MERANCANG MATRIKS DAN TAMPILAN JARINGAN

BAB I
PENDAHULUAN

A. Latar Belakang
Dalam budaya akademik kontemporer yang sangat visual sekarang ini, hampir setiap
penelitian disajikan dengan menjabarkan fakta dan data dalam bentuk kualitatif ataupun
kuantitatif. Metode semacam ini dapat menimbulkan dampak yang lebih efektif dan berkesan
tidak hanya kepada pembaca tetapi juga pada peneliti. Salah satu tujuan utama dari penulisan
makalah ini adalah untuk memahami cara pembuatan dan penyebaran matriks dan tampilan
jaringan untuk data kualitatif. Kemudian Argumen utama dari makalah yang berjudul merancang
matrik dan tampilan jaringan adalah "Anda tahu apa yang Anda tampilkan." Selanjutnya dalam
sebuah penelitian, seorang peneliti melakukan Analisis data secara kredibel dan dapat dipercaya
sehingga membutuhkan deskripsi (tampilan) yang cukup fokus tentang data yang lengkap dan
disusun secara sistematis untuk menjawab pertanyaan penelitian yang ada. “Kumpulan data yang
lengkap”, tentu saja, tidak hanya bersumber dari transkrip wawancara, catatan lapangan,
dokumen, dan sebagainya. Tetapi juga kumpulan data juga dapat berasal dari berbagai macam
peristiwa, narasumber, dan proses yang diteliti dimana data-data tersebut dipadatkan dan
disaring sebelum kemudian disajikan dalam bentuk deskripsi/tampilan yang terorganisir sehinga
dapat mengatasi ambigu pembaca.
Disisi lain, Tampilan merupakan salah satu inti dari penulisan makalah ini. Yang kami
maksud dengan "Tampilan" adalah sebuah format visual yang menyajikan informasi secara
sistematis sehingga penulis dapat menarik kesimpulan dan mengambil tindakan yang diperlukan.
Meskipun tampilan seperti itu terkadang terkesan cukup sulit, namun disisi lain tidak terlihat
monoton. Sehingga, peneliti dapat menyadarai bahwa memverifikasi sebuah kesimpulan dalam
penelitian jauh lebih besar daripada penjabaran teks secara panjang lebar.
Secara umum, Peneliti kuantitatif memiliki paket perangkat lunak yang dapat
mengembangkan tabel, grafik, dan file grafik. Sedangkan, Peneliti kualitatif memiliki program
CAQDAS untuk pendekatan unik dalam melakukan analisis data. Dan secara spesifik, program
Microsoft Office dasar seperti Word dan Excel merupakan jenis tampilan matriks dan jaringan
dalam memproyeksikan data. Dengan demikian, penelitian dengan menggunakan analis kualitatif
dapat mendisain format tampilan data yang sesuai dengan beberap program mikrosoft office
diatas secara unik dan jelas.
Tetapi dalam beberapa phenomena penelitian, tidak semua peneliti menyukai matriks dan
tampilan jaringan, begitu pula dengan kemampuan berpikir secara visual. Menampilkan data
penelitian secara ringkas dan sistematis memiliki konsekuensi yang sangat besar bagi
pemahaman peneliti. Konsekuensi tersebut antara lain, tentang kemampuan bagaimana
memikirkan pertanyaan penelitian, maupun tentang sumber data yang diperlukan untuk
menjawab rumusan masalah dalam penelitian. Hal ini mengharuskan peneliti untuk membuat
analisis secara lengkap, tanpa mengabaikan informasi yang relevan, dan memfokuskan serta
mengatur informasi secara koheren.

B. Rumusan Masalah
Berdasarkan penjelasan pada latar belakang diatas, penulis dapat merancang rumusan
masalah sebagai berikut;
1. Apa pengertian matrik, tampilan dan jaringan dalam kontek penelitian Qualitatif?
2. Bagaimanakah peran matrik dan tampilan jaringan dalam mengekplorasi data dalam
penelitian?
3. Bagaimana cara membuat matrik dan tampilan jaringan dalam penelitian Qualitatif?
4. Bagaimana jenis-jenis matrik dalam penelitian kualitatif?
 BAB II
PEMBAHASAN

A. ANALISIS DATA DI DALAM OBJEK DENGAN MATRIK

1. Pengertian Matrik
Mendesain sebuah format penilitan dengan metode kualitatif adalah langkah pertama
yang penting dalam penelitian. Format yang dibuat dapat bervariasi, salah satunya seperti format
imajinasi analis. Begitu pula tentang bagamana cara melakukan Entri data, hal inipun dapat,
beraneka ragam seperti; bagamana cara melakukan blok teks pendek, kutipan, frase, label
variabel, peringkat, singkatan, kode, kategori, gambar simbolik, garis berlabel (putus-putus atau
padat), panah (satu arah atau dua arah), dan sebagainya. Pada Format tampilan dan konten entri
data akan bergantung pada apa yang peneliti pahami sebagai objek dan subjek penelitian,
misalnya tentang situasi umum, kronologi terperinci, tindakan orang-orang dalam peran yang
berbeda, interaksi variabel, dan sebagainya.
Pemformatan menentukan variabel mana yang akan dianalisis kemudian dengan
menggunakan cara apa variabel akan di analisis. Jika variabel tidak disertakan dalam format,
variabel tidak akan dibandingkan dengan variabel lain. Hal ini biasanya tergantung pada
seberapa jauh peneliti menyiapkan format penelitian, dan apa yang menjadi prioritas penelitian
saat ini. Format yang disiapkan disiapkan untuk untuk mengamati data dengan cara eksplorasi,
atau untuk melakukan analisis data penelitian secara rinci dengan tampilan data yang lebih
berbeda, dan umumnya format data ditampilakan dengan tabel data.
Matriks pada dasarnya adalah "perpotongan" dari dua daftar, yang ditampilkan dengan baris dan
kolom. Dengan demikian dapat didefinisikan bahwa, matriks adalah format tabel yang
mengumpulkan dan mengatur data agar mudah dilihat di satu tempat, memungkinkan analisis
terperinci, dan menetapkan panggung untuk analisis lintas kasus nanti dengan tempat lain.

2. Jenis-Jenis Matrik
Gagasan tentang suatu penyajian sangat sentral menurut Miles dan Huberman ditujukan
untuk memperoleh suatu format ruang yang mengemukakan informasi secara sistematis pada
penggunaanya. Koran, ukuran bensin, layar komputer, dan bagan organisasi merupakan contoh
penyajian. Semua itu mengemukakan suatu informasi dalam bentuk yang padat dan teratur
sehingga penggunaannya dapat menarik kesimpulan yang valid dalam mengambil tindakan yang
diperlukan.
Bagi para peneliti kualitatif model penyajian yang khas adalah dalam bentuk teks naratif.
Teks tersebut berbentuk catatan lapangan yang disaring oleh penganalisis dengan mengutip
pengalan-pengalan berkode dan menarik kesimpulan. Kemudian penganalisis menangani bentuk
teks naratif yang kedua yaitu suatu laporan kajian kasus yang di jelaskan menggunakan matrik.
Adapun jenis matrik antara lain;
a. Matriks Daftar Cek
Matriks daftar cek adalah sebuah format untuk menganalisis data lapangan yang dapat
digabungkan ke dalam sebuah indeks atau skala sumatif. Seringkali, tetapi skala itu tetapi tidak
selalu skala itu mempunyai fungsi normatif ; kasus-kasus dengan lebih banyak butir pada skala
cenderung pada suatu segi tertentu menjadi “lebih baik” yang dipertimbangkan peneliti menjadi
suatu hal yang lebih penting.
b. Matriks Peranan Tertata
Matrik peranan tertata menyortir data dari baris-barisnya yang telah dikumpulkan dari atau
tentang gugusan pemeran tertentu, yang merefleksikan pandangan mereka.
c. Matriks Gerombol Konseptual
Matrik yang secara konseptual digerombolkan mempunya kolom-kolom yang tersusun untuk
mengumpulkan soal-soal yang terjadi. Ini dapat terjadi dalam dua cara :konseptual-penganalisisi
mungkin memiliki beberapa gagasan a priori mengenai soal-soal atau permasalahan yang bersal
dari teori yang sama atau berkaitan dengan lingkup tema yang sama atau empiris – salama
pengumpulan data atau analisis awal, kita mungkin menemukan informan yang mnjawab
pertanyaan secara berbeda mengikat pertanyaan itu menjadi satu, atau memberikan tangggapan
yang sama. Tetapi prinsip dasarnya adalah koherensi konseptual.
d. Matriks Pengaruh
Matrik pengaruh menyajikan data pada menyajikan data pada suatu keluaran atau lebih
dalam bentuk kajian sebanyak ragam yang diperlukan. Label ”pengaruh” digunakan untuk
meningatkan kembali pembaca bahwa keluaran senantiasa merupakan keluaran dari sesuatu :
program global, variabel bebas, variabel penyelang. Sekurang-kurangnya selalu terdapat
pendahuuan yang tersirat. Akibatnya, prisip-prinsip dasarnya merupakan satu dari fokus tentang
variabel tergantung.
e. Matrik Dinamika Objek
Matrik dinamika objek menyajikan sebuah gugusan kekutan untuk perubahan dan melacak
proses dan keluaran sebagai konsek kuensi perubahan itu. Prinsip dasarnya adalah satu
penjelasan permulaan.
f. Matriks Meta Tak Tertata
Matriks meta merupakan bagan utama yang merakit data deskniptif dan masing-masing
objek dalam format baku. Bentuk paling sederhana menempalkan seluruh bagan ringkas objek
tunggal pada suatu bagan dinding atau lembaran besar secara berjajar. Prinsip dasarnya adaIah
memasukan semua data yang relevan. Kita menamakan bagan tersebut sebagai “Peta-Induk.”
Biasanya analis bergerak memilah-milah.data lebih Ianjut (membaginya dengan cara baru) dan
rnenggerombolkan data yang menjadi satu kelompok sehingga Iebih jelas perbedaan antara
perangkat objek pada variabel termaksud. Matriks meta yang terpllah dan terkeIompokkan
tersebut secara progresif lebih halus, dan memungkinkan transformasi teks naratif menjadi
kutipan singkat, frasa ringkasan, rata-rata, dan simbol. Semuanya tampak agak abstrak, maka
kita memerlukan suatu ilustrasi. Satu hal yang harus diperhatikan ialah bahwa “Peta-induk” tak
tertata yang mengandung seluruh informasi dan semua objek dapat secara berangsur-angsur
diperhalus, diringkas, .dan disusutkan melalui pemilahan dan pengklasteran, sehingga menjadi
lebih urut. Kemudian, dilakukan cara-cara mengurutkan matriks meta menurut objek (kuat
sampai lemah pada variabel tertentu), menurut peran (administrator, pemakai), atau menurut
waktu (awal, akhir).
g. Matriks Deskriptif yang Tak Tertata Menurut Objek
Sebuah matriks deskriptif yang tertata menurut objek berisi data deskriptif tingkat pertama
dari semua objek, tetapi objek ditata menurut variabel utama yang sedang diuji, sehingga orang
dapat melihat perbedaan antara objek-objek tinggi, sedang dan rendah. Jadi matriks tersebut
meletakkan data dasar di satu tempat bagi variabel besar, melintas ke seluruh objek.
h. Matriks Prediktor Keluaran Objek Tertata
Matriks prediktor keluaran beranalogi dekat mungkin bahkan terlalu dekat, dengan prosedur
prediksi statistik. Matriks tersebut menyerupai “albatros” statistik: tidak ada koefisien regresi
atau urutan nol, tanpa bentuk parsial, tidak ada algoritma untuk memasukkan atau
menghilangkan prediktor, tidak terdapat istiiah kesalahan. Tentu saja, rnatriks tersebut dapat saja
memerlukan campur tangan analisis non parametrik sederhana yang menguji kecenderungan dan
penyimpangan yang disebabkan oieh matriks tersebut. Orang dapat pula melihat validitas
empirik dan suatu prediksi dengan membandingkan pola kovariasi matriks yang diperkirakan
“elegan” dan lebih nyata, pola-pola lokal sebenarnya diamati dalam laporan objek. Jika tidak
terdapat objek yang memiliki konfigurasi sebanding dengan rumpun predlksi yang muncul dan
pembacaan matriks, maka rumpun tersebut kosong dan oleh karenanya secara literal prediksinya
tak berdasar.
i. Matriks Meta Waktu Tertata
Dalam membandingkan sejumlah objek, orang sering ingin mengetahui peristiwa-peristiwa
yang telah terjadi selama jangka-waktu tertentu, terutama peristiwa yang merupakan indikator
dan proses atau arus dasar. Matriks meta waktu tertata mempunyai kolom-kolom yang tersusun
secara berurutan menurut jangka waktu; sedangkan baris biasanya tidak terurut tetapi memiliki
objek dengan urutan semaunya (mungkin alfabetis). Maka, prinsip dasanya adalah kronologi.
j. Matriks Efek Objek Tertata
Matriks efek objek tertata meilih objek menurut tingkat penyebab yang mungkin ada dan
menunjukkan berbagai efek pada masing-masing objek. Efek tersebut dapat dikelompokkan atau
dikategorikan untuk membantu pemahaman. Fokusnya adalah keluaran variabel terikat.
k. Jaringan Kausal Analisis Lintas Objek
Pembuatan jaringan kausal lintas objek merupakan analisis perbandingan dan semua objek
dalam sampel variabel yang diprakirakan paling berpengaruh dan menentukan pengukur kriteria
atau keluaran. Penganalisis memandang masing-masing pengukur keluaran dan menguji arus
vaniabel untuk masing-masing objek yang menyebabkan atau “ménentukan” keluaran arus yang
serupa atau sama lintas objek, dan yang berbeda satu sama lain secara konsisten, kemudian
disarikan dan ditakslr. Prinsip dasarnya .adalah pengembangan satu jaringan meta atau lebih
yang mengutamakan jaringan objek perseorangan.
2. Penyajian Matriks
Konstruksi matriks amat menarik, gampang dan memuaskan. Matriks bukanlah barang
rahasia, terlarang, atau khayalan, tetapi merupakan kegiatan pemisahan masalah yang
menyenangkan
a. Membangun Matriks
 Tidak ada kaidah yang pasti untuk membuat sebuah matriks. Agaknya, konstruksi matriks
merupakan suatu tugas kreatif -namun sistematIs- yang meningkatkan pemahaman anda
mengenai substansi dan makna data yang besar, bahkan sebelum mulai memasuki informasi.
Jadi, persoalannya bukanlah apakah seseorang membangun matriks yang “benar,” tetapi apakah
matriks itu fungsional sehingga bisa memberi jawaban yang beralasan terhadap pertanyaan yang
anda ajukan -atau mendorong cara-cara baru yang mencari peluang untuk menata (lay out) data
agar memperoleh jawaban. Dalam arti yang lebih dalam, bukanlah “Gunakan matriks-matriks,”
tapi Berpikirlah dari segi matriks, dan temukan suatu format yang paling báik untuk itu.”
b. Memasukkan Data Matriks
Pemilihan data untuk entri ke dalam sel matriks, dan operasi yang
melibatkan pekerjaan itu, merupakan masalah yang pelik dalam analisis data kualitatif.
Kesimpulan yang ditarik dan sebuah matriks tak pernah lebih baik daripada kualitas data yang
masuk. Matriks yang sudah rampung mungkin tampak koheren dan masuk akal serta mungkin
menyenangkan, namun apabila data dikumpulkan secara serampangan pada awalnya, atau masuk
secara tergesa-gesa sebagian-sebagian, atau dengan cara yang samar-samar, maka
kesimpulannya tentulah diragukan
c. Manganalisis Data Matriks
Pengujian terhadap suatu matrjks membantu anda memahami matriks dan bagaimana
sahihnya pemahaman itu. Sejumlah Saran umum bagi analisis Data Matriks adalah :
1. Mulailah dengan pengamatan cepat suatu “analisis sepintas” baris ke bawah dan kolom ke
samping untuk melibat apa Yang terpapar sekilas. Kemudian uji, revisi, atau tegaskan kesan
itu melalui telaah yang lebih cermat.
2. Dalam matriks-matriks objek beraturan kerjakalah liputan pertama lewat data untuk masing-
masing objek, satu persatu, yakinkanlah bahwa pemahaman deskriptjf jelas pada aras objek
sebelum mencoba memahami pola-pola lintas objek (cross-site).
3. untuk matriks-matrjks deskriptif awal, yang seringkalj luas dan rumit karena perlunya
“sernua harus masuk” gunakan tabulasi ikhtisar untuk memperjelas pemahaman. Kemu cek
kembali dengan matriks yang luas, untuk meyakinkan bahwa tidak terlalu menyederhanakan
atau mengecohkan kesimpulan-kesimpulan
4. Sebagai awal pembentukan kesirnpulan di dalam pikiran kita, tulislah teks yang
menjelaskannya. Proses penulisan biasanya membawa ke arah formulasi ulang, menambah
 kejelasan, dan gagasan untuk analisis selanjutnya. Menulis itu sendiri adalah suatu bentuk
kerja analisis.
5. Kesimpulan-kesimpulan yang timbul hampir selalu memerlukan pengecekan pada catatan
lapangan tertulis. Apabila kesimpulan tidak mengisyaratkan kebenaran pada “aras dasar”
ketika anda mencobanya di situ, maka perlu direvisi. Prosedur sistematis seperti yang kami
sarankan itu kadang-kadang dapat membawa ke arah perasaan kepastian, yang tidak benar
mengenai kesimpulan. Lihat data mentah guna pemanduan terhadap hal tersebut.
6. Dalam penulisan teks setengah akhir (semifinal) yang menerangkan kesimpulan yang ditarik
dari matriks, sertakanlah ilustrasi khusus dari catatan lapangan tertulis. Dalam melakukannya
hindari “pembubuhan” contoh-contoh yang terlalu jelas dan rnenarik untuk memberi bumbu
naratif. Malahan, carilah eksemplar kesimpulan yang murni yang disajikan. Kalau anda tidak
bisa menemukannya, ada sesuatu yang tidak beres dengan kesimpulan maka revisi mutlak
dilakukan.
7. Ingatlah bahwa analisis haruslah menembus jauh di belakang sajian terakhir hingga mencapai
penjelasan (lihat Noblit, 1982). Mengecek kesimpulan terhadap data hanya merupakan
setengah bagian tugas pengukuhan makna. Bagian yang lain harus berkaitan dengan makna
konseptual dan kesimpulan itu, bagaimana keterikatan kesimpulan itu dengan teori atau
susunan lain mengenai perilaku sosial. AnaIisis matniks yang menghasilkan kesimpulan yang
dapat diuji namun miskin makna (tidak ada gunanya bagi siapapun).
8. Dokumentasikan prosedur analisis Ianjutannya, dan mintalah pemeriksaan sekali-kali dari
teman sejawat, terutama selama awal pekerjaan.
9. Dalam mengembangkan teks laporan akhir, pikirkan masakmasak mengenai data yang akan
diperlukan oleh pembaca. Dalarn banyak hal, matniks lengkap yang anda gunakan juga harus
disajikan kepada pembaca, yang dengan demikian dapat mengikuti dan rnenguji kesimpulan.
Dalam hal lain, tabel ringkasan atau versi matang mungkin sudah cukup. Dan masih dalam
ha! lain lagi, -yang menurut hemat kami paling jarang terjadi- anda boleh menyimpuikan
bahwa teks dengan ilustrasi akan sudah cukup. Apabila matriks-matriks dasar tidak disajikan,
anda perlu menerangkan kepada pembaca penjelasan yang gamblang mengenai penyajian
dan metode-metode analisis yang digunakan untuk menuju teks.
B. Tampilan Jaringan dalam penelitian Kualitatif
1. Pengertian tampilan dalam penelitian Kualitatif
Tampilan Jaringan merupakan desain data yang dibuat oleh peneliti efektif untuk
menganalisis tingkat data yang lebih tinggi seperti membedakan penyebab, menganalisis tren
longitudinal, dan mengembangkan hipotesis dan teori. Data analisis tersebut cukup sulit dibuat
daripada matriks. Bentuk-bentuk tampilan membutuhkan jumlah waktu yang cukup untuk
dipikirkan, dirancang dan dirakit.
2. Pengaturan Waktu Desain Tampilan
Kapan format tampilan harus dibuat? Tampilan analitik dapat dikembangkan sebelum atau
setelah pengumpulan data. Desain tampilan tersebut dapat memberikan temuan awal tentang apa
yang terjadi dalam sebuah kasus dan menemukan petunjuk tentang saran yang dapat diambil.
Sehingga baik peneliti maupun pembaca dapat menyimpulkan dengan alasan yang masuk akal
mengapa sesuatu kasus bisa terjadi.
3. Pengertian Jaringan dalam penelitian Kualitatif
Jaringan adalah kumpulan node atau titik yang dihubungkan oleh tautan atau garis yang
menampilkan aliran tindakan, acara, dan proses peserta. Jaringan dalam sebuah penelitian dapat
menciptakakan "plot" peristiwa dari waktu ke waktu, serta menunjukkan keterkaitan yang
kompleks antara variabel. Sebagai ilustrasi, berikut hanya contoh jenis yang diadaptasi dari Gobo
(2008), Lofland, Snow, Anderson, dan Lofland (2006), dan Bogdan dan Biklen (2007). Untuk
konkretnya, penulis menggunakan contoh dari pengaturan perawatan kesehatan:
Individu : Jane Hughes, RN, Dr. Luis Garcia
Peran : pasien, perawat, dokter, administrator
Hubungan dan kelompok: pasien-pasangan, perawat-residen, staf unit perawatan intensif,
departemen akuntansi, tim bedah
Pengaturan di dalam situs: ruang operasi, ruang gawat darurat, kafetaria
Situs sebagai keutuhan: Rumah Sakit Samaria yang Baik, organisasi pemeliharaan kesehatan
pusat kota.
Tindakan khusus (pertanyaan, jawaban, pendengaran, pemberian informasi, tindakan, dan ucapan
diagnosis orang): menghibur
Peristiwa (kejadian atau kejadian yang ditandai): masuk, operasi, keluar
Aktivitas (rangkaian tindakan yang terjadi secara teratur dan terhubung) :putaran besar, tes lab,
penagihan
Strategi (aktivitas yang ditujukan untuk beberapa tujuan): rencana rehabilitasi, konseling nutrisi,
pengobatan radiasi
Makna dan perspektif (bagaimana orang menafsirkan peristiwa): pandangan pasien dan dokter
tentang diagnosis HIV-positif, pengalaman persalinan dan persalinan
Sikap, nilai, dan keyakinan: kebencian terhadap senioritas dokter, pro-pilihan versus pro-
kehidupan, kecemasan pasien
Emosi dan keadaan:moral staf, ketakutan pasien, kondisi kritisProses (aliran berkelanjutan, fase,
tahapan, siklus, perubahan dari waktu ke waktu): penyembuhan luka, penyembuhan, triase,
pengambilan keputusan, dukungan sosial, duka
4. Memasukkan Data Matriks dan Jaringan dalam Penelitian
Pada umumnya, pilihan data untuk data entri tampilan harus diatur oleh judul baris dan
kolom tertentu yang terlibat atau oleh definisi node dan tautan jaringan. Tetapi tugas yang
tampaknya mudah ini merupakan masalah kritis dalam menganalisis data kualitatif. Kesimpulan
yang diambil dari tampilan ini tidak pernah bisa lebih baik dari kualitas data yang dimasukkan.
Matriks atau jaringan yang lengkap mungkin terlihat koheren, masuk akal, dan menarik, tetapi
jika data dikumpulkan dengan buruk pada awalnya atau dimasukkan dengan cara yang terburu-
buru, tidak terpartisi, atau tidak jelas, kesimpulannya mencurigakan. Maka ada beberapa
pedoman yang bisa dilakukan untuk entri data ke format tampilan:
• Bahkan matriks yang padat hanya menampilkan sebagian kecil dari data yang tersedia. Selalu
ada banyak seleksi dan kondensasi dari massa catatan lapangan. Sadarilah bagaimana Anda
membuat pilihan itu dan bagaimana Anda meringkas data. Anda tidak akan membuang catatan
lapangan Anda — Anda selalu dapat merujuk kembali ke materi lengkapnya.
• Lebih banyak informasi lebih baik daripada lebih sedikit: Entri sel yang terlalu tipis
menjauhkan Anda dari arti data.
• Perjelas tentang bentuk dan jenis data yang ingin Anda masukkan: kutipan langsung, parafrasa,
penilaian ringkasan umum, peringkat, dan sebagainya.
• Gunakan kode dan fungsi pencarian perangkat lunak untuk menemukan materi utama.
Memasukkan data ini jauh lebih mudah dengan perangkat lunak berbasis teks, manajemen basis
data, atau program CAQDAS yang memiliki banyak layar; mereka mengizinkan Anda untuk
mengambil potongan kode ke satu layar atau wilayah dan untuk memilih / mengedit /
menyingkatnya di layar lain.
• Buat catatan eksplisit tentang "aturan keputusan" yang Anda ikuti dalam memilih potongan
data untuk entri
Selain itu, untuk pertanyaan atau masalah penelitian tertentu, Anda dapat mengembangkan
banyak tampilan berbeda (secara harfiah lusinan) menggunakan kumpulan variabel yang sama.
Setiap tampilan membuat asumsi yang agak berbeda; masing-masing memiliki trade-off antara
keuntungan dan biaya. Perhatian lainnya adalah bahwa format tampilan juga hampir selalu
berkembang. Yang lebih baru lebih sensitif data daripada yang sebelumnya, karena semuanya
menjadi lebih jelas.
Jadi, saran umum kami adalah menghasilkan format kasar lebih awal selama pengumpulan data
dan merevisinya ke kondisi yang lebih tegas mendekati akhir pengumpulan data, ketika format
tersebut dapat didasarkan secara lebih kontekstual dan empiris. Berharap untuk membuat
beberapa lintasan atau iterasi sebelum format pertama tampilan berfungsi dengan benar. Uji
format yang diusulkan dengan memasukkan data. Format yang tidak bisa dijalankan atau
membingungkan, atau yang tidak menyertakan semua data yang relevan, akan muncul dengan
cepat.
5. Memformat Template Matriks
Tidak ada kanon tetap untuk membuat matriks. Sebaliknya, konstruksi matriks adalah tugas
kreatif namun sistematis yang meningkatkan pemahaman Anda tentang substansi dan makna
database Anda, bahkan sebelum Anda mulai memasukkan informasi. Jadi, masalahnya bukanlah
apakah Anda sedang membangun matriks yang "benar" tetapi apakah matriks itu berguna yang
akan memberi Anda jawaban yang masuk akal atas pertanyaan yang Anda ajukan atau
menyarankan cara baru yang menjanjikan untuk menyusun data untuk mendapatkan jawaban.
Pada tingkat yang lebih dalam, pesan dari buku ini bukanlah “Gunakan matriks ini” tetapi
“Pikirkan tampilan. Adaptasi dan ciptakan format yang akan melayani Anda dengan baik. ”
Dengan pilihan ini, apa yang dapat kami katakan secara informal tentang cara terbaik dan
termudah untuk membuat template / garis besar / kerangka tampilan matriks? Kami menyatakan
ini dengan cepat, sebagai nasihat yang ramah dan bukan sebagai resep yang kasar:
• Lihat pertanyaan penelitian dan variabel kunci Anda, dan pikirkan data yang ada atau akan
tersedia. Buat sketsa garis besar matriks secara kasar menggunakan kertas dan pensil.
• Minta rekan kerja untuk melihat format awal Anda, untuk membantu Anda mendeteksi asumsi
yang Anda buat dan menyarankan cara alternatif untuk menampilkan data Anda.
• Siapkan template matriks dengan menggunakan program teks, manajemen database, atau
perangkat lunak CAQDAS. Cobalah untuk membuat tampilan benar-benar terbaca pada layar
monitor Anda atau pada selembar kertas tercetak, jika memungkinkan. Anda harus bisa melihat
semuanya sekaligus.
• Jangan mencoba memasukkan lebih dari selusin variabel dalam baris atau kolom; lima atau
enam lebih mudah diatur. Jika Anda tertarik pada desain dengan jumlah variabel yang lebih
besar, rencanakan untuk mengelompokkan atau mempartisi mereka sebagai meta-matriks.
Akibatnya, kelompokkan kembali matriks menjadi "aliran" atau "keluarga" yang berdekatan.
• Matriks paling sederhana disusun dalam dua dimensi. Anda memiliki pilihan untuk beralih ke
kompleksitas yang lebih tinggi jika data membutuhkannya dengan membuat partisi untuk meta-
matriks — baris dalam satu baris dan / atau kolom dalam kolom (untuk diilustrasikan dalam bab-
bab mendatang).
• Jika matriks adalah matriks yang terurut, perkirakan untuk mengubah urutan baris dan kolom
untuk beberapa saat sampai Anda mendapatkan versi yang memuaskan. Kebanyakan perangkat
lunak berbasis teks, manajemen basis data, dan program CAQDAS dapat melakukannya dengan
mudah.
• Selalu terbuka untuk gagasan menambahkan baris atau kolom baru, bahkan di akhir operasi
analisis Anda.
• Jaga agar baris dan kolom cukup berbutir halus untuk mengakomodasi diferensiasi yang berarti
dalam data tetapi tidak terlalu halus untuk mengubur Anda dalam detail yang tidak pandang
bulu.
• Ingatlah bahwa pertanyaan penelitian tertentu mungkin memerlukan serangkaian tampilan;
misalnya, matriks deskriptif awal yang diurutkan sebagian dapat mengarah ke tabel ringkasan
kecil dan kemudian ke tampilan jaringan. Pikirkan kemungkinan ini, tetapi biarkan bentuk
matriks baru muncul saat analisis berlanjut.
Membuat template matriks biasanya hanya dalam beberapa menit; merevisinya saat item data
awal dimasukkan juga merupakan pekerjaan yang cepat. Hampir semua program CAQDAS
dapat mengaktifkan format ulang saat data dimasukkan dan diberi kode. Waktu yang dibutuhkan
untuk memasukkan data ke dalam tampilan sebenarnya bergantung pada hal-hal berikut:
(a) jumlah variabel atau dimensi dalam tampilan, (b) jumlah responden dan kasus, dan (c) jenis
dan jumlah transformasi yang dilakukan.
Jenis judul baris dan kolom atau label bin jaringan apa yang mungkin? Setnya hamper (misalnya,
tingkat kesepakatan di antara responden atau tipe data, intensitas perasaan responden, dasar
untuk membuat penilaian atau peringkat). Jika tidak, Anda mungkin menipu diri sendiri secara
retrospektif, lupa bagaimana Anda melakukannya, atau mengubah aturan keputusan Anda selama
proses tersebut.
• Jika data hilang, ambigu, atau tidak diminta dari responden tertentu, tunjukkan hal ini secara
eksplisit di layar.
• Jangan mengunci format Anda sampai nanti dalam proses. Memasukkan data menguji
kecukupan, realisme, dan kegunaan format tampilan. Teruslah merevisinya sesuai kebutuhan.
• Bersikaplah terbuka untuk menggunakan angka, kuantitas langsung, atau penilaian dalam
bentuk peringkat, skala, atau kode besaran, jika berlaku untuk penelitian tersebut.
• Mintalah seorang rekan untuk meninjau tampilan Anda, bersama dengan aturan keputusan dan
catatan lapangan tertulis Anda, untuk memeriksa kecukupan prosedural pekerjaan Anda. Audit
semacam itu memakan waktu, tetapi digunakan secara selektif, audit tersebut merupakan
pemeriksaan penting pada "konfirmasi" dari prosedur yang Anda gunakan.
Anda selalu memiliki pilihan tentang level dan jenis data yang akan dimasukkan. Misalnya,
Anda dapat menyertakan yang berikut ini:
Kutipan langsung, ekstrak dari catatan lapangan tertulis:
“Ahli bedah pada dasarnya adalah tipe macho-yang terbaik, maksud saya. Mereka harus begitu,
tapi mereka tidak bisa menahannya. "
Ringkasan, parafrase, atau abstrak:
Pembela pasien tampaknya semakin tidak dipercaya. Aturan penggunaan waktu warga sebagian
besar diabaikan.
Penjelasan peneliti:
Ketidakpastian pasien tentang diagnosis adalah fungsi dari kondisi yang mengancam jiwa dan
penggunaan penyangkalan sebagai penyangga.
Penilaian atau penilaian ringkasan:
Perilaku pengurangan risiko setelah bypass kardiovaskular: lebih buruk, tidak ada perubahan,
membaik, jauh lebih baik.
Kombinasi di atas:
Pengurangan risiko: ditingkatkan. Diet ("Saya bahkan mencoba brokoli"), beberapa olahraga
(berjalan 20-30 menit setiap hari), dan merokok (dikurangi, pertimbangkan untuk menggunakan
koyo nikotin).
Membuat Inferensi dan Menarik Kesimpulan Dari Matriks dan Jaringan
Ujian dari tampilan apa pun adalah apa yang membantu Anda memahami — dan seberapa dapat
dipercaya pemahaman itu. Dalam lima bab berikutnya, akan ada banyak taktik khusus untuk
penarikan kesimpulan dan verifikasi melalui penggunaan huruf tebal. Masing-masing memiliki
kelebihan dan kekurangan khusus, yang akan kita bahas di Bab 11. Di sini, kami menawarkan
beberapa saran umum pendahuluan:
• Selalu membantu untuk memulai dengan pemindaian cepat — "analisis mata juling" atau
"mengamati" kolom ke bawah dan melintasi baris dan melalui jalur jaringan untuk melihat apa
yang muncul. Kemudian, verifikasi, revisi, atau diskonfirmasikan kesan tersebut melalui tinjauan
yang lebih cermat.
• Setiap tampilan yang diberikan akan selalu memiliki banyak taktik yang digunakan. Yang
paling sering kami gunakan untuk menarik kesimpulan pertama adalah pola pencatatan, tema;
membuat kontras, perbandingan; kekelompokan; dan menghitung.
• Tampilan tidak pernah berbicara sendiri — baik kepada Anda atau pembaca; teks yang
menyertainya selalu dibutuhkan. Saat kesimpulan terbentuk di benak Anda, selalu tulis teks yang
menjelaskannya. Buat kesimpulan Anda eksplisit. Proses penulisan pasti mengarah pada
reformulasi, kejelasan tambahan, dan ide untuk analisis lebih lanjut. Menulis sendiri merupakan
salah satu bentuk analisis.
• Kesimpulan pertama yang diambil dari tampilan hampir selalu perlu diperiksa dengan catatan
lapangan tertulis. Jika sebuah kesimpulan tidak terdengar benar di "tingkat dasar" saat Anda
mencobanya di sana, kesimpulan itu perlu direvisi. Lihat data mentah untuk mencegahnya. Lebih
baik lagi, tanyakan kepada rekan penelitian Anda dan peserta itu sendiri, jika memungkinkan.
• Setiap kesimpulan awal biasanya membutuhkan konfirmasi, pemeriksaan, dan verifikasi. Yang
paling taktik yang sering kami gunakan yang telah kami gunakan adalah sebagai berikut:
menindaklanjuti kejutan, melakukan triangulasi, membuat tes jika-maka, dan memeriksa
penjelasan lawan.
• Pastikan dulu pemahaman deskriptif Anda sudah jelas di tingkat individu atau dalam kasus
sebelum Anda mencoba memahami pola lintas kasus.
• Ingatlah bahwa analisis biasanya harus melampaui penjumlahan deskriptif dan mencapai
penjelasan. Memperjelas implikasi konseptual dari kesimpulan Anda — yaitu, bagaimana
kesimpulan itu terkait dengan teori perilaku sosial Anda atau orang lain. Analisis yang
menghasilkan kesimpulan yang dapat diverifikasi tetapi bermaksud buruk tidak banyak berguna
bagi siapa pun.
 BAB
III
KESIMPULAN

Data kualititif, yang Iebih merupakan wujud kata-kata daripada deretan angka-angka,
senantiasa menjadi bahan utama bagi ilmu-ilmu sosial tertentu, terutama dalam bidang
antropologi, sejarah, dan ilmu politik. Meskipun demikian, pada dasawarsa terakhir, telah
semakin banyak peneliti dalam bidang-bidang ilmu yang secara tradisional mendasarkan diri
pada pendekatan kuantitatif (psikologi, sosiologi, ilmu bahasa, adaministrasi umum, kajian
organisasi, perencanaan kota, penelitian pendidikan, evaluasi program, dan analisis kebijakan),
telah beralih pada paradigma baru yang lebih kualitatif. Data kualitatif sangat menarik dan
merupakan sumber dan deskripsi yang luas dan berlandasan kokoh, serta memuat penjelasan
tentang proses-proses yang terjadi dalam lingkup setempat.
Dengan data kualitatif kita dapat mengikuti dan memahami alur peristiwa secara
kronologis, menilai sebab-akibat dalam lingkup pikiran orang-orang setempat, dan memperoleh
penjelasan yang banyak dan bermanfaat. Dan lagi, data kualitatif Iebih condong dapat
membimbing kita untuk memperoleh penemuan-penemuan yang tak diduga sebelumnya dan
untuk membentuk kerangka teoretis baru; data tersebut membantu para peneliti untuk melangkah
lebihh jauh dan praduga dan kerangka kerja awal. Akhirnya, seperti yang telah dikemukakan
oleh Smith (1978), penemuan-penemuan dan penelitian kualitatif mempunyai mutu “yang tak
dapat disangkal.” Kata-kata, khususnya bilamana disusun ke dalam bentuk cerita atau peristiwa,
mempunyai kesan yang Iebih nyata, hidup, dan penuh makna,seringkali jauh lebih meyakinkan
pembacanya, peneliti lainnya, pembuat kebijakan, praktisi, daripada halaman-halaman yang
penuh dengan angka-angka.
Beberapa peneliti ragu-rágu untuk memusatkan perhatian pada persoalan analisis, dengan
alasan bahwa ketentuan yang validitasnya terjamin tidak mungkin sepenuhnya (Becker, 1958;
Bruyn, 1966; Loflaud, 1971). Lebih jauh lagi, bagi para peneliti yang berorientasi pada
rancãngan fenomenologis tidak memperhitungkan adánya realitas sosial “di luar sana,” oleh
karena itu tidak diperlukan lagi untuk menyusün suatu perangkat patokan metodologis yang
kokoh guna membantu menegaskan hukum-hukumnya (lihat Dreitzel, 1970). Dari sudut
pandangan ini proses-proses sosial merupakan kejadian sesaat, gejala yang cair, dan bagi pelaku
sosial tiada kebebasan cara untuk menafsirkan dan menjelaskan gejala-gejala itu.
Kondisi yang tidak pasti mengenai analisis kualitatif seperti ini menimbulkan dampak
lain, yaitu: Metode analisisnya jarang dilaporkan secara rinci dalam publikasi-publikasi studi
kasus atau dalam laporan-laporan sintetis silang-objek. Orang biasanya tidak dapat rnengikuti
cara seorang peneliti memperoleh kesirnpulan akhir dan sebanyak 3.600 halaman catatan
lapangan yang muncul, betapapun gamblang kutipan-kutipan yang disertakan dengan catatan itu.
Bahkan, kalaupun para perieliti berusaha menjelaskan metode-metodenya secara eksplisit tanpa
adanya kesatuan bahasa dalam penyajian analisis dan usaha intensif dalam proses analisis, bisa
menimbulkan kerancuan pengertian. Dapatkah seorang peneliti yang menggunakan catatan
lapangan dengan dasar yang sama dengan peneliti lainnya menghasilkan tulisan studi kasus yang
serupa nalarnya dengan penelitian yang asli? Dalàm kondisi seperti ini, sebagaimana
dikemukakan oleh Dawson (1979, 1982), LeCompte dan Goetz (1982) dan yang lainnya,
validitas hasil penemuan yang diperoleh secara kualitatif bisa sangat meragukan.
Singkatnya, lapangan penelitian kualitatif sangat membutuhkan metode-metode yang
jelas dan sistematis guna menarik kesimpulan-kesimpulan dan mengujinya secara seksama,
yakni metode yang dapat digunakan sebagai replika oleh penehiti lainnya, seperti halnya dengan
pengujian-pengujian signifikansi dan korelasi yang dilakukan oleh para peneliti kuantitatif.
Daftar Pustaka
Miles, M. B. (1986, April). Improving the urban high school: Some
preliminary news from five cases. Paper presented at the annual meeting of
the American Educational Research Association, San Francisco, CA.

Miles, M. B. (1990). New methods for qualitative data collection and

analysis: Vignettes and pre-structured cases. Qualitative Studies in
Education, 5(1), 37–51.

Miles, M. B., & Huberman, A. M. (1994). Qualitative data analysis: An

expanded sourcebook (2nd

ed.). Thousand Oaks, CA: Sage.

Miller, A. B. (2009). Finish your dissertation once and for all! How to
overcome psychological barriers, get results, and move on with your life.
Washington, DC: American Psychological Association.

Miller, D. L., Creswell, J. W., & Olander, L. S. (1998). Writing and retelling
multiple ethnographic tales of a soup kitchen for the homeless. Qualitative
Inquiry, 4(4), 469–491.

Miller, S. I. (n.d.). Qualitative research methods: A philosophical

andpractical inquiry

[Prospectus for a monograph]. Chicago: Loyola University.

Mishler, E. G. (1979). Meaning in context: Is there any other kind? Harvard

Educational Review, 49(1), 1–19.

Morgan, G. (1980). Paradigms, metaphors, and puzzle solving in

organizational theory.

Administrative Science Quarterly, 25(4), 605–622.

Morine-Dershimer, G. (1991, April). Tracing conceptual change in pre-
service teachers . Paper presented at the annual meeting of the American
Educational Research Association, Chicago, IL.