PENALARAN

6.53

STATISTIK

Tim Dosen MKU Logika Unpar

PENGANTAR:
ANGKA, STATISTIK, DAN METODE INDUKSI
“NUMBERS” TO
BELIEVE…

• Dari pemilihan presiden Amerika Serikat 2019, petahana

Donald Trump menolak untuk mengakui kekalahannya dari

Joe Biden.

• Untuk itu Trump sering mencuit menggunakan angka. Salah

satu cuitannya berbunyi seperti ilustrasi berikut ini. Trump

mempergunakan angka sebagai cara untuk memperkeruh

suasana.

• Media Inggris BBC memeriksa klaim angka 50.000 tersebut,

dan tidak menemukan bukti apapun.

24/11/2022 PENALARAN STATISTIK 3

 STATISTICS…

“provide a highly convenient way

for people to deceive one another”
“cara berbohong yang efektif
adalah dengan angka”

Patrick J. Hurley

24/11/2022 PENALARAN STATISTIK 4

 STATISTIK SEBAGAI
INSTRUMEN
INDUKTIF…

• Hurley: “Jika kita mau mengetahui

opini dari lembaga kemahasiswaan
tentang pendapat mereka soal tingkat
kepercayaan ujian mandiri, kita dapat
melakukannya dengan menyurvei 10
persen dari jumlah mereka.

• Bila 80 persen dari sampel itu setuju,

kita dapat menyimpulkan bahwa 80
persen dari seluruh mahasiswa
menyetujuinya. Beginilah cara
generalisasi induktif bekerja.”
7/1/20XX Pitch deck title 5
 ANGKA MEREDUKSI
KERAGUAN…
• Daniel Kahneman menegaskan bahwa manusia cenderung
untuk mereduksi keraguan dengan seolah-olah
memastikan sesuatu. Salah satu bentuk penegasan itu
adalah angka.

• Sejalan dengan Kahneman, kita dapat melihat bahwa

angka yang dipergunakan Trump di slide sebelumnya
adalah “50.000” – yang memiliki unsur angka yang
menegaskan.

• Bandingkan bila Trump menuliskan angka “47.329” dalam

cuitannya.

7/1/20XX PENALARAN STATISTIK 24/11/2022

 RELIABILITAS ANGKA
STATISTIK

• Pertanyaannya: apakah setiap induksi yang

dihasilkan dari perhitungan statistik dapat
dipercaya begitu saja?

• Kita telah melihat bahwa berbohong dengan

angka bukanlah sesuatu yang sulit untuk
dilakukan. Diskusikanlah pertanyaan ini.

7/1/20XX Pitch deck title 7

 MENALAR LOGIS TIDAKNYA
DATA STATISTIK…

• Bila statistik dapat menjadi alat untuk melakukan

metode induksi, statistik menghasilkan angka, dan
angka dapat dengan mudah dipergunakan untuk
berbohong (atau membohongi orang), maka literasi
digital mau tidak mau menyaratkan kepekaan atas
data statistik.

• Di dalam mata kuliah Logika ini kita tidak belajar

tentang bagaimana membuat sebuah penelitian
statistik. Sekali lagi, dalam literasi digital yang paling
penting adalah kepekaan logis atas hasil dari induksi
statistik: sebuah sikap yang diperlukan dalam menalar
data.
7/1/20XX PENALARAN STATISTIK 24/11/2022
KEHATI-HATIAN TERHADAP BIAS
SAMPEL (HURLEY)
 BIAS
KETIDAKACAKAN
SAMPEL
Menanyakan pilihan politik hanya pada satu
jenis sampel, misalnya petugas di sebuah
kantor partai atau karyawan di sebuah
pabrik, adalah contoh bias ketidakacakan
sampel.

24/11/2022 PENALARAN STATISTIK Kehati-hatian terhadap Bias Sampel

 BIAS KETIDAKACAKAN SAMPEL (LANJ.)

7/1/20XX Pitch deck title 11

 BIAS JUMLAH
SAMPEL
Semakin besar jumlah sampel, semakin
tinggi akurasinya. Memercayai data statistik
yang didasarkan hanya pada jumlah sampel
yang sangat kecil adalah sebuah kekeliruan.

24/11/2022 PENALARAN STATISTIK Kehati-hatian terhadap Bias Sampel

BIAS JUMLAH
SAMPEL (LANJ.)

• Perhitungan statistik bisa dimulai

dengan jumlah sampel 30.
Namun demikian, tingkat
kesalahannya bisa sangat besar,
sekitar 20%.
• Konvensi reliabilitas data
statistik biasanya berkisar di
tingkat kesalahan 1 atau 2%.
• Dengan demikian, sampel
standar yang reliabel adalah
2.400 -2.500.
7/1/20XX Pitch deck title 13
 BIAS FAKTOR PSIKOLOGIS
SAMPEL
Dalam interaksi sosial, pertanyaan tidak
selalu menghasilkan jawaban yang akurat.
Sebagai contoh, orang cenderung melebih-
lebihkan penghasilan dan pencapaian saat
kencan. Hal yang sama terjadi dalam riset
statistik. Angka yang diberikan oleh
responden belum tentu merupakan angka
yang sebenarnya.

24/11/2022 PENALARAN STATISTIK Kehati-hatian terhadap Bias Sampel

BIAS FAKTOR PSIKOLOGIS SAMPEL
(LANJ.)

7/1/20XX Pitch deck title 15

KEHATI-HATIAN TERHADAP ISTILAH
“RATA-RATA” (HURLEY)
 RATA-RATA, MEDIAN, DAN MODUS BISA SAJA
MEMBERIKAN GAMBARAN YANG SEBENARNYA.

1 16

4 17

1 18

2 19

3 23

Mean; Median; Modus 19;18;17

7/1/20XX Pitch deck title 17

 JABATAN JUMLAH GAJI (juta
rupiah)
BIAS MEAN, MEDIAN,
DAN MODUS Direktur 1 275

Wakil Direktur 2 150

Staf Ahli 2 80
• Namun dalam praktiknya, mean,
median, dan modus bisa menjadi Manajer Senior 1 65
pengelabu.
• Tabel di samping ini adalah upaya Manajer Junior 4 55
pengelabuan: seolah-olah perusahaan
tersebut dikelola oleh karyawan dengan
gaji yang merata. Penyelia 1 45
• Perhatikan perbedaan gaji antara
Karyawan 10 30
direktur dan karyawan yang mencapai
selisih 245 juta rupiah. Mean; Median; 65 juta;45 juta;30 juta
Modus
• Bila kita hanya berpatokan pada rata-
rata (mean), seolah-olah tidak ada
perbedaan penghasilan.
7/1/20XX Pitch deck title 18
BIAS RATA-RATA
• Contoh lain adalah Produk Domestik Bruto
- PDB (GDP) dari sebuah negara. PDB
Amerika Serikat tahun 2021 adalah
69.231,4 dolar (Statista).
• Namun demikian, angka ini tidak
menjamin bahwa setiap penduduk memiliki
kesempatan yang setara dalam jumlah
penghasilan.
• Dengan kata lain, di Amerika Serikat kita
bisa menjumpai seorang Elon Musk dengan
penghasilan bersih setahun 191,2 milyar
dolar, dan buruh yang hanya
berpendapatan sekitar 54 ribu dolar per
tahun.

7/1/20XX Pitch deck title 19

KEHATI-HATIAN TERHADAP BIAS
SEBARAN (HURLEY)
SEBARAN NORMAL

Di samping ini adalah sebuah

kurva sebaran normal. Kurva ini
yang sebenarnya kita harapkan
dari sebuah penelitian.

Namun demikian, dalam

praktiknya di lapangan kita tidak
selalu menemukan kenyataan
seperti ini.

7/1/20XX Pitch deck title 21

 BIAS SEBARAN DI LUAR SEBARAN
NORMAL

7/1/20XX Pitch deck title 22

DISKUSI: TEST
RORSCHACH YANG TIDAK
PERNAH MEMENUHI
PERSYARATAN SEBARAN…

• Dalam praktiknya di laboratorium,

hasil tes Rorschach - kecocokan
antara hasil uji dengan disposisi
mental seseorang - tidak pernah
memenuhi standar deviasi yang
probabel (mendekati 1) .
• Menariknya, tes ini masih
dipergunakan dalam berbagai kajian
psikologi.
7/1/20XX Pitch deck title 23
KEHATI-HATIAN TERHADAP BIAS SKALA
(HURLEY)
 BIAS SKALA

• Membaca sebuah grafik jelas sesuatu

yang selalu kita temukan di berbagai
media.
• Penyajian data sejatinya dimulai dari
angka nol atau titik awal dalam sebuah
presentasi visual.
• Namun demikian, dalam praktiknya, titik
nol tidak ditampilkan. Hasilnya,
kemiringan sebuah garis dalam grafik,
misalnya, menjadi lebih curam.

7/1/20XX Pitch deck title 25

CONTOH BIAS SKALA

PERUSAHAAN YANG MENGHASILKAN DATA INI MENCOBA MEMBERI KESAN

BAHWA KINERJA MEREKA BAGUS.
CARA YANG DIPERGUNAKAN ADALAH DENGAN MEMANGKAS SKALA.
DENGAN MEMOTONG GRAFIK DARI ANGKA 8, KURVA SEOLAH-OLAH NAIK.

7/1/20XX Pitch deck title 26

 CONTOH LAIN
BIAS SKALA

Serupa dengan bias skala di

data sebelumnya, perusahaan
ini mencoba menunjukkan
seolah-olah kinerja mereka
meroket, hanya dengan
memangkas titik awal grafik di
angka 5.

7/1/20XX Pitch deck title 27

KEHATI-HATIAN TERHADAP BIAS
PERSENTASE (HURLEY)
 PERSENTASE

• Persentase adalah bias yang umum

dijumpai di media
• Ada dua hal yang tidak pernah
dipertanyakan: seberapa persen dari
berapa
• Kedua, apa sebenarnya yang kita peroleh
dari peningkatan atau pengurangan
persentase tersebut

7/1/20XX Pitch deck title 29

 MEMAHAMI
PERSENTASE
Angka 30% di dalam iklan ini
adalah ciri khas data statistik.
Masalahnya angka 30% ini -entah
apapun dasarnya -memiliki dampak
psikologis bahwa produk tersebut
adalah makanan sehat.

Bahkan tanpa perlu menyebutkan

kadar lemak sehat dalam tubuh dan
dampak pengurangan sebesar 30%,
makanan ini memiliki kesan
sebagai keripik yang lebih sehat
dari yang lain..

7/1/20XX Pitch deck title 30

MENALAR PERSENTASE

Hurley mengatakan: “Semua klaim persentase bila

tidak pernah dijelaskan pada dasarnya omong kosong.
Kita perlu bertanya: 20 persen dari apa, dan 15 persen
dikurangi dari apa?

Jika dasar dari perhitungan semacam itu tidak

disebutkan, maka klaim semacam itu tidak berarti.”

“Masalahnya”, lanjut Hurley, “klaim semacam itu

efektif karena memberi kesan bahwa produk tersebut
lebih unggul atau misalnya lebih murah.”

7/1/20XX Pitch deck title 31

 KESIMPULAN:
DAPATKAH KITA MEMERCAYAI INDUKSI
STATISTIK?
 SELAMA DATA STATISTIK TIDAK BISA DILACAK
METODOLOGINYA DAN DIVERIFIKASI DATA
PENDUKUNGNYA,
PENALARAN STATISTIK ADALAH JENIS PENALARAN
INDUKTIF YANG PALING TIDAK BISA DIPERCAYA
(“THE NUMBER ITSELF IS A LIE”).

HURLEY

7/1/20XX Pitch deck title 33

DAFTAR PUSTAKA

Pustaka Utama
• Hurley, Patrick J., A Concise Introduction to Logic (Wadsworth,
Boston:2012)

Pustaka Pendukung
• Kahneman, Daniel. Thinking, Fast and Slow (Penguin Books, London:2011)
• Nisbett, Richard E., Mindware, Tools for Smart Thinking (Farrar, Straus and
Giroux, New York: 2015)

7/1/20XX Pitch deck title 34

35