ISSN 2477-1686
Vol. 8 No. 12 Juni 2022
Potensi Teknik Network Psychometrics Di Dunia Psikologi
Oleh:
Christiany Suwartono
Fakultas Psikologi, Universitas Katolik Indonesia Atma Jaya
Dalam konteks psikologi, pendekatan network psychometrics dapat memberikan gambaran secara visual dari konstruk-konstruk psikologi sebagai variabel yang memiliki hubungan satu sama lain. Dalam penelitian dengan berbagai variabel di psikologi, network memberikan gambaran terhadap estimasi dependensi suatu variabel terhadap variabel lain dengan mengondisikan variabel lain yang berkaitan dengan setiap variabel yang ada. Setiap variabel atau yang disebut node dalam network memiliki suatu bentuk asosiasi antar sesama sehingga bila satu node mendapatkan perubahan, seluruh network akan terpengaruh (Christodoulou, Michaelides, & Karekla, 2019). Struktur dalam suatu network bergantung kepada relasiantara elemen yang ada di dalamnya; hal ini dinyatakan melalui hubungan yang tidak memiliki berat atau nilai (unweighted network) dan hubungan yang memiliki berat atau nilai (weighted network).
Secara khusus, di area alat ukur, network psychometrics juga dapat memberikan visualisasi dari butir-butir item dalam satu alat ukur (lihat Suwartono & Bintamur, 2019). Sebelumnya visualisasi dari butir-butir item dalam satu alat ukur bisa kita wujudkan melalui teknik analisis faktor. Analisis faktor dikenal sebagai teknik validasi internal yang merupakan salah satu metode validasi dari alat ukur. Analisis faktor sendiri ada dua tipe; Exploratory Factor Analysis (EFA) dan Confirmatory Factor Analysis (CFA). Untuk melakukan validasi konstruk, pada berbagai jurnal ilmiah, biasanya dilakukan dengan metode CFA. Hal ini dilakukan guna mengkonfirmasi struktur dari suatu alat ukur psikologis, sesuai dengan struktur yang dipublikasikan oleh pembuat alat tes awal (lihat Sugianto, Suwartono, & Sutanto, 2020). Hal ini dikarenakan banyak peneliti memilih untuk melakukan adaptasi skala psikologis. Meski ada beberapa publikasi turut menyertakan bagian EFA sebelum menguraikan hasil dari CFA.
Metode CFA ini dimaksudkan untuk menyajikan evaluasi mengenai suatu struktur tes alat ukur psikologis, terkadang tidak ada kesepakatan final mengenai jumlah faktor, dikarenakan goodness of fit indexes yang sama-sama adekuat antara satu struktur model data lapangan dengan struktur model yang lain (Suwartono & Bintamur, 2019; Suwartono & Moningka, 2017; van Dijk, Claassen, Suwartono, van der Heijden, & Hendriks, 2017). Pada metode CFA, peneliti melakukan perbandingan dari beberapa model mengenai jumlah faktor yang dimiliki dalam suatu tes dan menentukan model yang paling adekuat berdasarkan Akaike's Information Criterion (AIC; Akaike, 1987).
Berbeda dengan CFA, pada network psychometrics ini, faktor-faktor yang ada dalam satu alat ukur ditentukan oleh ektraksi hubungan probabilistik antaritem-item pada alat ukur. Literatur terkini lebih memfokuskan pada penerapan undirected network models atau yang lebih dikenal dengan Markov Random Fields pada data-data psikologis (Golino & Epskamp, 2017). Hal ini dikarenakan item-item pada suatu alat tes, tidak selalu memenuhi syarat local independence, karenanya pada CFA, peneliti melakukan korelasi antar-residual dan pada pelaporannya terkadang para peneliti tidak menampilkan jumlah korelasi antar-residual yang mereka lakukan sampai dengan suatu model itu dianggap adekuat (Epskamp, Rhemtulla, & Borsboom, 2017). Area dari network psychometrics muncul sebagai respon dari keraguan dari hasil estimasi mengenai jumlah faktor yang seharusnya menjadi struktur dari suatu alat ukur psikologis (Golino & Epskamp, 2017).
Network psychometrics memiliki beberapa kelebihan dan hal yang perlu diperhatikan (Schmank, Goring, Kovacs, & Conway, 2019). Kelebihannya, network psychometrics merupakan teknik estimasi eksploratori, layaknya latent variable modelling, yang dapat digunakan untuk menguji asosiasi lintas butir item yang segera dapat disajikan dalam bentuk visual. Selain itu, dapat segera diketahui mengenai kekuatan dan arah dari asosiasi yang terbentuk. Network psychometrics memiliki kesamaan dengan EFA karena kedua teknik berfokus kepada eksplorasi covariance antara observasi serta membangun suatu struktur yang didasarkan atas covariance tersebut (Schmank, Goring, Kovacs, & Conway, 2019).
Network psychometrics juga memiliki beberapa tantangan yang perlu diperhatikan. Sajian model jaringanyang kurang tepat dalam model bisa terjadi bila terdapat kesalahan pengukuran yang tinggi saatpengambilan data. Kualitas data dari sampel pun perlu diperhatikan. Kesuksesan model network psychometrics juga bergantung kepada korelasi atau covariance yang besar karena ketidakmampuan teknik analisis ini untuk mengestimasikan korelasi sebagian (partial correlation) yang secara statistikberbeda dari nol (Schmank, Goring, Kovacs, & Conway, 2019).
Dari penjelasan di atas, network psychometrics merupakan teknik analisis potensial yang dapat digunakan dalam psikologi. Teknik ini menawarkan visualisasi dari asosiasi antarnode yang mudah dipahami pembaca. Hal utama yang perlu diperhatikan peneliti perlu memiliki dasar teori dan kalau memungkinkan pengalaman lapangan yang cukup agar dapat bercerita dengan bahasa awam mengenai pemaknaan dari gambar jaringan yang dihasilkan dari teknik network psychometrics ini.
Referensi:
Akaike, H. (1987) Factor Analysis and AIC. Psychometrika, 52, 317-332.
Christodoulou, A., Michaelides, M., & Karekla, M. (2019). Network analysis: A new psychometricapproach to examine the underlying ACT model components. Journal of Contextual Behavioral Science, 12, 285-289. https://doi.org/10.1016/j.jcbs.2018.10.002
Epskamp, S., Rhemtulla, M., & Borsboom, D. (2017). Generalized network psychometrics: Combining network and latent variable models. Psychometrika, 82(4), 904–927. https://doi.org/10.1007/s11336-017-9557-x
Golino, H. F., & Epskamp, S. (2017). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. PLoS ONE, 12(6), Article e0174035. https://doi.org/10.1371/journal.pone.0174035
Schmank, C. J., Goring, S. A., Kovacs, K., & Conway, A. R. (2019). Psychometric network analysis of theHungarian WAIS. Journal of Intelligence, 7(3), 21.
Sugianto, D., Suwartono, C., & Sutanto, S. H. (2020). Reliability and validity of the Indonesian version of Self-Compassion Scale. Jurnal Psikologi Ulayat, 7(2), 177–191. https://doi.org/10.24854/jpu107
Suwartono, C., & Bintamur, D. (2019). Validation of the Emotion Regulation Questionnaire (ERQ): Network Analysis as an Alternative of Confirmatory Factor Analysis (CFA). ANIMA Indonesian Psychological Journal, 34(3), 115-124. https://doi.org/10.24123/aipj.v34i3.2300
Suwartono, C., & Moningka, C. (2017).Pengujian Validitas dan Reliabilitas Skala Identitas Sosial.Jurnal Psikologi Indonesia Humanitas, 14(2), 176 – 188.
van Dijk, M., Claassen, T., Suwartono, C., van der Veld, W. M., van der Heijden, P. T., & Hendriks, M. (2017). Evaluating WAIS-IV structure through a different psychometric lens: structural causal model discovery as an alternative to confirmatory factor analysis. The Clinical neuropsychologist, 31(6-7), 1141–1154. https://doi.org/10.1080/13854046.2017.1352029
