Beberapa Kendala dalam Teknik Analisis Data, Pernah Mengalami?

Teknik analisis data adalah metodologi atau cara untuk melakukan pengolahan data menjadi informasi yang bernilai dan bermanfaat. Penggunaan teknik analisis data ditujukan untuk mendeskripsikan karakteristik data yang telah kita analisis menjadi sebuah informasi yang mudah dipahami.

Teknik analisis data juga bermanfaat untuk menemukan solusi alias jalan keluar dari permasalahan khususnya masalah yang diangkat dalam penelitian. Dari sinilah peneliti bisa mengambil kesimpulan dari hasil pengolahan data dan serangkaian analisis yang telah dilakukan. Selain itu, peneliti juga bisa menarik kesimpulan berdasarkan karakteristik populasi yang diperoleh dari sampel. Biasanya hasil ini digunakan sebagai dasar pendugaan dan pengujian hipotesis. 

Mencermati pentingnya dan urgensi dari perlakuan teknik analisis data dalam penelitian maka tahapan yang satu ini tidak boleh dianggap asal alias remeh. Tahap ini mengharuskan data yang dikumpulkan dengan menggunakan berbagai teknik pengumpulan data, kemudian diolah dan disajikan untuk membantu menjawab permasalahan penelitian yang diteliti.

Teknik analisis data selalu digunakan dalam jenis penelitian apapun. Baik itu yang sifatnya penelitian kuantitatif, penelitian kualitatif maupun penelitian mix methods. Meskipun tiap jenis penelitian memiliki pendekatan yang berbeda-beda tapi memiliki tujuan yang sama yaitu mendapatkan jawaban dari tujuan penelitian yang telah kita susun sebelumnya. 

Namun sebagai peneliti pemula apalagi ketika mengerjakan tugas akhir seringkali menemukan kendala ditengah pengerjaan skripsi atau saat melakukan pengolahan data. Mulai dari data tidak valid, data yang sudah kita olah ternyata tidak lolos asumsi, hasilnya tidak sesuai dengan teori yang berlaku dan masih banyak lagi kendala lainnya dalam melakukan analisis data. 

Lalu, kira-kira apa saja sih kendala yang sering terjadi dalam analisis data. Yuk mari kita jawab rasa penasaran kamu lewat artikel berikut ini ya! Pada artikel DQLab kali ini, kita akan membahas mengenai kendala-kendala yang seringkali dihadapi oleh peneliti saat melakukan analisis data. 

Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, pemula data maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys! 

1. Hasil Pengujian Dinyatakan Tidak Valid

Banyak orang-orang yang seringkali mengalami hal ini. Bisa dibilang sebagai the most requested dari peneliti pemula yang selalu panik kalau mengalami hal serupa. Hasil pengujian dinyatakan tidak valid sebenarnya memiliki beberapa faktor yang menjadi penyebabnya. Pertama dari segi daftar pertanyaan yang dibuat oleh peneliti dinilai kurang jelas arahnya mau kemana. Dari logika saja sudah bisa menebak bahwa responden akan kesulitan untuk menjawabnya. 

Karena apa? Ya kitanya sendiri arahnya belum spesifik pertanyaannya mengacu kemana. Penyebab lainnya bisa juga karena jawaban responden mengandung jawaban yang tidak konsisten. Ketidakkonsistenan jawaban ini diakibatkan dari responden penelitian malas menjawab pertanyaan atau pernyataan yang diberikan peneliti. Atau bisa jadi mereka menjawab secara asal sehingga jawaban yang diberikan tidak sesuai dengan kondisi yang sebenarnya. Jadi jika kalian mengalami masalah yang serupa saat hasil pengujian kalian tidak valid maka berikut tips yang bisa dilakukan

• Melakukan perbaikan terhadap item pertanyaan yang tidak valid. Kemudian membagikan ulang kepada responden untuk mengisinya kembali. Pastikan pertanyaan yang disusun harus lebih baik dari sebelumnya. Berkaca dari hasil pengujian yang tidak valid tadi maka peneliti perlu memberikan informasi tambahan kepada responden untuk melakukan pengisian sejujur-jujurnya.

• Melakukan eliminasi terhadap item pertanyaan yang terindikasi tidak valid. Disini untuk melakukan eliminasi tidak sembarang atau asal ya. Perlakuan eliminasi ini apabila nilai item pertanyaan ternyata tidak valid alias nilainya lebih besar. Ini hanya dilakukan jika kita merasa bahwa item pertanyaan tidak penting. Tetapi kalau item pertanyaannya kita anggap penting maka lakukan langkah yang pertama

• Terakhir kita melakukan prediksi angket sebelum disebar kepada responden yang lebih luas. Maksudnya adalah kita melakukan penyebaran kepada responden dengan jumlah yang lebih kecil (misalnya 5-10 orang). Perlakuan ini dilakukan untuk testing angket yang ingin kita sebar. Hal ini dilakukan untuk memprediksi kira-kira hasilnya valid atau tidak. Jangan mencoba untuk melakukan manipulasi data karena hal tersebut sangat tidak dianjurkan

Baca juga : Teknik Analisis Data dalam Bidang Research and Development

2. Data Terindikasi Multikolinearitas

Multikolinearitas adalah gejala yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam satu model regresi berganda. Contoh kasus misalnya dalam satu model regresi ada dua variabel bebas yaitu persentase tenaga kerja dan curahan waktu tenaga kerja. Kalian bisa mendeteksi adanya multikolinearitas dari kedua variabel tersebut. 

Kalau kalian perhatikan dengan jeli, kedua variabel ini hampir mirip. Kedua variabel sama-sama berhubungan dengan tenaga kerja. Padahal seharusnya dalam satu model regresi paling sedikit hanya satu yang bisa mewakili dan tidak bermakna ganda. Jika hal ini terjadi maka dapat berisiko terjadinya multikolinearitas karena terdapat pengulangan pada variabel bebasnya. 

Jika kalian mengalami data yang terindikasi multikolinearitas maka ada beberapa tips yang bisa dilakukan:

• Jika jumlah variabel yang diujikan terbilang banyak maka kita dapat melakukan pergantian analisis. Opsi yang bisa kalian pakai adalah analisis faktor. Nantinya dalam analisis faktor akan dikelompokkan sesuai dengan variabel menjadi satu kesatuan faktor. Dari faktor inilah yang bisa digunakan sebagai variabel dalam model regresi

• Dengan cara melakukan operasi matematis antar variabel bebas yang berkorelasi kuat sehingga didapat variabel baru hasil operasi tersebut yang kemudian dimasukkan ke dalam model regresi sebagai perwakilan dari variabel yang menjadi sumber operasi matematis tersebut

3. Data Terindikasi Autokorelasi

Autokorelasi adalah salah satu pelanggaran uji asumsi klasik pada metode OLS atau Ordinary Least Square. Sederhananya autokorelasi mengindikasikan ada tidaknya korelasi variabel yang ada di dalam model regresi dengan perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada sebuah model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas, melainkan berpasangan secara autokorelasi. Indikasi autokorelasi biasanya ditemukan pada data time series alias data runtut waktu. 

Kira-kira apakah sebuah nilai pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai pengamatan yang sebelumnya. Metode Cochrane-Orcutt merupakan salah satu metode yang dapat digunakan untuk mengatasi masalah autokorelasi pada model regresi. Metode Cochrane-Orcutt dilakukan dengan menghitung nilai Ì‚ (koefisien autokorelasi) menggunakan nilai error pada model regresi. 

Untuk mendapatkan nilai Ì‚ yang menjamin tidak terdapat masalah autokorelasi pada metode Cochrane-Orcutt, dalam mencari nilai Ì‚ dilakukan secara berulang untuk mendapatkan nilai yang sudah konvergen.

4. Hasil Penelitian Tidak Sesuai Dengan Hipotesis

Kendala terakhir yang biasanya dialami adalah hasil penelitian tidak sesuai dengan hipotesis yang telah diajukan. Terkadang peneliti selalu menganggap bahwa semua hasil penelitian merasa bahwa harus disesuaikan dengan hipotesis yang sudah dibuat. Padahal kita juga tidak tahu sebenarnya seperti apa yang terjadi di lapangan saat melakukan pengolahan atau pengumpulan data. Kira-kira kalau punya seperti ini gimana solusinya? Tidak masalah, laporkan sesuai hasil. 

Selain itu, perlu dijelaskan mengapa hipotesis ditolak/tidak sesuai, agar dapat dijadikan pembelajaran untuk penelitian berikutnya. Namun perlu diperiksa kembali apakah penelitian sudah sesuai dengan prosedur, ataukah ada sebuah kekeliruan yang membuatnya tidak sesuai dengan hipotesis.

Hipotesis hanyalah sebuah perkiraan teoritis awal berdasar referensi yang ada saat itu, atas hasil penelitian yang akan didapatkan. Hipotesis ada sebelum melakukan penelitian. Banyak hal yang membuat hasil penelitian berbeda dengan hipotesis. Mulai dari environment yang berbeda, perbedaan variabel, bahkan faktor luar ataupun faktor yang tidak terlihat sebelum melakukan penelitian

Baca juga : Teknik Analisis Data Kualitatif dengan Thematic Analysis 

5. Rasakan Serunya Belajar Data Bersama DQLab!

Belajar analisis data merupakan salah satu langkah untuk mempelajari hal apapun di ranah data. Melakukan analisis data tentunya bukan hal yang mudah. Dibutuhkan ketekunan dan ketelitian dalam melakukan setiap tahapannya. Agar skill analisis data kamu semakin terasah, tidak salah lagi jika kamu bisa upgrade skillmu bersama DQLab! 

Asah teknik analisa datamu dengan mulai belajar Data Science di DQLab! Yuk, signup sekarang di DQLab.id!

Penulis: Reyvan Maulid