Pendahuluan
Dalam penelitian kuantitatif, p-value sering menjadi perhatian utama. Peneliti melihat apakah hasil analisis mencapai batas signifikansi statistik, kemudian menyimpulkan ada atau tidaknya perbedaan atau hubungan.
Masalahnya, signifikansi statistik tidak menjelaskan seberapa besar efek yang ditemukan.
Sebuah perbedaan yang secara statistik signifikan dapat memiliki efek yang sangat kecil. Sebaliknya, suatu efek yang secara substantif cukup berarti mungkin tidak mencapai signifikansi statistik ketika penelitian memiliki sampel kecil atau estimasi yang kurang presisi.
Di sinilah effect size menjadi penting. Pedoman pelaporan statistik juga menekankan pentingnya melengkapi hasil pengujian signifikansi dengan ukuran efek dan, bila sesuai, confidence interval.
1. Apa Itu Effect Size?
Effect size adalah ukuran kuantitatif yang membantu menunjukkan besarnya perbedaan, hubungan, atau efek yang diamati dalam penelitian.
Jika p-value membantu menjawab pertanyaan mengenai bukti statistik terhadap hipotesis nol dalam kerangka pengujian tertentu, effect size membantu menjawab pertanyaan lain:
Seberapa besar perbedaan atau hubungan yang ditemukan?
Karena itu, keduanya memberikan informasi yang berbeda dan sebaiknya tidak dipertentangkan.
Sebagai contoh, dua metode pembelajaran mungkin menghasilkan perbedaan yang signifikan secara statistik. Namun, peneliti tetap perlu mengetahui apakah perbedaannya cukup besar untuk dianggap penting secara pendidikan.
2. Mengapa Effect Size Penting?
Effect size membuat hasil penelitian lebih informatif karena pembaca tidak hanya mengetahui apakah suatu hasil signifikan.
Dengan effect size, peneliti dapat mengevaluasi magnitude atau besarnya temuan. Ukuran efek juga membantu membandingkan hasil antarpeneletian, khususnya ketika menggunakan ukuran terstandarisasi yang sesuai.
Literatur metodologis menekankan bahwa interpretasi effect size sebaiknya mempertimbangkan konteks substantif dan ketidakpastian estimasi, bukan sekadar memasukkan nilai ke kategori kecil, sedang, atau besar.
3. Cohen's d
Cohen's d merupakan salah satu effect size yang umum digunakan untuk menyatakan perbedaan antara dua rerata dalam satuan simpangan baku.
Secara sederhana:
d = (M₁ − M₂) / SDpooled
dengan:
- M₁ = mean kelompok pertama;
- M₂ = mean kelompok kedua;
- SDpooled = pooled standard deviation.
Misalnya:
Kelompok A memiliki mean 80, kelompok B memiliki mean 75, dan pooled SD adalah 10.
Maka:
d = (80 − 75) / 10 = 0,50
Artinya, perbedaan kedua kelompok adalah sekitar setengah standar deviasi.
4. Bagaimana Menginterpretasikan Cohen's d?
Konvensi yang sering digunakan sebagai orientasi awal adalah:
| Cohen's d | Interpretasi konvensional |
|---|---|
| sekitar 0,20 | efek kecil |
| sekitar 0,50 | efek sedang |
| sekitar 0,80 | efek besar |
Namun, angka tersebut bukan batas universal.
Nilai d = 0,30, misalnya, tidak otomatis berarti temuan tidak penting hanya karena berada di bawah 0,50. Dalam pendidikan, kesehatan, kebijakan, atau konteks sosial tertentu, efek yang relatif kecil dapat tetap memiliki konsekuensi substantif.
Karena itu, interpretasi effect size perlu mempertimbangkan konteks penelitian, outcome yang diukur, penelitian sebelumnya, dan konsekuensi praktisnya.
5. Effect Size untuk Pretest–Posttest
Effect size juga sering digunakan dalam penelitian pretest–posttest.
Misalnya:
Pretest: M = 60
Posttest: M = 72
Perbedaannya adalah 12 poin.
Namun, mengatakan bahwa skor meningkat 12 poin belum memberikan ukuran terstandarisasi mengenai besarnya perubahan.
Peneliti dapat menghitung effect size yang sesuai dengan desain paired data. Yang perlu diperhatikan, terdapat beberapa cara menghitung standardized effect size untuk desain berpasangan. Karena itu, peneliti harus menyebutkan rumus atau jenis effect size yang digunakan, bukan hanya melaporkan “Cohen's d = ...”.
6. Pearson's r sebagai Effect Size
Dalam penelitian korelasional, koefisien Pearson's r sendiri memberikan informasi mengenai arah dan kekuatan hubungan linear.
Nilainya berada pada rentang:
−1 sampai +1
Nilai positif menunjukkan hubungan searah, sedangkan nilai negatif menunjukkan hubungan berlawanan arah.
Sebagai orientasi kasar, nilai absolut r terkadang dikategorikan:
| Nilai absolut r | Interpretasi konvensional |
|---|---|
| sekitar 0,10 | kecil |
| sekitar 0,30 | sedang |
| sekitar 0,50 | besar |
Sekali lagi, kategori tersebut hanya pedoman konvensional, bukan aturan mutlak.
Korelasi yang tampak kecil sekalipun dapat relevan dalam konteks tertentu, terutama ketika outcome penting atau efek terakumulasi pada populasi yang besar.
7. Eta Squared pada ANOVA
Untuk analisis ANOVA, salah satu ukuran efek yang dapat digunakan adalah eta squared (η²).
Secara konseptual, eta squared menunjukkan proporsi variasi outcome dalam sampel yang berkaitan dengan faktor yang dianalisis:
η² = SS_effect / SS_total
Selain eta squared, peneliti juga dapat menjumpai partial eta squared (ηp²).
Keduanya tidak selalu identik. Karena itu, peneliti harus menuliskan secara jelas ukuran mana yang dilaporkan dan menghindari memperlakukannya sebagai ukuran yang dapat dipertukarkan begitu saja.
8. Effect Size untuk Beberapa Analisis Umum
Sebagai panduan awal:
| Analisis | Effect size yang dapat dipertimbangkan |
|---|---|
| Independent t-test | Cohen's d / Hedges' g |
| Paired t-test | Standardized mean-change measure yang sesuai |
| ANOVA | η², partial η², ω² |
| Pearson correlation | r |
| Regresi linear | R², adjusted R², koefisien/model-specific effect measures |
| Data kategorik | Odds ratio, risk ratio, Cramér's V, sesuai analisis |
Pemilihan effect size harus mengikuti pertanyaan penelitian dan model statistik yang digunakan.
9. Apa Perbedaan P-Value dan Effect Size?
Perbedaannya dapat disederhanakan sebagai berikut:
| Aspek | P-value | Effect size |
|---|---|---|
| Fokus utama | Bukti terhadap H₀ dalam model statistik | Besarnya efek/hubungan |
| Dipengaruhi ukuran sampel | Ya | Ukuran terstandarisasi tidak sama sensitivitasnya terhadap n, tetapi estimasinya tetap memiliki ketidakpastian |
| Menunjukkan magnitude | Tidak secara langsung | Ya |
| Sebaiknya dilaporkan | Ya, bila menggunakan NHST | Ya, jika relevan |
| Confidence interval | Dapat melengkapi inferensi | Sangat berguna untuk menunjukkan ketidakpastian |
Pelaporan effect size bersama confidence interval membantu pembaca menilai magnitude sekaligus presisi estimasi.
10. Jangan Hanya Menulis “Signifikan”
Misalnya sebuah penelitian melaporkan:
“Terdapat perbedaan signifikan antara kelompok eksperimen dan kelompok kontrol (p < .05).”
Informasi tersebut belum menjelaskan besarnya perbedaan.
Pelaporan yang lebih informatif dapat berbentuk:
“The experimental group achieved higher scores than the comparison group, t(58) = 2.74, p = .008, Cohen's d = 0.71, 95% CI [...].”
Nilai tersebut hanyalah contoh format, bukan data penelitian nyata.
Prinsipnya adalah menyajikan statistik yang memungkinkan pembaca memahami bukan hanya keberadaan bukti statistik, tetapi juga magnitude dan ketidakpastian efek.
11. Kesalahan yang Sering Terjadi
Beberapa kesalahan yang perlu dihindari antara lain hanya melaporkan p-value, menganggap hasil signifikan selalu berarti efek besar, memilih rumus effect size yang tidak sesuai dengan desain, tidak menjelaskan jenis effect size yang digunakan, serta menafsirkan kategori kecil–sedang–besar secara mekanis.
Kesalahan lain adalah mengabaikan confidence interval.
Effect size merupakan estimasi dari data sampel. Karena itu, peneliti perlu memperhatikan ketidakpastian di sekitar estimasi tersebut. Rekomendasi metodologis modern menempatkan effect size dan interval estimasinya sebagai bagian penting dalam interpretasi hasil.
12. Bagaimana Menuliskannya dalam Artikel Ilmiah?
Untuk perbandingan dua kelompok, misalnya:
“The groups differed significantly, t(78) = 3.12, p = .003, Cohen's d = 0.69.”
Untuk korelasi:
“Motivation was positively associated with achievement, r = .42, p = .006.”
Untuk ANOVA:
“The analysis indicated a statistically significant group effect, F(2, 87) = 5.46, p = .006, η² = .11.”
Sekali lagi, angka tersebut merupakan contoh penulisan, bukan hasil penelitian tertentu.
Jika memungkinkan, tambahkan confidence interval untuk estimasi utama.
13. Apakah Effect Size Besar Berarti Penelitian Bagus?
Tidak.
Effect size besar tidak otomatis menunjukkan bahwa penelitian memiliki desain yang baik.
Penelitian tetap perlu memperhatikan:
validitas desain + kualitas pengukuran + sampling + asumsi statistik + ketepatan analisis + ketidakpastian estimasi.
Effect size hanya salah satu bagian dari keseluruhan bukti penelitian.
14. Gunakan Effect Size Calculator
Menghitung effect size secara manual memungkinkan, tetapi dapat menjadi rumit ketika desain penelitian berbeda-beda.
Effect Size Calculator pada Research Tools khoirulfaizin.my.id dapat digunakan untuk membantu melakukan perhitungan effect size secara lebih praktis.
Hasil kalkulator sebaiknya diperlakukan sebagai alat bantu analisis, bukan pengganti keputusan metodologis. Pastikan jenis effect size yang dipilih sesuai dengan desain, struktur data, dan analisis statistik penelitian.
Kesimpulan
Effect size membantu peneliti bergerak dari pertanyaan “apakah hasilnya signifikan?” menuju pertanyaan yang lebih substantif:
“Seberapa besar efek yang ditemukan, seberapa presisi estimasinya, dan apakah besarnya efek tersebut bermakna dalam konteks penelitian?”
Cohen's d dapat digunakan untuk mengukur standardized mean difference dalam desain yang sesuai, Pearson's r menggambarkan hubungan linear, sementara eta squared dan ukuran terkait dapat digunakan dalam konteks ANOVA.
Pelaporan penelitian kuantitatif yang informatif karena itu tidak seharusnya berhenti pada p-value. Effect size, confidence interval, desain penelitian, dan konteks substantif perlu dibaca bersama.