Skala Likert Perlu MSI Sebelum Regresi? Sering Tidak Perlu

Skala Likert umumnya tidak harus diubah ke interval dengan MSI sebelum regresi, selama yang kamu regresikan adalah skor total atau rata-rata dari banyak butir. Skor komposit seperti itu sudah lazim diperlakukan sebagai data interval, dan pada data kuesioner biasa, transformasi MSI hampir tidak pernah membalik kesimpulan. MSI baru layak dipertimbangkan pada kondisi yang sempit, dan setiap kali dipakai ia menambah satu tahap hitung yang bisa salah.

#Apa yang sebenarnya dilakukan MSI?

Method of Successive Interval (MSI) mengganti angka 1 sampai 5 dengan nilai baru yang jaraknya mengikuti sebaran jawaban responden. Asumsinya, di balik pilihan STS sampai SS ada satu sikap kontinu yang menyebar normal, dan batas antarkategori ditaksir dari proporsi kumulatif jawaban.

Langkahnya untuk satu butir:

1. Hitung frekuensi tiap kategori, lalu proporsinya.
2. Hitung proporsi kumulatif.
3. Cari nilai Z dari tabel normal baku untuk tiap proporsi kumulatif.
4. Cari densitas (tinggi kurva normal) pada tiap nilai Z.
5. Hitung nilai skala (scale value) tiap kategori:

$SV=\frac{\text{densitas batas bawah}-\text{densitas batas atas}}{\text{area batas atas}-\text{area batas bawah}}$

6. Geser semua nilai supaya kategori terendah bernilai 1, yaitu tambahkan $\mid S{V}_{\min }\mid +1$ ke setiap SV.

Contoh dengan 100 responden pada satu butir, frekuensi STS sampai SS berturut-turut 5, 10, 25, 40, dan 20:

Cek satu baris supaya kamu yakin rumusnya. Untuk TS, batas bawahnya adalah batas atas STS, jadi $SV=(\mathrm{0,1031}-\mathrm{0,2332})/(\mathrm{0,15}-\mathrm{0,05})=-\mathrm{1,301}$. Skor MSI-nya $-\mathrm{1,301}+\mathrm{2,063}+1=\mathrm{1,762}$.

Jaraknya memang tidak sama: 0,762, lalu 0,688, lalu 0,879, lalu 1,134. Tapi urutannya tetap, dan jawaban yang lebih setuju tetap mendapat angka lebih besar. Ini kunci untuk bagian berikutnya.

#Kenapa skor total banyak butir umumnya diperlakukan interval?

Ada dua alasan, dan keduanya praktis, bukan sekadar kebiasaan.

Pertama, skala Likert sejak awal dirancang sebagai skala penjumlahan. Satu butir memang ordinal. Tapi variabel penelitianmu bukan satu butir, melainkan jumlah atau rata-rata dari, misalnya, delapan butir. Delapan butir dengan pilihan 1 sampai 5 menghasilkan skor total 8 sampai 40, yaitu 33 kemungkinan nilai. Data dengan rentang selebar itu berperilaku jauh lebih mirip data kontinu daripada satu butir dengan lima kemungkinan.

Kedua, MSI tidak mengubah urutan. Responden yang skor totalnya tinggi di data asli hampir pasti tetap tinggi setelah MSI. Karena regresi dan korelasi bekerja dari pola naik-turun bersama, perubahan jarak antarkategori yang tidak terlalu besar jarang mengubah hasilnya secara berarti.

#Seberapa besar MSI mengubah hasil regresi?

Contoh berikut memakai data simulasi: 120 responden, variabel X diukur 8 butir, variabel Y diukur 6 butir, dan jawabannya condong ke arah setuju seperti kebanyakan kuesioner kepuasan. Regresi sederhana Y terhadap X dijalankan dua kali, sekali dengan skor total asli dan sekali dengan skor total setelah MSI per butir.

Kesimpulannya identik. R² bergeser di desimal ketiga, t bergeser sekitar 0,1. Koefisien b memang berbeda, tetapi itu karena satuan skornya berubah, bukan karena hubungannya berubah. Korelasi antara skor total asli dan skor total MSI adalah 0,997 untuk X dan 0,995 untuk Y. Angka setinggi itu menunjukkan bahwa keduanya hampir merupakan variabel yang sama.

Hasil seperti ini bukan kebetulan dari satu set data. Selama transformasinya menjaga urutan dan variabelnya terdiri dari banyak butir, skor total sebelum dan sesudah MSI biasanya berkorelasi sangat tinggi.

#Kapan MSI masuk akal dipakai

Ada beberapa situasi ketika jarak antarkategori lebih mungkin berpengaruh:

1. Analisis dilakukan per butir, bukan pada skor total. Misalnya satu butir dipakai langsung sebagai variabel.
2. Pilihan jawabannya sedikit, misalnya hanya tiga kategori, sehingga satu jarak yang miring berdampak besar.
3. Jawaban sangat menumpuk di satu ujung, misalnya 80 persen responden memilih SS, sehingga jarak hasil MSI jadi sangat timpang.
4. Pedoman skripsi prodimu secara tertulis mewajibkannya.

Untuk situasi pertama sampai ketiga, MSI bukan satu-satunya jalan. Uji korelasi Spearman atau regresi ordinal memperlakukan data sebagai peringkat tanpa perlu menebak jaraknya. Pilihan itu sering lebih mudah dibela di sidang daripada MSI, karena tidak bersandar pada asumsi sebaran normal di balik jawaban.

#Kesalahan yang sering terjadi saat menghitung MSI

MSI dihitung dengan add-in Excel atau tabel manual, dan di situlah kesalahan masuk tanpa terlihat.

1. Kategori kosong. Kalau tidak ada responden yang memilih STS di suatu butir, kategori itu tidak punya proporsi. Perhitungan lalu dimulai dari TS dan pergeseran ke angka 1 jatuh pada TS, sehingga TS di butir ini bernilai sama dengan STS di butir lain.
2. Nilai yang sama bermakna beda. Karena dihitung per butir, jawaban S bisa bernilai 3,329 di satu butir dan, misalnya, 3,8 di butir lain. Ini sesuai cara kerja MSI, tapi sering membingungkan saat kamu menjelaskan statistik deskriptif di bab empat.
3. Uji validitas dan reliabilitas dijalankan ulang pada skor MSI, lalu hasilnya sedikit berbeda dan muncul kebingungan versi mana yang dilaporkan. Instrumen diuji pada skor asli, karena butirnya dirancang dengan skor itu.
4. Salah salin. Hasil add-in ditempel ke SPSS dengan urutan responden yang tergeser satu baris. Regresinya tetap jalan dan menghasilkan angka, hanya saja angkanya salah.
5. Statistik deskriptif memakai skor MSI, sehingga rata-rata 3,1 tidak bisa lagi dibaca "cenderung netral" karena skalanya bukan 1 sampai 5 yang sama.

#Kalau penguji tetap meminta MSI

Jangan berdebat soal teori di ruang sidang. Lakukan tiga hal ini:

1. Jalankan MSI sesuai permintaan dan pakai hasilnya untuk analisis utama.
2. Jalankan juga analisis yang sama dengan skor asli, lalu taruh perbandingannya di lampiran dalam satu tabel seperti contoh simulasi di atas.
3. Tulis satu paragraf di bab empat: arah dan signifikansi koefisien sama pada kedua versi skor. Kalimat ini menunjukkan bahwa kesimpulanmu tidak bergantung pada pilihan transformasi.

Kalau kesimpulan kedua versi ternyata berbeda, itu temuan penting, bukan masalah yang perlu disembunyikan. Biasanya penyebabnya ada di butir dengan jawaban yang sangat menumpuk, dan butir itu perlu dibahas.

Untuk menghitung skor total dan kategori interpretasi dari skor asli, kamu bisa memakai kalkulator skala Likert. Langkah sesudahnya, yaitu uji asumsi dan membaca tabel Coefficients, dibahas di uji asumsi klasik regresi untuk skripsi dan cara membaca output regresi SPSS. Kalau masih ragu apakah regresi memang uji yang tepat untuk pertanyaanmu, cek dulu peta keputusan memilih uji statistik.

#FAQ

#Apakah data Likert yang tidak di-MSI berarti melanggar syarat regresi?

Tidak. Syarat regresi linear dinilai dari residual, bukan dari skala asli butir. Skor total Likert yang diperlakukan interval dipakai secara luas dalam penelitian sosial, pendidikan, dan manajemen.

#MSI dihitung per butir atau sekaligus untuk semua butir?

Dua cara itu ada di lapangan. Per butir lebih umum dan hasilnya berbeda tiap butir. Cara gabungan memberi satu set nilai untuk semua butir. Apa pun yang dipilih, tulis caranya di bab tiga supaya bisa diulang.

#Apakah SmartPLS perlu data yang sudah di-MSI?

Pada umumnya tidak. PLS-SEM tidak mensyaratkan data berdistribusi normal, dan indikator Likert biasa dimasukkan dengan skor asli. Kalau pembimbingmu berpendapat lain, ikuti dan dokumentasikan.

#Kalau datanya sudah di-MSI, apakah uji normalitas jadi pasti lolos?

Tidak. MSI mengubah jarak antarkategori satu butir, bukan sebaran residual regresimu. Residual yang menceng tetap bisa menceng setelah MSI.

#Skala saya 1 sampai 4 tanpa pilihan netral. Apakah MSI lebih perlu?

Sedikit lebih masuk akal dibanding skala lima, karena kategorinya lebih sedikit. Tetapi kalau variabelnya terdiri dari banyak butir, skor totalnya tetap punya rentang lebar dan biasanya tetap aman diperlakukan interval. Membandingkan hasil kedua versi tetap cara paling meyakinkan.