Belajar Statistik : Apa Saja Kekeliruan dalam Penggunaan Metode Statistik?

Penggunaan metode statistika memegang peran penting dalam sebuah penelitian ilmiah. Adanya kehadiran metode statistika bisa digunakan oleh peneliti dalam menyelesaikan masalah-masalah penelitian. Agar penelitian dapat memberikan kontribusi dan bermanfaat bagi khalayak banyak, pemilihan metode statistika yang tepat dalam analisis data sangatlah diperlukan. Pemilihan metode statistika harus memenuhi berbagai asumsi, skala pengukuran yang digunakan, serta disesuaikan dengan permasalahan dan tujuan penelitian. Pemilihan metode statistik paling tidak harus memperhatikan hal berikut seperti variabel yang digunakan (kontinu atau diskrit, gaussian atau bimodal, dll.), informasi tentang proses pengambilan sampel yang digunakan (ukuran sampel, independensi, keacakan, keterwakilan, dll.), serta bagaimana teori dan asumsi yang mendasari dilihat dari jenis penelitian yang digunakan. Ketepatan penggunaan statistika sebagai alat analisis data sangat menentukan keakuratan pengambilan kesimpulan, apabila metode statistika yang digunakan dalam penelitian tidak tepat menyebabkan kesalahan dalam penarikan kesimpulan. Penggunaan metode statistik yang tepat akan mengarah pada interpretasi hasil yang benar, penggunaan pada perubahan kebijakan, serta dapat memberikan kontribusi untuk bidang akademik dan manfaat riset.

Penelitian soal kesalahan-kesalahan dalam penggunaan metode statistik pernah dilakukan. Kesalahan ini timbul biasanya terjadi dari kesalahan dalam mendesain metode statistik yang digunakan (bisa jadi dari metode penentuan sampling), kesalahan dalam mendeskripsikan dan mempresentasikan data, kurang tepat dalam menangani pencilan atau outliers, kesalahan dalam mentransformasi data dan uji kenormalan, kesalahan penerapan uji parametrik dan nonparametrik. Pemicu terjadinya kesalahan dalam pemilihan metode statistik adalah kurangnya dasar pemahaman soal statistik dan penerapannya di berbagai analisis statistik. Contoh ketika peneliti menggunakan uji parametrik pada semua data kuantitatif tanpa memperhatikan tipe data. Beberapa studi eksperimental multifaktorial dipecah menjadi serangkaian studi faktor tunggal, yang menghilangkan hubungan intrinsik atau interaksi antara faktor-faktor dan menyebabkan kesimpulan yang salah. Kesalahan ini biasanya sangat umum terjadi dalam dunia riset. Oleh karena itu, paling tidak sahabat data harus memiliki landasan yang kuat soal statistik agar tidak salah dalam memilih metode statistik. Mari kita cari tahu lebih dalam soal apa saja kekeliruan yang terjadi dalam penggunaan metode statistik. Pada artikel DQLab kali ini, kita akan membahas mengenai kekeliruan peneliti dalam memilih metode statistik. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!

1. Kekeliruan Penggunaan Analisis Regresi Linear Berganda

Kekeliruan yang bisa dibilang œone of the biggest mistakes adalah penggunaan analisis regresi linear berganda. Biasanya analisis regresi linier berganda untuk variabel respon dengan skala pengukuran ordinal (misalnya: sangat tidak puas, tidak puas, puas, sangat puas). Penggunaan regresi linier berganda untuk variabel respon dengan skala nominal (misalnya: tidak setuju, setuju, sangat setuju). Penggunaan regresi linier berganda pada variabel respon maupun variabel prediktor yang masih diukur dalam bentuk indikator-indikator dengan skala likert, atau penggunaan analisis regresi linier untuk variabel prediktor dan variabel respon dalam bentuk kategorik. Kekeliruan lain yang ditemukan adalah pengujian asumsi kenormalan pada variabel-variabel prediktor. Salah satu asumsi yang harus dipenuhi pada analisis regresi linier berganda adalah sisaan yang menyebar normal, seharusnya uji normalitas dilakukan terhadap sisaan bukan variabel independen.

Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik

2. Penarikan Kesimpulan Hanya Berdasarkan Statistika Deskriptif 

Masih ada beberapa riset atau sebuah topik penelitian yang menyimpulkan suatu perlakuan berbeda dengan perlakuan lain hanya berdasarkan nilai rata-rata yang berbeda tanpa diuji dulu kebenarannya secara statistika, atau menyimpulkan suatu perlakuan memberikan hasil yang lebih baik dari yang lain hanya berdasarkan diagram batang. Walaupun secara matematika rata-rata nilai dua perlakuan berbeda, belum tentu kedua perlakuan tersebut memberikan hasil yang berbeda secara signifikan. Biasanya kesalahan seperti ini masih terjadi baik di kalangan peneliti pemula maupun profesional atau sudah berpengalaman. 

3. Kesalahan Interpretasi Analisis Korelasi

Kesalahan dalam melakukan interpretasi analisis korelasi juga tidak sedikit yang menyebabkan salah tafsir atau misinterpretasi. Menyimpulkan tidak ada korelasi antar dua variabel pada saat ditemukan nilai korelasi negatif. Nilai negatif bisa saja menunjukkan ada korelasi/hubungan antara variabel satu dengan yang lain tetapi dalam arah yang berlawanan. Secara teori korelasi bisa bernilai positif apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama atau bernilai nilai negatif apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain dengan arah berlawanan.

4. Kekeliruan Penggunaan Statistik Parametrik

Kekeliruan terakhir dan yang juga sering terbalik adalah salah peletakan dalam penggunaan statistik parametrik. Contoh penggunaan uji Chi kuadrat untuk sampel berukuran kecil. Penggunaan uji-t dua sampel untuk pengamatan dengan skala ordinal. Syarat uji-t adalah sekurang-kurangnya data yang diamati dengan skala rasio. Menggunakan ANOVA tanpa melakukan uji kenormalan atau normalitas dan uji homogenitas varian terlebih dahulu. Jika dalam uji kenormalan dan uji homogenitas varian kedua syarat tersebut tidak dipenuhi lebih tepat menggunakan uji Kruskal Wallis.

Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika

5. Biar Nggak Pusing, Cus Belajar Statistik Bareng DQLab! 

Kini Sahabat Data DQLab sudah tidak perlu khawatir lagi. Karena dengan belajar data science di DQLab sekarang tidak perlu install software lagi. Kamu bisa langsung belajar dari sekarang karena dataset yang telah disediakan sudah sudah terintegrasi dengan live code editor. Biar nggak pusing-pusing banget nih buat belajar statistik, langsung aja yuk. Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id dan lakukan signup untuk dapatkan info-info terbaru serta belajar data science. Nikmati pengalaman belajar data science yang menarik dan cobain berlangganan bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu gratis!

Dapatkan keuntungan-keuntungan yang didapatkan salah satunya tidak perlu install software tambahan. Karena kalian belajar secara langsung terhubung dengan live code editor dari device yang kalian gunakan. Tersedia berbagai macam modul-modul yang terupdate mulai dari free hingga platinum semua dapat diakses jika kamu ingin berlangganan buat akses seluruh modul lengkapnya. Kalian juga bisa mencoba studi kasus penerapan real case industry dan kamu juga diberikan kesempatan mendapatkan job connector dari perusahaan ternama di ranah industri data. Uniknya kamu bisa langsung apply dari akun kamu loh. So, tunggu apalagi, buruan SIGNUP Sekarang ya!

Penulis: Reyvan Maulid