Membaca Hasil Statistik

Sebagian besar statistika yang kita konsumsi sehari-hari tidak kita hitung sendiri. Angka itu datang dari berita survei, laporan lembaga riset, infografik media sosial, dan presentasi perusahaan — semua dibuat pihak lain dengan tujuan, sumber daya, dan keterbatasannya masing-masing. Keterampilan menghitung mean atau p-value tidak serta-merta membuat kita pembaca yang baik, karena membaca hasil orang lain menuntut kerangka berpikir tersendiri. Chapter ini menyusun kerangka itu: pertanyaan apa yang diajukan sebelum memercayai sebuah angka, bagian laporan mana yang perlu dibedah, dan bagaimana satu judul berita survei dibaca secara utuh.

Siapa yang Mengumpulkan Data, dan untuk Apa #

Setiap angka lahir dari proses yang punya pemilik. Lembaga statistik resmi seperti BPS menerbitkan angka dengan metodologi yang terbuka; perusahaan survei memiliki klien; lembaga riset memiliki pemberi dana; dan tim pemasaran memiliki target penjualan. Kepentingan tidak otomatis membuat angka salah, tetapi kepentingan menentukan pertanyaan mana yang ditanyakan, kelompok mana yang dijadikan responden, dan hasil mana yang diangkat menjadi judul. Membaca siapa pengumpul data karena itu bukan sikap curiga, melainkan langkah menempatkan angka dalam konteks produksinya. Konflik kepentingan yang tidak diungkapkan — misalnya studi mutu produk yang didanai produsen produk itu — adalah informasi penting bagi pembaca, bukan detail pelengkap.

Ukuran dan Cara Pengambilan Sampel #

Ukuran sampel menentukan presisi, cara pengambilan sampel menentukan keterwakilan — dua peran yang berbeda dan sering tertukar. Sampel 2.000 orang yang diambil secara acak dari populasi jauh lebih bisa dipercaya daripada 200.000 responden formulir daring yang memilih sendiri untuk mengisi, karena yang kedua hanya menggambarkan orang yang aktif, terhubung internet, dan termotivasi mengisi formulir. Materi pada chapter Teknik Sampling di Section Pengumpulan dan Jenis Data telah membahas mekanisme sampling acak dan bias seleksi, jadi di sini kita cukup mengingat intinya: tanyakan dulu bagaimana sampel dipilih, baru tanyakan berapa banyak. Angka n yang besar tanpa pemilihan yang sah hanya menghasilkan estimasi yang presisi untuk populasi yang keliru.

Apa yang Sebenarnya Diukur #

Judul laporan jarang memuat definisi variabel, padahal di sanalah makna angka ditentukan. Kata “puas” bisa berarti skala lima tingkat di atas nilai tertentu, persentase responden yang tidak memilih jawaban negatif, atau jawaban terbuka yang dikodekan tim peneliti. Kata “pengangguran” punya definisi resmi yang berbeda dari pengertian sehari-hari — orang yang berhenti mencari kerja tidak terhitung sebagai penganggur. Pertanyaan survei yang dirumuskan searah (“Seberapa puas Anda dengan layanan kami?”) menghasilkan distribusi jawaban yang berbeda dari pertanyaan seimbang yang memberi opsi negatif bobot yang sama. Karena itu laporan yang baik selalu melampirkan rumusan pertanyaan persisnya, dan pembaca yang baik selalu mencarinya.

Angka Titik atau Interval #

Ketika laporan menyebut “70 persen puas”, angka itu adalah angka titik — satu nilai terbaik dari satu sampel. Chapter Confidence Interval di Section Sampling dan Estimasi telah menunjukkan bahwa setiap estimasi membawa ketidakpastian sampling, dan ketidakpastian itu membesar ketika sampel mengecil. Interval kepercayaan menjadikan ketidakpastian itu terlihat: “70 persen (±3 persen)” dan “70 persen (±9 persen)” adalah dua berita dengan kadar keyakinan yang berbeda jauh. Laporan yang hanya menampilkan angka titik sebenarnya menyembunyikan separuh informasinya.

Bedah Satu Judul: 7 dari 10 Orang Puas #

Sumber berita daring (fiktif) menayangkan hasil survei sebuah aplikasi belanja: “7 dari 10 pengguna puas”. Kita bedah dengan kerangka di atas. Siapa pengumpulnya: tim pemasaran aplikasi itu sendiri, yang punya kepentingan langsung pada angka tinggi. Bagaimana sampelnya: responden mengisi formulir di dalam aplikasi — hanya pengguna aktif yang melihat formulir, dan mereka bebas memilih mengisi atau tidak (self-selection). Apa yang diukur: pertanyaan “Seberapa puas Anda dengan layanan kami?” tanpa opsi jawaban negatif yang setara; “puas” dihitung dari jawaban di atas nilai tengah skala. Berapa n-nya: berita tidak menyebutnya — dan itu sendiri sudah alasan untuk menahan simpulan.

Angkanya pun dibaca dua skenario. Bila survei mengambil sampel acak 1.000 pengguna, interval 95 persen untuk proporsi 0.7 kira-kira 67.2–72.8 persen — cukup sempit untuk menyimpulkan mayoritas. Bila sampel acaknya hanya 100 orang, interval melebar menjadi 61.0–79.0 persen — mayoritas masih bertahan, tetapi ketelitiannya jauh berkurang. Perhitungannya memakai pendekatan interval untuk proporsi:

margin of error ≈ 1.96 × √(p̂ × (1 − p̂) / n)

dengan p̂ proporsi pada sampel dan n ukuran sampel. Pelajaran penting dari contoh ini: interval hanya menutup galat sampling. Bila proses pemilihan respondennya bias — seperti formulir daring di atas — interval secanggih apa pun tidak memperbaikinya, karena bias seleksi berada di luar rumus. Kita hitung lebar kedua interval itu:

import math

p, z = 0.7, 1.96
for n in (1000, 100):
    moe = z * math.sqrt(p * (1 - p) / n)
    print(f"n = {n:4d}: margin of error = {moe*100:.2f} pp -> interval [{(p-moe)*100:.1f}%, {(p+moe)*100:.1f}%]")

Output yang Dihasilkan:

n = 1000: margin of error = 2.84 pp -> interval [67.2%, 72.8%]
n =  100: margin of error = 8.98 pp -> interval [61.0%, 79.0%]

Mari kita bedah blok di atas: proporsi 0.7 dan nilai kritis dua arah z = 1.96 (tingkat kepercayaan 95 persen) ditetapkan tetap, lalu perulangan menghitung margin of error untuk dua ukuran sampel. Pada n = 1.000 hasilnya ±2.84 poin persentase; pada n = 100 melebar tiga kali lipat menjadi ±8.98 poin persentase. Judul “7 dari 10” yang sama memuat dua berita yang berbeda ketelitian — angka titiknya sama, ketidakpastiannya tidak.

Anatomi Laporan Riset dan Survei #

Apa pun penerbitnya, laporan statistik yang sehat punya struktur yang bisa diantisipasi. Tabel berikut memetakan bagian laporan yang lazim dan pertanyaan yang perlu terjawab sebelum bagian itu dipercayai:

Bagian yang paling sering dilewati pembaca — metode dan pembatasan — justru bagian yang paling banyak bicara tentang kualitas angka. Ringkasan yang menarik perhatian dan metode yang teliti kadang tidak searah. Ketika keduanya bertentangan, yang harus menang adalah metode.

Delapan Pertanyaan Skeptis #

Kita rangkum seluruh kerangka di atas menjadi daftar yang bisa dibawa ke laporan apa pun. Delapan pertanyaan berikut tidak menuntut kita menghitung ulang apa pun — hanya menuntut laporan menjawabnya:

1. Siapa yang mengumpulkan dan menerbitkan data, dan apa kepentingan penerbitnya?
2. Berapa ukuran sampel, dan bagaimana sampel dipilih?
3. Populasi siapa yang terwakili — dan kelompok mana yang justru tidak terwakili?
4. Apa definisi variabel yang diukur, dan bagaimana persisnya pertanyaannya dirumuskan?
5. Apakah angkanya titik atau interval, dan berapa ketidakpastiannya?
6. Pembanding apa yang dipakai, dan apakah pembandingnya sebanding?
7. Angka apa yang tidak dilaporkan — n per kelompok, tingkat respons, jumlah non-respon?
8. Kesimpulan mana yang didukung data, dan mana yang melampaui data?

Literasi Statistik dan Kewargaan Digital #

Kebiasaan bertanya di atas bukan hanya urusan analis. Kebijakan publik, kampanye pemilu, dan opini tentang isu kesehatan semakin banyak dibangun di atas angka yang beredar cepat di media sosial; warga yang tidak bisa membaca angka hanya memilih antara memercayai semuanya atau tidak memercayai apa pun. Literasi statistik memberi pilihan ketiga: menimbang bukti secara berjenjang — percaya sebatas yang didukung data, menahan simpulan yang belum, dan menuntut sumber yang lebih baik untuk klaim yang penting. Dalam arti itu, kemampuan membaca hasil statistik adalah kecakapan kewargaan digital yang setara pentingnya dengan memeriksa sumber berita. Latihan bertanya yang terstruktur tersedia pada Khan Academy Statistics & Probability , sedangkan contoh laporan statistik resmi dengan metodologi terbuka dapat ditelusuri di laman BPS .

Kerangka bertanya ini menjadi kerangka kerja untuk seluruh section ini. Pertanyaan pertama yang paling sering dijawab keliru oleh laporan dan media adalah “apakah hasil ini penting” — karena signifikansi statistik kerap dibaca sebagai keberartian praktis. Chapter berikutnya membedah perbedaan keduanya dengan contoh angka yang efeknya identik tetapi kesimpulannya bertolak belakang.