Software JASP

1. Pengertian JASP

JASP adalah singkatan dari Jeffreys's Amazing Statistics Program. Nama ini diambil dari Sir Harold Jeffreys, ahli statistik dan geofisika yang berjasa dalam pengembangan statistika Bayesian.

JASP adalah perangkat lunak statistik berbasis antarmuka grafis (graphical user interface) yang bersifat gratis dan sumber terbuka (open source). Perangkat lunak ini dikembangkan oleh tim peneliti di Universitas Amsterdam, Belanda. JASP dapat dipakai untuk analisis statistik klasik (frekuentis) maupun analisis Bayesian.

Pengguna cukup memilih menu, memindahkan variabel ke kotak yang tersedia, dan mencentang opsi yang diinginkan tanpa menulis kode. Karena itu, JASP kerap disebut sebagai alternatif gratis untuk SPSS. Di balik antarmukanya, JASP memanfaatkan bahasa pemrograman R untuk menghitung, sehingga hasilnya dapat dipertanggungjawabkan secara ilmiah.

2. Sejarah Singkat

JASP mulai dikembangkan sekitar tahun 2013 oleh kelompok peneliti di Universitas Amsterdam yang dipimpin oleh Eric-Jan Wagenmakers. Tujuan awalnya adalah memudahkan penerapan statistika Bayesian bagi peneliti, khususnya di bidang psikologi dan ilmu sosial, yang saat itu masih terhambat oleh kerumitan perangkat lunak yang tersedia.

Seiring waktu, cakupan JASP berkembang. Perangkat lunak ini tidak lagi hanya menyediakan analisis Bayesian, tetapi juga hampir seluruh uji statistik yang lazim dipakai dalam penelitian. Pengembangannya berlangsung terus-menerus dengan dukungan berbagai lembaga, dan pembaruan dirilis secara berkala.

3. Alasan Memilih JASP

Gratis dan tanpa lisensi. Pengguna tidak perlu membeli lisensi atau mengakali masa uji coba. Hal ini sangat menguntungkan mahasiswa, dosen, dan peneliti mandiri.

Antarmuka sederhana. Tampilannya bersih dan mudah dipahami, cocok bagi pemula.

Hasil diperbarui secara langsung. Ketika pengaturan analisis diubah, misalnya menambah variabel atau mengganti opsi uji, hasil pada panel keluaran langsung berubah tanpa perlu menjalankan ulang perintah.

Tabel bergaya APA. Tabel keluaran disusun mengikuti format American Psychological Association sehingga mudah disalin ke naskah penelitian.

Mendukung dua pendekatan statistik. Uji frekuentis dan uji Bayesian dapat dijalankan dalam satu antarmuka.

Mendorong keterbukaan ilmiah. JASP terintegrasi dengan Open Science Framework (OSF) sehingga berkas analisis dapat dibagikan dan diperiksa ulang oleh pihak lain.

Lintas platform. JASP tersedia untuk Windows, macOS, dan Linux.

Berkas analisis yang utuh. Berkas .jasp menyimpan data, pengaturan, dan hasil dalam satu tempat sehingga analisis dapat dibuka kembali dan diperiksa ulang kapan saja.

4. Fitur dan Modul Utama

JASP tersusun atas modul-modul analisis. Berikut modul yang umum digunakan.

Descriptives: statistik deskriptif (rerata, median, modus, simpangan baku, ragam, rentang, kuartil, kemencengan, keruncingan), tabel frekuensi, serta grafik seperti histogram, diagram kotak-garis, diagram sebar, dan diagram batang.
T-Tests: uji-t sampel independen, sampel berpasangan, dan satu sampel, termasuk uji Mann-Whitney dan Wilcoxon sebagai padanan nonparametrik.
ANOVA: analisis ragam satu arah, dua arah, ukuran berulang, ANCOVA, MANOVA, serta uji Kruskal-Wallis.
Regression: korelasi, regresi linear, dan regresi logistik.
Frequencies: uji binomial, uji multinomial, uji khi-kuadrat, dan tabel kontingensi.
Factor: analisis komponen utama (PCA), analisis faktor eksploratori (EFA), dan analisis faktor konfirmatori (CFA).
Reliability: uji keandalan instrumen, seperti Cronbach's alpha dan McDonald's omega.
SEM: pemodelan persamaan struktural.
Meta Analysis: sintesis hasil dari banyak penelitian.
Machine Learning: pembelajaran mesin dasar untuk regresi, klasifikasi, dan pengelompokan.
Bayesian: padanan Bayesian bagi banyak uji di atas dengan faktor Bayes (Bayes factor).

Modul tambahan dapat diaktifkan melalui ikon modul (tanda plus) di pojok kanan atas. Karena daftar modul bertambah seiring pembaruan, periksa situs resmi untuk informasi terbaru.

5. Kebutuhan Sistem dan Cara Memasang

JASP tergolong ringan dan dapat berjalan pada komputer berspesifikasi standar. Namun, versi terbaru dapat memiliki persyaratan sistem operasi tertentu, jadi periksa halaman unduhan resmi sebelum memasang.

Langkah-langkah pemasangan:

Buka situs resmi JASP di jasp-stats.org.
Pilih menu Download.
Pilih berkas pemasang sesuai sistem operasi (Windows, macOS, atau Linux).
Unduh berkas tersebut, lalu jalankan pemasangnya.
Ikuti petunjuk pada layar hingga proses selesai.
Buka JASP melalui pintasan di desktop atau menu aplikasi.
Unduhlah selalu dari situs resmi agar terhindar dari berkas yang tidak aman.

6. Mengenal Antarmuka JASP

Saat pertama kali dibuka, JASP menampilkan tiga area utama:

Panel data: tempat data ditampilkan dalam bentuk lembar kerja mirip tabel. Data dapat dilihat dan disunting langsung di sini.
Panel pengaturan analisis: berisi pilihan variabel, uji, dan opsi tambahan. Panel ini muncul setelah Anda memilih sebuah analisis.
Panel hasil: menampilkan tabel dan grafik keluaran yang diperbarui secara langsung.

Di bagian atas terdapat bilah menu untuk membuka berkas, menyimpan proyek, dan mengakses modul analisis. Pada panel hasil, setiap tabel dan grafik dapat diklik kanan untuk disalin, disimpan, atau diberi catatan.

7. Mengelola Data di JASP

7.1 Format berkas yang didukung

JASP dapat membuka beberapa format berkas data, antara lain .csv, .txt, .tsv, .sav (SPSS), .ods (LibreOffice Calc), .dta (Stata), dan .sas7bdat (SAS). Untuk berkas Excel (.xlsx), dukungan dapat berbeda antarversi. Cara paling aman adalah menyimpannya terlebih dahulu dalam format .csv.

7.2 Menyiapkan data sebelum diimpor

Susunan data yang baik sangat memudahkan analisis:

Setiap baris mewakili satu responden atau satu pengamatan.
Setiap kolom mewakili satu variabel.
Baris pertama berisi nama variabel, tanpa spasi berlebih dan tanpa karakter khusus.
Sel yang kosong dibiarkan kosong atau diberi kode yang konsisten untuk data hilang.
Data kategori sebaiknya diberi kode yang jelas, misalnya 1 untuk laki-laki dan 2 untuk perempuan, atau langsung memakai label teks.

7.3 Langkah mengimpor data

Klik ikon menu (tiga garis) di pojok kiri atas.
Pilih Open, kemudian Computer, lalu Browse.
Pilih berkas data, lalu klik Open.
Data akan tampil pada panel data.

7.4 Menentukan jenis variabel

Setelah data terbuka, tentukan skala pengukuran setiap variabel dengan mengeklik ikon di atas nama kolom:

Nominal: kategori tanpa urutan (misalnya jenis kelamin, program studi).
Ordinal: kategori berurutan (misalnya tingkat kepuasan, jenjang pendidikan).
Continuous (skala): angka dengan selang atau rasio yang setara (misalnya tinggi badan, skor ujian, pendapatan).

Pengaturan ini penting karena memengaruhi analisis yang tersedia dan cara JASP memperlakukan variabel.

7.5 Menyunting, menyaring, dan mengubah data

Menyunting nilai. Klik ganda pada sel untuk mengubah isinya langsung di panel data.
Menyaring data (filter). Anda dapat membatasi analisis pada sebagian responden, misalnya hanya yang berusia di atas 20 tahun, dengan memakai fitur filter pada panel data. Baris yang tidak terpilih tidak ikut dianalisis.
Menghitung variabel baru. JASP menyediakan kolom terhitung (computed column) untuk membuat variabel baru dari variabel yang sudah ada, misalnya menjumlahkan skor beberapa butir kuesioner menjadi skor total atau menghitung rerata skor per responden.
Mengubah kode (recode). Kolom terhitung juga dapat dipakai untuk mengelompokkan ulang nilai, misalnya mengubah skor menjadi kategori rendah, sedang, dan tinggi.
Menangani data hilang. Periksa jumlah data hilang lewat statistik deskriptif. Pada banyak analisis, JASP menyediakan opsi penghapusan data hilang secara berpasangan (pairwise) atau menyeluruh (listwise). Pilih sesuai kebutuhan dan laporkan pilihan itu.

8. Dasar Statistik yang Perlu Dipahami

Menjalankan JASP itu mudah, tetapi memilih uji yang tepat menuntut pemahaman dasar berikut.

8.1 Statistik deskriptif dan inferensial

Statistik deskriptif merangkum data yang ada, misalnya dengan rerata dan simpangan baku. Statistik inferensial menarik kesimpulan tentang populasi berdasarkan sampel, misalnya lewat uji hipotesis.

8.2 Hipotesis dan nilai p

Uji hipotesis membandingkan hipotesis nol (H₀), yaitu anggapan tidak ada perbedaan atau hubungan, dengan hipotesis alternatif (H₁). Nilai p menyatakan peluang memperoleh hasil seperti yang teramati, atau lebih ekstrem, jika H₀ benar. Ambang yang lazim dipakai adalah 0,05. Jika p kurang dari 0,05, H₀ ditolak.

Nilai p tidak menyatakan besar atau pentingnya suatu efek. Karena itu, ukuran efek harus dilaporkan bersamanya.

8.3 Parametrik dan nonparametrik

Uji parametrik (uji-t, ANOVA, korelasi Pearson) mensyaratkan asumsi tertentu, terutama data berdistribusi normal dan berskala kontinu. Bila asumsi tidak terpenuhi, gunakan uji nonparametrik (Mann-Whitney, Wilcoxon, Kruskal-Wallis, korelasi Spearman).

8.4 Memilih uji yang sesuai

Panduan ringkas:

Membandingkan dua kelompok independen pada data kontinu: uji-t sampel independen (atau Mann-Whitney bila tidak normal).
Membandingkan dua pengukuran pada subjek yang sama: uji-t berpasangan (atau Wilcoxon bila tidak normal).
Membandingkan tiga kelompok atau lebih: ANOVA (atau Kruskal-Wallis bila tidak normal).
Menguji hubungan dua variabel kontinu: korelasi Pearson (atau Spearman).
Memprediksi variabel kontinu dari satu atau lebih variabel: regresi linear.
Memprediksi variabel kategori dua nilai: regresi logistik.
Menguji hubungan dua variabel kategori: uji khi-kuadrat.
Menguji konsistensi instrumen: Cronbach's alpha.

9. Tutorial Analisis Data

9.1 Statistik Deskriptif

Klik modul Descriptives.
Pindahkan variabel yang ingin dianalisis ke kotak Variables.
Buka bagian Statistics untuk memilih ukuran, seperti rerata, median, simpangan baku, minimum, dan maksimum.
Buka bagian Plots apabila menginginkan grafik, misalnya histogram atau diagram kotak-garis.
Untuk membandingkan antarkelompok, pindahkan variabel kategori ke kotak Split.

9.2 Uji Normalitas

Klik Descriptives, lalu masukkan variabel.
Buka Statistics, kemudian centang Shapiro-Wilk test.
Buka Plots dan aktifkan Q-Q plots untuk pemeriksaan visual.
Apabila nilai p lebih besar dari 0,05, data dapat dianggap berdistribusi normal.

Pada sampel besar, uji normalitas cenderung sangat sensitif sehingga penyimpangan kecil pun dinyatakan signifikan. Karena itu, padukan hasil uji dengan histogram dan Q-Q plot.

9.3 Uji-t Sampel Independen

Digunakan untuk membandingkan rerata dua kelompok yang berbeda, misalnya skor kelompok A dan kelompok B.

Pilih T-Tests, lalu Independent Samples T-Test.
Masukkan variabel terikat ke kotak Variables.
Masukkan variabel pengelompokan ke kotak Grouping Variable.
Aktifkan Student atau Welch pada bagian uji. Welch lebih aman bila ragam kedua kelompok tidak sama.
Buka Assumption Checks dan centang Equality of variances serta Normality.
Centang Effect size (Cohen's d) dan Descriptives pada opsi tambahan.
Baca nilai p. Jika kurang dari 0,05, terdapat perbedaan rerata yang signifikan.

9.4 Uji-t Sampel Berpasangan

Digunakan untuk membandingkan dua pengukuran pada subjek yang sama, misalnya nilai sebelum dan sesudah perlakuan.

Pilih T-Tests, lalu Paired Samples T-Test.
Pindahkan dua variabel yang dipasangkan ke kotak Variable Pairs.
Aktifkan uji normalitas pada selisih kedua pengukuran.
Baca nilai p dan ukuran efeknya.

9.5 Uji-t Satu Sampel

Digunakan untuk membandingkan rerata sampel dengan nilai acuan tertentu.

Pilih T-Tests, lalu One Sample T-Test.
Masukkan variabel ke kotak Variables.
Isi Test value dengan nilai acuan.
Baca nilai p dan selang kepercayaan.

9.6 Uji Nonparametrik untuk Dua Kelompok

Bila data tidak normal atau berskala ordinal:

Gunakan Mann-Whitney U (aktifkan pada uji-t sampel independen) sebagai pengganti uji-t independen.
Gunakan Wilcoxon signed-rank (aktifkan pada uji-t berpasangan) sebagai pengganti uji-t berpasangan.

9.7 ANOVA Satu Arah

Digunakan untuk membandingkan rerata tiga kelompok atau lebih.

Pilih ANOVA, lalu ANOVA.
Masukkan variabel terikat ke Dependent Variable.
Masukkan faktor ke Fixed Factors.
Buka Post Hoc Tests, pindahkan faktor ke kotak sebelah kanan, lalu pilih uji lanjut seperti Tukey untuk mengetahui pasangan kelompok yang berbeda.
Buka Assumption Checks untuk menguji kesamaan ragam (uji Levene) dan kenormalan galat (Q-Q plot).
Aktifkan ukuran efek seperti eta kuadrat (η²) atau omega kuadrat (ω²).

Jika asumsi kesamaan ragam tidak terpenuhi, gunakan koreksi Brown-Forsythe atau Welch yang tersedia pada opsi. Jika asumsi normalitas tidak terpenuhi, gunakan Kruskal-Wallis melalui menu ANOVA nonparametrik.

9.8 ANOVA Dua Arah

Digunakan untuk menguji pengaruh dua faktor sekaligus beserta interaksinya, misalnya pengaruh metode belajar dan jenis kelamin terhadap nilai.

Pilih ANOVA, lalu ANOVA.
Masukkan variabel terikat ke Dependent Variable.
Masukkan kedua faktor ke Fixed Factors.
Pada bagian Model, pastikan suku interaksi ikut dimasukkan.
Buka Descriptive Plots untuk melihat grafik interaksi.
Baca hasil untuk efek utama masing-masing faktor dan efek interaksi. Jika interaksi signifikan, tafsirkan efek utama dengan hati-hati dan telusuri lewat uji lanjut sederhana (simple effects).

9.9 ANOVA Ukuran Berulang

Digunakan bila subjek yang sama diukur beberapa kali, misalnya nilai pada tiga waktu berbeda.

Pilih ANOVA, lalu Repeated Measures ANOVA.
Buat faktor dalam-subjek pada Repeated Measures Factors dan beri nama tiap tingkatnya.
Pindahkan kolom pengukuran ke kotak Repeated Measures Cells.
Buka Assumption Checks dan aktifkan uji sferisitas (Mauchly). Bila asumsi sferisitas dilanggar, pakai koreksi Greenhouse-Geisser.
Lakukan uji lanjut pada Post Hoc Tests.

9.10 Korelasi

Pilih Regression, lalu Correlation.
Masukkan dua variabel atau lebih.
Pilih koefisien: Pearson (data kontinu dan normal) atau Spearman dan Kendall (data ordinal atau tidak normal).
Centang Flag significant correlations dan Report significance untuk memudahkan pembacaan.
Buka Plots untuk menampilkan diagram sebar dan matriks korelasi.

Tafsiran kekuatan korelasi (patokan umum): sekitar 0,10 sampai 0,29 tergolong lemah, 0,30 sampai 0,49 sedang, dan 0,50 ke atas kuat. Patokan ini bergantung pada bidang ilmu.

9.11 Regresi Linear

Pilih Regression, lalu Linear Regression.
Masukkan variabel terikat ke Dependent Variable.
Masukkan variabel bebas ke Covariates (kontinu) atau Factors (kategorik).
Buka Statistics untuk menampilkan koefisien terstandar, selang kepercayaan, ringkasan model, dan uji multikolinearitas (VIF).
Buka Assumption Checks dan Plots untuk memeriksa asumsi.

Asumsi yang perlu diperiksa:

Linearitas: hubungan bebas dan terikat berbentuk garis lurus.
Kenormalan galat: sisaan berdistribusi normal.
Homoskedastisitas: sebaran sisaan relatif merata.
Tanpa multikolinearitas: antarvariabel bebas tidak berkorelasi terlalu kuat (VIF di bawah sekitar 10, dengan patokan yang lebih ketat sebesar 5).
Independensi galat: sisaan tidak saling berkaitan (uji Durbin-Watson).

Pada hasilnya, perhatikan nilai R² (besar ragam yang dijelaskan model), nilai F dan p pada tabel ANOVA untuk kelayakan model, serta koefisien beserta nilai p untuk pengaruh masing-masing variabel.

9.12 Regresi Logistik

Digunakan bila variabel terikat berupa kategori dua nilai, misalnya lulus atau tidak lulus.

Pilih Regression, lalu Logistic Regression.
Masukkan variabel terikat ke Dependent Variable.
Masukkan variabel bebas ke Covariates atau Factors.
Aktifkan Odds ratio pada opsi statistik. Nilai di atas 1 berarti peluang kejadian meningkat, sedangkan di bawah 1 berarti menurun.
Tampilkan ukuran kelayakan model, seperti Nagelkerke R², tabel klasifikasi, dan kurva ROC.

9.13 Uji Khi-Kuadrat

Digunakan untuk menguji hubungan antara dua variabel kategorik.

Pilih Frequencies, lalu Contingency Tables.
Masukkan satu variabel ke Rows dan satu lagi ke Columns.
Buka Statistics dan centang χ² serta ukuran keeratan seperti Cramér's V.
Buka Cells untuk menampilkan frekuensi teramati dan frekuensi harapan.
Periksa asumsi: frekuensi harapan idealnya minimal 5 pada sebagian besar sel. Bila tidak terpenuhi, pertimbangkan uji eksak Fisher untuk tabel 2×2.

9.14 Uji Keandalan Instrumen (Cronbach's Alpha)

Berguna untuk kuesioner berskala.

Pilih Reliability, lalu Unidimensional Reliability.
Masukkan seluruh butir pernyataan dari satu konstruk ke kotak Variables.
Centang Cronbach's α dan, bila perlu, McDonald's ω.
Aktifkan Alpha if item dropped untuk melihat butir yang menurunkan keandalan.
Nilai alpha 0,70 ke atas lazim dianggap memadai, meskipun ambang batas ini bergantung pada konteks penelitian.

Untuk uji kesahihan butir, hitung korelasi antara skor tiap butir dan skor total lewat fitur kolom terhitung dan korelasi. Uji keandalan dan kesahihan adalah dua hal berbeda: keandalan menyangkut konsistensi, kesahihan menyangkut ketepatan mengukur hal yang dimaksud.

9.15 Analisis Faktor

Digunakan untuk menelusuri atau menguji struktur dimensi suatu instrumen.

EFA (eksploratori): pilih Factor, lalu Exploratory Factor Analysis. Tentukan jumlah faktor berdasarkan scree plot atau analisis paralel, lalu periksa muatan faktor tiap butir. Aktifkan uji KMO dan uji Bartlett untuk menilai kelayakan data.
CFA (konfirmatori): pilih Factor, lalu Confirmatory Factor Analysis. Tentukan faktor beserta butirnya, lalu periksa indeks kecocokan model seperti CFI, TLI, RMSEA, dan SRMR.

9.16 Pemodelan Persamaan Struktural (SEM)

Modul SEM memungkinkan pengujian model dengan banyak hubungan, termasuk variabel laten dan mediasi. Model didefinisikan dengan sintaks sederhana dan hasilnya mencakup koefisien jalur serta indeks kecocokan model. Bagian ini memerlukan pemahaman teori yang lebih mendalam, sehingga sebaiknya dipelajari setelah menguasai regresi dan analisis faktor.

10. Membaca dan Melaporkan Hasil

10.1 Ukuran efek

Nilai p menunjukkan signifikansi, sedangkan ukuran efek menunjukkan besarnya efek. Patokan umum:

Cohen's d: sekitar 0,2 kecil, 0,5 sedang, 0,8 besar.
Eta kuadrat parsial (η²ₚ): sekitar 0,01 kecil, 0,06 sedang, 0,14 besar.
Koefisien korelasi (r): sekitar 0,1 kecil, 0,3 sedang, 0,5 besar.

10.2 Contoh pelaporan gaya APA

Uji-t sampel independen:

"Skor kelompok eksperimen (M = 78,4; SB = 8,2) lebih tinggi secara signifikan daripada kelompok kontrol (M = 72,1; SB = 9,0), t(58) = 2,85; p = 0,006; d = 0,74."

ANOVA satu arah:

"Terdapat perbedaan signifikan skor motivasi antarkelompok, F(2, 87) = 5,42; p = 0,006; η² = 0,11. Uji lanjut Tukey menunjukkan bahwa kelompok A berbeda signifikan dengan kelompok C (p = 0,004)."

Korelasi:

"Terdapat hubungan positif yang sedang dan signifikan antara lama belajar dan nilai ujian, r(98) = 0,42; p < 0,001."

Regresi linear:

"Model regresi signifikan, F(2, 97) = 18,60; p < 0,001; R² = 0,28. Motivasi berpengaruh positif terhadap prestasi (β = 0,39; p < 0,001)."

Sesuaikan angka dengan keluaran nyata dari data Anda. Contoh di atas hanyalah ilustrasi format.

10.3 Menyalin hasil ke naskah

Klik kanan pada tabel di panel hasil, pilih Copy, lalu tempel ke pengolah kata. Grafik dapat disimpan sebagai gambar lewat menu klik kanan.

11. Studi Kasus Sederhana

Situasi. Seorang peneliti ingin mengetahui apakah metode belajar daring dan metode belajar tatap muka menghasilkan nilai ujian yang berbeda pada 60 mahasiswa (30 orang per metode).

Langkah analisis:

Susun data dengan dua kolom: metode (nominal: daring, tatap muka) dan nilai (kontinu). Simpan sebagai .csv lalu impor ke JASP.
Periksa skala variabel pada panel data.
Jalankan Descriptives dengan metode pada kotak Split untuk melihat rerata dan simpangan baku tiap kelompok, serta histogram.
Periksa normalitas nilai tiap kelompok dengan Shapiro-Wilk dan Q-Q plot.
Jalankan Independent Samples T-Test dengan nilai sebagai variabel terikat dan metode sebagai variabel pengelompokan. Aktifkan uji kesamaan ragam dan Cohen's d.
Bila normalitas dilanggar, ganti dengan uji Mann-Whitney.
Laporkan rerata, simpangan baku, statistik uji, derajat bebas, nilai p, dan ukuran efek.
Tafsirkan dalam bahasa penelitian, misalnya apakah metode tertentu unggul dan seberapa besar selisihnya.

12. Analisis Bayesian

Salah satu keunggulan khas JASP adalah kemudahan analisis Bayesian. Alih-alih hanya mengandalkan nilai p, pendekatan ini menghasilkan faktor Bayes (Bayes factor), yaitu perbandingan kekuatan bukti antara hipotesis alternatif dan hipotesis nol.

Cara membaca faktor Bayes (BF₁₀). Semakin besar nilainya, semakin kuat bukti yang mendukung hipotesis alternatif. Patokan yang lazim dipakai: kira-kira 1 sampai 3 berarti bukti anekdotal, 3 sampai 10 sedang, 10 sampai 30 kuat, dan di atasnya sangat kuat. Nilai kurang dari 1 berarti data lebih mendukung hipotesis nol.

Keunggulan pendekatan Bayesian:

Dapat menyatakan bukti untuk hipotesis nol, bukan hanya menolaknya.
Tidak bergantung pada ambang tetap seperti 0,05.
Menyajikan grafik distribusi prior dan posterior yang memperlihatkan perubahan keyakinan setelah data diamati.
Dapat dipantau secara berurutan seiring bertambahnya data (sequential analysis).

Cara menggunakannya. Pilih versi Bayesian dari uji yang bersangkutan, misalnya Bayesian Independent Samples T-Test, lalu atur analisis seperti biasa. Aktifkan grafik prior dan posterior serta robustness check untuk melihat sensitivitas hasil terhadap pilihan prior.

Bagi pemula, sebaiknya kuasai dahulu analisis frekuentis sebelum beralih ke pendekatan ini.

13. Menyimpan, Mengekspor, dan Membagikan Hasil

Menyimpan proyek: pilih Save untuk menyimpan analisis dalam berkas berekstensi .jasp. Berkas ini menyimpan data sekaligus seluruh pengaturan analisis.
Menyalin tabel dan grafik: klik kanan, lalu pilih Copy atau simpan sebagai gambar.
Mengekspor hasil: hasil dapat diekspor ke format HTML atau PDF melalui menu Export Results.
Mengekspor data: data yang telah diolah, termasuk kolom terhitung, dapat disimpan kembali ke format .csv.
Membagikan lewat OSF: berkas dapat diunggah ke Open Science Framework untuk kepentingan transparansi dan replikasi.
Pustaka data: JASP menyediakan contoh data bawaan yang dapat dipakai untuk berlatih.

14. Perbandingan JASP dengan Perangkat Lunak Lain

14.1 JASP dan SPSS

Biaya: JASP gratis, SPSS berlisensi dan berbayar.
Sumber kode: JASP terbuka, SPSS tertutup.
Antarmuka: JASP sederhana dan ringkas, SPSS lebih lengkap tetapi lebih kompleks.
Pembaruan hasil: JASP memperbarui hasil secara langsung, SPSS memerlukan analisis dijalankan ulang.
Statistik Bayesian: JASP menyediakannya dengan mudah, SPSS terbatas.
Format tabel: JASP bergaya APA, keluaran SPSS umumnya perlu penyuntingan tambahan.
Cakupan fitur: JASP luas dan terus bertambah, SPSS sangat luas dan mapan.
Penggunaan di industri: JASP lebih terbatas, SPSS banyak digunakan.

14.2 JASP dan jamovi

Keduanya gratis, bersumber terbuka, dan berantarmuka mirip. JASP menonjol pada analisis Bayesian dan integrasi dengan OSF, sedangkan jamovi dikenal dengan lembar kerja yang mirip spreadsheet serta ekosistem modul yang luas.

14.3 JASP dan R

R jauh lebih fleksibel dan bertenaga, tetapi menuntut kemampuan pemrograman. JASP cocok bagi yang ingin hasil cepat tanpa kode, dan dapat menjadi batu loncatan sebelum belajar R.

14.4 JASP dan Microsoft Excel

Excel cukup untuk statistik deskriptif sederhana, tetapi terbatas untuk uji inferensial, pemeriksaan asumsi, dan ukuran efek. JASP lebih tepat untuk analisis penelitian.

15. Kelebihan dan Kekurangan JASP

Kelebihan:

Gratis dan sumber terbuka.
Mudah dipelajari, termasuk oleh pemula.
Keluaran rapi dan siap dimasukkan ke laporan.
Mendukung analisis frekuentis dan Bayesian.
Hasil diperbarui secara langsung.
Menyediakan pemeriksaan asumsi dan ukuran efek dalam satu antarmuka.
Mendukung keterbukaan dan replikasi penelitian.

Kekurangan:

Kemampuan penyuntingan dan transformasi data tidak selengkap SPSS.
Beberapa prosedur tingkat lanjut mungkin belum tersedia.
Dukungan berkas Excel dapat berbeda antarversi.
Belum sepopuler SPSS, sehingga sebagian dosen atau instansi masih meminta keluaran SPSS.
Sumber belajar berbahasa Indonesia masih lebih sedikit dibandingkan SPSS.

16. Kesalahan yang Sering Terjadi

Salah menentukan skala variabel, misalnya variabel nominal terbaca sebagai skala. Akibatnya, opsi analisis menjadi keliru.
Tidak memeriksa asumsi, lalu langsung membaca nilai p.
Memakai uji parametrik pada data yang jelas tidak normal tanpa pertimbangan atau alternatif nonparametrik.
Hanya melaporkan nilai p tanpa ukuran efek dan selang kepercayaan.
Menafsirkan korelasi sebagai sebab-akibat. Korelasi hanya menunjukkan keterkaitan.
Mengabaikan data hilang dan pencilan, padahal keduanya dapat memengaruhi hasil.
Melakukan banyak uji tanpa koreksi, sehingga peluang menemukan hasil "signifikan" secara kebetulan meningkat.
Lupa menyimpan berkas .jasp, sehingga pengaturan analisis hilang.
Menyimpulkan berlebihan. Hasil tidak signifikan tidak otomatis berarti tidak ada efek.

17. Pemecahan Masalah Umum

Berkas data tidak dapat dibuka. Simpan ulang dalam format .csv dengan pemisah koma atau titik koma yang konsisten, lalu impor kembali.
Angka terbaca sebagai teks. Periksa apakah ada spasi, tanda titik atau koma ribuan, atau huruf yang terselip pada kolom tersebut.
Variabel tidak dapat dipindahkan ke kotak tertentu. Biasanya skala variabel tidak sesuai. Ubah skala lewat ikon di atas nama kolom.
Hasil tidak muncul. Pastikan semua kotak wajib telah terisi. JASP menampilkan hasil hanya bila variabel yang dibutuhkan sudah lengkap.
Muncul peringatan pada tabel. Baca catatan di bawah tabel. Biasanya berkaitan dengan pelanggaran asumsi atau ukuran sampel yang kecil.
Karakter berantakan pada data. Pastikan berkas disimpan dengan pengodean UTF-8.
Aplikasi lambat. Tutup analisis yang tidak diperlukan atau kurangi jumlah grafik yang ditampilkan sekaligus.

18. Tips Menggunakan JASP dengan Efektif

Bersihkan data terlebih dahulu. Periksa data yang hilang, salah ketik, dan pencilan sebelum dianalisis.
Tentukan skala variabel dengan benar.
Periksa asumsi uji sebelum menafsirkan hasil.
Laporkan ukuran efek dan selang kepercayaan.
Simpan berkas .jasp secara berkala dan buat salinan cadangan.
Beri nama variabel yang jelas dan konsisten agar keluaran mudah dibaca.
Catat keputusan analisis, seperti alasan memilih uji atau menghapus data, agar dapat dipertanggungjawabkan.
Manfaatkan pustaka data bawaan untuk berlatih.
Pelajari dokumentasi resmi di situs JASP yang terus diperbarui.
Pahami konsepnya lebih dulu. Perangkat lunak membantu menghitung, tetapi tidak dapat memilihkan uji yang tepat untuk pertanyaan penelitian Anda.

19. Sumber Belajar Lanjutan

Situs resmi JASP (jasp-stats.org), yang memuat panduan, contoh data, dan informasi pembaruan.
Panduan pengguna dan pustaka bantuan yang tersedia pada situs resmi.
Kanal video resmi JASP dan berbagai kanal pendidikan statistik di YouTube.
Buku teks statistika penelitian, agar pemahaman konsep sejalan dengan kemampuan mengoperasikan perangkat lunak.
Forum diskusi komunitas JASP untuk bertanya dan berbagi pengalaman.

20. Glosarium Singkat

Rerata (mean): jumlah seluruh nilai dibagi banyaknya data.
Median: nilai tengah setelah data diurutkan.
Modus: nilai yang paling sering muncul.
Simpangan baku: ukuran sebaran data terhadap rerata.
Ragam (varians): kuadrat simpangan baku.
Hipotesis nol (H₀): anggapan bahwa tidak ada perbedaan atau hubungan.
Nilai p: peluang memperoleh hasil sejauh yang teramati atau lebih ekstrem bila H₀ benar.
Selang kepercayaan: rentang nilai yang diperkirakan memuat parameter populasi.
Ukuran efek: besar perbedaan atau hubungan yang terjadi.
Galat (residual): selisih nilai teramati dengan nilai prediksi model.
Multikolinearitas: keterkaitan yang terlalu kuat antarvariabel bebas.
Homoskedastisitas: kesamaan ragam galat pada seluruh tingkat variabel bebas.
Pencilan (outlier): nilai yang jauh menyimpang dari sebagian besar data.
Faktor Bayes: perbandingan bukti antara dua hipotesis dalam pendekatan Bayesian.
Prior dan posterior: keyakinan sebelum dan sesudah data diamati dalam pendekatan Bayesian.