Effect Size: Mengapa Nilai p Saja Tidak Cukup di Skripsi

Kamu sudah di meja sidang, dosen penguji menatap lembar skripsimu, terus bertanya: "Nilai p-nya signifikan, oke. Tapi seberapa besar pengaruhnya secara praktis?"

Dan kamu terdiam.

Gue tahu rasanya. Dulu waktu sidang tesis, gue pernah duduk di kursi yang sama — sudah hafal semua tabel output SPSS, bisa jelasin setiap angka, tapi begitu penguji nanya soal practical significance, otak gue blank. Bukan karena gue bodoh. Tapi karena dari awal, gue nggak pernah diajarkan bahwa p-value itu hanya setengah jawaban.

Artikel ini buat kamu yang sudah sampai di Bab 4 atau bahkan mau sidang minggu depan — tapi masih bingung soal effect size penelitian: apa itu, gimana ngitungnya, gimana nulis interpretasinya, dan gimana jawab penguji dengan percaya diri.

Apa Itu Effect Size dan Mengapa Dosen Penguji Selalu Menanyakannya

Statistical Significance vs Practical Significance

P-value menjawab satu pertanyaan spesifik: "Apakah efek ini nyata atau cuma kebetulan akibat sampling?" Kalau p < 0,05, kamu bilang hasilnya signifikan secara statistik — artinya efek yang kamu temukan kemungkinan besar bukan noise. Tapi pertanyaan yang berbeda — dan justru lebih penting dalam konteks kebijakan, intervensi, atau praktik — adalah: "Seberapa besar efeknya?"

Bayangkan sebuah obat hipertensi diuji di sampel 10.000 orang dan hasilnya: penurunan tekanan darah rata-rata 1 mmHg, p < 0,001. Signifikan secara statistik? Ya, sangat. Tapi apakah dokter akan meresepkan obat itu? Hampir pasti tidak — karena penurunan 1 mmHg tidak berarti apa-apa secara klinis. Bandingkan dengan obat lain yang menurunkan 20 mmHg. Keduanya mungkin "signifikan", tapi besaran efeknya berbeda jauh. Di sinilah effect size bekerja: mengukur magnitude atau besarnya efek, bukan sekadar memastikan efek itu ada.

Standar Pelaporan Effect Size di Dunia Akademik

APA Publication Manual edisi ke-7 (effect size reporting) secara eksplisit mewajibkan pelaporan effect size dalam setiap hasil analisis inferensial. Bukan sekadar anjuran — tapi standar. Jurnal-jurnal internasional bereputasi sudah lama menerapkan ini, dan tren yang sama mulai masuk ke ekspektasi penguji di program S2 dan S3 Indonesia, bahkan sebagian program S1.

Makanya dosen penguji menanyakannya. Bukan untuk menjebak — tapi karena itulah standar riset yang baik. Kalau skripsi atau tesismu hanya melaporkan p-value, secara metodologis laporan itu tidak lengkap.

Jenis-Jenis Effect Size dan Kapan Menggunakannya

Effect Size untuk Uji Beda

Jenis effect size yang paling dikenal adalah Cohen's d, dikembangkan oleh Jacob Cohen dalam bukunya yang legendaris, Cohen, J. (1988) Statistical Power Analysis for the Behavioral Sciences. Cohen's d digunakan ketika kamu membandingkan dua rata-rata — misalnya uji t independen langkah demi langkah antara kelompok kontrol dan eksperimen, atau uji t berpasangan pre-post.

Untuk uji beda lebih dari dua kelompok seperti ANOVA, ukuran yang tepat adalah eta squared (η²) atau partial eta squared (η²ₚ). Keduanya punya logika yang mirip tapi berbeda dalam cara membagi varians — η² membagi SS effect dengan SS total keseluruhan, sedangkan partial η² hanya mempertimbangkan SS effect dan SS error tanpa memasukkan faktor lain. Untuk desain ANOVA satu arah sederhana, keduanya identik; untuk ANOVA dua arah atau ANCOVA, partial η² lebih disarankan.

Effect Size untuk Regresi dan SEM-PLS

Di regresi berganda dan structural equation modeling (SEM), ukuran yang digunakan adalah f² (Cohen's f²). Kalau kamu pakai SmartPLS untuk SEM-PLS, output effect size di tabel path coefficients sudah tersedia — tapi banyak mahasiswa yang melewatkannya begitu saja.

Ada juga Pearson r untuk korelasi bivariat, dan untuk penelitian klinis atau epidemiologi yang menggunakan uji chi-square atau regresi logistik, ukurannya bergeser ke Odds Ratio (OR) atau Risk Ratio (RR).

Tabel Padanan Uji Statistik dan Effect Size

Cara Menghitung Effect Size: Rumus, Contoh, dan Langkah Praktis

Menghitung Cohen's d Langkah demi Langkah

Rumusnya sederhana:

d = (M₁ - M₂) / SD_pooled

Di mana SD_pooled adalah:

SD_pooled = √[(SD₁² + SD₂²) / 2]

Contoh konkret — misalnya kamu meneliti perbedaan skor motivasi belajar antara mahasiswa yang menggunakan e-learning (Kelompok A) vs. kuliah konvensional (Kelompok B):

• M₁ = 78,5 | SD₁ = 10,2 | n₁ = 40
• M₂ = 72,3 | SD₂ = 11,8 | n₂ = 40

SD_pooled = √[(10,2² + 11,8²) / 2] = √[(104,04 + 139,24) / 2] = √[121,64] = 11,03

d = (78,5 - 72,3) / 11,03 = 6,2 / 11,03 = 0,56

Artinya: effect size sedang. Perbedaan skor motivasi antara dua kelompok setara dengan 0,56 standar deviasi.

Menghitung η² dari Output SPSS

Dari output ANOVA di SPSS, kamu bisa langsung menghitung eta squared:

η² = SS_effect / SS_total

SPSS biasanya menyediakan kolom Sum of Squares. Misalnya SS_antar kelompok = 420,5 dan SS_total = 1.850,3, maka:

η² = 420,5 / 1.850,3 = 0,227

Kalau kamu mau partial η², SPSS sudah bisa menampilkannya langsung — centang opsi Estimates of effect size di menu ANOVA. Cara lebih lengkapnya ada di panduan lengkap ANOVA untuk skripsi.

Menghitung f² untuk Regresi dan PLS-SEM

Untuk regresi berganda, rumus f² mengacu pada Hair et al. (2019) dan Ghozali (2021):

f² = R² / (1 - R²)

Kalau R² model regresimu = 0,45, maka:

f² = 0,45 / (1 - 0,45) = 0,45 / 0,55 = 0,818 → efek besar

Di SmartPLS untuk SEM-PLS, f² tersedia di tabel Path Coefficients setelah kamu menjalankan bootstrapping dan blindfolding. Nilainya muncul di kolom Effect Size. Pastikan kamu membaca kolom itu — jangan cuma fokus pada p-value dan t-statistic.

Pro Tip: Kalau kamu masih bingung menghitung effect size secara manual, coba G*Power: kalkulator power analysis dan effect size gratis. Selain bisa menghitung effect size, G*Power juga membantu menentukan ukuran sampel minimum berdasarkan power yang kamu targetkan — berguna banget kalau kamu masih di tahap proposal.

Cara Menginterpretasikan Effect Size: Tabel Kriteria dan Konteks Bidang Ilmu

Tabel Kriteria Effect Size Cohen

Cohen (1988) menetapkan kriteria konvensional yang sampai sekarang paling banyak dipakai:

Untuk partial η², Richardson (2011) dalam British Journal of Mathematical and Statistical Psychology menyarankan kriteria yang sedikit berbeda: kecil = 0,01, sedang = 0,06, besar = 0,14 — konsisten dengan tabel di atas. Gunakan referensi ini kalau kamu mau lebih presisi dalam sitasi.

Menulis Kalimat Interpretasi Effect Size di Bab 4

Kalimat interpretasi yang baik tidak hanya menyebut angka — tapi juga konteks. Hindari menulis: "Effect size sebesar 0,56 menunjukkan efek sedang." Itu kering. Tulis lebih bermakna:

"Nilai Cohen's d sebesar 0,56 mengindikasikan efek yang tergolong sedang menurut kriteria Cohen (1988), artinya penggunaan metode e-learning memberikan perbedaan yang bermakna secara praktis — sekitar setengah standar deviasi lebih tinggi dibandingkan kelompok konvensional."

Jangan Terjebak Label 'Kecil' atau 'Besar'

Ini poin yang sering bikin mahasiswa salah paham. Kriteria Cohen bersifat konvensional, bukan absolut. Cohen sendiri dalam bukunya menegaskan bahwa nilai ini bersifat referensi umum — bukan vonis. Di bidang pendidikan dan psikologi sosial, effect size d = 0,2 sudah bisa dianggap signifikan secara praktis kalau intervensinya murah dan mudah direplikasi. Di farmakologi, bahkan d = 0,1 bisa punya dampak populasi yang besar kalau diterapkan ke jutaan pasien.

Sugiyono (2019) dalam konteks penelitian sosial Indonesia juga menekankan bahwa kekuatan hubungan harus dibaca dalam konteks bidang, bukan sekadar label angka. Jadi kalau d = 0,3 di penelitianmu, jangan tulis: "Efek kecil ini menandakan hipotesis kurang terdukung." Itu logika yang keliru — dan penguji yang paham pasti akan mengkritiknya.

Catatan Penting: Effect size kecil ≠ hipotesis gagal. Effect size mengukur besarnya efek, bukan memvalidasi atau membatalkan hipotesis. Hipotesis didukung atau tidak berdasarkan arah dan signifikansi — effect size melengkapi cerita itu dengan dimensi besaran. Dua hal yang berbeda.

Template Kalimat Pelaporan Effect Size untuk Bab 4 dan Abstrak Skripsi

Template untuk Uji T dan ANOVA

Uji t independen (Cohen's d):

"Hasil uji t independen menunjukkan perbedaan yang signifikan antara kelompok [A] dan kelompok [B], t([df]) = [nilai t], p = [.xxx], dengan ukuran efek Cohen's d = [nilai d] yang tergolong [kecil/sedang/besar] (Cohen, 1988). Temuan ini mengindikasikan bahwa [interpretasi substantif sesuai konteks penelitian]."

ANOVA satu arah (η²):

"Analisis ANOVA satu arah menunjukkan pengaruh yang signifikan dari [variabel independen] terhadap [variabel dependen], F([df_between], [df_within]) = [nilai F], p = [.xxx], η² = [nilai], mengindikasikan bahwa [variabel independen] menjelaskan [nilai η² × 100]% varians dalam [variabel dependen], yang tergolong efek [kecil/sedang/besar] (Richardson, 2011)."

Template untuk Regresi Berganda dan SEM-PLS

Regresi berganda (f²):

"Model regresi berganda menghasilkan R² = [nilai], F([df]) = [nilai F], p < .05. Ukuran efek Cohen's f² = [nilai] menunjukkan bahwa model secara keseluruhan memiliki kekuatan prediksi yang tergolong [kecil/sedang/besar] (Hair et al., 2019; Ghozali, 2021)."

SEM-PLS (f² untuk path tertentu):

"Pengaruh [variabel eksogen] terhadap [variabel endogen] memiliki koefisien jalur β = [nilai], t = [nilai], p < .05, dengan effect size f² = [nilai], menunjukkan besaran efek yang [kecil/sedang/besar] menurut kriteria Cohen (1988)."

Tips Menjawab Penguji di Sidang

Kalau penguji bertanya: "Apa arti effect size yang kamu laporkan?" — jangan panik. Jawab dengan tiga lapis: (1) sebutkan angkanya, (2) sebut kategorinya berdasarkan kriteria siapa, (3) hubungkan ke konteks penelitianmu.

Contoh: "Effect size f² sebesar 0,18 menurut kriteria Cohen (1988) tergolong sedang, artinya variabel motivasi kerja memiliki kontribusi praktis yang cukup berarti terhadap kinerja karyawan — tidak hanya signifikan secara statistik, tapi juga relevan secara manajerial."

Untuk abstrak, cukup sebutkan nilai dan kategorinya dalam satu frasa pendek — tidak perlu elaborate panjang di abstrak.

Kesalahan Fatal Effect Size yang Sering Ditemukan di Skripsi Indonesia

5 Kesalahan Effect Size Paling Umum

Kesalahan #1 — Tidak melaporkan effect size sama sekali. Hanya menulis p < 0,05 lalu langsung ke kesimpulan. Ini yang paling umum, dan paling mudah dikritik penguji yang melek metodologi.

Kesalahan #2 — Menggunakan rumus effect size yang salah. Pakai Cohen's d untuk ANOVA, atau pakai η² untuk uji t. Setiap uji punya ukurannya sendiri — lihat lagi tabel padanan di atas.

Kesalahan #3 — Menafsirkan effect size kecil sebagai kegagalan hipotesis. Misalnya menulis: "Nilai d = 0,22 yang tergolong kecil menunjukkan bahwa hipotesis pertama tidak terdukung." Logika ini salah total. Effect size dan keputusan hipotesis adalah dua domain yang berbeda.

Kesalahan #4 — Copy-paste interpretasi tanpa menyesuaikan konteks. Banyak mahasiswa menyalin kalimat interpretasi dari skripsi kakak tingkat tanpa mengubah substansinya. Penguji yang berpengalaman bisa mencium ini — dan biasanya akan menggali lebih dalam dengan pertanyaan yang spesifik.

Kesalahan #5 — Melupakan effect size saat submit ke jurnal. Kamu berhasil lulus sidang, tapi begitu revisi artikel untuk submit ke jurnal, editor reviewer langsung minta effect size yang tidak kamu laporkan. Biasakan dari skripsi.

Checklist Effect Size Sebelum Sidang

Cetak ini, tempel di meja belajarmu:

• Apakah setiap uji inferensial dilengkapi nilai effect size?
• Apakah jenis effect size yang dipakai sesuai dengan jenis uji statistiknya?
• Apakah interpretasi effect size mengacu pada referensi yang valid (Cohen, Richardson, Hair, dll.)?
• Apakah interpretasi effect size dihubungkan ke konteks substantif penelitian — bukan sekadar label "kecil/sedang/besar"?
• Apakah effect size juga tercantum di abstrak (minimal ukuran dan kategorinya)?

Cara Cepat Menganalisis dan Melaporkan Effect Size dengan Bantuan AI

Dari Angka ke Narasi: Tantangan Terbesar Mahasiswa

Jujur — banyak mahasiswa yang sebenarnya sudah punya angkanya. Output SPSS sudah ada, SmartPLS sudah jalan, f² sudah muncul di tabel. Tapi tantangan terbesarnya justru di sini: gimana cara menulis interpretasinya dengan bahasa yang akademis, tidak kaku, dan tidak salah secara metodologis? Ini yang paling sering bikin macet di tengah penulisan cara membuat pembahasan bab 4 kuantitatif.

Risos AI: Analisis Data + Penulisan dalam Satu Platform

Kalau kamu sedang di tahap ini — punya data, punya angka, tapi bingung menuangkannya jadi narasi pembahasan yang solid — Risos AI punya fitur yang bisa membantu secara konkret.

Fitur Writing Studio di Risos AI dilengkapi AI inline assist yang bisa membantumu mengubah angka effect size mentah menjadi kalimat interpretasi yang sesuai standar APA — lengkap dengan konteks bidang ilmu yang kamu pilih. Bukan sekadar template generik, tapi narasi yang bisa kamu pahami, evaluasi, dan kembangkan sendiri.

Lebih dari itu, Risos AI juga punya modul analisis kuantitatif yang sudah menyertakan output effect size secara otomatis — baik untuk regresi berganda, ANOVA, maupun SEM-PLS. Jadi kamu tidak perlu hitung manual lagi.

Yang paling berguna menjelang sidang: fitur Defense Scan yang mengecek apakah pelaporan hasil analisismu — termasuk effect size — sudah sesuai standar sebelum kamu duduk di depan penguji.

Coba dulu lewat Trial Gratis 3 hari di risos.ai — tidak perlu kartu kredit, dan kamu bisa langsung merasakan bedanya punya tools yang ngerti kebutuhan riset akademik Indonesia.

Penutup: Effect Size Bukan Formalitas, Ini Standar

Dulu gue kira effect size itu cuma basa-basi akademik yang dipasang biar keliatan keren. Ternyata salah besar. Setelah mendalami metodologi lebih jauh, gue sadar bahwa p-value saja memang tidak pernah cukup — karena dia hanya menjawab "apakah ada?", bukan "seberapa besar?". Dua pertanyaan yang sama pentingnya.

Singkatnya:

• Effect size mengukur besarnya efek secara praktis — melengkapi p-value yang hanya bicara soal signifikansi
• Pilih jenis effect size sesuai uji statistikmu: Cohen's d untuk uji t, η² untuk ANOVA, f² untuk regresi/SEM-PLS
• Kriteria Cohen (kecil/sedang/besar) bersifat konvensional — selalu sesuaikan dengan konteks bidang ilmu
• Laporkan effect size di bab pembahasan, abstrak, dan artikel jurnal
• Jangan tafsirkan effect size kecil sebagai bukti hipotesis gagal — itu dua pertanyaan yang berbeda
• Gunakan template kalimat dan checklist pra-sidang agar tidak ada yang terlewat

Kalau kamu sudah sampai di sini, artinya kamu serius dengan kualitas skripsimu. Dan itu sudah setengah jalan menuju sidang yang lancar.