orang yang sangat puas dan satu orang yang sangat tidak puas.
Di Puskesmas B, tidak ada seorang pun yang merasa biasa saja. Separuh pasien sangat kecewa, separuh lainnya sangat puas.
Bayangkan Anda adalah kepala dinas kesehatan. Dua laporan sampai di meja Anda, dan keduanya hanya menampilkan angka 3,0. Sangat mungkin Anda menyimpulkan bahwa kedua puskesmas memiliki kondisi yang sama.
Padahal salah satunya sedang menyimpan masalah besar.
Simpan contoh ini. Ia akan menemani kita menilai setiap pendekatan analisis yang biasa digunakan pada data Likert.
Pendekatan 1: distribusi dan persentase
Yang paling sering dianggap paling sederhana, padahal justru paling jujur. Kita cukup melaporkan berapa persen yang menjawab 1, 2, 3, 4, dan 5.
Untuk puskesmas B, laporan itu langsung berteriak: 50 persen sangat tidak puas, 50 persen sangat puas, tidak ada yang di tengah. Tidak ada pendekatan lain di daftar ini yang bisa menangkap kenyataan itu secepat ini.
Pendekatan ini selalu sah, apa pun jawabanmu di dua gerbang tadi, karena ia tidak mengandaikan apa pun tentang jarak antar-angka. Kelemahannya, ia jadi merepotkan kalau itemmu banyak. Tapi untuk item tunggal, ini seharusnya jadi bawaan wajib, bukan pelengkap.
[GAMBAR: dua batang bertumpuk berdampingan, puskesmas A dan B, dengan proporsi jawaban 1 sampai 5. Di bawah keduanya ditulis angka rata-rata yang sama, 3,0]
Pendekatan 2: modus dan median
Kalau kamu butuh satu angka ringkas untuk satu item tunggal, inilah yang sah secara level pengukuran. Modus memberi tahu jawaban terbanyak, median memberi tahu titik tengah urutan.
Tapi lihat contoh kita. Median A dan B sama-sama 3. Modus A adalah 3, sedangkan B punya dua puncak, di 1 dan di 5. Modus berhasil membunyikan alarm, median tidak. Pelajarannya, ukuran pemusatan apa pun tetap meringkas, dan meringkas selalu berarti membuang. Karena itu pendekatan ini sebaiknya tidak berdiri tanpa pendekatan pertama.
Pendekatan 3: skor total
Inilah yang Likert maksud sejak awal. Beberapa item yang mengukur konsep yang sama dijumlahkan menjadi satu skor per responden. Empat item dengan rentang 1 sampai 5 menghasilkan skor 4 sampai 20.
Boone dan Boone pada 2012 membuat pembedaan yang sangat berguna di sini, yaitu antara menganalisis Likert item dan menganalisis Likert scale. Item tunggal ditangani sebagai ordinal, dengan modus dan sebaran. Skor gabungan boleh diperlakukan lebih longgar, dengan rata-rata dan simpangan baku.
Jadi pendekatan ini bukan sekadar pilihan analisis. Ia keputusan yang dibuat jauh sebelumnya, saat kamu merancang kuesioner. Kalau instrumenmu memang hanya punya satu item per konsep, pintu ini tertutup, dan tidak ada teknik analisis yang bisa membukanya belakangan.
Pendekatan 4: rata-rata dan rentang skala
Ini yang paling populer di skripsi Indonesia, dan yang paling perlu kita periksa.
Caranya begini. Hitung rentang, yaitu 5 dikurangi 1 sama dengan 4. Bagi lima kategori, dapat 0,8. Lalu lahirlah tabel yang sangat familiar: 1,00 sampai 1,80 sangat rendah, 1,81 sampai 2,60 rendah, 2,61 sampai 3,40 sedang, 3,41 sampai 4,20 tinggi, 4,21 sampai 5,00 sangat tinggi.
Sekarang jalankan puskesmas kita. Keduanya punya rata-rata 3,0, jadi keduanya masuk kategori “sedang”. Untuk puskesmas A, label itu masuk akal. Untuk puskesmas B, label itu keliru total, karena tidak ada satu pun pasien di sana yang berpendapat “sedang”. Kita baru saja memberi nama pada sesuatu yang tidak ada.
Ada masalah kedua yang lebih halus. Pembagian 0,8 itu mengandaikan jarak antar-kategori seragam, persis asumsi yang sudah kita ragukan di Lab 07. Dan batasnya sangat tajam: rata-rata 3,40 disebut “sedang”, sedangkan 3,41 naik pangkat jadi “tinggi”. Selisih satu angka di belakang koma mengubah kesimpulan, padahal ketidakpastian pengukuranmu jauh lebih besar dari itu.
Bukan berarti pendekatan ini haram. Untuk skor gabungan, sebagai ringkasan cepat, ia berguna. Tapi jangan pernah menyajikannya sendirian, dan jangan perlakukan batas kategorinya sebagai garis suci.
Saya sendiri berpandangan bahwa ini bukan soal memilih pendekatan tertentu, melainkan memilih tanpa tahu apa yang disembunyikan pendekatan itu. Setiap peringkasan membuang informasi, dan satu-satunya cara jujur adalah selalu menyandingkan angka ringkasmu dengan sebaran yang melahirkannya.
Pendekatan 5: uji statistik
Ini pintu yang paling ramai diperdebatkan, dan sengaja tidak saya buka lebar di sini karena ia butuh ruangnya sendiri.
Ringkasnya, kalau kamu membandingkan dua kelompok atau menguji hubungan, pilihanmu bercabang menjadi uji parametrik dan nonparametrik, dan cabang itu ditentukan lagi oleh dua gerbang di awal tulisan ini. Susan Jamieson pada 2004 mengingatkan bahaya memaksakan uji parametrik pada item tunggal. Geoff Norman pada 2010 membalas bahwa uji parametrik ternyata jauh lebih bandel daripada yang ditakutkan, terutama pada skor gabungan.
Perdebatan itu belum selesai, dan Lab berikutnya akan membedahnya.
Jadi, Idealnya ?
Kalau kamu ingin satu aturan praktis yang bisa dibawa ke ruang bimbingan, kira-kira begini. Selalu mulai dari sebaran, karena itu satu-satunya yang tidak berbohong. Baru tambahkan ringkasan, dengan modus dan median untuk item tunggal, atau rata-rata untuk skor gabungan. Kalau memakai kategori rentang skala, laporkan sebarannya berdampingan. Baru terakhir, kalau memang ada hipotesis yang ingin diuji, masuk ke uji statistik dengan sadar level datamu.
Kembali ke dua puskesmas tadi. Angka 3,0 itu benar secara aritmatika untuk keduanya. Ia hanya kebetulan tidak memberi tahu apa pun yang perlu diketahui kepala puskesmas B, yaitu bahwa ada separuh pasiennya yang pulang dengan kecewa. Analisis yang baik bukan yang menghasilkan angka paling rapi, melainkan yang paling sulit dipakai untuk menyembunyikan sesuatu.
Sumber Bacaan:
- Likert, R. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology, No. 140.
- Boone, H. N., & Boone, D. A. (2012). Analyzing Likert Data. Journal of Extension, 50(2).
- Sullivan, G. M., & Artino, A. R. (2013). Analyzing and Interpreting Data From Likert-Type Scales. Journal of Graduate Medical Education, 5(4).
- Jamieson, S. (2004). Likert scales: how to (ab)use them. Medical Education, 38(12).
- Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in Health Sciences Education, 15(5).
- Streiner, D. L., Norman, G. R., & Cairney, J. (2015). Health Measurement Scales: A Practical Guide to Their Development and Use (5th ed.). Oxford University Press.