Skip to content
Kembali ke hasil pencarian

Penelitian Longitudinal — Desain Penelitian Longitudinal

Diperkenalkan oleh
No single originator; foundational methodological treatments by Stuart Menard and Judith Singer & John Willett
Tahun
Late 19th–early 20th century; methodologically codified through the 20th century
Jenis
Quantitative (or mixed) observational research design
Keluarga
Survey / observational design

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Penelitian longitudinal adalah desain observasional di mana partisipan, kelompok, atau unit yang sama diukur berulang kali dalam periode waktu yang diperpanjang.

Alih-alih menangkap satu potret tunggal, penelitian ini melacak perubahan, stabilitas, dan urutan temporal variabel — menjadikannya strategi non-eksperimental utama untuk mempelajari perkembangan, pertumbuhan, penurunan, dan perkembangan proses kausal dari waktu ke waktu.

Intuisi di balik metode

Bayangkan penelitian longitudinal sebagai mengikuti orang yang sama (atau organisasi, atau sekolah) melalui serangkaian pemeriksaan daripada memotret banyak orang berbeda sekaligus. Dengan kembali ke unit yang sama, peneliti dapat melihat siapa yang berubah, seberapa banyak, ke arah mana, dan apakah pengukuran awal memprediksi hasil di kemudian hari. Pelacakan temporal inilah yang membedakan desain longitudinal dari desain cross-sectional: alih-alih menyimpulkan perubahan dari perbedaan antar kelompok yang diukur pada satu waktu, Anda mengamati perubahan secara langsung dalam unit yang sama yang diukur pada beberapa waktu.

Sejarah

Metode longitudinal muncul pada akhir abad kesembilan belas melalui studi pertumbuhan yang melacak perkembangan fisik anak-anak dan dalam epidemiologi melalui studi kohort yang melacak insiden penyakit. Dataset longitudinal utama abad kedua puluh — termasuk *Berkeley Growth Study* (1928), *British Cohort Studies* (1958, 1970), dan *Framingham Heart Study* (1948) — membentuk perkembangan metodologi. Kerangka statistik untuk analisis data longitudinal matang secara substansial pada tahun 1980-an dan 1990-an melalui karya peneliti seperti Judith Singer, John Willett, dan Michael Raudenbush, yang berpuncak pada buku teks dan perangkat lunak yang diadopsi secara luas untuk pemodelan multilevel dan kurva pertumbuhan.

Kapan digunakan

Gunakan penelitian longitudinal ketika pertanyaan inti berkaitan dengan perubahan atau perkembangan dari waktu ke waktu — misalnya, bagaimana prestasi akademik berkembang dari sekolah dasar ke sekolah menengah, bagaimana lintasan kesehatan berkembang setelah peristiwa medis, atau apakah sikap yang diukur pada satu titik memprediksi perilaku yang diukur kemudian. Ini adalah desain yang tepat ketika data *cross-sectional* tidak dapat membedakan efek usia dari efek kohort dan ketika perubahan dalam diri individu secara teoretis bermakna. Jangan gunakan penelitian longitudinal ketika fenomena tersebut pada dasarnya statis, ketika periode tindak lanjut yang diperlukan melebihi sumber daya yang tersedia, atau ketika atrisi dalam populasi target akan sangat parah sehingga sampel yang tersisa menjadi tidak representatif. Desain *cross-sectional* lebih efisien ketika satu potret cukup untuk menjawab pertanyaan penelitian.

Batasan dan pertimbangan

  • Atrisi (penurunan) antar gelombang mengancam validitas internal jika mereka yang meninggalkan studi berbeda secara sistematis dari mereka yang tetap tinggal.
  • Periode tindak lanjut yang panjang membutuhkan banyak sumber daya — pendanaan, staf, dan retensi partisipan semuanya bertambah seiring waktu.
  • Pengukuran berulang pada partisipan yang sama dapat menghasilkan efek pengujian: keakraban dengan instrumen, sensitisasi terhadap topik, atau efek latihan pada tes.
  • Tidak dapat mengontrol pengganggu yang bervariasi seiring waktu yang tidak terukur dengan cara yang sama seperti eksperimen acak; klaim kausal tetap probabilistik.
  • Perubahan historis yang terjadi antar gelombang (efek periode) dapat mengganggu tren yang diamati dan sulit dipisahkan dari perkembangan dalam diri individu.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Secara langsung mengamati perubahan dalam diri individu atau unit daripada menyimpulkannya dari perbandingan usia *cross-sectional*.
  • Menetapkan urutan temporal variabel, memberikan bukti kausalitas yang lebih kuat (meskipun tidak konklusif) daripada desain satu gelombang.
  • Memungkinkan pemisahan efek usia, efek kohort, dan efek periode ketika beberapa kohort dilacak.
  • Memungkinkan estimasi lintasan pertumbuhan individu dan identifikasi subkelompok dengan pola perkembangan yang berbeda.
  • Dataset longitudinal yang terakumulasi (misalnya, studi kohort kelahiran) dapat menjawab berbagai pertanyaan penelitian selama beberapa dekade.

Penerapan

  • Melacak perkembangan kognitif, prestasi akademik, dan pertumbuhan sosial-emosional dari masa kanak-kanak hingga remaja.
  • Mengikuti kohort pasien setelah operasi, diagnosis, atau pengobatan untuk memetakan lintasan pemulihan dan mengidentifikasi prediktor kekambuhan.
  • Memantau hasil organisasi atau tenaga kerja — keterlibatan karyawan, niat *turnover*, produktivitas — di seluruh siklus ekonomi.
  • Mempelajari efek jangka panjang dari intervensi kebijakan di bidang pendidikan, kesehatan masyarakat, atau pasar tenaga kerja tanpa penugasan acak.
  • Menyelidiki bagaimana kepribadian, sikap, dan nilai bergeser di seluruh tahap kehidupan dalam psikologi perkembangan dan sosial.
  • Memodelkan insiden penyakit dan akumulasi faktor risiko dalam studi kohort kelahiran epidemiologis atau kohort pekerjaan.

Cara kerjanya

Cara kerjanya

1

Peneliti mendefinisikan pertanyaan penelitian dalam hal perubahan atau stabilitas dari waktu ke waktu dan memutuskan kerangka kerja longitudinal: desain panel (individu yang sama pada setiap gelombang), desain kohort (kelompok yang berbagi pengalaman umum diikuti ke depan), atau desain tren (populasi yang sama disampel secara independen pada setiap gelombang). Kerangka waktu, jumlah gelombang pengukuran, dan interval antar gelombang direncanakan untuk menyesuaikan kecepatan perubahan yang diharapkan dalam fenomena yang diminati.

2

Sampel partisipan atau unit direkrut yang representatif terhadap populasi target dan cukup besar untuk tetap memadai secara analitis setelah penurunan yang diharapkan antar gelombang (atrisi). Kriteria rekrutmen harus ditentukan dengan jelas sehingga sampel awal dapat dilacak dan dihubungi kembali di seluruh gelombang. Dalam desain panel dan kohort, menjaga informasi kontak dan keterlibatan partisipan di seluruh gelombang adalah masalah logistik kritis sejak awal.

3

Data dikumpulkan dari unit yang sama pada setiap gelombang yang telah ditentukan sebelumnya menggunakan instrumen dan prosedur yang konsisten. Instrumen harus dijaga agar tetap konstan di seluruh gelombang untuk memastikan kesetaraan pengukuran; setiap pembaruan yang diperlukan harus dinilai kesesuaiannya. Sumber data umum meliputi survei, tes standar, catatan administratif, dan penilaian biologis atau perilaku. Setiap gelombang pengumpulan data itu sendiri merupakan peristiwa pengukuran yang lengkap yang memerlukan pengambilan sampel, kerja lapangan, dan kontrol kualitas.

4

Data longitudinal memerlukan manajemen data yang cermat: menghubungkan catatan di seluruh gelombang menggunakan pengenal partisipan unik, menangani data yang hilang yang timbul dari atrisi atau pola lewati, dan mendokumentasikan perubahan dalam instrumen atau kondisi administrasi. Data yang hilang ditangani secara analitis — *full-information maximum likelihood* (FIML) dan *multiple imputation* (MI) lebih disukai daripada penghapusan *listwise* karena atrisi jarang sekali hilang sepenuhnya secara acak (MCAR).

5

Perubahan dari waktu ke waktu diperiksa menggunakan pendekatan analitis yang disesuaikan dengan struktur data dan pertanyaan penelitian. Strategi umum meliputi pemodelan kurva pertumbuhan (lintasan individu melalui model multilevel atau kurva pertumbuhan laten), regresi panel efek tetap dan acak, model panel *cross-lagged* untuk kausalitas timbal balik, dan analisis kelangsungan hidup atau riwayat peristiwa untuk hasil waktu-ke-kejadian. Ringkasan deskriptif perubahan antar gelombang mendahului pemodelan inferensial.

6

Temuan diinterpretasikan dalam hal arah, laju, dan prediktor perubahan — dan secara eksplisit dikualifikasikan oleh keterbatasan desain (observasional, bukan eksperimental; kemungkinan efek seleksi). Urutan temporal variabel — diukur pada gelombang yang berbeda — memberikan bukti yang lebih kuat untuk arah kausal daripada data *cross-sectional*, tetapi pengganggu oleh kovariat yang tidak terukur yang bervariasi seiring waktu harus diakui.

Kesalahan umum

  • Mengabaikan bias atrisi — melaporkan hasil kasus lengkap tanpa menguji apakah yang keluar berbeda dari yang selesai pada variabel dasar utama, atau tanpa menggunakan metode data hilang yang berprinsip (FIML, MI), meningkatkan risiko estimasi yang bias.
  • Ketidaksetaraan pengukuran antar gelombang — jika kata-kata instrumen, skala respons, atau kondisi administrasi berubah antar gelombang, perubahan skor yang tampak mungkin mencerminkan pergeseran pengukuran daripada perubahan sebenarnya; kesetaraan konfigurasi dan metrik harus diuji.
  • Terlalu sedikit gelombang untuk model perubahan yang kompleks — menyesuaikan model kurva pertumbuhan hanya dengan dua gelombang membatasi model menjadi garis lurus dan mencegah deteksi lintasan non-linear; rencanakan setidaknya tiga gelombang kapan pun perubahan kuadratik atau melengkung masuk akal.
  • Mencampuradukkan subtipe desain — desain panel, kohort, dan tren memiliki struktur pengambilan sampel yang berbeda dan menjawab pertanyaan yang berbeda; memperlakukan mereka secara bergantian menyebabkan kesalahan analitis dan generalisasi yang tidak tepat.
  • Meremehkan efek interval tindak lanjut — interval yang terlalu pendek mungkin tidak menangkap perubahan yang bermakna; interval yang terlalu panjang mungkin melewatkan variasi menengah yang penting atau efek puncak.

Pertanyaan yang sering diajukan

Bagaimana penelitian longitudinal berbeda dari studi panel dan studi kohort?

Ketiganya bersifat longitudinal, tetapi berbeda dalam struktur pengambilan sampel. Studi panel melacak individu yang sama pada setiap gelombang dan dirancang untuk mengukur perubahan tingkat individu. Studi kohort mengikuti orang-orang yang berbagi karakteristik atau pengalaman yang menentukan (misalnya, lahir pada tahun yang sama, didiagnosis pada periode yang sama) dan berfokus pada lintasan tingkat kelompok. Studi tren menyurvei sampel independen dari populasi yang sama pada setiap gelombang dan menggambarkan perubahan populasi tanpa melacak individu. Pilihan tergantung pada apakah perubahan dalam diri individu, lintasan kelompok, atau tren populasi adalah target utama.

Berapa banyak gelombang pengukuran yang saya butuhkan?

Minimumnya adalah dua gelombang untuk menetapkan perubahan, tetapi dua gelombang hanya memungkinkan skor perbedaan dan tidak dapat memodelkan bentuk perubahan. Tiga gelombang adalah minimum praktis untuk pemodelan kurva pertumbuhan, karena memungkinkan lintasan kuadratik untuk diestimasi. Lebih banyak gelombang meningkatkan presisi estimasi lintasan individu dan memungkinkan pola perubahan yang lebih kompleks untuk dideteksi. Rencanakan gelombang untuk selaras dengan interval yang bermakna secara teoretis mengingat kecepatan perubahan yang diharapkan.

Bagaimana cara menangani data yang hilang dari penurunan?

Pertama, uji apakah yang keluar berbeda dari yang selesai pada variabel dasar utama (analisis atrisi). Kemudian gunakan metode data hilang yang berprinsip daripada penghapusan *listwise*: *full-information maximum likelihood* (FIML) di bawah estimasi *maximum likelihood*, atau *multiple imputation* (MI) sebelum analisis. Keduanya mengasumsikan data hilang secara acak (MAR) bersyarat pada variabel yang diamati. Jika kelupaan diduga bergantung pada hasil yang tidak teramati itu sendiri (hilang tidak secara acak, MNAR), analisis sensitivitas menggunakan model pola-campuran atau seleksi diperlukan.

Apakah desain longitudinal membuktikan kausalitas?

Urutan temporal — mengukur prediktor sebelum hasil — adalah syarat yang diperlukan untuk kausalitas, dan desain longitudinal menetapkannya lebih langsung daripada desain *cross-sectional*. Namun, desain longitudinal observasional tidak dapat menyingkirkan pengganggu oleh variabel yang tidak terukur, sehingga tidak membuktikan kausalitas. Teknik seperti model panel *cross-lagged*, regresi efek tetap, dan pendekatan variabel instrumental dapat memperkuat inferensi kausal, tetapi masing-masing memiliki asumsinya sendiri. Eksperimen acak tetap menjadi standar emas untuk klaim kausal.

Apa risiko efek pengujian dalam pengukuran berulang?

Ketika partisipan menyelesaikan instrumen yang sama atau serupa berulang kali, keakraban mereka dengan format item, sensitisasi terhadap topik studi, atau latihan pada tes kognitif dapat meningkatkan atau menurunkan skor secara independen dari perubahan sebenarnya. Risiko lebih tinggi dengan interval antar gelombang yang pendek dan dengan ukuran berbasis kinerja. Strategi mitigasi meliputi penggunaan bentuk paralel instrumen, memasukkan kelompok kontrol, dan menilai reliabilitas tes ulang dalam studi percontohan.

Metode terkait

Sumber

  1. Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.

    ISBN: 978-0761922841
    Disalin.
  2. Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence. Oxford University Press.

    ISBN: 978-0195152968
    Disalin.