Korelasi atau Regresi? Tergantung Klaim di Judul Skripsi

Lihat kata kerja di judul skripsimu dulu, baru pilih ujinya. Judul yang berbunyi hubungan antara X dan Y menjanjikan korelasi, sedangkan judul yang berbunyi pengaruh X terhadap Y menjanjikan regresi. Kalau judul dan analisis tidak cocok, penguji akan menagihnya, dan yang ditagih bukan rumusnya tapi klaimnya. Hampir semua tutorial membahas ini dari arah sebaliknya, yaitu menjelaskan rumus lebih dulu lalu menyuruh kamu memilih. Urutan itu yang bikin banyak mahasiswa salah pilih.

#Kenapa judul yang menentukan, bukan sebaliknya?

Karena judul adalah janji. Begitu proposalmu disetujui dengan judul tertentu, kamu sudah menyatakan di depan pembimbing bahwa kamu akan menjawab pertanyaan tertentu. Alat analisis adalah konsekuensi dari janji itu, bukan sebaliknya.

Sidang berjalan dengan logika yang sama. Penguji membaca judul, lalu membaca rumusan masalah, lalu melihat tabel di bab empat, dan dia memeriksa apakah ketiganya bicara tentang hal yang sama. Mahasiswa yang menulis pengaruh di judul lalu menyajikan tabel korelasi Pearson akan diminta menjelaskan di mana letak pengaruhnya, dan tabel itu memang tidak punya jawabannya.

Jadi cara kerjanya begini. Baca judulmu, tentukan klaim apa yang kamu janjikan, baru tentukan uji yang bisa mendukung klaim itu.

#Hubungan antara dan pengaruh terhadap: dua klaim yang berbeda

Bedanya bukan soal rasa bahasa. Ada perbedaan matematis yang persis sejajar dengan perbedaan klaimnya.

Korelasi itu simetris. Nilai r antara motivasi dan prestasi sama persis dengan nilai r antara prestasi dan motivasi, misalnya 0,62 di kedua arah. Angka itu tidak punya informasi tentang mana yang lebih dulu atau mana yang menggerakkan mana. Dia cuma mengukur seberapa rapat dua variabel bergerak bersama dan ke arah mana.

Regresi tidak simetris. Begitu kamu menulis persamaan Y sama dengan a ditambah bX, kamu sudah menetapkan satu variabel sebagai penjelas dan satu sebagai yang dijelaskan. Tukar posisinya dan koefisiennya berubah. Dari satu set data yang sama, meregresikan prestasi pada motivasi bisa memberi koefisien 0,48, sementara meregresikan motivasi pada prestasi memberi angka yang lain sama sekali.

Ketidaksimetrisan itulah yang dipinjam kata pengaruh. Jadi kalau judulmu memakai kata pengaruh, kamu butuh alat yang membedakan arah, dan korelasi tidak membedakannya.

#Dari judul ke uji: tabel yang bisa kamu pakai langsung

Perhatikan baris terakhir. Kata kontribusi dan sumbangan efektif menuntut angka R kuadrat, bukan nilai r. Kalau r kamu 0,62 maka R kuadrat sekitar 0,38, yang artinya variabel bebasmu menjelaskan sekitar 38 persen variasi variabel terikat dan sisanya dijelaskan hal lain yang tidak masuk model. Banyak mahasiswa menuliskan angka r sebagai persentase sumbangan, dan 62 persen itu angka yang salah.

#Apa yang bisa dan tidak bisa dibuktikan regresi soal sebab akibat?

Ini bagian yang perlu kamu jawab jujur, karena penguji sering masuk dari sini. Regresi tidak membuktikan sebab akibat. Yang dia lakukan adalah mengukur hubungan terarah di dalam model yang kamu tentukan sendiri. Arah itu datang dari teori dan dari rancangan penelitianmu, bukan dari perhitungannya.

Kalau datamu diambil sekali waktu lewat kuesioner, misalnya 120 mahasiswa mengisi skala motivasi dan menuliskan IPK pada hari yang sama, maka kamu tidak punya urutan waktu. Motivasi tinggi bisa menaikkan IPK, tapi IPK tinggi juga bisa menaikkan motivasi, dan keduanya bisa dinaikkan oleh hal ketiga seperti dukungan keluarga. Perhitungan regresi tidak bisa memisahkan tiga kemungkinan itu.

Yang sah kamu tulis: koefisien bertanda positif dan signifikan, sehingga perbedaan satu satuan skor motivasi berkaitan dengan perbedaan sebesar b satuan pada IPK, dengan arah yang sesuai kerangka teori. Yang tidak sah: menyatakan bahwa menaikkan motivasi akan menaikkan IPK sebesar b. Pernyataan kedua itu janji intervensi, dan datamu tidak pernah menguji intervensi apa pun.

Di luar itu, regresi juga punya syarat yang harus kamu laporkan. Linearitas, normalitas residu, homoskedastisitas, dan untuk regresi berganda bebas multikolinearitas. Korelasi Pearson hanya menuntut normalitas dan hubungan yang linear. Jadi memilih regresi berarti menambah beban uji asumsi, dan itu pertimbangan praktis yang nyata kalau waktumu tinggal sedikit.

#Judul sudah disetujui tapi analisisnya ternyata tidak cocok. Ubah yang mana?

Urutannya begini, dan hampir selalu lebih murah mengubah judul daripada memaksa analisis.

1. Periksa skala datanya dulu. Kalau variabel terikatmu kategorik, misalnya lulus atau tidak lulus, maka regresi linear memang tidak bisa dipakai apa pun bunyi judulmu. Opsinya regresi logistik, dan itu perubahan metode yang harus kamu bicarakan dengan pembimbing.
2. Periksa jumlah variabel bebas. Judul yang menyebut tiga variabel bebas tapi analisisnya korelasi parsial satu per satu akan kehilangan inti pertanyaannya, yaitu pengaruh ketiganya bersama.
3. Kalau judul menyebut pengaruh sementara rancanganmu sekali waktu, pertahankan regresinya dan perbaiki kalimat tafsirannya. Jangan menurunkan judul jadi hubungan hanya karena takut ditagih sebab akibat, karena perubahan judul biasanya menuntut revisi rumusan masalah, hipotesis, dan kerangka berpikir sekaligus.
4. Kalau judul menyebut hubungan tapi kamu sudah menjalankan regresi, kamu masih boleh melaporkan korelasi sebagai analisis utama dan regresi sebagai tambahan, selama hipotesis di bab tiga berbunyi hubungan.
5. Keputusan apa pun yang kamu ambil, catat tanggalnya dan siapa yang menyetujui. Revisi metode yang tidak tercatat adalah bahan pertanyaan yang paling sering muncul di sidang.

#Kesalahan yang sering terjadi

• Menuliskan nilai r sebagai besar sumbangan dalam persen. Yang menyatakan persentase variasi adalah R kuadrat, bukan r.
• Memakai korelasi Pearson pada data kuesioner skala Likert yang diperlakukan sebagai ordinal tanpa penjelasan. Kalau kamu menjumlahkan beberapa butir menjadi skor total, perlakuan interval umumnya diterima, tapi tuliskan alasannya di bab tiga.
• Melaporkan koefisien regresi tanpa konstanta. Persamaan tanpa nilai a tidak bisa dipakai memprediksi apa pun, dan penguji sering meminta kamu menghitung satu contoh prediksi di depan mereka.
• Menyimpulkan tidak ada hubungan hanya karena nilai p tidak lolos. Hasil mepet punya cara pelaporannya sendiri, dan itu dibahas di sig. 0,051 dan cara melaporkan hasil mepet.
• Memasukkan variabel bebas yang saling mengukur hal yang sama ke satu model regresi. Nilai VIF di atas 10 adalah tanda jelas, dan gejalanya biasanya uji F signifikan sementara semua uji t tidak.
• Mengabaikan jumlah sampel minimal untuk regresi berganda. Semakin banyak variabel bebas, semakin banyak responden yang kamu butuhkan, dan itu harus dihitung sebelum menyebar kuesioner lewat kalkulator ukuran sampel atau rumus lain yang kamu sebutkan di bab tiga.

#Apa yang biasanya ditagih penguji di tiap pilihan?

Kalau kamu pakai korelasi, siapkan jawaban untuk tiga hal: kenapa Pearson dan bukan Spearman, bagaimana kamu memastikan hubungannya linear, dan apa makna praktis dari angka r yang kamu dapat. Yang terakhir paling sering gagal dijawab, karena r sebesar 0,31 memang butuh penjelasan konteks, bukan cuma label sedang.

Kalau kamu pakai regresi, siapkan empat hal: hasil uji asumsinya satu per satu, tafsiran koefisien dalam satuan asli variabelmu, perbedaan antara R kuadrat dan R kuadrat disesuaikan, dan batas klaim sebab akibat dari rancangan penelitianmu. Mahasiswa yang bisa menyebut batas itu sendiri sebelum ditanya hampir selalu lolos bagian ini dengan cepat. Urutan kerja keseluruhan naskahnya ada di panduan skripsi dari nol.

#Kalau judul saya memakai kata korelasi, apakah wajib Pearson?

Tidak. Kata korelasi menentukan jenis klaimnya, bukan jenis ujinya. Pearson untuk data interval dengan hubungan linear, Spearman untuk data ordinal atau ketika asumsi normalitas tidak terpenuhi, dan Kendall tau untuk sampel kecil dengan banyak nilai sama. Tuliskan pilihanmu di bab tiga beserta alasannya.

#Bisakah satu skripsi memakai korelasi dan regresi sekaligus?

Bisa, dan lazim. Pola yang umum adalah menyajikan matriks korelasi antarvariabel sebagai gambaran awal, lalu regresi sebagai pengujian hipotesis utama. Yang penting hipotesis di bab tiga berbunyi sesuai analisis utamanya, supaya tidak ada hipotesis yang menggantung tanpa pengujian.

#Apa bedanya regresi sederhana dan berganda selain jumlah variabel?

Tafsiran koefisiennya berubah. Pada regresi berganda, koefisien satu variabel bermakna pengaruhnya ketika variabel lain dalam model ditahan konstan. Karena itu nilainya sering berbeda dari hasil regresi sederhana variabel yang sama, dan perbedaan itu bukan kesalahan hitung.

#Variabel saya tiga tapi salah satunya kategorik. Masih bisa regresi?

Bisa, dengan variabel dummy. Variabel dengan dua kategori diubah menjadi kode 0 dan 1, dan untuk tiga kategori kamu butuh dua kolom dummy dengan satu kategori sebagai pembanding. Tafsirannya menjadi selisih rata-rata terhadap kategori pembanding itu, jadi sebutkan kategori mana yang kamu jadikan acuan.

#Nilai R kuadrat saya cuma 0,19. Apakah modelnya gagal?

Tidak otomatis gagal. Pada penelitian perilaku manusia, R kuadrat di bawah 0,30 itu biasa karena perilaku dipengaruhi banyak hal yang tidak masuk model. Yang perlu kamu lakukan adalah menyebut angka itu apa adanya, menjelaskan variabel apa yang kemungkinan hilang, dan menjadikannya saran untuk penelitian lanjutan.