Ketika menemukan sebuah masalah, manusia secara alami mencoba mencari penjelasan.
Penjualan menurun.
“Mungkin karena harga terlalu tinggi.”
Waktu pelayanan meningkat.
“Mungkin karena pegawainya kurang.”
Jumlah keluhan bertambah.
“Mungkin kualitas pelayanan menurun.”
Produktivitas turun.
“Mungkin sistem baru membuat pekerjaan lebih lambat.”
Dugaan seperti ini tidak salah.
Bahkan dalam data analytics dan problem solving, dugaan awal dapat menjadi titik penting untuk memulai analisis.
Masalahnya muncul ketika kita mulai jatuh cinta pada dugaan tersebut.
Kita kemudian mencari data yang mendukungnya.
Membuat grafik yang terlihat sesuai.
Memilih periode yang memperkuat argumen.
Memperhatikan evidence yang sejalan.
Dan tanpa sadar mengabaikan evidence yang menunjukkan kemungkinan lain.
Pada akhirnya, data tidak lagi digunakan untuk mencari jawaban.
Data digunakan untuk membenarkan jawaban yang sudah kita pilih sejak awal.
Inilah salah satu jebakan yang perlu diwaspadai dalam analisis data:
confirmation bias.
Analisis yang baik seharusnya bekerja sebaliknya.
Tujuan analisis bukan membuktikan bahwa dugaan kita benar. Tujuannya adalah menguji apakah dugaan tersebut mampu bertahan ketika berhadapan dengan evidence.
Dugaan Bukan Kesimpulan
Bayangkan data menunjukkan bahwa rata-rata waktu penyelesaian sebuah proses meningkat dari 3 hari menjadi 4,5 hari.
Kita memiliki sebuah observation:
Waktu penyelesaian meningkat 50%.
Kemudian seseorang mengatakan:
“Ini pasti karena jumlah pegawainya kurang.”
Sekarang kita memiliki dugaan.
Tetapi kita belum memiliki kesimpulan.
Dugaan tersebut masih harus diuji.
Mungkin memang benar karena kekurangan pegawai.
Tetapi mungkin juga karena:
volume pekerjaan meningkat,
kompleksitas pekerjaan berubah,
terjadi bottleneck pada satu tahapan,
sistem mengalami gangguan,
terdapat perubahan kebijakan,
distribusi pekerjaan tidak seimbang,
atau beberapa faktor terjadi secara bersamaan.
Karena itu kita perlu membedakan:
Observation → Hypothesis → Evidence → Conclusion
Jangan melompat langsung dari:
Observation → Conclusion
Apa Itu Hipotesis dalam Analisis Data?
Dalam konteks praktis, hipotesis dapat dipahami sebagai penjelasan sementara yang dapat diuji menggunakan evidence.
Misalnya:
Observation:
Waktu penyelesaian meningkat.
Hypothesis:
Peningkatan terjadi karena beban kerja per pegawai meningkat.
Sekarang hipotesis tersebut harus dibuat lebih konkret.
Jika hipotesis benar, apa yang seharusnya terlihat dalam data?
Misalnya:
Jika peningkatan beban kerja per pegawai merupakan penyebab penting keterlambatan, maka unit atau periode dengan rasio beban kerja per pegawai lebih tinggi seharusnya cenderung menunjukkan waktu penyelesaian yang lebih lama.
Sekarang kita memiliki sesuatu yang dapat diperiksa.
Kita dapat mengumpulkan:
jumlah pekerjaan,
jumlah pegawai,
waktu penyelesaian,
periode,
unit,
jenis pekerjaan,
dan variabel lain yang relevan.
Hipotesis mengubah:
“Saya rasa penyebabnya ini.”
menjadi:
“Jika dugaan ini benar, evidence seperti apa yang seharusnya kita lihat?”
Itulah perubahan penting dalam analytical thinking.
1. Mulai dari Observation, Bukan Keyakinan
Analisis sebaiknya dimulai dari apa yang benar-benar diketahui.
Misalnya:
Waktu pelayanan meningkat 32% selama tiga bulan terakhir.
Itu observation.
Kemudian pisahkan dari interpretasi:
“Pegawai kurang.”
Itu belum observation.
Itu adalah dugaan.
Perbedaan ini terlihat sederhana, tetapi sangat penting.
Cobalah menulis dua bagian secara terpisah:
WHAT WE KNOW
dan
WHAT WE THINK
Contoh:
Yang diketahui:
Rata-rata waktu penyelesaian meningkat dari 3,1 menjadi 4,1 hari.
Yang diduga:
Peningkatan mungkin disebabkan bertambahnya beban kerja.
Dengan memisahkan keduanya, kita mengurangi risiko memperlakukan asumsi sebagai fakta.
2. Ubah Dugaan Menjadi Hipotesis yang Bisa Diuji
Dugaan yang terlalu umum sulit diuji.
Contoh:
“Pelayanannya buruk.”
Apa arti buruk?
Lambat?
Banyak kesalahan?
Banyak keluhan?
Tidak selesai?
Sulit diakses?
Hipotesis harus cukup jelas sehingga kita dapat menentukan evidence apa yang dibutuhkan.
Misalnya:
“Peningkatan waktu penyelesaian terutama terjadi karena volume pekerjaan meningkat sementara kapasitas relatif tetap.”
Sekarang kita dapat menguji:
Apakah volume memang meningkat?
Seberapa besar?
Apakah kapasitas tetap?
Apakah periode dengan volume tinggi memiliki waktu penyelesaian lebih lama?
Apakah pola yang sama terlihat pada semua unit?
Semakin jelas hipotesis, semakin jelas pula analisis yang diperlukan.
3. Tentukan Evidence Sebelum Melihat Hasil
Ini salah satu kebiasaan yang sangat membantu mengurangi bias.
Sebelum membuka seluruh hasil analisis, tanyakan:
“Evidence seperti apa yang akan mendukung hipotesis ini?”
Kemudian:
“Evidence seperti apa yang justru akan melemahkannya?”
Misalnya hipotesis kita:
Keterlambatan terutama disebabkan tingginya beban kerja per pegawai.
Evidence yang mendukung mungkin berupa:
unit dengan beban kerja lebih tinggi secara konsisten memiliki waktu penyelesaian lebih lama,
peningkatan keterlambatan muncul bersamaan dengan peningkatan beban,
atau keterlambatan berkurang ketika kapasitas meningkat.
Tetapi tentukan juga evidence yang dapat melemahkan hipotesis.
Misalnya:
unit dengan beban kerja tinggi justru tetap cepat,
keterlambatan terkonsentrasi pada satu tahapan yang tidak berkaitan dengan jumlah pegawai,
atau keterlambatan sudah meningkat sebelum volume pekerjaan bertambah.
Dengan cara ini kita tidak hanya mencari:
“Apa yang membuat saya benar?”
Kita juga mencari:
“Apa yang dapat menunjukkan bahwa saya mungkin salah?”
4. Cari Penjelasan Alternatif
Satu observation hampir selalu dapat memiliki beberapa kemungkinan penjelasan.
Karena itu jangan hanya memiliki satu hipotesis.
Misalnya:
Observation: waktu penyelesaian meningkat.
Kita dapat membuat beberapa kandidat:
H1 — Beban kerja meningkat.
H2 — Bottleneck terjadi pada tahapan tertentu.
H3 — Kompleksitas kasus meningkat.
H4 — Sistem mengalami gangguan atau perlambatan.
H5 — Perubahan kebijakan menambah tahapan proses.
Kemudian bandingkan masing-masing dengan evidence.
Pendekatan ini membantu mencegah kita terlalu cepat mengunci satu penjelasan.
Pertanyaan yang sangat berguna adalah:
“Selain dugaan saya, apa lagi yang dapat menjelaskan pola ini?”
5. Cobalah Membuktikan Diri Sendiri Salah
Ini mungkin terdengar aneh.
Biasanya kita melakukan analisis untuk mencari evidence yang mendukung dugaan.
Namun analytical thinking yang kuat juga membutuhkan usaha untuk mencari kelemahan dugaan sendiri.
Misalnya kita percaya:
“Penurunan penjualan terjadi karena harga naik.”
Jangan hanya mencari:
Apakah harga naik ketika penjualan turun?
Tanyakan juga:
Apakah produk yang harganya tidak naik juga mengalami penurunan?
Apakah kompetitor mengalami pola serupa?
Apakah jumlah pengunjung turun?
Apakah stok tersedia?
Apakah terjadi perubahan musiman?
Apakah channel penjualan tertentu yang sebenarnya bermasalah?
Jika dugaan kita tetap bertahan setelah menghadapi pertanyaan-pertanyaan tersebut, confidence terhadap hipotesis menjadi lebih kuat.
Prinsipnya:
Hipotesis yang baik bukan hipotesis yang tidak pernah ditantang. Hipotesis yang baik adalah hipotesis yang tetap masuk akal setelah diuji dengan evidence yang berusaha menantangnya.
6. Jangan Pilih Data yang Hanya Mendukung Cerita
Bayangkan kita ingin menunjukkan bahwa performa membaik.
Bulan Januari: 70
Februari: 72
Maret: 68
April: 75
Mei: 71
Juni: 80
Jika kita hanya membandingkan Maret dengan Juni:
68 → 80
Kita dapat mengatakan:
“Performa meningkat 17,6%.”
Secara matematika benar.
Tetapi apakah representasinya adil?
Belum tentu.
Mengapa memilih Maret?
Mengapa tidak menggunakan baseline beberapa bulan?
Mengapa tidak melihat tren keseluruhan?
Data dapat benar tetapi framing-nya menyesatkan.
Karena itu periksa:
periode pembanding,
baseline,
segmentasi,
denominator,
dan alasan pemilihan data.
Jangan memilih evidence karena ia menghasilkan cerita yang kita sukai.
Pilih evidence karena relevan terhadap pertanyaan yang sedang diuji.
7. Korelasi Bukan Bukti Penyebab
Misalnya data menunjukkan:
semakin tinggi beban kerja, semakin lama waktu penyelesaian.
Hipotesis kita mendapatkan dukungan.
Tetapi kita belum tentu dapat langsung mengatakan:
“Beban kerja menyebabkan keterlambatan.”
Mungkin terdapat faktor ketiga.
Misalnya unit dengan beban tinggi juga menangani kasus yang jauh lebih kompleks.
Sekarang kompleksitas dapat menjadi faktor penting.
Karena itu ketika menemukan korelasi, lanjutkan dengan pertanyaan:
Apakah ada penjelasan alternatif?
Apakah hubungan konsisten pada berbagai kelompok?
Apakah urutan waktunya masuk akal?
Apakah terdapat confounding factor?
Apakah ada evidence lain yang mendukung mekanisme penyebabnya?
Korelasi dapat memperkuat hipotesis.
Tetapi tidak otomatis membuktikan sebab-akibat.
8. Gunakan Data yang Bertentangan sebagai Evidence Berharga
Ketika menemukan data yang bertentangan dengan hipotesis, jangan langsung menganggapnya sebagai gangguan.
Justru bagian tersebut dapat menjadi sangat berharga.
Misalnya kita menduga beban kerja menyebabkan keterlambatan.
Tetapi satu unit memiliki beban kerja sangat tinggi dan tetap mampu menyelesaikan pekerjaan dengan cepat.
Daripada menghapusnya sebagai outlier, tanyakan:
“Apa yang berbeda dari unit ini?”
Mungkin:
prosesnya berbeda,
pembagian pekerjaannya lebih baik,
menggunakan teknologi tertentu,
memiliki pengalaman lebih tinggi,
atau menerapkan praktik yang belum digunakan unit lain.
Data yang bertentangan tidak selalu merusak analisis.
Kadang justru di situlah insight paling berharga ditemukan.
9. Bedakan “Tidak Terbukti” dengan “Terbukti Salah”
Misalnya kita menguji hipotesis tetapi evidence tidak cukup.
Jangan langsung mengatakan:
“Hipotesis salah.”
Ada perbedaan antara:
Evidence menunjukkan hipotesis salah
dan
Evidence belum cukup untuk mendukung hipotesis.
Mungkin ukuran sampel terlalu kecil.
Mungkin kualitas data rendah.
Mungkin variabel penting tidak tersedia.
Mungkin periode pengamatan terlalu pendek.
Dalam kondisi tersebut, kesimpulan yang lebih tepat adalah:
“Berdasarkan evidence yang tersedia, belum terdapat dasar yang cukup untuk mendukung hipotesis.”
Kalimat ini mungkin kurang dramatis.
Tetapi jauh lebih bertanggung jawab.
10. Gunakan Tingkat Keyakinan, Bukan Kepastian Palsu
Dunia nyata sering tidak memberikan jawaban 100% pasti.
Karena itu hasil analisis dapat dikomunikasikan menggunakan tingkat keyakinan.
Misalnya:
Evidence kuat mendukung...
Evidence cukup konsisten dengan...
Terdapat indikasi bahwa...
Belum terdapat evidence yang cukup untuk...
Temuan awal menunjukkan..., tetapi perlu verifikasi tambahan.
Bahasa seperti ini bukan berarti analis ragu-ragu.
Justru menunjukkan bahwa kekuatan kesimpulan disesuaikan dengan kekuatan evidence.
Dari Dugaan Menuju Kesimpulan
Gunakan alur sederhana:
Observation → Question → Hypothesis → Evidence → Test → Alternative Explanation → Conclusion
Observation
Apa yang benar-benar terlihat?
Question
Apa yang ingin kita pahami?
Hypothesis
Apa kemungkinan penjelasannya?
Evidence
Data apa yang dibutuhkan untuk mengujinya?
Test
Apakah evidence mendukung atau melemahkan hipotesis?
Alternative Explanation
Apa penjelasan lain yang mungkin?
Conclusion
Penjelasan mana yang paling sesuai dengan evidence yang tersedia?
Dengan alur ini, analisis tidak lagi menjadi proses mencari pembenaran.
Analisis menjadi proses menguji penjelasan.
Contoh Praktis
Bayangkan sebuah organisasi menemukan:
Waktu proses meningkat 32%.
Dugaan awal:
“Pegawai kurang.”
Jangan langsung mengusulkan penambahan pegawai.
Bangun hipotesis:
H1: peningkatan beban kerja per pegawai merupakan penyebab utama keterlambatan.
Kemudian kumpulkan:
jumlah pekerjaan,
jumlah pegawai aktif,
waktu proses,
jenis pekerjaan,
tahapan proses,
dan periode.
Setelah dianalisis, ternyata:
volume pekerjaan hanya meningkat 5%,
jumlah pegawai relatif tetap,
tetapi 68% tambahan waktu tunggu muncul pada satu tahap persetujuan tertentu.
Sekarang dugaan awal melemah.
Muncul hipotesis baru:
H2: bottleneck pada tahap persetujuan merupakan kontributor utama peningkatan waktu proses.
Analisis dilanjutkan.
Inilah manfaat hypothesis-driven analysis.
Tanpa proses tersebut, organisasi mungkin langsung menambah pegawai.
Padahal akar masalahnya berada pada alur proses.
Confirmation Bias dalam Data Analytics
Confirmation bias terjadi ketika kita lebih mudah menerima informasi yang mendukung keyakinan dan cenderung mengabaikan informasi yang bertentangan.
Dalam analytics, bias ini dapat muncul ketika kita:
memilih periode tertentu,
mengabaikan outlier yang tidak sesuai,
menggunakan satu indikator,
mengubah segmentasi sampai mendapatkan pola yang diinginkan,
atau berhenti mencari setelah menemukan evidence yang mendukung.
Masalahnya adalah tools modern membuat hal tersebut semakin mudah.
Dengan Excel, Python, BI tools, dan AI kita dapat mencoba puluhan kombinasi analisis dengan sangat cepat.
Jika tidak disiplin, cepat atau lambat kita mungkin menemukan grafik yang mendukung hampir semua cerita.
Karena itu metodologi dan reasoning menjadi semakin penting ketika tools semakin powerful.
Bagaimana AI Seharusnya Digunakan?
AI dapat menjadi partner yang sangat berguna untuk menguji hipotesis.
Bukan hanya meminta:
“Cari evidence yang mendukung hipotesis saya.”
Tetapi juga:
“Apa penjelasan alternatif dari temuan ini?”
“Evidence apa yang dapat melemahkan hipotesis ini?”
“Variabel apa yang mungkin menjadi confounding factor?”
“Apa yang belum saya periksa?”
“Apa keterbatasan kesimpulan ini?”
Dengan cara tersebut, AI tidak hanya menjadi mesin pembenaran.
AI digunakan sebagai alat untuk menantang reasoning kita sendiri.
Namun keputusan akhir tetap membutuhkan pemahaman terhadap data, konteks, dan kualitas evidence.
Hypothesis-Driven Analysis Tidak Harus Rumit
Kata hypothesis testing sering membuat orang membayangkan rumus statistik yang kompleks.
Padahal cara berpikir berbasis hipotesis dapat digunakan bahkan dalam analisis sederhana.
Misalnya:
Observation: keluhan meningkat.
Hypothesis: kenaikan terjadi karena kanal pengaduan baru.
Expected Evidence: proporsi keluhan melalui kanal baru meningkat signifikan sementara kanal lama relatif stabil.
Kemudian periksa data.
Jika pola tersebut terlihat, hipotesis mendapatkan dukungan.
Jika tidak, cari penjelasan lain.
Untuk keputusan yang membutuhkan tingkat kepastian lebih tinggi, kita dapat melanjutkan dengan metode statistik seperti confidence interval, significance testing, effect size, eksperimen, atau desain evaluasi yang lebih kuat.
Tetapi fondasinya tetap sama:
buat dugaan yang dapat diuji dan biarkan evidence menantangnya.
Jangan Bertanya “Bagaimana Membuktikannya?”
Ketika memiliki dugaan, kita sering bertanya:
“Data apa yang bisa membuktikan saya benar?”
Coba ubah pertanyaannya menjadi:
“Data apa yang saya perlukan untuk mengetahui apakah dugaan ini benar atau salah?”
Perubahan kalimatnya kecil.
Tetapi perubahan cara berpikirnya besar.
Pertanyaan pertama mencari pembenaran.
Pertanyaan kedua mencari pemahaman.
Dan tujuan analytics seharusnya adalah yang kedua.
Understand → Evidence → Analyze → Solve → Improve
Hypothesis-driven analysis sangat sesuai dengan alur problem solving berbasis evidence.
Understand
Pisahkan apa yang diketahui dari apa yang baru diduga.
Evidence
Tentukan data yang dibutuhkan untuk menguji dugaan.
Analyze
Cari evidence yang mendukung sekaligus menantang hipotesis.
Solve
Pilih tindakan berdasarkan penjelasan yang paling sesuai dengan evidence.
Improve
Ukur hasil tindakan dan gunakan evidence baru untuk memperbarui pemahaman.
Dengan pola tersebut, keputusan kita tidak bergantung pada siapa yang paling yakin berbicara.
Keputusan semakin didasarkan pada evidence yang dapat diperiksa.
Kesimpulan
Memiliki dugaan bukan masalah.
Justru dugaan sering menjadi awal analisis yang baik.
Yang berbahaya adalah ketika kita memperlakukan dugaan sebagai kesimpulan lalu menggunakan data hanya untuk membenarkannya.
Gunakan alur:
Observation → Question → Hypothesis → Evidence → Test → Alternative Explanation → Conclusion
Pisahkan fakta dari asumsi.
Buat hipotesis yang dapat diuji.
Tentukan evidence yang mendukung maupun melemahkan.
Cari penjelasan alternatif.
Periksa data yang bertentangan.
Jangan menyamakan korelasi dengan sebab-akibat.
Dan sesuaikan kekuatan kesimpulan dengan kekuatan evidence.
Karena tujuan data analytics bukan membuat kita terlihat benar.
Tujuannya adalah membantu kita menjadi lebih benar daripada sebelum melihat evidence.
Jadi ketika memiliki dugaan, jangan bertanya:
“Data apa yang dapat membuktikan saya benar?”
Tanyakan:
“Evidence apa yang saya perlukan untuk mengetahui apakah dugaan saya benar atau salah?”
Jangan gunakan data untuk membenarkan dugaan.
Gunakan data untuk mengujinya.
ArrezaMP — Data Analytics • Problem Solving • Digital Solutions
0 Komentar