Hi, ini Fergi. Selamat berjumpa kembali.

Menulis di situs milik Program Business Engineering, BINUS-ASO School of Engineering adalah salah satu, dari puluhan atau mungkin ratusan, tanggung jawab saya.

Saya tentunya senang jika Anda membaca tulisan di sini. Tidak banyak berharap mengenai ini. Saya percaya: Terdapat gazilion video TikTok yang lebih menarik untuk ditonton.

Jika Anda kebetulan membaca dan ingin berkomentar, saya dengan senang hati menerimanya di base@binus.edu.

So, berikut tulis hari ini.

Saya menemukan penggunaan statistik yang mungkin kurang sesuai ketika membaca secara mendalam paper:

Impact of Work Motivation on Construction Labor Productivity

Padahal paper ini dipublikasi oleh jurnal yang sangat terkenal: Journal of Management in Engineering milik American Society of Civil Engineers.

Menurut Scimago, jurnal ini berada di Q1 Scopus dengan SJR 1.65 (2022). Jadi, ini terkategori jurnal hebat.

Mari kita lihat lebih detil paper ini terutama bagian di mana statistik tidak digunakan dengan baik.

Secara umum, paper di atas bertujuan mencari hubungan antara motivasi kerja dan Produktivitas.

Anda mungkin berpikir: Untuk apa hal seperti itu diteliti. Bukankah sudah jelas bahwa keduanya berhubungan. Jangan terlalu cepat; ada hal menarik yang berusaha penulis temukan.

Peneliti mencoba melihat motivasi dengan lebih detil, dengan membaginya ke dalam beberapa dimensi. Totalnya, motivasi dibagi menjadi enam dimensi mengikuti teori: the Multidimensional Work-Motivation Scale (MWMS).

Peneliti mencari hubungan matematis antara setiap dimensi motivasi dan Produktivitas.

Mereka menggunakan teori bahwa motivasi bersifat multi dimensi, dan dapat dibagi ke dalam enam dimensi:

  • M1 - motivasi rendah (amotivation): tingkat motivasi yang sangat rendah untuk melakukan apapun juga atau sederhanya, pemalas;
  • M2 - motivasi sosial (extrinsic-social motivation): motivasi untuk mendapatkan penghargaan dari pihak lain;
  • M3 - motivasi material (extrinsic-material motivation): motivasi untuk mendapatkan penghargaan material;
  • M4 - motivasi personal (introjected regulation): bekerja karena didorong oleh ego dan rasa malu;
  • M5 - motivasi berdasarkan prinsip personal (identified regulation): secara sadar melihat bekerja sebagai bagian dari tujuan personal yang ingin dicapai; dan
  • M6 - motivasi internal (instrinsic motivation): melihat bahwa bekerja memberikan kepuasan.

Peneliti mengukur M1 sampai M6 dan mengkaitkannya dengan Produktivitas. Variabel terakhir diukur dari waktu yang dibutuhkan oleh setiap pekerja untuk menyelesaikan pekerjaanya.

Di sinilah saya menemukan penggunaan statistik yang kurang pantas.

Hubungan antara M1 dan Produktivitas, dan juga M2 sampai M6, diberikan dalam Tabel 8 paper tersebut. Tabel ini, saya berikan di bawah ini.

Hubungan M1, dan M lainnya, dan Produktivitas bersifat tidak linear tapi mengikuti polinomial orde 3. Hubungan ini juga ditampilkan dalam bentuk grafik dalam paper.

Perhatian saya jatuh pada statistik R yang terletak di kolom ke-tiga dari tabel di atas. Statistik ini adalah statistik korelasi Pearson, menurut narasi yang ditulis dalam paper.

Statistik korelasi Pearson R hanyalah efektif untuk mengukur hubungan yang bersifat linear. Formula untuk koefisien korelasi Pearson adalah:

Jika dua variabel berhubungan linear, statistik ini dapat mengukur korelasi keduanya dengan baik. Akan tetapi, untuk dua variabel yang tidak berhubungan secara linear, misalnya kuadratik ataupun kubik, statistik Pearson tidak bisa digunakan.

Jadi jelas, mengkaji kualitas hubungan M1-Produktivitas yang bersifat tidak linear dengan statistik korelasi Pearson bukanlah pendekatan yang baik.

Di samping statistik korelasi Pearson, kita juga mengetahui statistik koefisien determinasi atau R2. Hal ini bukan berarti bahwa koefisien determinasi diperoleh dari korelasi Pearson R yang dipangkatkan dua.

Nilai koefisien determinasi R2 sama dengan nilai koefisien Pearson dipangkatkan dua hanyalah berlaku jika relasi antara variabel bersifat linear.

Statistik koefisien determinasi R2 berlaku untuk hubungan yang linear maupun tidak linear, dan ini adalah statistik yang baik untuk mengkaji kesesuaian fakta dan teori, data dan model.

Belum ada statistik yang memadai untuk mengkaji kualitas hubungan gelap. 🙂

Dalam tabel di atas, di kolom ke-empat, R2 bukanlah koefisien determinasi, tetapi diperoleh dari nilai koefisien korelasi Pearson.

Hal ini tentunya sangat disayangkan dan pembaca perlu berhati-hati.

Jika dalam tabel di atas R2 menggambarkan koefisien determinasi, tentunya kita tidak bisa menerima model

dengan nilai

Anda coba bayangkan: Seseorang mengajukan model matematika yang hanya mampu menggambarkan dinamika data di tingkat kurang dari 10%.

Tentunya hal ini sulit diterima.

Kita tidak perlu berlebihan dengan isu ini. Elon Musk pernah berucap, "most academic publications are pretty much useless." Mungkin Elon tidak sepenuhnya benar; pendapat dan tindakan beliau sering contentious.

Mendengar Alexandar Pope berikut ini, mungkin bisa membuat kita lebih memahami mahluk dalam kategori manusia.

"To err is human, to forgive divine."

Enjoy.

[Last updated: 29 August 2023 by Prof. Dr. Eng. Fergyanto E. Gunawan]