Interpretasi Data

Literasi Data dan Penulisan Ilmiah

Rizqy Amelia Zein

Departemen Psikologi, Universitas Airlangga

2026-08-21

Outline

  • Setelah data dianalisis, bagaimana melaporkannya?
  • Menarasikan ketidakpastian dengan hedging language
  • Studi kasus: generalisasi tergesa-gesa dari subkelompok
  • Melaporkan rentang kepercayaan (confidence interval) dengan benar
  • Etika analisis data: mengenali questionable research practices
  • 2️⃣ aktivitas (kelompok & mandiri)

Data Telah Dianalisis, Lalu? 📢

Tiga jenis audiens

Setelah data dianalisis (Pertemuan 5), temuan pentingnya harus dikomunikasikan. Cara Anda mengomunikasikannya sangat bergantung pada siapa audiensnya:

  1. Komunitas akademik serumpun — latar belakang keilmuannya sama dengan Anda.
  2. Informed lay public — orang awam terdidik; mampu mencerna informasi kompleks, tapi di luar spesialisasi Anda.
  3. General lay public — orang awam tanpa latar belakang sains sama sekali.

Komunitas akademik serumpun

  • Anda perlu memperhatikan norma/kelaziman yang berlaku di komunitas Anda — tata letak tulisan, aturan pengutipan, cara mempresentasikan dan mendiskusikan analisis.
  • Tiap bidang punya gayanya sendiri: Kedokteran → AMA, Sosiologi → ASA, Teknik → IEEE, Psikologi → APA.
  • Dengan sejawat serumpun, Anda diperbolehkan (bahkan didorong) memakai istilah teknis — jargon justru menambah akurasi komunikasi, bukan menghalanginya.

Untuk publik awam

  • Berkomunikasi dengan publik awam butuh usaha lebih besar: Anda harus menyeimbangkan presisi dan keterbacaan.
  • Ilmuwan yang baik berhati-hati menjelaskan hasil analisisnya — menghindari kesimpulan (ekstrapolasi) yang berlebihan dari data yang dianalisis.
  • Bagian tersulit: menarasikan ketidakpastian. Melebih-lebihkan hubungan antar variabel membuat klaim Anda dicurigai; menyederhanakannya terlalu jauh membuat Anda melewatkan temuan penting.

Penting diingat

Ingat: statistik pada dasarnya bicara soal probabilitas, jadi hindari diksi yang menyiratkan realitas yang serba pasti/rigid.

Menarasikan Ketidakpastian: Hedging Language 🎈

Apa itu hedging language?

Definisi

Hedging language adalah gaya bahasa yang dipakai ilmuwan untuk mengekspresikan kehati-hatian ketika mendiskusikan ketidakpastian dalam menginterpretasi data. Interpretasi digambarkan dengan tone yang berhati-hati, bukan sesuatu yang mutlak.

Kata kunci yang sering dipakai: “cenderung,” “mengindikasikan,” “kemungkinan,” “pada sampel ini,” “perlu diuji lebih lanjut.”

Contoh 1: Durasi tidur kucing vs. anjing

Pada grafik terlihat kucing rata-rata tidur lebih lama daripada anjing. Namun, ada satu kucing dalam sampel yang tidur jauh lebih lama daripada yang lain dan memengaruhi rerata kelompoknya.

Interpretasi yang di-hedge dengan baik: “Sangat mungkin sebenarnya hanya ada sedikit perbedaan rerata durasi tidur antara kucing dan anjing, namun perbedaan ini akan terlihat lebih jelas apabila pengambilan data diulang dengan sampel yang lebih besar.”

Penting diingat

Perhatikan: kalimat ini secara eksplisit mengaitkan ketidakpastian dengan satu nilai ekstrem (outlier) dalam sampel, bukan sekadar berkata “hasilnya tidak pasti” tanpa alasan yang jelas.

Contoh 2: Panjang lengan vs. tungkai

Grafik menunjukkan hubungan yang sangat kuat antara panjang lengan dan tungkai pada remaja — semua partisipan mendekati garis diagonal, tanpa nilai ekstrem.

Di sini hubungannya memang kuat dan jelas — hedging yang berlebihan justru tidak tepat. Kuncinya bukan “selalu ragu-ragu,” tapi menyesuaikan tingkat kepastian narasi Anda dengan kekuatan bukti yang sebenarnya.

Contoh 3: Gaji Dosen UGM

Sumber

Studi Kasus: Generalisasi Tergesa-Gesa dari Subkelompok ⚠️

Survei Indikator Politik

Sumber

Survei Indikator Politik

Sumber

Mari kita lihat datanya

Sebuah lembaga survei mewawancarai 1.200 partisipan secara acak melalui telepon tentang kesediaan vaksinasi. Dari 1.200 partisipan, sekitar 120 orang (10%) berusia 22–25 tahun.

Klaim yang dipublikasikan media: hanya 45.1% partisipan usia 22–25 tahun bersedia divaksinasi — proporsi terendah di antara semua kelompok usia. Kesimpulan yang beredar: generasi muda (Gen Z) banyak menolak vaksinasi.

Survei Indikator

Persoalannya…

  • Membandingkan proporsi bersedia/tidak bersedia divaksin bersifat relatif terhadap kelompoknya sendiri — tidak tepat dibandingkan langsung antar kelompok usia yang jumlah partisipannya berbeda-beda.
  • Kesimpulan “Gen Z banyak menolak vaksin” hanya didasarkan pada kelompok usia 22–25 tahun, tanpa melibatkan partisipan usia 21 tahun ke bawah.
  • Ketika dilakukan analisis korelasi antara usia dan kesediaan vaksinasi — dengan seluruh kelompok usia dilibatkan — hubungannya ternyata sangat lemah.

Korelasinya lemah

Kesimpulannya: Generalisasi Tergesa-Gesa

Generalisasi tergesa-gesa dari subkelompok

Menyimpulkan pola populasi dari satu subkelompok kecil dan tidak representatif, tanpa mengecek apakah pola itu bertahan saat seluruh kelompok dilibatkan, adalah bentuk penyalahgunaan statistik yang, sayangnya, cukup sering terjadi.

Moral of the story: selalu cek kesesuaian antara klaim dan data. Kalau sebuah klaim terasa too good to be true (atau too alarming to be true), itu tanda Anda perlu memeriksa datanya lebih teliti.

Melaporkan Rentang Kepercayaan 📏

Kenapa confidence interval penting

  • Saat melaporkan hasil statistik, selalu sertakan rentang kepercayaan (confidence interval, CI), bukan hanya point estimate-nya saja.
  • CI memberi gambaran yang jauh lebih realistis tentang data dan ketidakpastian yang menyertainya.
  • Melaporkan CI adalah keharusan di banyak komunitas akademik — termasuk APA — meski menerjemahkannya ke bahasa awam bukan pekerjaan mudah.

Bagaimana melaporkan CI dengan benar

Kembali ke kasus survei vaksinasi: peneliti hanya melaporkan point estimate (45.1%) dengan margin of error 2.9%.

Sebelum

“Hanya 45.1% partisipan berusia 22–25 tahun bersedia divaksinasi.”

Sesudah

“Dari sekitar 120 partisipan usia 22–25 tahun, hanya 45.1% yang bersedia divaksinasi (rentang kepercayaan 95%: 42.2–48.0%). Jika survei ini diulang berkali-kali, sekitar 95% dari interval yang dihasilkan akan mencakup persentase populasi yang sebenarnya. Meski begitu, analisis korelasi usia dengan kesediaan vaksinasi tidak menemukan hubungan yang kuat, sehingga temuan pada kelompok usia ini kemungkinan tidak bermakna apa-apa.”

Persoalannya

Masalahnya

Margin of error ±2.9% ini sebenarnya angka topline untuk seluruh sampel (n=1.200), untuk subkelompok usia 22–25 tahun (n≈120) margin of error-nya jauh lebih lebar (kira-kira ±9%). Inilah kesalahan pelaporan yang umum terjadi: memakai MoE survei keseluruhan untuk subkelompok yang jauh lebih kecil.

Seharusnya > “Dari sekitar 120 partisipan usia 22–25 tahun, hanya 45.1% yang bersedia divaksinasi (rentang kepercayaan 95%: 36.1–54.1%). Jika survei ini diulang berkali-kali, sekitar 95% dari interval yang dihasilkan akan mencakup persentase populasi yang sebenarnya. Meski begitu, analisis korelasi usia dengan kesediaan vaksinasi tidak menemukan hubungan yang kuat, sehingga temuan pada kelompok usia ini kemungkinan tidak bermakna apa-apa.”

Etika Analisis Data: Questionable Research Practices ⚖️

Ketika analisis data disalahgunakan

  • Menganalisis data bukan cuma soal keterampilan teknis — ada etika yang menyertainya.
  • Questionable research practices (QRP) adalah praktik analisis yang secara teknis “tidak curang” tapi menyesatkan kesimpulan — dan menjadi salah satu penyebab utama krisis replikasi dalam psikologi.
  • Dua bentuk QRP yang paling umum: p-hacking dan HARKing.

P-hacking

Definisi

Mengulik analisis — mencoba berbagai kombinasi variabel, metode, atau ambang batas — sampai ditemukan hasil yang signifikan secara statistik (p < ,05), lalu hanya melaporkan hasil itu saja.

Contoh bentuknya:

  • Membuang beberapa partisipan/observasi “yang mengganggu” hasil, tanpa alasan metodologis yang jelas.
  • Mencoba berbagai cara mengelompokkan variabel (mis. usia dibagi 2 kelompok, lalu 3, lalu 4) sampai salah satu menghasilkan signifikansi.
  • Menjalankan puluhan uji korelasi dan hanya melaporkan yang signifikan.

HARKing

Hypothesizing After the Results are Known

Menyajikan temuan yang sebenarnya ditemukan secara eksploratif (setelah melihat data) seolah-olah itu adalah hipotesis yang sudah dirumuskan sejak awal, sebelum data dikumpulkan.

Ingat analysis plan dari Pertemuan 5? Salah satu fungsinya justru untuk mencegah HARKing — dengan mencatat hipotesis dan rencana analisis sebelum melihat hasilnya, Anda punya jejak yang jelas antara mana yang confirmatory (diuji sesuai rencana) dan mana yang exploratory (ditemukan di tengah jalan).

Kenapa ini berisiko

  • P-hacking menyebabkan inflasi temuan false positive — hasil yang terlihat signifikan padahal sebenarnya kebetulan statistik.
  • HARKing membuat pembaca percaya sebuah hipotesis “berhasil diuji secara ketat”, padahal sebenarnya ditemukan lewat coba-coba.
  • Keduanya berkontribusi pada krisis replikasi: banyak temuan populer dalam psikologi ternyata gagal direplikasi peneliti lain.

Penting diingat

Bandingkan dengan yang akan kita pelajari di Pertemuan 12: post hoc theorizing memang dibolehkan — bahkan dianjurkan — dalam narrative review yang mensintesis puluhan studi (Baumeister & Leary, 1997). Yang tidak boleh adalah menyamarkan eksplorasi sebagai konfirmasi dalam satu studi empiris tunggal — itulah inti masalah HARKing.

Cara menjaga diri dari QRP

  • Susun analysis plan sebelum melihat hasil (Pertemuan 5) — idealnya bahkan sebelum data dikumpulkan (preregistration).
  • Laporkan semua analisis yang Anda coba, bukan hanya yang signifikan — termasuk yang “gagal”.
  • Bedakan secara eksplisit dalam naskah Anda: mana temuan yang confirmatory (menguji hipotesis awal) dan mana yang exploratory (ditemukan setelah melihat data).
  • Analisis eksploratif boleh dilaporkan — asal jujur disebut sebagai eksploratif, bukan disamarkan sebagai konfirmasi.

🧩 Aktivitas mandiri: kenali QRP-nya

Kerjakan sendiri, lalu diskusikan berpasangan (10 menit)

Baca skenario berikut: “Seorang peneliti awalnya menguji apakah skor Neuroticism berkorelasi dengan usia. Hasilnya tidak signifikan. Peneliti lalu mencoba mengorelasikan usia dengan keempat trait lainnya satu per satu, dan menemukan korelasi signifikan dengan Openness. Dalam naskahnya, peneliti menulis: ‘Kami menghipotesiskan bahwa usia berkaitan dengan Openness, dan hipotesis ini terbukti.’”

  1. Identifikasi QRP apa yang terjadi di sini — p-hacking, HARKing, atau keduanya?
  2. Bagaimana seharusnya peneliti ini melaporkan temuannya secara jujur?

Penutup

Kesimpulan Pertemuan 6

  • Cara melaporkan temuan bergantung pada audiens: komunitas akademik, informed lay public, atau general lay public.
  • Hedging language menyesuaikan tingkat kepastian narasi Anda dengan kekuatan bukti yang sebenarnya — jangan terlalu tegas, jangan juga terlalu ragu tanpa alasan.
  • Generalisasi tergesa-gesa mengingatkan kita: pola pada satu subkelompok kecil bisa menghilang (atau berbalik) ketika seluruh data digabungkan.
  • Selalu laporkan rentang kepercayaan, bukan hanya point estimate.
  • Waspadai p-hacking dan HARKing — analysis plan dari Pertemuan 5 adalah pertahanan utama Anda.

Referensi

Ada pertanyaan❓

Catatan