RANGKUMAN MATA KULIAH

METODOLOGI PENELITIAN AKUNTANSI

CHAPTER 16

“METODE PENGUMPULAN DATA KUALITATIF”

DI SUSUN OLEH

NUR ANNISA ZJ (A031181026)

DEPARTEMEN AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS HASANUDDIN

2020
 QUALITATIVE DATA ANALYSIS

PENGANTAR
Data kualitatif adalah data yang berbentuk kata-kata. Contoh data kualitatif adalah
catatan wawancara, transkrip kelompok fokus, jawaban atas pertanyaan terbuka, transkripsi
rekaman video, kisah pengalaman dengan produk di Internet, artikel berita, dan sejenisnya.
Data kualitatif dapat berasal dari berbagai macam primer sumber dan / atau sumber
sekunder, seperti individu, kelompok fokus, catatan perusahaan, publikasi pemerintah, dan
Internet. Analisis data kualitatif ditujukan untuk membuat kesimpulan yang valid dari data yang
dikumpulkan dalam jumlah yang sangat banyak.

TIGA LANGKAH PENTING DALAM ANALISIS DATA KUALITATIF

Analisis data kualitatif tidaklah mudah. Masalahnya adalah, dibandingkan dengan
analisis data kuantitatif, hanya ada sedikit aturan dan pedoman yang mapan dan diterima secara
umum untuk menganalisis kualitatif data. Namun, selama bertahun-tahun, beberapa pendekatan
umum untuk analisis data kualitatif telah dikembangkan.
Pendekatan yang dibahas dalam bab ini sebagian besar didasarkan pada karya Miles dan
Huberman (1994). Berdasarkan Secara umum, ada tiga langkah dalam analisis data kualitatif:
reduksi data, penyajian data, dan penggambaran kesimpulan
Langkah pertama dalam analisis data kualitatif berkaitan dengan reduksi data. Reduksi
data mengacu pada proses pemilihan, pengkodean, dan pengkategorian data. Tampilan data
mengacu pada cara penyajian data. Pilihan kutipan, matriks, grafik, atau bagan yang
menggambarkan pola dalam data dapat membantu peneliti (dan akhirnya pembaca) untuk
memahami data.
Dengan cara ini, tampilan data dapat membantu Anda menarik kesimpulan berdasarkan
pola dalam kumpulan data yang dikurangi. Setelah mengidentifikasi tahapan umum ini, perlu
dicatat bahwa analisis data kualitatif bukanlah langkah demi langkah, proses linier melainkan
proses berkelanjutan dan berulang. Misalnya, pengkodean data dapat membantu Anda secara
bersamaan mengembangkan gagasan tentang bagaimana data dapat ditampilkan, serta menarik
beberapa kesimpulan awal. Pada gilirannya, kesimpulan awal dapat dimasukkan kembali ke
dalam cara data mentah diberi kode, dikategorikan, dan ditampilkan
Reduksi data
Pengumpulan data kualitatif menghasilkan data dalam jumlah besar. Langkah pertama
dalam analisis data adalah reduksi data melalui pengkodean dan kategorisasi. Pengkodean adalah
proses analitik yang melaluinya data kualitatif yang telah Anda kumpulkan direduksi, diatur
ulang, dan diintegrasikan ke teori bentuk. Tujuan pengkodean adalah untuk membantu Anda
untuk menarik kesimpulan yang berarti tentang data. Kode adalah label yang diberikan ke unit
teks yang kemudian dikelompokkan dan diubah menjadi kategori. Pengkodean sering kali
merupakan proses berulang; Anda mungkin harus kembali ke data Anda berulang kali untuk
meningkatkan pemahaman Anda tentang data (yaitu, untuk dapat mengenali pola dalam data,
untuk menemukan hubungan antara data, dan untuk mengatur data ke dalam kategori yang
koheren).
Pengkodean dimulai dengan memilih unit pengkodean. Memang, data kualitatif dapat
dianalisis di berbagai tingkatan. Contoh unit pengkodean meliputi kata, kalimat, paragraf, dan
tema. Satuan terkecil yang umumnya digunakan adalah kata.
Anda dapat menetapkan kode ke unit teks dengan ukuran berapa pun, selama unit teks
tersebut mewakili satu tema atau masalah. Pertimbangkan, misalnya, insiden kritis berikut:
Setelah makan saya minta cek. Pelayan itu mengangguk dan saya berharap mendapatkan
cek itu. Setelah tiga rokok masih belum ada cek. Saya melihat sekeliling dan melihat bahwa
pelayan sedang bersenang-senang percakapan dengan bartender
Insiden kritis ini mengandung dua tema:
1. Pelayan tidak memberikan layanan pada saat dia berjanji untuk: “Pelayan mengangguk
dan saya berharap untuk mendapatkan cek. Setelah tiga batang rokok masih belum ada
cek.”
2. Pelayan tidak terlalu memperhatikan pelanggan: dia tidak terlambat karena dia sangat
sibuk; dari pada membawa cek, dia terlibat dalam percakapan yang hidup dengan
bartender.
Karenanya, peristiwa kritis tersebut diberi kode sebagai: “janji pengiriman” (yang dilanggar)
dan
"Perhatian pribadi" (yang tidak diberikan). Contoh ini menggambarkan bagaimana kode "janji
pengiriman" dan "perhatian pribadi" membantu mengurangi data ke jumlah yang lebih mudah
dikelola. Perhatikan bahwa pengkodean yang tepat tidak hanya melibatkan pengurangan data
tetapi juga memastikan bahwa tidak ada data relevan yang dihilangkan. Oleh karena itu, penting
bahwa kode “janji pengiriman” dan “pribadi attention” menangkap arti dari kode unit teks.
Kategorisasi adalah proses pengorganisasian, penyusunan, dan klasifikasi unit
pengkodean. Kode dan kategori dapat dikembangkan baik secara induktif maupun deduktif.
Dalam.situasi di mana tidak ada teori yang tersedia, Anda harus melakukannya menghasilkan
kode dan kategori secara induktif dari data. Dalam bentuknya yang ekstrim, inilah yang disebut
teori dasar (lihat Bab 6).
Namun, dalam banyak situasi, Anda akan memiliki teori pendahuluan yang dapat Anda
gunakan untuk mendasarkan kode dan kategori Anda. Dalam situasi ini Anda dapat membuat
daftar awal kode dan kategori dari teori, dan, jika perlu, ubah atau perbaiki ini selama proses
penelitian saat kode dan kategori baru muncul secara induktif (Miles & Huberman, 1994).
Manfaat dari penerapan kode dan kategori yang ada adalah Anda dapat mengembangkannya
dan / atau memperluas pengetahuan yang ada.

Tampilan data/ Data Display

Menurut Miles dan Huberman (1994), tampilan data merupakan aktivitas besar kedua
yang harus Anda lakukan saat menganalisis data kualitatif Anda. Tampilan data melibatkan
pengambilan data yang dikurangi dan menampilkannya dalam format terorganisir, secara kental.
Sepanjang garis ini, bagan, matriks, diagram, grafik, sering disebutkan frasa, dan / atau gambar
dapat membantu Anda untuk mengatur data dan menemukan pola dan hubungan dalam data
sehingga penarikan kesimpulan pada akhirnya difasilitasi.
Dalam contoh kami, matriks dianggap tampilan yang sesuai untuk menyatukan kualitatif
data. Teknik tampilan data yang dipilih mungkin tergantung pada preferensi peneliti, jenis
kumpulan data, dan tujuan tampilan. Matriks, pada umumnya, bersifat deskriptif, seperti yang
diilustrasikan oleh contoh yang disebutkan di atas. Tampilan lain, seperti jaringan atau diagram,
memungkinkan Anda menampilkan hubungan kausal di antaranya konsep dalam data Anda

Menarik kesimpulan/ Drawing conclusions

Menggambar kesimpulan adalah kegiatan analitis "terakhir" dalam proses analisis data
kualitatif. Itu adalah inti dari analisis data; pada titik inilah Anda menjawab pertanyaan
penelitian Anda dengan menentukan tema apa yang diidentifikasi berdiri, dengan memikirkan
penjelasan untuk pola dan hubungan yang diamati, atau dengan membuat kontras dan
perbandingan.

KEANDALAN DAN VALIDITAS DALAM PENELITIAN KUALITATIF

Penting bahwa kesimpulan yang telah Anda tarik diverifikasi dengan satu atau lain cara.
Artinya, Anda harus pastikan bahwa kesimpulan yang Anda peroleh dari data kualitatif Anda
masuk akal, dapat diandalkan, dan valid. Reliabilitas dan validitas memiliki arti yang sedikit
berbeda dalam penelitian kualitatif dibandingkan dengan kuantitatif penelitian. Reliabilitas
dalam analisis data kualitatif meliputi reliabilitas kategori dan interjudge.
Keandalan kategori "Bergantung pada kemampuan analis untuk merumuskan kategori dan
menyajikan kepada hakim yang kompeten definisi kategori sehingga mereka akan menyetujui
item mana dari populasi tertentu yang termasuk dalam kategori dan mana yang tidak"
(Kassarjian, 1977, hlm.14). Dengan demikian, reliabilitas kategori berkaitan dengan sejauh mana
hakim mampu menggunakan kategori definisi untuk mengklasifikasikan data kualitatif.
Kategori yang terdefinisi dengan baik akan mengarah pada keandalan kategori yang lebih
tinggi dan akhirnya ke keandalan interjudge yang lebih tinggi (Kassarjian, 1977), seperti yang
dibahas selanjutnya. Namun, kategori itu didefinisikan secara sangat luas juga akan mengarah
pada keandalan kategori yang lebih tinggi. Hal ini dapat menyebabkan penyederhanaan yang
berlebihan kategori, yang mengurangi relevansi temuan penelitian. Misalnya, McKellar (1949)
dalam sebuah percobaan untuk mengklasifikasikan hasutan kemarahan dibedakan antara situasi
kebutuhan dan hasutan kepribadian. Situasi kebutuhan didefinisikan sebagai "gangguan apa pun
dengan mengejar tujuan pribadi", seperti ketinggalan bus. Kepribadian situasi termasuk
pengenaan rasa sakit fisik atau mental atau pelanggaran nilai-nilai pribadi, status, dan
kepemilikan. Klasifikasi ini, yang berfokus pada apakah suatu peristiwa yang memicu
kemarahan dapat diklasifikasikan sebagai kepribadian situasi atau situasi kebutuhan, tidak
diragukan lagi akan mengarah pada kategori tinggi dan keandalan interjudge, tetapi tampaknya
terlalu luas untuk menjadi relevan dengan manajemen perusahaan jasa yang mencoba
menghindari kemarahan pelanggan. Karena itu, Kassarjian (1977) mengemukakan bahwa
peneliti harus menemukan keseimbangan antara reliabilitas kategori dan relevansi kategori.
Keandalan interjudge dapat didefinisikan sebagai tingkat konsistensi antara pembuat kode
yang memproses data yang sama (Kassarjian, 1977). Ukuran keandalan interjudge yang umum
digunakan adalah persentase perjanjian pengkodean dari total jumlah keputusan pengkodean.
Sebagai pedoman umum, tingkat kesepakatan pada atau di atas 80% dianggap memuaskan. Di
awal buku ini, validitas didefinisikan sebagai sejauh mana suatu instrumen mengukur apa yang
dimaksudkannya mengukur. Namun dalam konteks ini validitas memiliki arti yang berbeda. Ini
mengacu pada sejauh mana penelitian tersebut hasil (1) secara akurat mewakili data yang
dikumpulkan (validitas internal) dan (2) dapat digeneralisasikan atau ditransfer ke konteks atau
pengaturan lain (validitas eksternal). Dua metode yang telah dikembangkan untuk mencapai
validitas dalam penelitian kualitatif adalah:
 Mendukung generalisasi dengan hitungan peristiwa. Ini dapat mengatasi masalah umum
tentang pelaporan data kualitatif: bahwa anekdot yang mendukung teori peneliti telah
dipilih, atau terlalu banyak perhatian telah diberikan pada sejumlah kecil peristiwa,
dengan mengorbankan peristiwa yang lebih umum.
 Memastikan keterwakilan kasus dan masuknya kasus menyimpang (kasus yang mungkin
bertentangan dengan teori Anda). Pemilihan kasus yang menyimpang memberikan ujian
kuat bagi teori Anda.
Terakhir, Anda juga dapat meningkatkan validitas penelitian Anda dengan memberikan
penjelasan yang mendalam deskripsi proyek penelitian. Siapapun yang ingin mentransfer hasil ke
konteks lain kemudian bertanggung jawab untuk menilai seberapa valid transfer tersebut.

BEBERAPA METODE PENGUMPULAN DAN MENGANALISIS DATA KUALITATIF

Analisis konten
Analisis isi adalah metode penelitian observasi yang digunakan untuk mengevaluasi
secara sistematis isi simbolik dari semua bentuk komunikasi yang direkam (Kolbe & Burnett,
1991). Analisis isi dapat digunakan untuk menganalisis surat kabar, situs web, iklan, rekaman
wawancara, dan sejenisnya. Metode analisis isi memungkinkan peneliti untuk menganalisis
(sejumlah besar) informasi tekstual dan secara sistematis mengidentifikasi propertinya, seperti
keberadaan kata, konsep, karakter, tema, atau kalimat tertentu.
Untuk melakukan konten analisis pada suatu teks, teks tersebut dikodekan ke dalam
kategori-kategori kemudian dianalisis menggunakan analisis konseptual atau analisis relasional.
Analisis konseptual menetapkan keberadaan dan frekuensi konsep (seperti kata, tema, atau
karakter) dalam teks. Analisis konseptual menganalisis dan menafsirkan teks dengan
mengkodekan teks menjadi konten yang dapat dikelola kategori.
Analisis relasional dibangun di atas analisis konseptual dengan memeriksa hubungan
antar konsep dalam sebuah teks. Hasil analisis konseptual atau relasional digunakan untuk
membuat kesimpulan tentang pesan-pesan di dalam teks, efek variabel lingkungan pada konten
pesan, efek pesan pada penerima, dan sebagainya. Sejalan dengan itu, analisis konten telah
digunakan untuk menganalisis liputan pers kampanye pemilu, untuk menilai pengaruh konten
iklan terhadap perilaku konsumen, dan untuk memberikan gambaran sistematis tentang alat itu
penggunaan media online untuk mendorong proses komunikasi interaktif.

Wawancara ini dirancang untuk mendorong peserta mendeskripsikan insiden tertentu Analisis
naratif
Naratif adalah sebuah cerita atau “sebuah kisah yang melibatkan narasi dari rangkaian
peristiwa dalam suatu urutan yang diplot terungkap dalam waktu” (Denzin, 2000). Analisis
naratif adalah pendekatan yang bertujuan untuk mendapatkan dan meneliti cerita kita
menceritakan tentang diri kita sendiri dan implikasinya bagi hidup kita. Data naratif sering
dikumpulkan melalui wawancara.
dalam konteksnya atau riwayat hidupnya. Dengan cara ini, analisis naratif berbeda dari
metode penelitian kualitatif lainnya; itu difokuskan pada proses atau urutan temporal, misalnya
dengan memperoleh informasi tentang anteseden dan konsekuensi dari insiden tertentu untuk
menghubungkan insiden ini dengan insiden lainnya. Analisis naratif dengan demikian telah
digunakan untuk mempelajari pembelian impulsif (Rook, 1987), tanggapan pelanggan terhadap
iklan (Mick & Buhl, 1992), dan hubungan antara penyedia layanan dan konsumen (Stern,
Thomson & Arnould, 1998).

Induksi analitik
Strategi lain (yang lebih umum) dari analisis data kualitatif adalah induksi analitik.
Induksi analitik adalah sebuah Pendekatan analisis data kualitatif di mana penjelasan universal
fenomena dicari oleh kumpulan data (kualitatif) hingga tidak ada kasus yang tidak sesuai dengan
penjelasan hipotetis suatu fenomena ditemukan. Induksi analitik dimulai dengan definisi (kasar)
dari suatu masalah (“mengapa orang menggunakan mariyuana” adalah contoh terkenal),
dilanjutkan dengan penjelasan hipotetis tentang masalah tersebut (misalnya, “orang
menggunakan mariyuana untuk kesenangan”), dan kemudian melanjutkan dengan pemeriksaan
kasus (misalnya, pengumpulan data melalui wawancara mendalam). Jika suatu kasus tidak sesuai
dengan hipotesis peneliti (misalnya, "Saya menggunakan mariyuana untuk alasan kesehatan"),
peneliti baik mendefinisikan kembali hipotesis atau mengecualikan kasus "menyimpang" yang
tidak mengkonfirmasi hipotesis. Analitik induksi melibatkan penalaran induktif - bukan deduktif
-, memungkinkan untuk modifikasi hipotetis Penjelasan fenomena selama proses melakukan
penelitian.

DATA BESAR
"Big data" adalah istilah yang popular saat ini yang biasa digunakan untuk
menggambarkan pertumbuhan eksponensial dan ketersediaan data dari sumber digital di dalam
dan di luar organisasi. Istilah aslinya terkait dengan volume data yang tidak dapat diproses dan
dianalisis (secara efisien) dengan metode dan alat tradisional. Definisi asli big data berfokus pada
data terstruktur, tetapi sebagian besar peneliti dan praktisi telah menyadari bahwa banyak
informasi berada dalam masif, tidak terstruktur atau data semi-terstruktur, seperti teks (seperti
weblog, Twitter, dan Facebook), gambar, clickstream, dan / atau video.
Teknologi baru memiliki kemampuan untuk mengukur, merekam, dan menggabungkan
data tersebut dan itulah sebabnya data besar memiliki potensi besar untuk membuat kemajuan
cepat di banyak disiplin ilmu dan meningkatkan pengambilan keputusan dalam organisasi.
Karakteristik utama dari big data adalah volumenya, variasi dan kecepatannya, dimana volume
mengacu pada jumlah data, variasi mengacu pada berbagai jenis data, dan kecepatan mengacu
pada kecepatan data tersedia dari proses bisnis, jaringan sosial, perangkat seluler, dan sejenisnya.
Terkadang, tambahan "V" dikedepankan, terutama kejujuran, yang mengacu pada bias,
kebisingan, dan ketidaknormalan yang sering muncul dalam data besar. Data besar memiliki
banyak janji bagi organisasi dan manajer. Namun, itu juga memberi mereka yang baru tantangan
dan dilema, misalnya terkait bagaimana data besar harus dikelola, diproses, dan dianalisis. Itulah
sebabnya banyak organisasi merasa sulit untuk berhasil mengeksploitasi nilai dalam big data.