Menerapkan Proses Bootstrapping dalam Proses Estimasi Reliabilitas

Wahyu Widhiarso

Fakultas Psikologi UGM, Yogyakarta Bahan Perkuliahan

Tahun 2013

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.

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.