Effect size adalah ukuran yang menunjukkan seberapa besar perbedaan atau hubungan yang benar-benar berarti dalam penelitian, melampaui sekadar signifikansi statistik. Jika nilai p hanya memberi tahu apakah suatu efek ada, maka effect size menjelaskan seberapa kuat atau penting efek tersebut secara praktis. Dengan demikian, memahami effect size menjadi penting agar peneliti tidak hanya tahu “ada atau tidaknya perbedaan”, tetapi juga “seberapa besar perbedaan itu” dalam konteks nyata. Dari titik inilah pembahasan dapat diarahkan pada prinsip dasar effect size yang menjelaskan konsep, jenis, hingga cara menghitungnya.
15.1 Prinsip Dasar
Effect size berangkat dari gagasan bahwa signifikansi statistik saja tidak cukup untuk menjawab apakah suatu temuan penelitian benar-benar penting secara praktis. Sebuah hasil bisa saja signifikan karena ukuran sampelnya besar, padahal perbedaan yang ditemukan sebenarnya sangat kecil dan tidak relevan dalam praktik. Di sinilah effect size berperan, karena ia memberi informasi mengenai kekuatan hubungan antar variabel atau besarnya perbedaan antar kelompok dengan satuan yang lebih mudah dipahami secara kuantitatif.
Secara prinsip, effect size mengukur seberapa besar “efek nyata” yang terjadi dalam sebuah studi. Efek ini bisa berupa perbedaan rata-rata antar kelompok, kekuatan korelasi antara dua variabel, atau besarnya varians yang dapat dijelaskan oleh suatu model. Dengan demikian, effect size menjadi jembatan penting yang menghubungkan antara hasil analisis statistik dan implikasi praktis dari penelitian. Ia membantu peneliti untuk tidak hanya menjawab “apakah ada efek?” tetapi juga “seberapa besar efek itu?”.
Pelaporan effect size penting karena melengkapi informasi yang tidak diberikan oleh p-value. Nilai signifikansi hanya menunjukkan apakah hasil mungkin terjadi karena kebetulan atau tidak, tetapi tidak menjelaskan seberapa besar pengaruh yang sebenarnya. Dengan menyertakan effect size, peneliti dapat menilai apakah temuan yang signifikan juga memiliki arti praktis, serta memungkinkan perbandingan lintas penelitian secara lebih adil, misalnya dalam meta-analisis. Hal ini mencegah kesalahpahaman bahwa hasil signifikan selalu berarti penting, padahal efeknya bisa saja sangat kecil dan kurang relevan secara praktis.
15.2 Klasifikasi Effect Size
Effect size dapat dinyatakan dalam beberapa bentuk tergantung pada teknik analisis statistik yang digunakan. Secara umum, ada dua kategori utama:
Perbedaan mean yang distandarisasi
Ukuran ini digunakan untuk membandingkan rata-rata dua kelompok atau lebih. Rumus yang paling populer adalah Cohen’s d (Cohen, 1988; Lakens, 2013):
\[ d = \frac{M_{1} - M_{2}}{SD_{\text{pooled}}} \]
dengan
\[ SD_{\text{pooled}} = \sqrt{ \frac{(n_{1}-1)SD_{1}^{2} + (n_{2}-1)SD_{2}^{2}}{\,n_{1} + n_{2} - 2} } \]
Proporsi varians yang dapat dijelaskan
Ukuran ini menjawab pertanyaan: seberapa besar varians pada suatu variabel dapat dijelaskan oleh varians variabel lain. Bentuk yang sering digunakan antara lain:
r² untuk uji beda mean
Dari uji t, effect size dapat dihitung dengan:
\[ r^{2} = \frac{t^{2}}{t^{2} + \text{df}} \]
r² untuk korelasi
Jika analisis berupa korelasi, effect size dihitung dengan menguadratkan koefisien korelasi:
\[ r^{2} = \left(r_{xy}\right)^{2} \]
Semakin besar nilai r², semakin banyak varians satu variabel yang dapat dijelaskan oleh variabel lain.
R² dalam regresi
Dalam analisis regresi, effect size dinyatakan dengan proporsi varians total yang dijelaskan oleh model:
\[ R^{2} = \frac{JK_{\text{reg}}}{JK_{\text{tot}}} \]Nilai R² berkisar antara 0–1, dengan interpretasi bahwa semakin tinggi R², semakin baik model regresi menjelaskan varians variabel dependen.
15.3 Ukuran Effect Size Lainnya
Selain Cohen’s d dan korelasi (r), terdapat ukuran effect size lain yang digunakan sesuai jenis analisis. Setiap ukuran ini membantu peneliti membaca makna praktis hasil penelitian dalam konteks yang lebih spesifik (lihat Tabel 15.1).
Cramer’s V/Phi coefficient
Digunakan pada uji chi-square atau tabel kontingensi untuk melihat kekuatan hubungan antar variabel kategorikal. Nilainya mirip dengan korelasi, semakin mendekati 1 berarti hubungan semakin kuat.
Eta squared (η²)/Partial eta squared (ηp²)
Sering digunakan pada ANOVA. Menunjukkan proporsi varians yang dijelaskan oleh faktor independen. Partial eta squared lebih umum dipakai dalam penelitian psikologi karena memperhitungkan pengaruh faktor lain.
Odds ratio
Digunakan dalam penelitian dengan data kategorikal (terutama di ilmu kesehatan). Menggambarkan seberapa besar peluang suatu kejadian terjadi pada satu kelompok dibandingkan kelompok lain.
| Ukuran | Kecil | Sedang | Besar |
|---|---|---|---|
| Cohen’s d | 0.2 | 0.5 | 0.8 |
| r/r² | r = 0.1 (r² ≈ 0.01) | r = 0.3 (r² ≈ 0.09) | r = 0.5 (r² ≈ 0.25) |
| Cramer’s V/Phi | 0.1 | 0.3 | 0.5 |
| Eta squared (η²) | 0.01 | 0.06 | 0.14 |
| Partial eta squared (ηp²) | 0.01 | 0.06 | 0.14 |
| Odds ratio (OR) | ~1.2 | ~1.5 | ≥2.0 |