Riset Pendidikan Berbasis Data Tes Internasional (Annotated Bibliography)

Tulisan ini berisi catatan bacaan alias reading notes. Semacam annotated bibliography tentang studi-studi pendidikan, khususnya yang didasarkan pada tes-tes internasional berskala besar seperti PISA, TIMSS, dan PIRLS. Tulisan saya perbarui secara periodik (yang artinya, belum tentu secara rutin!).

The Role of Schooling in Perpetuating Educational Inequity: An International Perspective (Schmidt, dkk., 2015).

Artikel ini mengkaji peran "kesempatan belajar" (opportunity to learn, OTL) sebagai variabel perantara yang menjelaskan kaitan antara status ekonomi sosial (SES) dengan prestasi matematika. Para penulis menyatakan bahwa kaitan antara SES dan prestasi akademik sudah bisa dianggap sebagai fenomena yang well-established. Secara rata-rata, siswa dari keluarga kaya cenderung lebih tinggi prestasinya di sekolah. Dalam artikel ini, Schmidt dkk ingin menunjukkan bahwa salah satu mekanisme pengaruh SES terhadap prestasi adalah melalui kesempatan belajar yang tersedia bagi siswa.

Metode. Schmidt dkk memanfaatkan data PISA 2012 untuk menjawab pertanyaan penelitiannya. OTL dioperasionalkan sebagai "intensitas paparan (exposure) terhadap topik-topik matematika", yang diukur pada level individu siswa. Dalam bahasa yang lebih sederhana, OTL dalam riset ini adalah apakah siswa pernah diperkenalkan pada topik-topik matematika (khususnya aljabar dan geometri). SES dioperasionalkan sebagai komposit (paduan) dari tiga indikator: profesi orangtua, tingkat pendidikan orangtua, dan harta benda di rumah. Beberapa variabel juga dimasukkan untuk dikontrol secara statistik: gender, usia, kelas, dan apakah siswa mengerjakan tes dalam bahasa ibunya. Analisis dilakukan dengan berbagai teknik, termasuk regresi multijenjang dan pemodelan struktural.

Temuan. Secara keseluruhan, hasil analisis menunjukkan adanya kaitan erat antara SES, OTL, dan prestasi matematika. Pemodelan struktural menunjukkan bahwa OTL menjadi variabel perantara bagi kaitan antara SES dan prestasi. Ini terjadi pada level individu, sekolah, maupun negara.

• Pada level individu, siswa dari keluarga SES tinggi cenderung lebih sering diperkenalkan pada berbagai topik matematika, dan cenderung lebih tinggi pula prestasi matematikanya (dibanding siswa SES rendah di sekolah yang sama). 
• Pada level berikutnya, siswa yang bersekolah di sekolah ber-SES tinggi cenderung lebih banyak mendapat paparan pada berbagai topik matematika, dan cenderung lebih tinggi pula prestasinya (dibanding siswa dari latar belakang keluarga yang mirip, tapi bersekolah di sekolah dengan SES rendah). 
• Pada level negara, kesenjangan OTL berasosiasi dengan kesenjangan prestasi. Dengan kata lain, semakin besar kesenjangan OTL (antar sekolah di sebuah negara), semakin besar pula kesenjangan prestasi (antar sekolah di negara itu).

Sumber: Schmidt, Burroughs, Zoido, dan Houang (2015), halaman 375.

Selain itu, ada temuan menarik tentang perbedaan antar negara. Kesenjangan kesempatan belajar (dan kesenjangan prestasi) paling besar ada di negara-negara seperti Belanda dan Jerman yang menerapkan pemisahan jalur sekolah (tracking, misalnya akademik vs. vokasional). Tapi kesenjangan cukup besar juga terlihat di negara-negara yang secara formal ingin memberi kesempatan belajar yang sama pada semua siswa (seperti di Amerika, Inggris, Selandia Baru, dan Australia). Kesenjangan ini muncul karena di dalam sekolah yang sama, siswa cenderung mendapat kesempatan belajar yang berbeda, yang sebagian tergantung pada latar belakang SES siswa tersebut.

Implikasi. Temuan-temuan Schmidt dkk menunjukkan bahwa kesenjangan prestasi (matematika) mungkin bisa dikurangi melalui pemberian kesempatan belajar yang lebih setara/seragam. Schmidt dkk mengatakan bahwa mengubah kebijakan pendidikan (untuk mengurangi kesenjangan kesempatan belajar) relatif lebih mudah dibanding intervensi untuk mengurangi SES secara langsung. Tapi saya kok tidak sepakat, mengingat sistem pendidikan tidak kalah kompleksnya dibanding sistem ekonomi. In any case, artikel ini cukup meyakinkan dalam argumen utamanya: perbedaan SES berujung pada kesempatan belajar yang berbeda, yang kemudian membuahkan prestasi yang berbeda pula. 

Asingnya Dunia Ilmu Pengetahuan: Obrolan Sabtu Pagi

"Why Schools Matter. Ini buku apa, Daddy?" tanya Little A ketika melihat buku yang tergeletak di meja dapur.

Buku yang ia baca judulnya ini adalah salah satu referensi klasik mengenai pengaruh kurikulum terhadap hasil belajar siswa. Terbit tahun 2001 dan ditulis oleh pakar-pakar pendidikan dari Michigan State University (Schmidt dan kawan-kawan), "Why School Matters" didasarkan pada analisis dokumen kurikulum serta hasil tes matematika dan sains pada siswa dari hampir 50 negara.

Merangkumkan isi buku semacam ini untuk siswa kelas 4 bukan hal mudah. Tapi saya juga tidak ingin membuang kesempatan ngobrol tentang buku ini. Karena itulah saya bertanya balik: "What do you think? Menurutmu apa kira-kira isinya?"

Analisis Data dengan MPlus: Menyiapkan Data dari SPSS

Catatan: tulisan ini adalah bagian materi kuliah saya di program S2 dan S3 Fakultas Psikologi Universitas Surabaya. Jika anda ingin mengutip atau mereproduksinya, jangan lupa menyertakan sitasi dan link ke halaman blog ini. Terima kasih dan selamat membaca!

__________________________________________

MPlus perlu file data dalam bentuk "Tab Delimited" (ekstensinya .dat). [Baca pengantar tentang MPlus di sini.] Seperti saya tulis di posting sebelumnya, file data ini bisa disiapkan menggunakan spreadsheet editor seperti Open Calc atau Excel.

Bagaimana jika anda sudah memiliki data yang tersimpan dalam format SPSS (.sav)? Mudah saja. Di SPSS, cukup gunakan perintah "Save As" di sebagai file .dat. Seperti terlihat di gambar, klik menu File, kemudian cari tombol Save As ...

Analisis Data dengan MPlus: Menyiapkan Data dari Excel

Catatan: tulisan ini adalah bagian materi kuliah saya di program S2 dan S3 Fakultas Psikologi Universitas Surabaya. Jika anda ingin mengutip atau mereproduksinya, jangan lupa menyertakan sitasi dan link ke halaman blog ini. Terima kasih dan selamat membaca!

__________________________________________

OK, anda sudah menginstal MPlus di komputer. Jika belum, baca posting saya sebelumnya.

Hal berikutnya yang perlu dilakukan adalah menyiapkan file data yang hendak dianalisis. Ada beberapa cara untuk menyiapkan file data. Bagi yang terbiasa menggunakan SPSS, penyiapan file data agar sesuai permintaan MPlus ini terasa sedikit "ribet".

Jika data anda masih berupa kuesioner tertulis yang harus diinput ke bentuk digital, maka cara paling mudah barangkali adalah menggunakan aplikasi spreadsheet seperti Open Office Calc (gratis!) atau MS Excel. Berikut langkah-langkahnya:

Analisis Data dengan MPlus: Pengantar

Catatan: tulisan ini adalah bagian materi kuliah saya di program S2 dan S3 Fakultas Psikologi Universitas Surabaya. Jika anda ingin mengutip atau mereproduksinya, jangan lupa menyertakan sitasi dan link ke halaman blog ini. Terima kasih dan selamat membaca!

__________________________________________

Seperti kebanyakan orang yang belajar psikologi, sebelum ini saya hanya menggunakan SPSS untuk analisis statistik. Tapi untuk sebuah project saya harus menerapkan MLM. Ini bukan MLM yang itu lho ya, tapi multilevel linear modeling alias pemodelan linier multijenjang.

MLM sangat berguna (atau bahkan mutlak diperlkan) ketika kita berhadapan dengan data dari sampel berjenjang. Ini terjadi ketika, misalnya saja, seorang peneliti sosial melakukan sampling pada level wilayah geografis (kota, desa, dll.), sebelum memilih responden di wilayah-wilayah yang terpilih tersebut. Atau ketika peneliti pendidikan memilih sejumlah sekolah, sebelum mengambil sampel siswa dari tiap sekolah tersebut.

Ilustrasi sampel dua-jenjang: sekolah dan siswa (sumber: https://www.methods.manchester.ac.uk)