Merencanakan Analisis Data

Literasi Data dan Penulisan Ilmiah

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

2026-09-14

Agenda

Menurunkan pertanyaan penelitian menjadi hipotesis
Menyusun analysis plan dan mengapa preregistration penting
Tiga kategori teknik analisis: deskriptif, komparatif, korelasional
Perkenalan software statistik
2️⃣ aktivitas mandiri

Menurunkan Pertanyaan Penelitian Menjadi Hipotesis 🎯

Kembali ke Define

Kita sudah melewati Find, Get, Verify, dan Clean. Sebelum masuk ke Analyze, kita perlu kembali sejenak ke tahap paling awal Data Pipeline: Define.
Tanpa pertanyaan penelitian yang jelas, Anda hanya punya topik penelitian dan ini berisiko menghabiskan waktu menganalisis data dengan cara yang tidak menjawab tujuan awal Anda.

Masalah psikologis/sosial vs. pertanyaan penelitian

Tema	Pertanyaan penelitian
Burnout akademik	Apakah beban tugas mingguan berkaitan dengan tingkat burnout pada mahasiswa magister?
Kesejahteraan psikologis	Apakah durasi penggunaan media sosial berkaitan dengan kesejahteraan psikologis mahasiswa tingkat akhir?

Pertanyaan yang presisi dan spesifik akan menentukan data apa yang dibutuhkan.

Bandingkan: “Apakah mahasiswa terpengaruh media sosial?” (terlalu kabur) vs. “Apakah durasi penggunaan media sosial berkaitan dengan kesejahteraan psikologis mahasiswa tingkat akhir?” (jelas variabel apa yang diteliti).

Saya menulis esai pendek bagaimana cara merumuskan masalah dan pertanyaan penelitian. Silakan baca di luar waktu perkuliahan.

Merumuskan hipotesis

Ciri hipotesis yang baik

Sederhana, ringkas, dan yang terpenting: dapat diuji. Artinya, Anda harus bisa membuktikannya salah (i.e., falsifiability).

Hipotesis punya dua fungsi:

Mempertajam proyek Anda dengan menentukan observasi spesifik apa yang Anda harapkan muncul dalam data.
Menyusun narasi yang ingin Anda jabarkan dengan data.

Contoh

Dari masalah sosial tentang keterkaitan antara media sosial dan kesejahteraan psikologis, hipotesisnya bisa: “Mahasiswa dengan durasi penggunaan media sosial harian lebih tinggi melaporkan skor kesejahteraan psikologis yang lebih rendah.”

Menyusun Analysis Plan 📝

Apa itu analysis plan?

Analysis plan adalah rangkaian transformasi yang akan Anda terapkan pada data untuk menghasilkan jawaban atas pertanyaan penelitian Anda.
Disusun setelah data dibersihkan, supaya tiap langkahnya bisa memakai nama kolom/variabel yang sebenarnya.
Tujuannya: siapa pun yang diberi data bersih dan analysis plan Anda harus bisa mereka ulang (i.e., reproducibility) analisis Anda langkah demi langkah.

Contoh analysis plan

Untuk hipotesis “persepsi tentang beban tugas mingguan berkaitan dengan tingkat burnout”:

Hitung skor total SKOR_BURNOUT dari item-item skala burnout (AVERAGE()).
Kelompokkan responden berdasarkan BEBAN_TUGAS menjadi “tinggi” dan “rendah” (mis. dengan nilai tengah/median sebagai batas).
Untuk kelompok “beban tinggi”, hitung rata-rata SKOR_BURNOUT.
Untuk kelompok “beban rendah”, hitung rata-rata SKOR_BURNOUT.
Bandingkan kedua rata-rata tersebut, lakukan uji statistik yang mendeteksi apakah perbedaan median SKOR_BURNOUT antara kelompok dengan BEBAN_TUGAS tinggi vs. rendah signifikan.

Kalau Anda belum bisa menyusun analysis plan selengkap ini di awal, tidak masalah. Wajar bagi pemula untuk mengeksplorasi data dulu.

Yang penting: catat langkah yang berhasil begitu Anda menyusunnya, supaya jadi rujukan kalau Anda kembali ke dataset ini nanti.

Analysis plan dan pre-registration

Analysis plan yang Anda tulis sebelum melihat hasil analisisnya sebenarnya sudah menjalankan prinsip dasar pre-registration.
- Artinya, mendaftarkan hipotesis dan rencana analisis secara terbuka, idealnya bahkan sebelum data dikumpulkan sama sekali.
Pendaftarannya biasa dilakukan di platform seperti Open Science Framework (OSF), dengan cap waktu yang tidak bisa diubah-ubah setelahnya.
- Jadi, ada bukti tertulis tentang apa yang Anda rencanakan sebelum tahu hasilnya.
Contoh pre-registration penelitian psikologi sosial di OSF dan contoh dari penelitian saya.

Preregistration adalah cara yang paling umum digunakan untuk membedakan penelitian konfirmatori/hypothesis testing (menguji hipotesis yang sudah dirumuskan sejak awal) dari penelitian eksploratif/hypothesis generating (menemukan pola baru setelah melihat data). Keduanya boleh-boleh saja dilakukan, asal harus jujur diberi label yang tepat.

Tanpa rencana yang terdokumentasi lebih dulu, sangat mudah, bahkan tanpa disadari, untuk mengubah hipotesis atau cara analisis Anda setelah melihat hasilnya, supaya “cocok” dengan apa yang ditemukan.

Ragam Teknik Analisis 🔬

Tiga kategori teknik analisis

Deskriptif

Menjelaskan fitur dasar data: rata-rata, median, frekuensi, sebaran.

Komparatif

Membandingkan nilai suatu variabel antar kelompok (mis. skor Extraversion antara laki-laki dan perempuan).

Korelasional

Melihat hubungan antara dua variabel atau lebih (mis. apakah Conscientiousness berkaitan dengan usia).

Ada kategori keempat yang tidak dibahas mendalam di mata kuliah ini: analisis model prediktif, yang berusaha memprediksi kejadian di masa depan berdasarkan data masa lalu. Ini biasanya membutuhkan pengetahuan statistik lanjut (i.e., machine learning).

Pivot table

Pivot table (Pertemuan 2 sudah menyinggung tabel kontigensi. Pivot table adalah versi interaktifnya) punya empat komponen:

Komponen	Fungsi
Rows	Variabel utama yang ingin Anda lihat per kategori
Columns	Variabel kedua untuk analisis silang
Values	Angka yang dihitung (`SUM`, `AVERAGE`, `COUNT`, dst.)
Filter	Menyaring subset data tertentu

Kunci memakainya: mulai dengan kalimat “Saya ingin melihat…” — mis. “Saya ingin melihat rata-rata skor Extraversion, untuk tiap kategori gender.” → Rows: gender, Values: AVERAGE(Extraversion).

Software untuk Analisis Data 💻

Kapan harus menggunakan software statistik

Spreadsheet sudah bisa menjawab banyak pertanyaan deskriptif dan komparatif sederhana dan ini sudah cukup untuk keperluan mata kuliah ini.
Tapi begitu Anda butuh uji statistik formal (mis. independent samples t-test, ANOVA, korelasi dengan nilai p), Anda memerlukan perangkat lunak analisis statistik.

Dua pilihan yang paling populer

jamovi/JASP

Gratis, antarmuka point-and-click — tidak perlu menulis kode.
Bisa membaca langsung berkas .sav, .csv, .xlsx.
Titik masuk yang ramah untuk mahasiswa yang belum terbiasa coding.

Berbasis kode/script — learning curvenya lebih curam di awal.
Analisisnya sepenuhnya reproducible: script yang sama (umumnya) menghasilkan hasil yang sama.
Materi presentasi mata kuliah ini sendiri dibuat dengan + Quarto.

Mata kuliah ini tidak mengajarkan cara menggunakan jamovi/ secara mendalam. Anda dapat belajar secara mandiri dari berbagai sumber yang tersedia. Salah satunya, Anda bisa menggunakan “Learning Statistics with jamovi” dan “ for Data Science” sebagai pengantar belajar untuk pemula.

🧩 Aktivitas mandiri: Susun analysis plan Anda sendiri

Kerjakan bagian ini secara mandiri

Menggunakan dataset Big Five, Anda akan menyusun analysis plan lengkap:

Rumuskan satu pertanyaan penelitian yang bisa dijawab dengan dataset ini (boleh melibatkan lebih dari satu trait kepribadian atau variabel demografis).
Rumuskan hipotesisnya.
Tentukan apakah analisisnya bersifat deskriptif, komparatif, atau korelasional.
Tuliskan langkah-langkah analysis plan secara berurutan, selengkap contoh yang sudah dibahas, termasuk nama kolom yang akan Anda buat/pakai.

🧩 Aktivitas mandiri: Mengeksekusi analysis plan untuk dataset contoh

Aktivitas ini dinilai sebagai nilai kuis.

Pertanyaan penelitian: “Apakah skor Extraversion berbeda antara partisipan laki-laki dan perempuan?”

Hitung skor_extraversion per partisipan (AVERAGE(E1:E10), setelah item dibalik sesuai kebutuhan).
Buat pivot table: Rows = gender, Values = AVERAGE(skor_extraversion).
Bandingkan rata-rata antar kategori gender.
Uji perbedaan rata-rata tersebut di MS Excel dengan fungsi T.TEST()

Kumpulkan file MS Excel/LibreOffice yang digunakan untuk analisis di Psyche. Akan dinilai sebagai nilai kuis.

Penutup

Kesimpulan Pertemuan 5

Sebelum menganalisis, kembali ke Define: tema → pertanyaan penelitian yang presisi → hipotesis yang dapat diuji.
Analysis plan adalah rangkaian langkah tertulis, disusun setelah data bersih, agar analisis Anda reproducible.
Menuliskan analysis plan sebelum melihat hasil adalah inti dari pre-registration, dan ini akan membantu untuk membedakan penelitian konfirmatori dari eksploratif secara lebih transparan.
Tiga kategori teknik analisis: deskriptif, komparatif, korelasional — pivot table adalah alat serbaguna untuk ketiganya.

Referensi

Open Knowledge Foundation & International Republican Institute. (2021). Data literacy curriculum.

Terima kasih!😊

Ada pertanyaan?

Paparan disusun dengan menggunakan dan Quarto dengan template dari UNAIR Theme.