Bias-Bias dalam Penelitian (1)

By pillars of the mind - March 27, 2012

Human beings are poor examiners, subject to superstition, bias, prejudice, and a profound tendency to see what they want to see rather than what is really there.

-M. Scott Peck -

Sumber Gambar: http://patrioticpat.com/wp-content/uploads/2013/02/truthlies.gif

Tulisan kali ini akan membahas mengenai bias-bias yang mungkin muncul dalam penelitian yang Anda lakukan. Tentu saja, bahwa kehadiran bias akan berdampak pada hasil riset anda yang tidak memberikan informasi atau menyimpulkan fakta-fakta yang tidak seharusnya. Kesalahan dalam hasil penelitian ini tentu saja sangat berbahaya apabila data temuan digunakan dalam pengambilan keputusan. Untuk itu paling tidak dalam penelitian kuantitatif, anda, sebagai peneliti dapat mewaspadai berbagai bias seperti dibawah ini:

1. Data-Mining (Pengolahan Data)
Ini terjadi apabila peneliti terlalu berlebihan dalam menggunakan data yang sama atau yang saling terkait. Kesalahan dalam menggunakan data ini merupakan hal yang vital di penelitian kuantitatif, sebab dalam penelitian tersebut berlaku “Garbage In Garbage Out—GIGO”. Untuk menghindari kekeliruan ini maka peneliti sebaiknya mampu secara tajam mengungkap data dari statistik deskriptif.

2. Sample Selection (Penyeleksian Sampel)
Apabila anda menggunakan non-probability purposive sampling, sebaiknya anda mewaspadai terjadinya kesalahan ini. Sederhananya bias ini terjadi akibat anda salah memasukan atau mengeluarkan sejumlah sampel yang menyebabkan hasil dari studi anda menjadi rancu. Analoginya adalah seperti anda menanyakan kepada orang-orang di restoran hamburger, mengenai hamburger. Tentu saja bahwa sampel tersebut akan mengarah kepada hasil bahwa orang-orang menyenangi hamburger, karena sampel yang dipilih tidak mewakili kelompok orang-orang yang tidak menyukai hamburger.

3. Look-Ahead
Kesalahan ini terjadi akibat menggunakan informasi yang tidak tersedia di dalam periode pengujian, sebagai contoh: adalah perbedaan tahun fiskal dalam data akuntansi.

4. Time-Period (Periode Waktu)
Apabila anda menggunakan penelitian yang berbasis runtut waktu, rentang waktu dapat memberikan dampak bias dalam penelitian anda. Perlu dipahami oleh peneliti dalam menggunakan data, sebaiknya disesuaikan dengan fenomena atau sifat dari masalah penelitiannya. Tentu saja perbedaan frekuensi data, jangka pendek akan memberikan perbedaan pada data yang bersifat lebih panjang.

5. Model Mis-specification (Kesalahan Spesifikasi Model)
Dalam penelitian kuantitatif, tujuan penelitian akan dijawab secara empiris dengan membangun hipotesis penelitian. Namun hal ini memiliki permasalahan baru yaitu di dalam penggunaan alat hitung statistik. Kemampuan menggunakan alat hitung menjadi tantangan tersendiri bagi peneliti, terutama dalam pengujian yang berbasis hubungan sebab-akibat, misalnya regresi. Karena kesalahan dalam menyertakan variabel yang tidak diperlukan atau justru malah membuang variabel yang seharusnya disertakan, akan membuat model memberikan jawaban (parameter) atau hasil perhitungan yang menyesatkan.

Sebagai kesimpulan bahwa dalam melakukan penelitian, sebaiknya dalam melakukan desain, peneliti juga mempertimbangkan berbagai potensi munculnya bias, terutama jika sudah memasuki tahap operasionalisasi untuk menguji hipotesis.

bersambung...

Referensi:

DeFusco, R. A., McLeavey, D. W., Pinto, J. E., & Runkle, D. E. (2007). Quantitative Investment Analysis (2nd ed.). Hoboken, New Jersey: John Wiley & Sons, Inc.