Situasi
data di dalam populasi yang menjadi target penelitian kita, tidak kita ketahui
dengan pasti. Kita hanya bisa mengestimasinya melalui situasi data sampel yang
didapatkan dari populasi tersebut. Kadang pengambilan data yang kita dapatkan
dipengaruhi oleh faktor kebetulan. Nah, untuk mengatasi pengaruh kebetulan ini,
kita dapat memanfaatkan prosedur yang dinamakan dengan Bootstrapping. Proses ini merupakan bagian dari jenis resampling. Resampling sebenarnya bisa kita lakukan dengan mengambil data lagi,
namun kadang keterbatasan waktu dan biaya menghalangi kita untuk melakukannya.
Bootstrapping menjadi salah satu bentuk resampling tanpa turun lagi ke
lapangan.
Proses
bootstrapping bisa anda lihat pada tulisan saya “Berkenalan dengan Bootstrapping” di blog ini. File syntax bisa diunduh di sini KLIK
KASUS I
Kali
ini saya menerapkannya untuk membantu proses estimasi reliabilitas. Berikut ini
data yang saya analisis, yang didapatkan dari skala evaluasi diri (24 aitem).
Data tertera di bawah ini.
Gambar 1. Data
Berikut ini
hasil hasil estimasi reliabilitas.
Gambar 2. Hasil Estimasi Reliabilitas (data
asli)
Berikut ini
cara melakukan proses bootstrapping.
Download program syntaxnya lalu buka di SPSS. Caranya klik FILE> OPEN NEW
SYNTAX.
Lalu
modifikasi beberapa kode di dalam syntax tersebut. Yang dimodifikasi adalah
nama butir. Gantilah nama butir di dalam contoh dengan nama butir pada skala
anda. Modifikasi kedua bisa dilakukan pada jumlah kasus.
Dalam contoh
syntax di bawah ini, ukuran sampel yang saya inginkan dari proses resampling
adalah 500 dan nama butir di dalam skala saya adalah a1 hingga a24.
Gambar 3. Modifikasi Syntax
Setelah
mofidikasi dilakukan, lalu di windows syntax klik EDIT > SELECT ALL, lalu
pindah ke menu RUN > ALL. Hasilnya ada di bawah ini.
Hasilnya
berbeda jauh dengan nilai reliabilitas sebelumnya yaitu 0.44. LCL menunjukkan lower confidence interval sedangkan UCL
adalah upper confidence interval. Informasi
ini hanya berbentuk interval. Reliabilitas sesungguhnya berada di antara nilai
tersebut.
Kesimpulannya, banyak faktor kebetulan (chance) yang mempengaruhi pengambilan sehingga
menghasilkan reliabilitas yang rendah. Proses bootstrapping membantu mengatasi
masalah ini karena menghasilkan nilai reliabilitas yang memuaskan.
Hasil
proses bootrap ini akan menghasilkan data yang muncul pada windows baru, yang
dinamakan dengan RAW_DATA. Anda dapat menganalisis reliabilitas hasil bootstrap
dan korelasi aitem-total melalui data ini.
KASUS II
Kadang bootstrap
menghasilkan hasil analisis yang mirip dengan data aslinya. Pada kondisi ini
kita dapat menyimpulkan bahwa chance
tidak banyak pengaruh.
1 komentar:
syntaxnya gak bisa didownload
Posting Komentar