CHAPTER 16

ANALISIS DATA KUALITATIF

Pendahuluan
Data kualitatif adalah data dalam bentuk kata-kata. Contohnya adalah catatan
wawancara, transkrip focus group, jawaban pertanyaan terbuka, transkrip rekaman
video, artikel berita dan semacamnya. Data kualitatif berasal dari berbagai sumber
baik primer maupun sekunder seperti individu, focus group, catatan perusahaan,
publikasi pemerintah, dan internet. Analisis kualitatif ini bertujuan untuk membuat
simpulan valid dari sekian banyak data terkumpul.

Tiga langkah penting dalam analisa data kualitatif

Analisa data kualitatif bukan hal yang mudah. Dibandingkan dengan analisa data
kuantitatif, tidak banyak aturan atau panduan yang cukup tegas dan umum dalam
menganalisa data kualitatif. Kendati demikian, terdapat beberapa pendekatan analisa
yang telah dikembangkan dan pembahasan dalam bab ini banyak mengacu pada
literatur Miles & Huberman (1994).
Berdasarkan Miles & Huberman (1994), pada umumnya terdapat tiga langkah dalam
analisa data kualitatif yaitu: reduksi data (data reduction), tampilan data (data display),
dan menarik kesimpulan (drawing of conclusion). Penting untuk diingat bahwa tiga
langkah ini tidak berurutan, melainkan proses yang berkelanjutan (continuous) dan

berulang (iterative).

1. Reduksi Data.

Karena pengumpulan data kualitatif biasanya menghasilkan data dalam jumlah

besar, maka langkah pertama adalah reduksi data melalui pengkodean (coding) dan
pengkategorisasi (categorization).

a. Coding adalah proses analitis di mana data kualitatif yang diperoleh

direduksi, disusun ulang dan diintegrasikan dalam bentuk teori.. Tujuannya
adalah membantu menarik simpulan yang bermakna terkait data. Kode
 merupakan label yang diberikan yang kemudian akan dikelompokkan
menjadi kategori. Seringkali proses pengkodean dilakukan berulang, kita
harus kembali melihat data secara berulang untuk meningkatkan
pemahaman terhadap data.
Coding dimulai dengan menyeleksi unit pengkodean, seperti kata, kalimat,
paragraf dan tema. Biasanya unit coding yang sering digunakan adalah
tema. Penerapan tema sebagai unit coding dapat dilihat pada contoh

situasi berikut:

“Setelah menghabiskan hidangan saya meminta bon. Pelayan

mengangguk dan saya berpikir dia akan datang membawa bonnya. Tiga
batang rokok telah habis, bon masih belum diantar juga. Setelah
pandangan saya mencari si pelayan itu ternyata dia sedang asyik
mengobrol dengan bartender”
Terdapat dua tema pada situasi di atas:

1. Janji mengantar bon (yang tidak ditepati)

2. Kurang perhatian pada pelanggan (yang tidak diberikan)

Coding yang baik tidak saja mereduksi data yang tidak perlu, namun juga
memastikan tidak ada data relevan yang tereliminasi.

b. Categorization adalah proses pengorganisasian, penyusunan dan

pengklasifikasian unit pengkodean. Kode dan kategori dapat dibangun
baik secara induktif maupun deduktif. Dalam situasi tidak ada teori yang
tersedia, kita harus membuat kode dan kategori secara induktif dari data,

sebagaikmana yang biasanya dijumpai dalam grounded theory.

Namun pada banyak situasi, telah tersedia teori yang dapat digunakan sebagai
dasar pengkodean dan pengkategorisasian ini. Kita dapat membangun daftar awal
kode dan kategori berdasarkan teori yang ada, dan jika diperlukan, kita bisa
mengubah atau memperbaruinya seiring munculnya kode dan kategori baru secara
induktif dalam proses penelitian.
 Pada saat kita memulai mengorganisir data ke dalam kategori dan sub kategori,
kita pun akan dapat mengetahui pola dan hubungan antar data. Sekali lagi perlu
diingat bahwa daftar kategori dan sub kategori dapat berubah dalam proses analisa
data, mengingat hal tersebut adalah bagian proses iteratif dari analisa data kualitatif.
Terkadang diperlukan juga perhitungan seberapa sering tema atau pertistiwa
tertentu terjadi, atau berapa jumlah responden yang melaporkan tema atau peristiwa
yang sama. Kuantifikasi data kualitatif ini dapat memberikan gambaran kasar

mengenai apakah kategori atau sub kategori yang dibuat sudah layak atau penting.

2. Data display (tampilan data)

Menurut Miles & Huberman (1994), data display merupakan langkah utama kedua
yang harus dilalui dalam menganalisa data kualitatif. Langkah ini meliputi
pengambilan data yang telah direduksi kemudian menampilkannya dalam sebuah
bentuk yang terorganisir dan ringkas. Penggunaan bagan, grafik, matrik, diagram,
frase yang sering disebutkan, atau gambar dapat membantu pengorganisasian data
serta menemukan pola dan hubungan data sehingga penarikan kesimpulan dapat
dilakukan

3. Penarikan kesimpulan

Merupakan aktivitas analitikal “final” dalam proses analisa data kualitatif. Ini adalah
esensi analisa data, yakni titik di mana peneliti menjawab pertanyaan penelitian
melalui penentuan representasi atau arti dari tema yang telah diidentifikasi, dengan
memikirkan penjelasan pola dan hubungan yang diobservasi, atau membuat kontras
dan perbandingan.

Reliabilitas dan validitas dalam penelitian kualitatif

Reliabilitas dan validitas memiliki arti yang sedikit berbeda dalam penelitian
kualitatif dibandingkan penelitian kuantitatif.
Reliabilitas dalam analisis data kualitatif mencakup reliabilitas kategori dan
interjudge. Reliabilitas kategori “bergantung pada kemampuan peneliti dalam
menyusun kategori dan menyajikannya di depan juri yang kompeten sehingga mereka
setuju item dalam populasi mana saja yang dapat masuk dalam kategori dan yang
tidak (Kassarjian, 1977: 14). Sehingga reliabilitas kategori mencakup sejauh mana
definisi kategori ini dapat digunakan untuk mengklasifikasi data kualitatif. Kategori
yang didefinisikan dengan baik dapat meningkatkan reliabililitas kategori.
Interjudge reliability adalah tingkat konsistensi diantara pemrosesan pengkode
data yang sama. Ukuran yang biasanya dipakai adalah persentase coding agreement.
Agreement pada 80% atau lebih dianggap memuaskan.
Sedangkan validitas data kualitatif mengacu pada tingkat di mana hasil riset : (1)
secara akurat merepresentasikan data yang terkumpul (validitas internal), dan 2. dapat
digeneralisasi atau ditransfer pada konteks dan setting lain (validitas eksternal). Dua

metode yang digunakan untuk mencapai validitas riset kualitatif:

 Mendukung generalisasi (dari banyaknya jumlah events atau peristiwa);

 Memastikan representativeness hasil penelitian dan menyertakan kasus yang
menyimpang (yang kontradiktif terhadap teori peneliti). Menghadirkan kasus yang
menyimpang dapat memberi ujian yang kuat atas teori.

Kemudian triangulasi juga merupakan teknik yang sering dihubungkan dengan

reliabilitas dan validitas dalam riset kualitatif. Dan yang terakhir, memberikan deskripsi
mendalam atas proyek riset juga dapat meningkatkan validitas hasil penelitian.

Beberapa metode pengumpulan dan analisis data kualitatif lainnya

 Analisa konten (isi), yaitu metode riset observasional yang digunakan untuk
mengevaluasi secara sistematis konten simbolis semua bentuk komunikasi yang
tercatat (Kolbe & Burnet, 1991). Ini dapat digunakan untuk menganalisis koran,
situs internet, iklan, catatan wawancara. Metode ini memungkinkan peneliti untuk
menganalisa informasi tekstual (biasanya dalam jumlah yang besar) dan secara
sistematis mengidentifikasi sifat-sifatnya. Untuk melakukan analisa konten, teks
dikode ke dalam kategori lalu dianalisa dengan menggunakan analisa konseptual
(conceptual analysis) atau analisa hubungan (relational analysis). Analisa
konseptual bertujuan untuk membuktikan eksistensi konsep dan frekuensinya
 (seperti kata, tema, atau karakter). Sedangkan analisa hubungan dibangun dari
analisa konseptual dengan meneliti hubungan antar konsep dalam sebuah teks.
 Analisia naratif, merupakan pendekatan yang bertujuan untuk mendapatkan dan
mencermati cerita tentang diri sendiri dan implikasinya pada kehidupan kita. Data
naratif biasa didapatkan dengan wawancara. Wawancara ini dimaksudkan untuk
mendorong partisipan dapat menggambarkan peristiwa tertentu dalam konteks
pengalaman hidupnya.
 Induksi analitis, adalah suatu strategi lain (dan lebih umum), dimana penjelasan
universal atas suatu fenomena dicari melalui pengumpulan data sampai tidak
ditemukan data yang tidak konsisten dengan hipotesis yang diajukan peneliti.
Induksi analitis dimulai dengan pendefinisian kasar masalah (mis, “mengapa orang
menggunakan marijuana?”), dilanjutkan dengan penjelasan hipotesis atas masalah
(mis, “orang menggunakan marijuana untuk bersenang-senang”), lalu diteruskan
dengan meneliti kasus-kasus yang ada (mis. pengumpulan data melalui wawancara
mendalam). Jika ada kasus yang tidak konsisten dengan hipotesis peneliti (mis,
“saya menggunakan marijuana karena alasan kesehatan”), peneliti akan mengubah
hipotesisnya atau membuang kasus “menyimpang” yang tidak mengkonfirmasi
hipotesisnya tersebut. Proses ini menggunakan reasoning yang bersifat induktif,
alih-alih deduktif, memungkinkan modifikasi hipotesis atas fenomena selama
proses penelitian.

BIG DATA

Big data adalah istilah yang populer belakangan ini, mengacu pada
pertumbuhan pesat dan ketersediaan sumber data digital baik dari dalam maupun
luar organisasi. Istilah ini awalnya berkaitan dengan besarnya volume data yang tidak
mampu diolah dan dianalisa dengan metode dan alat tradisional. Perkembangan
teknologi baru telah memiiliki kemampuan menganalisa, mencatat, dan
mengkombinasikan data seperti itu. Itu sebab mengapa big data berpotensi
memberikan keuntungan bagi banyak disiplin akademis dan membantu pengambilan

keputusan dalam organisasi.

 Karakter utama big data adalah volume, variasi, dan velocity (kecepatan).
Terkadang satu “V” lagi ditambahkan, yaitu veracity (kebenaran), mengacu pada bias,

noise, dan abnormalitas yang kadang hadir dalam big data.

Selain menjanjikan keuntungan bagi organisasi dan manajer, big data juga
mengandung tantangan dan dilema terkait bagaimana mengatur, mengolah dan
menganalisanya. Hal ini menjadi alasan mengapa masih banyak organisasi sulit
memanfaatkan peluang big data tersebut.