Prodi Bisnis Digital · FEB UNDIP

Metodologi Penelitian Bisnis

Pertemuan 11: Analisis Data Kualitatif & Kuantitatif — Pengkodean Tematik & Statistik Dasar

Dari tumpukan wawancara dan angka survei menjadi temuan yang bisa dipercaya.

RPS minggu 12 · 2x50 menit

Selamat datang kembali di Metodologi Penelitian Bisnis. Anda sudah melewati UTS, sudah belajar merancang kuesioner dan wawancara di pertemuan sebelumnya — sekarang saatnya kita bahas apa yang terjadi SETELAH data terkumpul: bagaimana data mentah, baik berupa transkrip wawancara maupun angka dari kuesioner, diubah menjadi temuan yang bisa dipercaya. Bayangkan Anda baru saja mewawancarai sepuluh pemilik UMKM digital di Semarang tentang alasan mereka pindah berjualan ke Tokopedia, dan sekaligus menyebar survei kepuasan ke seratus pelanggan sebuah marketplace lokal — tumpukan data ini tidak berguna kalau tidak dianalisis dengan metode yang benar. Hari ini kita akan belajar dua jalur analisis: pengkodean tematik untuk data kualitatif, dan statistik deskriptif-inferensial dasar untuk data kuantitatif. Di akhir sesi, Anda akan bisa mengkode transkrip wawancara sederhana dan menghitung rata-rata, simpangan baku, serta korelasi dari data survei dengan tangan Anda sendiri.

Bagian 1 dari 3

Dari Data Mentah ke Insight

Dua jalur analisis, satu tujuan: menjawab pertanyaan penelitian Anda dengan bukti.

Tujuan Pembelajaran Hari Ini

JALUR KUALITATIF

3 Tahap

Memahami dan mempraktikkan pengkodean tematik — dari kode mentah hingga tema final — pada data wawancara/teks.

JALUR KUANTITATIF

4 Ukuran

Menghitung statistik deskriptif (mean, median, modus, simpangan baku) dan memahami dasar statistik inferensial.

Sub-CPMK Minggu Ini

Mahasiswa mampu melakukan pengkodean tematik sederhana pada data kualitatif.
Mahasiswa mampu menghitung dan menginterpretasi statistik deskriptif dari data kuantitatif.
Mahasiswa memahami logika dasar statistik inferensial (populasi vs sampel, signifikansi) tanpa terjebak menghitung rumus rumit.

Mengapa Analisis Ini Penting?

Data yang tidak dianalisis dengan benar hanya jadi tumpukan file, bukan bukti ilmiah.

Bayangkan sebuah startup e-commerce mengumpulkan 500 respon survei kepuasan tapi hanya melaporkan "rata-rata pelanggan puas" tanpa menunjukkan bagaimana angka itu dihitung, atau berapa besar variasinya. Klaim itu tidak bisa diuji — dan itulah yang membedakan opini dari temuan penelitian.

TANPA ANALISIS SISTEMATIS

Bias

Peneliti hanya memilih kutipan wawancara yang mendukung dugaannya sendiri (cherry-picking).

DENGAN ANALISIS SISTEMATIS

Kredibel

Setiap klaim didukung prosedur yang bisa ditelusuri ulang oleh peneliti lain (transparan & dapat direplikasi).

Dua Jalur Analisis: Perbandingan

Aspek	Kualitatif (Tematik)	Kuantitatif (Statistik)
Bentuk data	Teks — transkrip wawancara, FGD, catatan observasi	Angka — hasil kuesioner skala, data transaksi
Tujuan utama	Memahami makna & pola dari sudut pandang partisipan	Mengukur, membandingkan, menggeneralisasi ke populasi
Output khas	Tema, kategori, narasi	Rata-rata, persentase, koefisien
Contoh alat bantu	NVivo, Atlas.ti, atau coding manual di spreadsheet	SPSS, Excel, Jamovi, R

Banyak riset bisnis digital memakai mixed method — menggabungkan keduanya, misalnya wawancara untuk memahami alasan, lalu survei untuk mengukur seberapa luas alasan itu berlaku.

Alur Umum Analisis Data Kualitatif

Model klasik Miles & Huberman membagi analisis kualitatif menjadi tiga tahap yang saling terkait, bukan langkah satu-arah.

Pengkodean tematik yang akan kita praktikkan di slide berikutnya adalah inti dari tahap reduksi & penyajian data.

Analisis kualitatif bukan proses satu-arah seperti resep masakan, melainkan siklus yang bisa Anda ulangi. Reduksi data berarti Anda merangkum transkrip wawancara yang panjang — bisa sepuluh halaman per informan — menjadi poin-poin penting yang relevan dengan pertanyaan penelitian. Penyajian data berarti Anda mengorganisasi poin-poin itu ke dalam bentuk yang lebih mudah dilihat polanya, biasanya berupa tabel atau matriks tema. Verifikasi simpulan berarti Anda menarik makna dari pola itu, lalu mengecek ulang apakah kesimpulan Anda benar-benar didukung data, bukan asumsi pribadi. Yang penting Anda pahami, garis putus-putus di bawah diagram ini menunjukkan bahwa Anda boleh, bahkan sering harus, kembali ke tahap sebelumnya kalau menemukan hal baru — ini bukan kegagalan, ini normal dalam riset kualitatif.

Pengkodean Tematik: Tiga Lapis Kode

Pengkodean (coding) adalah proses memberi label singkat pada potongan teks yang bermakna, lalu mengelompokkannya secara bertahap.

1. OPEN CODING

Kode

Memberi label singkat pada tiap kalimat/kutipan bermakna, sedekat mungkin dengan kata asli informan.

2. AXIAL CODING

Kategori

Mengelompokkan kode-kode yang mirip menjadi kategori yang lebih besar.

3. SELECTIVE CODING

Tema

Menyatukan kategori menjadi tema inti yang menjawab pertanyaan penelitian.

Ini adalah proses dari bawah ke atas (bottom-up) — tema tidak ditentukan di awal, tapi muncul dari data itu sendiri.

Istilah "coding" di sini tidak ada hubungannya dengan pemrograman komputer — dalam riset kualitatif, coding berarti memberi label pada potongan teks. Prosesnya berlapis tiga. Open coding adalah lapisan paling dasar: Anda membaca transkrip baris demi baris dan memberi label singkat, misalnya kalau seorang pemilik UMKM bilang "saya capek urus toko fisik, sewa mahal", Anda beri kode "biaya sewa tinggi". Axial coding mengumpulkan kode-kode serupa — mungkin ada lima kode berbeda yang semuanya bicara soal biaya, lalu Anda satukan jadi kategori "tekanan biaya operasional". Selective coding adalah lapisan paling atas, di mana beberapa kategori disatukan menjadi tema besar seperti "efisiensi biaya sebagai pendorong migrasi ke digital". Yang penting Anda ingat, proses ini bottom-up — Anda tidak menentukan tema di awal lalu mencari-cari bukti, tapi membiarkan tema muncul dari data.

Walkthrough: Mengkode Kutipan Wawancara (1/2)

Kasus: wawancara pemilik UMKM digital tentang alasan pindah berjualan ke marketplace online.

Langkah	Aktivitas	Hasil
1	Baca kutipan asli: "Toko fisik sewa Rp 3 juta/bulan, sepi. Pindah ke Tokopedia, ga perlu sewa, jangkauan pembeli lebih luas."	Teks mentah
2	Beri kode pada tiap potongan bermakna (open coding)	"hemat sewa" · "jangkauan luas"
3	Bandingkan dengan kutipan informan lain yang serupa	Informan #2, #5, #7 sebut "hemat biaya" juga
4	Kelompokkan kode serupa jadi kategori (axial coding)	Kategori: "Efisiensi Biaya Operasional"

Mari kita praktikkan bersama, langkah demi langkah, dengan contoh nyata. Bayangkan Anda mewawancarai pemilik toko fesyen di Semarang yang bilang persis seperti kutipan di slide ini. Langkah pertama, Anda cukup membaca kutipan itu utuh tanpa buru-buru menyimpulkan apa pun. Langkah kedua, Anda memberi kode pada tiap frasa yang bermakna — perhatikan saya memberi dua kode berbeda dari satu kalimat, karena ada dua ide berbeda di dalamnya: soal hemat biaya sewa, dan soal jangkauan pembeli yang lebih luas. Langkah ketiga, Anda tidak berhenti di satu informan — Anda memeriksa apakah informan lain menyebutkan hal serupa, dan ternyata tiga informan lain juga menyebut soal biaya. Langkah keempat, karena beberapa kode punya benang merah yang sama, Anda satukan jadi kategori "Efisiensi Biaya Operasional". Perhatikan, ini baru kategori, belum tema final — kita lanjutkan di slide berikutnya.

Walkthrough: Mengkode Kutipan Wawancara (2/2)

Melanjutkan dari kategori menuju tema final (selective coding).

Langkah	Aktivitas	Hasil
5	Identifikasi kategori lain dari data yang sama: "jangkauan luas", "kemudahan promosi", "kepercayaan pembeli via rating"	3 kategori tambahan
6	Cari benang merah antar-kategori (selective coding)	Semua mengarah ke satu isu besar
7	Rumuskan tema inti yang menjawab pertanyaan penelitian	Tema: "Migrasi digital didorong oleh efisiensi & perluasan pasar"

Tema akhir harus bisa ditelusuri kembali ke kutipan asli — inilah yang membuat analisis tematik kredibel, bukan tebakan peneliti.

Sekarang kita naik satu lapis lagi. Selain kategori "Efisiensi Biaya Operasional" dari slide sebelumnya, misalkan dari transkrip yang sama kita juga menemukan kategori "jangkauan pasar lebih luas", "kemudahan berpromosi lewat media sosial", dan "kepercayaan pembeli lewat sistem rating dan ulasan". Langkah keenam adalah mencari benang merah di antara semua kategori ini — kalau Anda perhatikan, semuanya sebenarnya bicara tentang satu isu besar, yaitu kenapa UMKM pindah ke digital. Langkah ketujuh, Anda merumuskan itu menjadi satu tema inti yang ringkas namun mewakili keseluruhan data. Yang paling penting untuk Anda ingat sebagai calon peneliti: tema akhir ini HARUS bisa Anda telusuri kembali ke kutipan asli informan. Kalau ada pembaca skeptis bertanya "dari mana Anda dapat tema ini", Anda harus bisa menunjukkan jejak dari kutipan mentah, ke kode, ke kategori, sampai ke tema — inilah yang disebut audit trail dalam riset kualitatif.

Bagian 2 dari 3

Statistik Deskriptif & Inferensial Dasar

Mengubah kolom angka survei menjadi angka yang bisa Anda ceritakan.

Statistik Deskriptif: Ukuran Pemusatan & Sebaran

Statistik deskriptif meringkas data mentah menjadi angka yang menggambarkan pusat dan sebaran data.

Ukuran Pemusatan

Mean (rata-rata) — jumlah semua nilai dibagi banyaknya data
Median — nilai tengah setelah data diurutkan
Modus — nilai yang paling sering muncul

Ukuran Sebaran

Rentang (range) — nilai maksimum dikurangi minimum
Simpangan baku (std dev) — rata-rata jarak tiap data terhadap mean
Varians — simpangan baku kuadrat

Bayangkan Anda punya seratus jawaban survei kepuasan pelanggan dari skala 1 sampai 5 — tidak mungkin Anda melaporkan seratus angka itu satu per satu ke pembaca laporan. Di sinilah statistik deskriptif berguna: ia meringkas seratus angka itu menjadi beberapa angka kunci saja. Ukuran pemusatan menjawab pertanyaan "secara umum, di mana pusat datanya" — apakah rata-rata orang puas atau tidak. Tapi rata-rata saja bisa menyesatkan, karena dua kelompok data yang rata-ratanya sama bisa punya cerita sangat berbeda: satu kelompok semua orang menjawab sama (konsisten), kelompok lain terbelah ekstrem antara sangat puas dan sangat kecewa. Di sinilah ukuran sebaran, terutama simpangan baku, menjadi penting — ia memberitahu Anda seberapa "beragam" jawaban responden Anda. Di slide berikutnya kita akan menghitung semua ini dengan tangan dari data kecil supaya logikanya benar-benar melekat.

Hitung dari Nol #1: Mean, Median, Modus, Std Dev

Data: rating kepuasan 5 pelanggan aplikasi belanja online (skala 1–5) = 4, 5, 3, 4, 4

Langkah	Perhitungan	Nilai
Jumlahkan seluruh nilai	4 + 5 + 3 + 4 + 4	20
Mean = jumlah ÷ n	20 ÷ 5	4,0
Urutkan data, cari nilai tengah (median)	3, 4, 4, 4, 5 → posisi ke-3	4,0
Modus (nilai paling sering muncul)	"4" muncul 3 kali	4,0
Kuadrat deviasi dari mean, jumlahkan	0²+1²+1²+0²+0²	2
Varians = jumlah deviasi² ÷ (n−1)	2 ÷ 4	0,5
Simpangan baku = akar varians	√0,5	≈ 0,71

HASIL AKHIR

4,0 ± 0,71

Mean = median = modus 4,0 → data cenderung simetris & konsisten

Mari kita hitung berdua, bukan hanya melihat rumusnya. Anggap kelima angka ini adalah rating kepuasan lima pelanggan sungguhan pada aplikasi belanja favorit Anda. Untuk mean, kita jumlahkan semua nilai lalu bagi lima — hasilnya 4,0. Untuk median, kita urutkan datanya dari kecil ke besar, lalu ambil nilai yang persis di tengah, yaitu posisi ketiga dari lima data, hasilnya juga 4,0. Untuk modus, kita lihat angka mana yang paling sering muncul — angka 4 muncul tiga kali, jadi modusnya 4,0. Menariknya di data ini, ketiga ukuran pemusatan sama persis, yang menandakan data cukup simetris. Untuk simpangan baku, kita hitung dulu seberapa jauh tiap data dari mean, kuadratkan supaya nilai negatif tidak saling meniadakan, jumlahkan, bagi dengan n dikurangi satu — ini disebut varians sampel — lalu akar-kuadratkan hasilnya untuk kembali ke satuan asli. Hasil akhirnya, simpangan baku sekitar 0,71, artinya rata-rata jawaban pelanggan menyimpang sekitar 0,71 poin dari rata-rata 4,0 — sebaran yang relatif kecil, menandakan pelanggan cukup seragam dalam menilai kepuasan mereka.

Coba Sendiri: Hitung Statistik Deskriptif Data Anda

Ubah angka-angka data, lalu lihat mean, median, modus, dan simpangan baku terhitung ulang secara otomatis.

Melihat Sebaran: Histogram & Boxplot

Angka saja kadang tidak cukup — visualisasi membantu kita melihat bentuk distribusi data.

Distribusi yang menjulang di tengah dan menurun ke kedua sisi disebut mendekati normal — asumsi penting untuk banyak uji statistik lanjutan.

Angka mean dan simpangan baku memang ringkas, tapi kadang kita perlu "melihat" bentuk datanya secara langsung, dan di situlah histogram dan boxplot berperan. Histogram di sisi kiri menunjukkan frekuensi tiap nilai rating — perhatikan batang untuk rating 4 paling tinggi, konsisten dengan modus yang kita hitung tadi. Bentuk seperti ini, yang menjulang di tengah dan menurun ke kedua sisi, mendekati apa yang disebut distribusi normal, sebuah asumsi yang mendasari banyak uji statistik lanjutan yang akan Anda temui di mata kuliah statistik bisnis. Boxplot di sisi kanan menunjukkan ringkasan lain: kotak tengah mewakili separuh data yang paling "khas", garis tengah adalah median, dan ujung-ujung garis menunjukkan nilai minimum dan maksimum. Kalau Anda nanti membuka SPSS atau Excel, kedua grafik ini bisa dibuat otomatis hanya dengan beberapa klik — tapi penting Anda paham dulu apa yang direpresentasikannya.

Statistik Inferensial: Dari Sampel ke Populasi

Statistik deskriptif bicara tentang data yang Anda punya. Statistik inferensial bicara tentang menggeneralisasi ke kelompok yang lebih luas.

POPULASI

Semua

Seluruh pengguna aplikasi belanja online di Indonesia — jutaan orang, mustahil disurvei semua.

SAMPEL

Sebagian

300 responden yang Anda survei — dipakai untuk MENAKSIR karakteristik populasi.

Konsep kunci: H0 (hipotesis nol) = "tidak ada perbedaan/hubungan"; H1 (hipotesis alternatif) = "ada perbedaan/hubungan". Uji statistik membantu kita memutuskan mana yang lebih didukung data.

Sampai slide sebelumnya, kita hanya bicara tentang data yang ada di tangan kita — itulah wilayah statistik deskriptif. Tapi tujuan riset biasanya lebih ambisius: Anda ingin bicara tentang seluruh populasi, bukan cuma tiga ratus responden yang kebetulan Anda survei. Di sinilah statistik inferensial masuk — ia memberi Anda alat untuk menaksir karakteristik populasi berdasarkan sampel, lengkap dengan ukuran seberapa yakin kita pada taksiran itu. Dalam praktiknya, kita sering merumuskan dua hipotesis yang saling bertentangan: hipotesis nol atau H0, yang biasanya menyatakan "tidak ada hubungan" atau "tidak ada perbedaan", dan hipotesis alternatif atau H1, yang menyatakan sebaliknya. Misalnya H0 bisa berbunyi "tidak ada hubungan antara intensitas promosi dengan jumlah transaksi UMKM", sedangkan H1 menyatakan ada hubungan. Uji statistik nanti akan membantu kita memutuskan, berdasarkan data sampel, mana yang lebih masuk akal untuk dipercaya.

Uji Signifikansi: Memahami p-value

p-value adalah probabilitas mendapatkan hasil seekstrem data Anda, seandainya H0 (tidak ada hubungan) benar.

Jika p-value < α (biasanya 0,05) → tolak H0

p-value KECIL (< 0,05)

Data yang kita lihat sangat tidak mungkin terjadi kalau H0 benar → kita punya bukti cukup kuat untuk menolak H0 dan mendukung H1.

p-value BESAR (≥ 0,05)

Data yang kita lihat masih masuk akal kalau H0 benar → belum cukup bukti untuk menolak H0.

Ingat: p-value bukan "probabilitas H0 benar", dan "tidak signifikan" bukan berarti "tidak ada hubungan sama sekali" — ini kesalahan interpretasi paling umum.

Konsep p-value ini sering jadi momok bagi mahasiswa, jadi mari kita pelankan. Alpha atau α biasanya ditetapkan di angka 0,05, yang berarti kita bersedia menerima risiko lima persen salah menolak H0 padahal sebenarnya benar. Kalau p-value yang dihasilkan uji statistik lebih kecil dari 0,05, itu artinya hasil yang kita amati sangat tidak biasa jika memang tidak ada hubungan sama sekali — sehingga kita punya cukup alasan untuk menolak H0 dan mengatakan hubungannya signifikan secara statistik. Tapi hati-hati dengan dua kesalahan interpretasi paling umum di kalangan mahasiswa: pertama, p-value BUKAN probabilitas bahwa H0 itu benar; kedua, kalau hasilnya tidak signifikan, itu tidak otomatis berarti tidak ada hubungan sama sekali di dunia nyata — bisa jadi sampel Anda terlalu kecil untuk mendeteksinya. Nanti di pertemuan 12 saat kita bahas etika penelitian, kita akan singgung lagi soal godaan menyalahgunakan p-value ini, yang di dunia akademik disebut p-hacking.

Hitung dari Nol #2: Koefisien Korelasi Pearson (r)

Data 5 UMKM: X = jam iklan digital/hari, Y = jumlah transaksi harian → X: 1,2,3,4,5 · Y: 2,4,5,4,5

Langkah	Perhitungan	Nilai
Rata-rata X dan Y	X̄ = 15÷5, Ȳ = 20÷5	X̄=3,0 · Ȳ=4,0
Deviasi tiap titik (x−X̄)(y−Ȳ), kalikan & jumlahkan (Σxy)	(-2·-2)+(-1·0)+(0·1)+(1·0)+(2·1)	6
Kuadratkan deviasi X, jumlahkan (Σx²)	4+1+0+1+4	10
Kuadratkan deviasi Y, jumlahkan (Σy²)	4+0+1+0+1	6
r = Σxy ÷ √(Σx² × Σy²)	6 ÷ √(10×6) = 6 ÷ 7,75	≈ 0,77

INTERPRETASI

r ≈ 0,77

Korelasi positif kuat — makin lama iklan digital, makin tinggi transaksi (bukan bukti sebab-akibat!)

Sekarang kita coba satu uji dasar lagi: korelasi Pearson, yang mengukur seberapa erat hubungan LINEAR antara dua variabel angka. Bayangkan Anda mengumpulkan data lima UMKM digital: berapa jam mereka beriklan di media sosial per hari, dan berapa transaksi harian yang masuk. Langkah pertama, hitung rata-rata masing-masing variabel. Langkah kedua, untuk tiap titik data, kita kurangi nilainya dengan rata-rata, lalu kalikan hasil deviasi X dengan deviasi Y, dan jumlahkan semuanya — ini disebut Σxy. Langkah ketiga dan keempat serupa tapi mengkuadratkan deviasi X dan Y secara terpisah. Langkah terakhir, kita bagi Σxy dengan akar dari perkalian Σx² dan Σy², hasilnya sekitar 0,77. Karena nilai r berkisar dari -1 sampai 1, angka 0,77 menunjukkan hubungan positif yang cukup kuat. Tapi ingat pesan yang sangat penting ini: korelasi bukan berarti sebab-akibat — bisa saja UMKM yang lebih laris memang punya modal lebih besar untuk beriklan LEBIH BANYAK, bukan sebaliknya. Jangan pernah menyimpulkan kausalitas hanya dari angka korelasi.

Coba Sendiri: Ubah Data, Amati Scatter Plot & Nilai r

Geser titik-titik data pada scatter plot, lalu lihat nilai r Pearson berubah langsung sesuai pola sebarannya.

Bagian 3 dari 3

Memilih Alat, Menyajikan, dan Menjaga Integritas

Dari perhitungan manual ke praktik profesional — dengan tanggung jawab etis.

Memilih Alat Bantu Analisis

Untuk Data Kualitatif

NVivo / Atlas.ti — software khusus coding, cocok data besar (puluhan wawancara)
Coding manual di spreadsheet (Excel/Sheets) — cukup untuk skripsi dengan <15 informan
Tetap butuh pemahaman manusia — software hanya membantu organisasi, bukan mengganti interpretasi peneliti

Untuk Data Kuantitatif

SPSS — paling umum di riset bisnis, antarmuka klik (point-and-click)
Excel — cukup untuk statistik deskriptif dasar & korelasi sederhana
Jamovi / R — gratis, open-source, makin populer untuk uji lanjutan

Sekarang setelah Anda paham logika di baliknya, mari bicara alat praktis. Untuk analisis kualitatif, kalau Anda mengerjakan skripsi dengan wawancara ke sepuluh sampai lima belas informan, coding manual di Excel sudah lebih dari cukup — buat kolom untuk kutipan, kolom untuk kode, kolom untuk kategori, dan kolom untuk tema. Kalau datanya jauh lebih besar, puluhan wawancara atau ratusan dokumen, software khusus seperti NVivo akan sangat membantu mengorganisasi, meski tetap Anda sendiri yang menentukan maknanya, bukan softwarenya. Untuk analisis kuantitatif, SPSS adalah standar industri di banyak perusahaan riset pasar dan skripsi bisnis di Indonesia karena antarmukanya berbasis klik, tidak perlu menulis kode pemrograman. Excel sudah cukup untuk kebutuhan dasar seperti yang kita hitung tadi. Jamovi dan R semakin populer karena gratis dan open-source, terutama kalau Anda tertarik melanjutkan ke analisis yang lebih canggih di masa depan.

Menyajikan Hasil: Tabel, Narasi, dan Triangulasi

Hasil analisis yang baik dikomunikasikan dengan kombinasi angka/kutipan DAN narasi yang menjelaskannya.

Contoh Struktur Penyajian (Bab Hasil Penelitian)

Kualitatif: tabel ringkasan tema + kutipan pendukung dari informan (dengan kode anonim, mis. "Informan 3")
Kuantitatif: tabel statistik deskriptif (mean, std dev, n) + hasil uji hipotesis + interpretasi dalam kalimat
Triangulasi (mixed method): narasi yang menghubungkan temuan kualitatif & kuantitatif — apakah keduanya saling menguatkan?

Aturan emas: setiap angka atau kutipan di laporan harus bisa ditelusuri kembali ke data mentah — inilah esensi traceability dalam riset.

Menghitung dengan benar hanyalah setengah pekerjaan — setengah lainnya adalah menyajikan hasil itu supaya pembaca, termasuk dosen penguji Anda nanti, bisa memahaminya dengan cepat dan percaya pada kredibilitasnya. Untuk hasil kualitatif, jangan hanya menulis "banyak informan menyebutkan soal biaya" tanpa bukti — sertakan kutipan langsung, dengan kode anonim seperti "Informan 3" untuk menjaga kerahasiaan sesuai etika penelitian yang akan kita bahas mendalam di pertemuan depan. Untuk hasil kuantitatif, sajikan tabel statistik deskriptif yang rapi lengkap dengan jumlah sampel, lalu jelaskan angkanya dalam kalimat naratif, jangan hanya melempar tabel mentah dan berharap pembaca menyimpulkan sendiri. Kalau penelitian Anda mixed method, bagian paling menarik justru di triangulasi — apakah cerita dari wawancara sejalan dengan angka survei, atau justru bertentangan? Pertentangan itu sendiri seringkali adalah temuan yang menarik untuk didiskusikan.

Kesalahan Umum & Latihan Kelas

Kesalahan yang sering terjadi: (1) memilih kutipan yang mendukung dugaan awal saja (cherry-picking), (2) melaporkan mean tanpa simpangan baku, (3) menyimpulkan sebab-akibat dari korelasi, (4) p-hacking — mengulang uji sampai dapat p<0,05.

Latihan Kelas (10 menit, berkelompok 3 orang)

Setiap kelompok menerima 3 kutipan wawancara singkat tentang alasan konsumen memilih belanja di marketplace lokal vs luar negeri.
Lakukan open coding pada tiap kutipan, lalu usulkan 1 kategori yang menaunginya.
Satu kelompok akan diminta mempresentasikan hasilnya secara singkat.

Sebelum kita tutup dengan rangkuman, mari kita waspadai empat jebakan paling umum yang sering saya temui saat menguji skripsi. Cherry-picking berarti hanya memilih kutipan yang mendukung dugaan awal Anda dan mengabaikan yang bertentangan — ini merusak kredibilitas riset kualitatif. Melaporkan mean tanpa simpangan baku membuat pembaca tidak tahu seberapa beragam data Anda sebenarnya. Menyimpulkan sebab-akibat dari korelasi adalah kesalahan yang sudah kita bahas tadi. Dan p-hacking, mengulang-ulang uji statistik dengan variasi kecil sampai kebetulan dapat hasil signifikan, adalah pelanggaran etika yang serius dan akan kita bahas lebih dalam minggu depan. Sekarang, mari langsung praktik — silakan berkelompok tiga orang, saya akan bagikan tiga kutipan wawancara singkat, dan Anda punya sepuluh menit untuk melakukan open coding seperti yang kita latih tadi. Jangan khawatir salah, tujuan latihan ini adalah membiasakan tangan dan pikiran Anda dengan prosesnya.