Oleh
Nathan Auyeung
—
Contoh Desain Kuasi-Eksperimental: Jenis dan Kasus Penggunaan Nyata
Nathan Auyeung
Akuntan Senior di EY
Lulus dengan gelar Sarjana Akuntansi, menyelesaikan Diploma Pascasarjana Akuntansi
Desain kuasi-eksperimental membantu peneliti mempelajari sebab dan akibat ketika penugasan acak tidak memungkinkan. Alih-alih mengandalkan kelompok acak yang terkontrol, studi ini menggunakan latar dunia nyata seperti sekolah, klinik, lingkungan, atau wilayah.
Hal itu membuatnya sangat berguna dalam pendidikan, layanan kesehatan, dan kebijakan publik, di mana peneliti sering kali membutuhkan jawaban tetapi tidak dapat mengontrol sepenuhnya siapa yang menerima intervensi.
Dalam panduan ini, kita akan melihat contoh-contoh kuasi-eksperimental yang paling penting, menjelaskan apa yang membuat setiap desain berfungsi, dan menunjukkan cara memilih serta menerapkan pendekatan yang tepat dalam studi Anda sendiri dengan kejelasan dan keyakinan.
<CTA title="Desain Penelitian Lebih Baik Lebih Cepat" description="Hasilkan desain kuasi eksperimental yang terstruktur dengan kejelasan dan logika yang kuat dalam hitungan menit." buttonLabel="Coba Jenni Gratis" link="https://app.jenni.ai/register" />
Apakah yang Dimaksud dengan Desain Penelitian Kuasi Eksperimental?
Desain penelitian kuasi-eksperimental menguji sebab dan akibat tanpa penugasan acak.
Alih-alih membuat kelompok acak, pendekatan ini menggunakan kelompok yang terbentuk secara alami yang sudah ada di lingkungan nyata, yang membuat pendekatan ini lebih realistis untuk penelitian terapan. Peneliti biasanya bekerja dengan ruang kelas, rumah sakit, atau komunitas yang sudah ada.
Seperti yang dijelaskan dalam desain kuasi eksperimental, kuasi-eksperimen banyak digunakan dalam studi terapan karena menawarkan keseimbangan praktis antara kelayakan dan wawasan kausal yang mementingkan hasil nyata.
Berbeda dengan eksperimen sejati, partisipan tidak dibagi ke dalam kondisi-kondisi tertentu secara acak. Hal ini dapat mempersulit untuk mengabaikan penjelasan alternatif, karena kelompok-kelompok tersebut mungkin sudah berbeda satu sama lain sebelum intervensi dimulai.
Akibatnya, validitas internal dapat menjadi tantangan dalam desain kuasi-eksperimental. Meskipun dengan keterbatasan ini, metode kuasi-eksperimental tetap penting di berbagai disiplin ilmu seperti sosiologi, psikologi, dan ekonomi.
Variabel independen: intervensi atau perlakuan
Variabel dependen: hasil yang diukur
Kelompok kontrol: kelompok pembanding yang tidak menerima perlakuan
Kelompok perlakuan: kelompok yang menerima intervensi
<ProTip title="💡 Tip Pro:" description="Selalu definisikan variabel dengan jelas sebelum memilih desain kuasi eksperimental." />
Jenis Utama Contoh Desain Kuasi Eksperimental
Berikut adalah jenis-jenis utama yang akan Anda temui dalam praktiknya. Penjelasannya mencakup contoh sederhana dan di mana Anda benar-benar akan menggunakannya.
Desain kelompok kontrol nonekuivalen (Nonequivalent control group design)
Dua kelompok dibandingkan, tetapi mereka tidak dibagi secara acak. Mereka sudah ada sebelumnya.
Contoh: Satu kelas di sekolah mendapatkan program matematika baru. Kelas lain menggunakan metode lama. Di akhir caturwulan, Anda membandingkan skor tes mereka.
Tempat penggunaannya: Ini ada di mana-mana dalam penelitian pendidikan. Karena kelompok-kelompok tersebut tidak dibuat sama sejak awal, peneliti harus menggunakan statistik (seperti ANCOVA) untuk mencoba memperhitungkan perbedaan awal. Tantangan terbesarnya adalah menangani variabel yang tidak Anda perhitungkan.
Desain pretest-posttest satu kelompok (One-group pretest-posttest design)
Anda mengukur satu kelompok tunggal, memperkenalkan sesuatu, lalu mengukurnya lagi. Tidak ada kelompok kontrol yang terpisah.
Contoh: Sebuah pabrik mencatat berapa banyak kecelakaan yang terjadi selama enam bulan. Kemudian mereka menjalankan program pelatihan keselamatan. Setelah itu, mereka melacak kecelakaan selama enam bulan berikutnya untuk melihat apakah jumlahnya menurun.
Mengapa ini lemah: Penurunan kecelakaan mungkin karena pelatihan tersebut. Atau mungkin karena hal lain yang terjadi pada saat yang sama, seperti perlambatan produksi musiman. Sulit untuk memastikan apa yang menyebabkan perubahan tersebut.
Aspek timbal-balik (trade-off): Ini sangat mudah dan murah untuk dilakukan, itulah sebabnya metode ini umum dalam studi bisnis dan tempat kerja. Tetapi metode ini memberi Anda bukti paling lemah untuk hubungan sebab dan akibat.
Pretest-posttest dengan kelompok kontrol nonekuivalen
Ini adalah versi yang lebih kuat. Anda memiliki dua kelompok yang sudah ada, dan Anda mengukur keduanya sebelum dan sesudah Anda memperkenalkan perubahan hanya pada satu kelompok.
Contoh: Sebuah klinik memulai program baru untuk membantu orang berhenti merokok. Klinik lain yang serupa tidak melakukannya. Anda mensurvei perokok di kedua klinik tentang kebiasaan mereka. Setelah satu tahun menjalankan program di klinik pertama, Anda mensurvei semua orang lagi.
Mengapa ini lebih baik: Jika klinik dengan program tersebut menunjukkan penurunan merokok yang jauh lebih besar daripada klinik lainnya, Anda bisa lebih yakin bahwa program tersebut benar-benar berhasil. Ini membantu mengabaikan kemungkinan bahwa beberapa faktor luar (seperti kampanye kesehatan masyarakat yang baru) memengaruhi semua orang pada saat yang sama.
Berikut adalah perbandingan antara ketiga desain pertama ini:
Jenis Desain | Kelompok Kontrol? | Pretest? | Kekuatan Bukti |
Pretest-posttest satu kelompok | Tidak | Ya | Rendah |
Kelompok kontrol nonekuivalen | Ya | Opsional | Sedang |
Pretest-posttest dengan kontrol | Ya | Ya | Lebih Tinggi |
Desain deret waktu terinterupsi (Interrupted time series design)
Alih-alih hanya satu pengukuran "sebelum" dan satu "sesudah", Anda mengumpulkan data di banyak titik selama periode yang lama. Anda mencari pergeseran tren setelah peristiwa tertentu.
Contoh: Suatu negara mengesahkan undang-undang yang menambahkan pajak pada minuman manis. Peneliti menganalisis data penjualan soda nasional bulan demi bulan selama bertahun-tahun sebelum pajak dan bertahun-tahun setelahnya. Mereka ingin melihat apakah tren penjualan jangka panjang jelas menurun atau berubah arah tepat saat pajak dimulai.
Mengapa ini berguna: Mengapa ini berguna: Ini sangat ampuh untuk mengevaluasi kebijakan dan undang-undang. Melihat perubahan dalam pola jangka panjang lebih meyakinkan daripada perubahan di antara dua titik waktu tunggal. Pembahasan terapan yang mendalam dapat ditemukan dalam desain deret waktu terinterupsi dalam studi dunia nyata, yang menunjukkan bagaimana desain berbasis waktu digunakan dalam penelitian kesehatan dunia nyata.
<ProTip title="📊 Pengingat:" description="Gunakan setidaknya 12 titik waktu sebelum dan sesudah untuk analisis ITS yang kuat." />
Desain diskontinuitas regresi (Regression discontinuity design)
Orang-orang dimasukkan ke dalam kelompok perlakuan berdasarkan apakah mereka berada di atas atau di bawah batas tertentu pada suatu skala.
Contoh: Sebuah universitas memberikan bantuan bimbingan belajar kepada mahasiswa yang pendapatan keluarganya di bawah $50.000. Peneliti kemudian membandingkan tingkat kelulusan mahasiswa yang hampir memenuhi syarat (misal, pendapatan $49.500) dengan mereka yang hampir tidak memenuhi syarat (misal, pendapatan $50.500).
Logikanya: Gagasannya adalah bahwa kedua kelompok mahasiswa ini hampir identik dalam segala hal kecuali perbedaan pendapatan yang kecil itu dan bantuan yang mereka terima. Setiap perbedaan besar dalam hasil studi mereka dapat lebih aman dikaitkan dengan bantuan tersebut. Para ekonom dan analis kebijakan menyukai desain ini karena logikanya yang cerdas.
Desain pencocokan dan skor kecenderungan (Matching and propensity score designs)
Karena Anda tidak dapat melakukan pengacakan, Anda mencoba merekayasanya dengan statistik. Anda menemukan individu dalam kelompok perlakuan dan "mencocokkan" mereka dengan individu yang hampir identik dari kelompok non-perlakuan.
Contoh: Anda sedang mempelajari program kuliah daring versus tatap muka. Anda mengambil setiap mahasiswa daring dan mencari mahasiswa tatap muka dengan IPK SMA, usia, dan jurusan yang sama. Kemudian Anda membandingkan nilai dari pasangan yang cocok ini.
Kendalanya: Anda hanya dapat mencocokkan orang-orang berdasarkan hal-hal yang dapat Anda ukur dan miliki datanya. Ini tidak dapat memperhitungkan perbedaan tersembunyi, seperti tingkat motivasi seorang mahasiswa atau akses mereka ke tempat belajar yang tenang. Ini mengurangi bias, tetapi tidak menghilangkannya.
<ProTip title="⚙️ Tip Pro:" description="Selalu periksa keseimbangan setelah pencocokan untuk memvalidasi desain kuasi eksperimental Anda." />
Contoh Desain Kuasi Eksperimental Dunia Nyata berdasarkan Bidang
Anda melihat metode-metode ini di mana-mana. Beginilah tampilannya dalam praktik di beberapa area utama.
Pendidikan
Sekolah biasanya tidak bisa mengacak anak-anak untuk sebuah eksperimen. Jadi mereka bekerja dengan kelompok yang mereka miliki.
Seperti apa bentuknya: Sebuah distrik sekolah memutuskan untuk mencoba program bimbingan belajar daring yang baru. Mereka memberikannya kepada semua siswa di Lincoln High School. Sementara itu, para siswa di Jefferson High School tetap menggunakan sistem ruang belajar lama. Di akhir semester, peneliti membandingkan skor ujian akhir dari kedua sekolah.
Mengapa ini digunakan: Ini adalah cara standar dan praktis untuk menguji alat atau program pengajaran baru ketika pengacakan sejati bukan merupakan pilihan.
Layanan Kesehatan
Rumah sakit dan klinik menggunakan kelompok pasien yang sudah ada untuk mempelajari prosedur atau sistem baru.
Seperti apa bentuknya: Sebuah rumah sakit memasang sistem digital baru untuk perawat guna melacak tanda-tanda vital pasien. Mereka melihat rata-rata waktu pemulihan untuk pasien yang masuk dalam enam bulan sebelum sistem tersebut aktif, dan membandingkannya dengan waktu pemulihan untuk pasien dalam enam bulan setelahnya.
Mengapa ini digunakan: Anda tidak dapat secara acak menetapkan beberapa pasien untuk mendapatkan perawatan yang lebih buruk. Pendekatan ini memungkinkan peneliti kesehatan untuk mempelajari peningkatan dunia nyata dengan cara yang terkontrol.
Kebijakan Publik
Ketika undang-undang atau pajak baru diperkenalkan, hal itu memengaruhi semua orang. Peneliti mempelajari efeknya dengan melihat data dari waktu ke waktu.
Seperti apa bentuknya: Sebuah negara bagian menaikkan usia legal untuk membeli tembakau dari 18 menjadi 21 tahun. Pejabat kesehatan masyarakat kemudian melacak tingkat merokok tingkat negara bagian di kalangan remaja selama beberapa tahun sebelum dan sesudah undang-undang berubah, mencari penurunan pada garis tren.
Mengapa ini digunakan: Ini sering kali merupakan desain deret waktu terinterupsi. Ini adalah cara utama untuk mengetahui apakah kebijakan skala besar benar-benar menyebabkan perubahan yang diharapkan semua orang.
Bisnis dan Pemasaran
Perusahaan menguji ide-ide baru pada sebagian pelanggan sebelum peluncuran penuh, sering kali karena tes A/B yang sebenarnya tidak memungkinkan.
Seperti apa bentuknya: Sebuah aplikasi media sosial mengembangkan fitur video baru. Mereka merilisnya terlebih dahulu ke semua pengguna di Kanada. Selama tiga bulan, mereka melacak seberapa sering pengguna di Kanada menonton video dibandingkan dengan pengguna di pasar serupa, seperti Inggris dan Australia, yang belum memiliki fitur tersebut.
Mengapa ini digunakan: Para analis, bahkan di forum seperti Reddit, menyebut ini sebagai "peluncuran bertahap" (staggered rollout). Ini memungkinkan perusahaan untuk melihat penggunaan dunia nyata dan melihat masalah sebelum peluncuran global, sambil tetap mengumpulkan data komparatif.
Jenis studi ini sering kali berada di antara wawasan kualitatif dan pengukuran kuantitatif. Jika Anda tidak yakin bagaimana pendekatan ini berbeda, penelitian kualitatif vs kuantitatif menjelaskan bagaimana masing-masing metode berkontribusi pada keputusan desain penelitian.
Kelebihan dan Kekurangan Desain Kuasi Eksperimental
Mengetahui kelebihan metode ini, dan di mana kekurangannya, adalah kunci untuk menilai studi yang menggunakannya.
Kelebihan
Kekuatan terbesarnya adalah metode ini memungkinkan Anda untuk mempelajari berbagai hal ketika eksperimen sejati tidak memungkinkan atau tidak etis.
Penggunaan dunia nyata: Anda dapat meneliti program, kebijakan, dan perlakuan saat itu benar-benar terjadi di sekolah, rumah sakit, atau kota. Anda tidak membuat pengaturan laboratorium tiruan.
Kepraktisan etis: Sering kali, Anda tidak dapat secara acak menolak memberikan pengobatan yang berpotensi membantu kepada seseorang. National Institutes of Health menunjukkan bahwa banyak studi klinis harus menggunakan desain non-acak untuk alasan ini.
Efisiensi: Peneliti sering kali dapat menggunakan data yang sudah ada, seperti catatan sekolah atau log penerimaan rumah sakit. Ini membuat penelitian berjalan lebih cepat dan lebih murah.
Skala: Desain ini dapat diterapkan pada kelompok besar, bahkan seluruh populasi, yang diperlukan untuk mengevaluasi hal-hal seperti undang-undang baru atau kampanye kesehatan masyarakat.
Kekurangan
Aspek timbal-balik utamanya adalah klaim yang lebih lemah tentang sebab dan akibat. Anda tidak dapat seyakin itu bahwa perlakuan yang Anda pelajari adalah alasan sebenarnya dari perubahan apa pun.
Masalah utama: Tanpa penugasan acak, kelompok yang Anda bandingkan mungkin sudah berbeda sejak awal. Mungkin siswa dalam program matematika baru memiliki orang tua yang lebih suportif. Mungkin pasien yang menerima terapi baru umumnya lebih sehat. Perbedaan yang sudah ada sebelumnya ini dapat memengaruhi hasil Anda.
Variabel perancu: Ini adalah faktor yang tidak terukur yang mungkin sebenarnya bertanggung jawab atas hasilnya. Hal ini adalah ancaman konstan dalam jenis penelitian ini.
Bias seleksi: Cara orang masuk ke dalam satu kelompok atau kelompok lain tidaklah acak. Orang yang memilih untuk bergabung dengan program baru mungkin lebih termotivasi daripada mereka yang tidak, yang dengan sendirinya dapat menghasilkan hasil yang lebih baik.
Ketidakpastian: Pada akhirnya, Anda ditinggalkan dengan korelasi yang kuat, mirip dengan apa yang Anda lihat dalam penelitian korelasional, tetapi bukan bukti kausalitas yang pasti. Buktinya bersifat sugestif, bukan mutlak.
Penjelasan yang lebih mendalam tentang tantangan-tantangan ini dan cara peneliti menanganinya dibahas dalam validitas desain kuasi eksperimental dan inferensi kausal, yang mengeksplorasi masalah inferensi kausal dan validitas dalam desain kuasi-eksperimental.
<ProTip title="⚠️ Catatan:" description="Selalu laporkan batasan dengan jelas untuk memperkuat kredibilitas penelitian." />
Cara Mendesain Studi Kuasi Eksperimental Langkah demi Langkah
Jika Anda perlu menjalankan salah satu dari studi ini, berikut adalah alur langsung yang dapat diikuti.
1. Tentukan pertanyaan Anda Mulailah dengan pertanyaan sebab-akibat yang jelas. Spesifiklah.
Lemah: "Apakah program tersebut berhasil?"
Lebih Baik: "Apakah siswa sekolah menengah yang menyelesaikan program bimbingan belajar sebaya yang baru menunjukkan peningkatan yang lebih besar dalam nilai ujian akhir aljabar daripada mereka yang tidak?"
2. Temukan kelompok Anda Anda tidak akan membuat kelompok secara acak. Anda akan menggunakan kelompok yang sudah ada.
Kelompok perlakuan: Orang, ruang kelas, atau wilayah yang akan menerima intervensi (misalnya, tiga cabang perusahaan yang mendapatkan perangkat lunak baru).
Kelompok kontrol/pembanding: Kelompok yang akan berlanjut seperti biasa (misalnya, dua cabang yang mempertahankan sistem lama). Tujuan Anda adalah membuat kelompok-kelompok ini semirip mungkin sejak awal.
3. Pilih desain Anda Pilihan Anda sepenuhnya bergantung pada apa yang praktis untuk situasi Anda.
Jika Anda hanya memiliki akses ke satu kelompok, Anda akan menggunakan desain pretest-posttest satu kelompok.
Jika Anda memiliki dua kelompok yang sudah ada dan dapat mengukurnya sebelum dan sesudah, gunakan pretest-posttest dengan kelompok kontrol nonekuivalen.
Jika Anda mempelajari perubahan kebijakan dan memiliki data selama bertahun-tahun, desain deret waktu terinterupsi adalah pilihan terbaik Anda.
Jika perlakuan ditentukan oleh batas yang ketat (seperti skor tes atau tingkat pendapatan), desain diskontinuitas regresi adalah opsi yang paling ketat.
4. Perhitungkan variabel lain Ini adalah langkah analitis yang paling penting. Karena Anda tidak melakukan pengacakan, Anda harus mencoba mengendalikan faktor-faktor lain secara statistik, dan menggunakan ukuran yang seandal mungkin.
Pencocokan: Pasangkan setiap orang di kelompok perlakuan dengan seseorang di kelompok kontrol yang memiliki karakteristik serupa (usia, skor tes sebelumnya, dll.).
Analisis regresi: Gunakan ini untuk mengisolasi efek perlakuan Anda sembari menahan variabel lain secara matematis agar konstan.
Difference-in-differences: Bandingkan perubahan pada kelompok perlakuan dengan perubahan pada kelompok kontrol. Ini membantu menghilangkan tren yang memengaruhi kedua kelompok.
Jika Anda masih memutuskan bagaimana metode ini cocok dengan pendekatan penelitian Anda yang lebih luas, paradigma penelitian dapat membantu memperjelas bagaimana desain yang berbeda selaras dengan tujuan penelitian.
5. Analisis dan laporkan dengan hati-hati Tafsirkan angka-angka Anda dengan cermat.
Jangan mengeklaim bahwa Anda "membuktikan" intervensi tersebut menyebabkan perubahan. Katakan bahwa bukti tersebut "menunjukkan" atau "mendukung" hubungan kausal.
Jujurlah tentang keterbatasan penelitian. Sebutkan secara eksplisit variabel lain yang tidak dapat Anda kendalikan yang mungkin memengaruhi hasil. Kejujuran inilah yang membuat penelitian menjadi kredibel.
Saat melaporkan temuan, kejelasan dalam gaya sitasi juga penting untuk kredibilitas. Jika Anda sedang menyusun tulisan akademik, contoh et al apa memberikan panduan tentang penggunaan sitasi yang tepat dalam makalah penelitian.
<ProTip title="🧠 Tip Pro:" description="Gunakan perbedaan dalam perbedaan (difference in differences) untuk mengontrol tren waktu dalam kuasi eksperimen." />
Pemikiran Akhir tentang Desain Kuasi Eksperimental
Anda mungkin pernah merasakan betapa rumitnya membuktikan sebab dan akibat ketika Anda tidak dapat mengendalikan segalanya, dan hasilnya bisa terasa tidak pasti atau mudah dipertanyakan. Hal ini memang membuat frustrasi. Desain ini membantu Anda bekerja dengan kondisi nyata sembari tetap mendapatkan jawaban yang berguna, bahkan ketika pengaturan yang sempurna tidak memungkinkan.
<CTA title="Ubah Ide Penelitian Anda Menjadi Desain yang Jelas" description="Rencanakan dan susun studi kuasi eksperimental dengan kejelasan dan keyakinan menggunakan dukungan AI terpandu." buttonLabel="Coba Jenni Gratis" link="https://app.jenni.ai/register" />
Alih-alih terlalu memikirkan setiap keterbatasan, fokuslah pada membangun struktur yang jelas dan menjelaskan pilihan Anda dengan baik. Alat seperti Jenni dapat membantu Anda mengatur ide-ide Anda lebih cepat dan menjaga tulisan Anda tetap tajam, sehingga Anda menghabiskan lebih sedikit waktu untuk buntu dan memiliki lebih banyak waktu untuk memajukan penelitian Anda.