Tag: tesis

Saya tidak akan berpura-pura bahwa ruang sidang itu ramah. Penguji yang baik memang tugasnya bertanya sampai kamu tidak bisa menjawab. Kabar baiknya, pertanyaan yang membuat mahasiswa gugup hampir selalu berasal dari daftar yang sama. Setelah bertahun-tahun mendampingi mahasiswa, dosen, dan peneliti, dan sebelumnya mengajar di beberapa kampus, saya melihat kesalahan yang sama muncul berulang kali, dari semester ke semester.

Berikut lima kesalahan analisis data yang paling sering saya temui, beserta cara memperbaikinya sebelum penguji menemukannya lebih dulu.

Kesalahan 1: Menguji normalitas pada objek yang salah

Ini nomor satu karena hampir semua orang pernah melakukannya. Mahasiswa menjalankan uji normalitas (Kolmogorov-Smirnov atau Shapiro-Wilk) pada setiap variabel, lalu menyimpulkan “data tidak normal, jadi harus pakai uji non-parametrik”. Padahal, untuk regresi linear, asumsi normalitas berlaku untuk residual model, bukan untuk variabel mentahnya. Dan untuk uji beda dua kelompok, yang dicek adalah distribusi data di dalam tiap kelompok, bukan seluruh data digabung.

Dua catatan lagi: pada sampel besar, uji normalitas formal bisa menolak normalitas hanya karena penyimpangan sepele. Pada sampel kecil, ujinya terlalu lemah untuk mendeteksi masalah. Jadi jangan hanya mengandalkan nilai p. Lihat juga histogram, Q-Q plot, dan pertimbangkan teorema limit pusat. Untuk skala Likert, banyak peneliti memperlakukan skor gabungan sebagai data interval. Itu praktik yang lumrah, tetapi sebaiknya dijelaskan dan dipertahankan, bukan diam-diam dilakukan.

Kesalahan 2: Tidak bisa mempertanggungjawabkan sampel

“Sampel saya 100 orang karena sudah dihitung pakai rumus Slovin.” Lalu penguji bertanya: “Dari populasi berapa? Bagaimana cara memilihnya? Apakah mereka mewakili populasi?” Dan jawabannya: “Saya sebar kuesioner ke teman-teman…”

Ukuran sampel tanpa metode pemilihan yang jelas hanya memenuhi syarat angka, bukan syarat ilmiah. Kalau sampelmu bukan sampel acak, jangan menyamarkannya. Sebut dengan jujur bahwa itu purposive atau convenience sampling, jelaskan alasannya, dan nyatakan keterbatasannya: hasilmu tidak boleh digeneralisasi ke seluruh populasi dengan percaya diri. Penguji menghargai kejujuran yang mengakui keterbatasan jauh lebih daripada klaim generalisasi yang rapuh.

Kesalahan 3: Salah paham tentang validitas dan reliabilitas

Ada dua versi kesalahan di sini.

Versi pertama: melewatkan uji instrumen sama sekali, atau hanya mengambil kuesioner dari penelitian lain tanpa menguji ulang pada sampelmu.

Versi kedua: menganggap Cronbach’s alpha yang tinggi berarti instrumen valid. Alpha adalah ukuran konsistensi internal (reliabilitas), bukan validitas. Sebuah instrumen bisa sangat konsisten dan tetap mengukur hal yang salah. Seperti timbangan beras yang selalu menunjukkan angka yang sama dengan sangat konsisten, tetapi tidak cocok untuk menimbang emas. Reliabel, tapi tidak valid untuk tujuanmu.

Untuk validitas konstruk, gunakan analisis faktor (eksploratori atau konfirmatori) atau, dalam PLS-SEM, outer loading, AVE, dan validitas diskriminan. Untuk reliabilitas, laporkan Cronbach’s alpha atau composite reliability, dan jelaskan interpretasinya. Dan ingat, alpha cenderung naik ketika jumlah butir pernyataan bertambah, jadi nilai tinggi pada instrumen yang panjang tidak selalu mengesankan.

Kesalahan 4: Mengejar “signifikan” dan lupa bertanya “seberapa besar”

Banyak bab hasil dan pembahasan berubah menjadi daftar nilai p: “signifikan”, “tidak signifikan”, “signifikan”, “signifikan”. Tidak ada ukuran efek, tidak ada interval kepercayaan, dan tidak ada penjelasan substantif.

Nilai p hanya menjawab satu pertanyaan sempit: seberapa mengejutkan data ini kalau sebenarnya tidak ada efek? Ia tidak menyatakan seberapa besar atau seberapa penting efeknya. Dengan sampel yang besar, efek yang sangat kecil pun bisa “signifikan”. Dengan sampel kecil, efek yang bermakna bisa “tidak signifikan”. Laporkan juga koefisien, ukuran efek (misalnya R², d Cohen, atau koefisien jalur beserta intervalnya), dan jelaskan arti praktisnya dengan bahasa yang bisa dipahami orang awam.

Godaan lain yang berkaitan: mencoba berbagai analisis, mengeluarkan responden “yang mengganggu”, atau mengubah model terus-menerus sampai hasilnya signifikan. Praktik ini dalam literatur disebut p-hacking, dan penguji yang berpengalaman bisa mencium baunya. Putuskan analisis berdasarkan teori sebelum melihat hasilnya, dan catat setiap perubahan yang kamu lakukan beserta alasannya.

Kesalahan 5: Kesimpulan yang melampaui data

Kesalahan terakhir ini halus. Penelitianmu adalah survei satu waktu terhadap 150 mahasiswa di satu kampus, lalu kesimpulannya berbunyi: “Kepemimpinan menyebabkan peningkatan kinerja pada seluruh karyawan di Indonesia.”

Ada dua lompatan di sana. Lompatan pertama: dari korelasi ke sebab-akibat. Data survei satu waktu hanya bisa menunjukkan hubungan, bukan arah dan sebab. Kata “menyebabkan” memerlukan desain yang lebih kuat. Lompatan kedua: dari sampel ke populasi. Sampel di satu kampus tidak otomatis mewakili seluruh negeri.

Gunakan bahasa yang sebanding dengan kekuatan datamu: “berhubungan dengan”, “terkait dengan”, “mendukung dugaan bahwa”, dan nyatakan batas generalisasi secara terbuka. Bagian keterbatasan penelitian bukan tanda kelemahan, melainkan tanda kedewasaan ilmiah.

Satu catatan tentang integritas

Dalam setiap pendampingan, saya selalu menekankan satu prinsip: tujuan membantu analisis bukan membuat mahasiswa “tinggal terima beres”, tetapi memastikan ia mengerti apa yang ia kerjakan dan mampu mempertanggungjawabkannya di depan penguji. Jawaban yang kamu tidak pahami adalah jebakan yang menunggu di ruang sidang. Itulah sebabnya pendampingan yang baik selalu disertai penjelasan, bukan sekadar hasil jadi.

Daftar periksa cepat

Sebelum menyerahkan bab hasil, tanyakan pada diri sendiri:

1. Apakah uji asumsi saya sudah dilakukan pada objek yang benar?
2. Apakah saya bisa menjelaskan cara pemilihan dan batas generalisasi sampel?
3. Apakah validitas dan reliabilitas saya laporkan dengan interpretasi yang benar?
4. Apakah saya melaporkan ukuran efek dan penjelasan substantif, bukan hanya nilai p?
5. Apakah kesimpulan saya sebanding dengan kekuatan data dan desain penelitian?

Kalau lima jawabannya “ya”, kamu sudah lebih siap daripada sebagian besar peserta sidang.

Contoh perbaikan kalimat di bab hasil

Beberapa kalimat yang sering saya temui, dan versi yang lebih sehat:

• Sebelum: ‘Data tidak normal sehingga digunakan uji non-parametrik.’ Sesudah: ‘Residual model memenuhi asumsi normalitas berdasarkan Q-Q plot dan uji Shapiro-Wilk, sehingga regresi linear digunakan.’
• Sebelum: ‘Sampel berjumlah 100 menurut rumus Slovin.’ Sesudah: ‘Sampel berjumlah 100 responden dipilih secara purposif dari karyawan divisi pemasaran. Hasil tidak digeneralisasi ke seluruh perusahaan.’
• Sebelum: ‘Instrumen valid dan reliabel karena alpha 0,91.’ Sesudah: ‘Instrumen memiliki konsistensi internal yang baik (alpha 0,91), dan validitas konstruk didukung oleh analisis faktor dengan muatan di atas 0,60.’
• Sebelum: ‘Kepemimpinan berpengaruh signifikan (p < 0,05).’ Sesudah: ‘Kepemimpinan berhubungan positif dengan kinerja (koefisien 0,34; interval kepercayaan 95% 0,18 sampai 0,50), dengan ukuran efek sedang.’

Perbedaannya terlihat kecil, tetapi bagi penguji, kalimat-kalimat di kolom kedua menunjukkan bahwa kamu paham apa yang kamu kerjakan.

Tanya jawab singkat

Apakah boleh memakai uji parametrik walau data tidak normal? Boleh dalam banyak kasus, terutama pada sampel yang cukup besar karena teorema limit pusat, atau ketika uji yang dipilih tahan terhadap pelanggaran ringan. Yang penting kamu memeriksa asumsi dengan benar, mempertimbangkan alternatif, dan menjelaskan alasan pilihanmu.

Bagaimana kalau dosen pembimbing menyarankan sesuatu yang berbeda? Diskusikan dengan data dan alasan metodologis, bukan dengan sikap defensif. Sering kali perbedaan itu muncul dari konvensi di bidang tertentu. Menjelaskan pilihanmu dengan jelas menunjukkan bahwa kamu paham, dan itu menguntungkanmu saat sidang.

---

Kalau ingin olah data skripsi, tesis, atau disertasimu diperiksa praktisi, lihat layanan jasa analisis data dan statistik kami.