RPS minggu 14 · 2x50 menit

Analisis Data Kualitatif Lanjutan

Metode Riset Bisnis Lanjutan — Magister Manajemen

Dari koding menuju teori: grounded theory, thematic analysis reflektif, trustworthiness, QCA, dan alat CAQDAS — untuk riset bisnis yang siap diaudit direksi, bukan sekadar akademik.

Peta Sesi: Dari P12 ke P14

Pertemuan 12

Analisis kualitatif dasar

Open coding, kategori awal, reduksi & display data (Miles & Huberman, 1994).

Pertemuan 13 — hari ini

Analisis lanjutan

Grounded theory, thematic analysis reflektif, trustworthiness, QCA, CAQDAS.

Pertemuan 14

Mixed methods

Integrasi kuantitatif–kualitatif untuk riset bisnis yang robust & siap-jalan.

Fokus hari ini bukan "apa itu koding", melainkan bagaimana Anda naik dari data mentah ke klaim teoritis yang tegar (rigorous) dan bisa dipertahankan di depan pemangku kepentingan.

Bagian 1

Dari Koding ke Teori

Diskusi kelas: kapan kategori terbuka (open codes) Anda sudah cukup matang untuk naik ke coding aksial dan menghasilkan proposisi teoritis?

Coding Lanjutan: Open → Axial → Selective

Grounded Theory (Strauss & Corbin, 1998) — walkthrough dari kutipan mentah menuju proposisi teoritis.

Langkah	Proses	Hasil
1. Open coding	Kutipan mentah pemilik warung: "Kami pakai aplikasi kasir karena tetangga sudah pakai duluan, takut ketinggalan"	Label: "tekanan sosial", "urgensi kompetitif"
2. Axial coding	Relasikan "tekanan sosial" dengan kategori lain: "keterbatasan literasi digital", "minim analisis ROI"	Dimensi kausal terbentuk
3. Kategori inti (core category)	Semua kategori bermuara ke satu pola dominan	"Adopsi teknologi reaktif" (bukan strategis)
4. Selective coding	Hubungkan seluruh kategori pendukung ke core category secara sistematis	Kerangka teori substantif tersusun
5. Proposisi teoritis	Rumuskan pernyataan yang bisa diuji lintas kasus lain	"Adopsi teknologi UMKM sering reaktif, bukan hasil kalkulasi ROI"

Implikasi manajerial

Program pendampingan UMKM (mis. QRIS BI, Kredit Digital BRI) perlu menyasar urgensi sosial, bukan hanya edukasi ROI teknis.

Varian Grounded Theory: Pilih yang Tepat

Glaserian (klasik)

Teori "muncul" murni dari data (Glaser, 1978)
Hindari kerangka teori awal
Cocok: eksplorasi fenomena baru

Straussian (sistematik)

Paradigma koding terstruktur (Strauss & Corbin, 1998)
Kondisi – aksi – konsekuensi eksplisit
Cocok: riset terapan/kebijakan

Konstruktivis

Teori dikonstruksi bersama informan (Charmaz, 2006)
Reflexivity peneliti eksplisit diakui
Cocok: isu sosial/budaya sensitif

Untuk tesis manajerial dengan tenggat jelas, varian Straussian paling sering dipilih karena prosedurnya terstruktur dan mudah diaudit pembimbing.

Thematic Analysis Reflektif (6 Fase)

Braun & Clarke (2006, revisi reflexive TA 2019) — metode paling fleksibel untuk riset bisnis terapan.

Fase 1–3

1. Familiarisasi data — baca ulang transkrip berkali-kali
2. Generate kode awal secara sistematis
3. Cari tema dari kumpulan kode terkait

Fase 4–6

4. Review tema — cek koherensi vs data mentah
5. Definisikan & namai tema secara presisi
6. Tulis laporan — jalin tema dengan bukti & literatur

Beda dari grounded theory: thematic analysis tidak wajib menghasilkan teori baru — cukup pola makna yang kaya dan dapat dipertanggungjawabkan.

Framework Analysis: Matriks untuk Riset Terapan

Ritchie & Spencer (1994) — kerangka lima tahap, cocok untuk riset dengan tenggat & klien yang butuh matriks jawaban jelas.

Tahap	Aktivitas	Output
1. Familiarization	Menyerap keseluruhan data mentah wawancara/FGD	Peta awal isu kunci
2. Identifying thematic framework	Susun kerangka tema dari tujuan riset & data awal	Daftar tema induk
3. Indexing	Terapkan kerangka ke seluruh transkrip secara sistematis	Data terindeks per tema
4. Charting	Susun matriks: baris = kasus/informan, kolom = tema	Matriks siap analisis lintas kasus
5. Mapping & interpretation	Cari pola, kaitan, dan penjelasan lintas sel matriks	Temuan siap dipresentasikan ke klien

Kapan dipakai

Riset konsultasi dengan tenggat ketat dan klien yang menuntut matriks jawaban transparan — sering dipakai lembaga kebijakan & audit sosial (mis. evaluasi program CSR).

Mini-Kasus: Adopsi Digital Mitra Ojol

Situasi (ilustrasi)

Platform ojol besar (mis. Gojek/Grab) meriset mengapa 30% mitra UMKM kuliner menolak fitur promosi digital baru
20 wawancara mendalam + observasi lapangan di 3 kota
Tim riset internal pakai grounded theory Straussian

Keputusan Manajerial

Temuan: penolakan bukan soal biaya, tapi ketidakpercayaan pada algoritma penentu subsidi
Rekomendasi: transparansi kriteria subsidi, bukan diskon lebih besar
Pivot strategi onboarding mitra nasional

Tanpa analisis kualitatif lanjutan, tim produk akan salah diagnosis — mengira solusinya diskon, padahal akar masalahnya adalah kepercayaan pada sistem.

Bagian 2

Menjamin Ketegaran (Trustworthiness)

Diskusi kelas: bagaimana Anda meyakinkan direksi bahwa temuan wawancara 12 informan itu kredibel — bukan sekadar opini pribadi peneliti?

Trustworthiness vs Validitas Positivis

Lincoln & Guba (1985) — empat kriteria paralel dengan konsep validitas/reliabilitas kuantitatif.

Kriteria Kualitatif	Padanan Kuantitatif	Teknik Utama
Credibility	Validitas internal	Triangulasi, member checking, prolonged engagement
Transferability	Validitas eksternal	Thick description — konteks kaya agar pembaca menilai relevansi
Dependability	Reliabilitas	Audit trail — jejak keputusan analitis terdokumentasi
Confirmability	Objektivitas	Reflexivity & audit oleh pihak ketiga (peer debriefing)

Poin kunci

Kriteria ini bukan pengganti "kurang ilmiah" — ia standar rigor yang setara ketat, hanya berbeda logika epistemologis.

Banyak reviewer jurnal atau komite sidang masih keliru menuntut peneliti kualitatif memakai istilah validitas dan reliabilitas kuantitatif secara langsung, padahal Lincoln dan Guba sengaja menciptakan kosakata paralel yang sesuai paradigma interpretif. Jelaskan pada mahasiswa bahwa thick description bukan sekadar menulis panjang, melainkan memberi konteks cukup kaya sehingga pembaca lain bisa menilai apakah temuan itu relevan untuk konteks mereka, misalnya riset budaya kerja di kantor cabang BNI Yogyakarta yang mungkin berbeda dengan Jakarta. Audit trail sangat penting saat pembimbing atau klien bertanya "bagaimana Anda sampai pada kesimpulan ini" — Anda harus bisa menunjukkan jejak keputusan dari kode mentah sampai tema akhir. Tekankan juga bahwa keempat kriteria ini saling terkait, bukan checklist terpisah yang bisa dipenuhi satu-satu tanpa keterkaitan.

Teknik Penguat Kredibilitas

Triangulasi (4 jenis)

Data — sumber berbeda (wawancara, dokumen, observasi)
Investigator — lebih dari satu peneliti mengkode
Theory — uji temuan dengan lensa teori berbeda
Method — gabung kualitatif & kuantitatif

Teknik Pendukung Lain

Member checking — validasi tema ke informan asli
Peer debriefing — diskusi proses analitis dengan kolega
Negative case analysis — cari kasus yang tidak sesuai pola
Audit trail terdokumentasi — log keputusan coding

Negative case analysis sering diabaikan — padahal justru memperkuat kredibilitas karena menunjukkan Anda tidak cherry-pick data yang mendukung asumsi awal.

Triangulasi data adalah teknik paling umum digunakan tapi paling sering disalahpahami sebagai sekadar "pakai banyak sumber data" tanpa strategi jelas. Jelaskan pada mahasiswa bahwa triangulasi investigator, misalnya dua asisten peneliti mengkode transkrip yang sama secara independen lalu membandingkan hasil, jauh lebih kuat menunjukkan reliabilitas dibanding satu peneliti bekerja sendirian. Negative case analysis layak ditekankan karena ini sering jadi titik lemah tesis mahasiswa—mereka menemukan satu-dua informan yang bertentangan dengan tema utama lalu diam-diam mengabaikannya, padahal justru kasus itu yang memperkaya dan memperkuat kredibilitas analisis. Beri contoh: dalam riset kepuasan nasabah prioritas Bank Mandiri, satu nasabah yang justru tidak puas meski memenuhi semua kriteria pola bisa jadi kunci memahami batas teori Anda.

Reflexivity & Positionality Peneliti

Mengapa Penting

Peneliti kualitatif adalah "instrumen" analisis — latar belakangnya memengaruhi interpretasi
Bracketing: sadar & nyatakan asumsi awal sebelum turun lapangan
Beda dari bias yang disembunyikan — ini transparansi yang diakui

Contoh Positionality Statement

"Saya mantan karyawan bank, riset ini soal budaya kerja perbankan"
Nyatakan potensi bias & langkah mitigasinya
Dicantumkan di bab metodologi, bukan disembunyikan

Reflexivity yang eksplisit justru meningkatkan kepercayaan pembaca — bukan mengurangi kredibilitas riset Anda.

Konsep reflexivity ini sering jadi kejutan bagi mahasiswa yang terbiasa dengan tradisi kuantitatif di mana peneliti dituntut "netral sepenuhnya" — dalam kualitatif, justru pengakuan posisi peneliti dianggap lebih jujur dan ilmiah. Ajak mahasiswa berpikir: kalau Anda seorang manajer yang meriset budaya kerja di perusahaan sendiri, bagaimana Anda menuliskan positionality statement yang jujur tanpa membuat pembaca meragukan seluruh temuan? Bracketing bukan berarti Anda harus menghilangkan semua asumsi—itu mustahil—melainkan menyadarinya secara eksplisit lalu memeriksa apakah asumsi itu memengaruhi cara Anda mengkode data. Diskusikan juga bahaya sebaliknya: peneliti yang mengklaim netral total padahal punya kepentingan tersembunyi justru lebih berisiko merusak kredibilitas riset ketika ketahuan kemudian.

Saturasi Data: Kapan Berhenti Wawancara?

Data Saturation Klasik

Wawancara baru tidak lagi memunculkan kode/tema baru
Risiko: "saturasi" sering diklaim tanpa bukti sistematis
Perlu dilacak lewat audit trail (bukan feeling)

Information Power (lebih presisi)

Malterud et al. (2016): jumlah sampel bergantung kekuatan informasi
Faktor: tujuan riset spesifik, spesifisitas informan, kualitas dialog
Sampel kecil tapi informan sangat spesifik → power tetap tinggi

Manajer riset yang butuh justifikasi jumlah informan ke klien: gunakan kerangka information power, lebih persuasif daripada sekadar "N=15 sudah jenuh".

Pertanyaan "berapa informan yang cukup" adalah salah satu yang paling sering ditanyakan penguji sidang, dan jawaban "sampai saturasi" tanpa bukti sistematis sering dianggap lemah. Perkenalkan konsep information power dari Malterud sebagai alternatif yang lebih presisi—semakin spesifik tujuan riset Anda dan semakin kaya dialog dengan informan, semakin sedikit sampel yang Anda butuhkan untuk mencapai kedalaman memadai. Contohkan riset tentang pengambilan keputusan investasi keluarga konglomerat di Indonesia—populasi ini sangat spesifik dan sulit diakses, sehingga lima wawancara mendalam bisa punya power lebih tinggi dibanding tiga puluh wawancara nasabah ritel biasa. Ingatkan mahasiswa untuk selalu mendokumentasikan alasan berhenti mengumpulkan data, bukan sekadar mengaku "sudah jenuh" tanpa jejak analitis yang bisa diaudit.

Bagian 3

Analisis Lanjutan & Alat

Diskusi kelas: kapan riset Anda butuh QCA/CAQDAS formal, dan kapan cukup coding manual di Excel/Word?

QCA: Hitung Skor Konsistensi dari Nol

Qualitative Comparative Analysis fsQCA (Ragin, 2008) — jembatan kualitatif-kuantitatif untuk keputusan konfigurasional.

Langkah	Perhitungan	Nilai
1. Kalibrasi keanggotaan 5 kasus (X = orientasi digital, Y = pertumbuhan penjualan tinggi)	X: 0,8 · 0,6 · 0,9 · 0,3 · 0,7	Y: 0,9 · 0,4 · 0,7 · 0,8 · 0,6
2. Hitung min(Xi, Yi) tiap kasus	min(0,8;0,9)+min(0,6;0,4)+min(0,9;0,7)+min(0,3;0,8)+min(0,7;0,6)	0,8+0,4+0,7+0,3+0,6 = 2,8
3. Total keanggotaan kondisi X (ΣXi)	0,8+0,6+0,9+0,3+0,7	3,3
4. Skor konsistensi	Σmin(Xi,Yi) ÷ ΣXi = 2,8 ÷ 3,3	0,848 → 84,8%
5. Interpretasi vs ambang lazim (≥0,80)	84,8% > 80%	KONSISTEN — kondisi cukup (sufficient)

84,8%

Orientasi digital tinggi adalah kondisi cukup (sufficient, bukan necessary) untuk pertumbuhan penjualan tinggi pada 5 kasus ini — ambang lazim Ragin (2008) ≥0,80.

Coba Sendiri: Hitung Skor Konsistensi QCA Anda

Ubah nilai keanggotaan X dan Y tiap kasus pada widget untuk melihat skor konsistensi berubah dan apakah kondisi tergolong cukup (sufficient).

Studi Kasus Lanjutan (Yin, 2018)

Single vs Multiple Case

Single case: fenomena unik/kritikal/ekstrem — mis. satu BUMN turnaround
Multiple case: replication logic — generalisasi analitis, bukan statistik
Pilih kasus berdasar teori, bukan kemudahan akses

Replication Logic

Literal replication: hasil serupa diprediksi (kasus sejenis)
Theoretical replication: hasil berbeda diprediksi (kontras teoritis)
Bukan sampling acak — ini logika eksperimen, bukan survei

Kesalahan umum: memilih 3–4 kasus "karena kebetulan ada akses", padahal replication logic menuntut justifikasi teoritis tiap kasus.

Studi kasus sering dianggap metode "lemah" oleh mereka yang terbiasa dengan generalisasi statistik, padahal Yin menegaskan studi kasus punya logika generalisasi sendiri yang disebut generalisasi analitis, bukan generalisasi statistik dari sampel ke populasi. Jelaskan bedanya dengan analogi eksperimen: kalau Anda meneliti tiga perusahaan yang berhasil melakukan transformasi digital, Anda tidak sedang mengklaim tiga itu mewakili semua perusahaan Indonesia, melainkan menguji apakah teori Anda bertahan pada kasus-kasus yang dipilih secara sengaja berdasarkan logika replikasi. Contoh literal replication: membandingkan dua bank BUMN yang sama-sama sukses migrasi ke core banking baru untuk melihat pola serupa. Contoh theoretical replication: membandingkan bank yang sukses dengan bank yang gagal migrasi untuk memahami faktor pembeda—kontras ini justru memperkuat teori, bukan melemahkannya.

CAQDAS: NVivo, Atlas.ti, dan Kapan Perlu

Aspek	CAQDAS (NVivo/Atlas.ti)	Manual (Excel/Word)
Volume data	>20 wawancara/FGD atau data multimedia	≤15 wawancara, teks saja
Kolaborasi tim	Multi-coder real-time, hitung inter-coder reliability otomatis	Sulit dikoordinasi >2 orang
Biaya & kurva belajar	Lisensi berbayar, perlu waktu belajar 1–2 minggu	Gratis, langsung pakai
Auditability	Query & visualisasi otomatis untuk audit trail	Manual, rawan tidak terdokumentasi

Untuk tesis mandiri dengan ≤15 informan: Excel/Word terstruktur cukup — investasi lisensi CAQDAS baru sepadan untuk riset tim/konsultasi skala besar.

Pertanyaan soal software ini sangat praktis bagi mahasiswa profesional yang bekerja penuh waktu dan punya keterbatasan waktu belajar tools baru. Jelaskan bahwa CAQDAS seperti NVivo atau Atlas.ti bukan menjamin kualitas analisis lebih baik secara otomatis—ia hanya alat bantu mengelola volume data besar dan kolaborasi tim, bukan pengganti kemampuan berpikir analitis peneliti. Kalau Anda mengerjakan tesis mandiri dengan sepuluh sampai lima belas informan, spreadsheet Excel yang terstruktur dengan baik—kolom untuk kode, kutipan, memo analitis—bisa sama efektifnya dan jauh lebih murah. Namun untuk riset konsultasi skala besar, misalnya evaluasi budaya kerja di lima puluh cabang bank dengan tim lima periset, NVivo menjadi investasi yang sepadan karena mampu menghitung reliabilitas antar-pengkode secara otomatis dan menjaga audit trail yang rapi.

Mini-Kasus: Triangulasi Riset Microfinance

Situasi (ilustrasi)

Bank (mis. BRI/BCA) meriset mengapa nasabah mikro menolak pinjaman digital meski bunga lebih rendah
Sumber: wawancara 18 nasabah, dokumen pengajuan, observasi proses di kantor cabang
Triangulasi data + investigator (2 periset independen)

Keputusan Manajerial

Ketiga sumber konvergen: akar masalah = ketidaknyamanan tanpa tatap muka petugas
Bukan soal suku bunga atau literasi digital
Rekomendasi: model hybrid — digital + kunjungan petugas berkala

Konvergensi tiga sumber data (data triangulation) memberi bobot kredibilitas jauh lebih kuat dibanding klaim dari satu jenis data saja.

Kesalahan Umum Analisis Kualitatif Lanjutan

Kesalahan Substansi

Overclaiming — generalisasi statistik dari 10 kasus
Cherry-picking kutipan yang mendukung asumsi awal peneliti
Kategori "muncul" tapi tidak pernah direview ulang ke data mentah

Kesalahan Prosedur

Tidak ada audit trail — keputusan coding tidak terlacak
Mengklaim saturasi tanpa bukti sistematis
Positionality peneliti tidak pernah dinyatakan

Penguji sidang & klien korporat paling sering menyerang di titik ini — siapkan jejak audit sebagai pertahanan utama Anda.

Daftar kesalahan ini bukan sekadar teori, melainkan hasil pengamatan bertahun-tahun dari sidang dan presentasi klien—titik-titik inilah yang paling sering diserang penguji atau komite direksi yang skeptis terhadap metode kualitatif. Cherry-picking kutipan adalah dosa paling umum: peneliti pemula cenderung memilih kutipan paling dramatis atau paling mendukung hipotesis awal mereka, padahal kutipan yang representatif justru sering lebih membosankan tapi lebih jujur. Overclaiming juga sering terjadi ketika mahasiswa dengan tidak sadar menulis "mayoritas responden merasa..." padahal sampelnya hanya delapan orang—bahasa semacam ini menyiratkan generalisasi statistik yang tidak sesuai logika kualitatif. Tekankan sekali lagi bahwa audit trail adalah pertahanan terbaik—kalau Anda bisa menunjukkan jejak lengkap dari kutipan mentah sampai tema akhir, sebagian besar keraguan penguji bisa terjawab dengan menunjukkan dokumentasi itu.

Latihan Kelas: Axial Coding Transkrip Mini

Instruksi

Kerja kelompok 3–4 orang, 20 menit
Transkrip: wawancara mitra UMKM soal keputusan pindah ke pembukuan digital
Langkah: (1) tandai 5–8 kode terbuka, (2) kelompokkan jadi 2–3 kategori aksial, (3) rumuskan 1 proposisi teoritis

Output yang Dikumpulkan

Tabel kode terbuka → kategori aksial → proposisi (format sama dengan slide 4)
1 kalimat implikasi manajerial dari proposisi Anda
Presentasi lisan 2 menit per kelompok

Persiapan pertemuan berikut (P14 — Mixed Methods): bawa hasil ini, kita akan lihat bagaimana temuan kualitatif memperkuat & menguji data kuantitatif Anda.