5 Kesalahan Umum Saat Menggunakan Model Miles and Huberman dalam Penelitian Kualitatif

Analisis data merupakan salah satu tahap penting dalam penelitian kualitatif. Data yang diperoleh dari wawancara, observasi, dokumentasi, maupun sumber lainnya tidak dapat langsung digunakan sebagai kesimpulan penelitian. Peneliti perlu mengolah dan menafsirkan data secara sistematis agar dapat menemukan pola, tema, serta makna dari fenomena yang diteliti.

Salah satu model analisis yang banyak digunakan adalah Model Miles dan Huberman. Model ini memberikan kerangka untuk mengolah data kualitatif melalui beberapa aktivitas utama, yaitu reduksi data, penyajian data, serta penarikan kesimpulan dan verifikasi. Namun, penggunaan model tersebut tidak selalu berjalan sesuai prinsipnya. Beberapa peneliti, khususnya mahasiswa yang baru melakukan penelitian kualitatif, masih melakukan kesalahan dalam menerapkan setiap tahapannya. Berikut 5 kesalahan umum yang sering dijumpai ketika mahasiswa menggunakan model Miles and Huberman untuk penelitian kualitatif. Simak penjelasan berikut ini sahabat DQLab!

1. Menganggap Reduksi Data sebagai Membuang Data

Kesalahan pertama adalah menganggap reduksi data hanya sebagai kegiatan menghapus informasi yang dianggap tidak penting. Padahal, reduksi data merupakan proses analitis. Peneliti perlu menentukan informasi mana yang relevan berdasarkan fokus penelitian, kemudian mengelompokkan, memberi kode, dan menginterpretasikan informasi tersebut.

Misalnya, penelitian membahas pengalaman petani dalam menghadapi perubahan harga. Hasil wawancara dapat berisi cerita tentang harga, biaya produksi, akses pasar, keluarga, pengalaman bertani, hingga kondisi cuaca. Tidak semua informasi harus dimasukkan ke dalam hasil penelitian. Namun, keputusan untuk mempertahankan atau mengesampingkan informasi harus memiliki alasan yang berkaitan dengan fokus penelitian.

Baca Juga: 4 Contoh Portfolio Data Scientist yang Luar Biasa

2. Melakukan Coding Tanpa Kategori yang Jelas

Coding sering digunakan dalam proses reduksi data. Peneliti memberikan kode tertentu pada potongan data yang memiliki makna atau karakteristik tertentu. Kesalahan dapat terjadi ketika kode dibuat secara acak atau terlalu banyak tanpa adanya hubungan antarkode.

Sebagai contoh, beberapa pernyataan informan tentang sulitnya mendapatkan pupuk dapat diberi kode seperti "pupuk mahal", "pupuk langka", dan "akses pupuk". Jika ketiganya menunjukkan permasalahan yang sama, peneliti dapat mempertimbangkan pengelompokan ke dalam kategori yang lebih luas, misalnya akses input produksi. Kategorisasi yang jelas membantu peneliti melihat pola yang lebih besar dari data.

3. Menganggap Penyajian Data Hanya sebagai Menulis Hasil Wawancara

Kesalahan berikutnya adalah menyajikan seluruh hasil wawancara dalam bentuk narasi panjang tanpa menunjukkan pola atau hubungan antartemuan. Penyajian data seharusnya membantu peneliti memahami data yang telah direduksi. Karena itu, data dapat disusun dalam bentuk tabel, matriks, diagram, maupun narasi yang terstruktur. Contohnya, hasil wawancara dari beberapa informan dapat disusun berdasarkan tema seperti persepsi, pengalaman, kendala, strategi, dan harapan. Cara tersebut akan memudahkan peneliti membandingkan jawaban antar-informan

4. Menarik Kesimpulan Terlalu Cepat

Kesimpulan dalam penelitian kualitatif sebaiknya tidak hanya berdasarkan satu atau dua pernyataan informan. Peneliti perlu melihat keseluruhan data untuk menemukan pola yang konsisten. Kesimpulan sementara juga perlu diperiksa kembali melalui proses verifikasi. Misalnya, seorang informan mengatakan bahwa harga pupuk menjadi kendala utama. Pernyataan tersebut belum tentu mewakili seluruh informan. Peneliti perlu membandingkannya dengan informasi dari informan lain dan sumber data yang tersedia.

Baca Juga: Contoh Implementasi Data Science dalam Keseharian

5. Tidak Melakukan Verifikasi terhadap Kesimpulan

Verifikasi menjadi bagian penting dalam memastikan bahwa kesimpulan penelitian memiliki dasar yang kuat. Kesalahan dapat terjadi ketika peneliti langsung menganggap temuan awal sebagai kesimpulan akhir tanpa melakukan pemeriksaan kembali. Verifikasi dapat dilakukan dengan membandingkan temuan dengan data lain, mengecek kembali catatan lapangan, melakukan triangulasi, atau mendiskusikan interpretasi dengan pihak yang relevan.

Kesalahan dalam analisis dapat memengaruhi kualitas temuan penelitian. Data yang sebenarnya memiliki informasi penting bisa saja terabaikan, sementara kesimpulan yang terlalu cepat dapat menghasilkan interpretasi yang kurang tepat. Penggunaan Model Miles dan Huberman yang baik bukan hanya tentang mengikuti tiga tahapan analisis. Hal yang lebih penting adalah bagaimana peneliti menghubungkan data, kategori, pola, interpretasi, dan kesimpulan secara logis. Melalui pemahaman fungsi setiap tahap, peneliti dapat menggunakan model tersebut sebagai alat analisis yang membantu menghasilkan penelitian kualitatif yang lebih sistematis dan kredibel.

FAQ

1. Apa saja tahapan Model Miles dan Huberman?

Secara umum, model ini mencakup reduksi data, penyajian data, serta penarikan kesimpulan dan verifikasi.

2. Apakah reduksi data berarti menghapus data?

Tidak. Reduksi data merupakan proses memilih, memusatkan perhatian, menyederhanakan, dan mengorganisasi data yang relevan dengan fokus penelitian.

3. Kapan analisis data dilakukan dalam Model Miles dan Huberman?

Analisis dapat dilakukan secara interaktif dan berkelanjutan selama proses pengumpulan data hingga penarikan serta verifikasi kesimpulan, bukan hanya setelah seluruh data terkumpul.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid