Analisis Data Lapangan 101

Dari sekian banyak hal yang bisa disyukuri dari pekerjaan saya sekarang, satu hal yang paling seru adalah kesempatan belajar sebanyak mungkin di tempat ini. Sedikitnya orang di kantor membuat saya mau tidak mau mengerjakan banyak hal — yang bahkan mungkin tidak termasuk dalam deskripsi kerja saya. Namun, dari situlah kesempatan belajar banyak hal datang.

Nah, hari Minggu yang lalu saya diberikan kesempatan untuk belajar dasar analisis data dari salah seorang profesor dari Harvard. Saya melajukan mobil menuju hotel di bilangan Keramat melalui guyuran hujan Jakarta. Untungnya, jalanan sedang cukup lengang saat itu.

Kontribusi 20-80

Pengalaman beliau yang sudah mengerjakan banyak proyek di berbagai belahan dunia menunjukkan bahwa 80% kesalahan yang ada dalam suatu proyek berasal dari 20% anggota tim! Tidak semua perusahaan mengalami hal seperti ini, tapi di kebanyakan kasus, rule of thumb ini bisa berlaku. Lalu, bagaimana mengatasinya?

Seperti halnya sebuah tim sepakbola, tim yang sukses tidak selalu bertabur pemain bintang. Nyatanya, kita hanya memerlukan satu-dua pemain bintang yang menunjukkan kinerja terbaiknya, sedangkan sisanya hanya perlu memastikan bahwa mereka tidak melakukan kesalahan yang berarti. Itulah sebabnya tim seperti Yunani pada Euro 2004 atau FC Porto pada Champions League 2003-2004 berhasil mencapai puncak kejayaan mereka. “Disiplin” menjadi kata kunci yang penting di sini.

Frequency Check

Kalau begitu, bagaimana cara termudah untuk mengetahui kedisiplinan orang lapangan jika kita tidak selalu bisa berada di lapangan? Dengan kecanggihan teknologi yang ada, kita bisa melihat secara langsung data hasil survei yang dilakukan. Frequency check terhadap data yang masuk lah yang kemudian menjadi kunci bagi masalah ini.

Sederhananya, frequency check adalah pemeriksaan pola sehingga kasus-kasus yang abnormal bisa lebih mudah diidentifikasi. Misalnya, dilakukan pengelompokan nama depan beserta jumlahnya. Dari situ, kita bisa melihat apakah variasi nama yang ada tinggi atau tidak. Nama “Muhammad” sangat mungkin mempunyai beberapa macam penulisan, misalnya “Mohammad”, “Muhamad”, “Mohamed”, atau ada juga yang menuliskannya “Mochammad”. Nah, jika ternyata frekuensinya “Muhammad” sangat banyak, tapi ternyata variasi yang lainnya sangat sedikit atau bahkan tidak ada, kita boleh mencurigai bahwa orang lapangan kita tidak menanyakan perihal pengejaan nama. Namun, jika ternyata terlalu bervariasi, bisa jadi banyak kesalahan ketik (typo) ketika mengisikan jawaban survei.

Contoh lain, jika ada pertanyaan yang menggunakan algoritma — e.g. langsung ke pertanyaan 3 jika jawabannya “tidak”, maka kita patut curiga ketika perbandingan jawaban “tidak” dan “ya” sangat timpang. Artinya, mungkin saja orang lapangan sengaja mengarahkan orang yang diwawancarai untuk menjawab “tidak”. Boleh jadi, orang lapangan kita ini menggunakan asumsinya ketika mengisikan jawaban survei — e.g. “Ah, orang ini kayaknya sehat-sehat saja, jadi saya jawab “tidak” saja untuk riwayat penyakit diabetes.”

Digit Check

Indikator yang satu ini, biasanya digunakan ketika survei membutuhkan jawaban yang merupakan hasil pengukuran — e.g. tinggi, berat badan. Karena mengukur biasanya merepotkan, ada kecenderungan untuk melakukan estimasi dan pembulatan ketika mengisikan kolom yang sifatnya seperti ini. Maka, jangan heran ketika kita menemukan banyak angka ‘0’ dan ‘5’ pada angka satuan dari hasil pengukuran.

Digit check biasanya dilakukan pada angka satuan dari hasil pengukuran. Namun, untuk angka yang mencapai ratusan, misalnya saja tinggi, digit check juga dapat dilakukan pada puluhan. Demikian seterusnya. Nah — sedikit keluar dari pembicaraan — digit check tidak dilakukan pada digit yang paling signifikan karena ada yang disebut sebagai Benford’s Law.

Penanganan

Pemaparan singkat di atas sebetulnya sudah dapat banyak membantu. Masalahnya sekarang, kalau kasusnya sudah ditemukan, apa yang harus dilakukan?

Well, meski dikatakan sebelumnya bahwa kita “patut” atau “boleh” curiga terhadap orang lapangan, harus selalu ada crosscheck yang dilakukan. Batasannya, hanya curiga, bukan menjadi tuduhan. Bicarakanlah dengan baik-baik, cari tahu apa yang sebenarnya terjadi di lapangan.

Di sisi lain, ada baiknya kita melakukan pencegahan terjadinya pemalsuan data sejak dini. Caranya adalah dengan menjelaskan dalam kontrak hal-hal yang dapat memutuskan hubungan kerja — i.e. pemalsuan data. Ditambah lagi, kita dapat mengadakan ujian di akhir pelatihan sebelum penugasan di lapangan yang dengan jelas menanyakan apa saja hal yang dapat memutuskan hubungan kerja tersebut. Dengan begitu, tidak ada lagi alasan “tidak tahu” ketika hal yang tidak diinginkan tersebut terjadi.

Satu hal yang penting untuk diingat adalah bahwa yang kita hadapi adalah orang lain. Artinya, perlu ada cara-cara yang baik ketika menyampaikan kesalahan mereka. Jaga profesionalisme, tetapi tetap pertimbangkan sisi manusianya. Pemecatan satu-dua orang itu sangat wajar, daripada kita memaksakan kehendak untuk mempertahankan, tetapi ternyata malah membawa keburukan yang menyusahkan lebih banyak orang.

Lakukan yang terbaik sebelum semuanya terlambat.

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s