Catatan Neser

Kuliah 4 tahun di sebuah jurusan yang identik dengan “data”, ternyata tidak membuat saya benar-benar paham dengan “data” ketika lulus menjadi sarjana. Ketika kuliah kita dikenalkan bahwa tentang pengertian data, jenis data, cara pengumpulan data, sampai ke analisa data baik yang sederhana maupun yang tingkat lanjut sampai ke proyeksi.

data/da·ta/ n 

1 keterangan yang benar dan nyata: pengumpulan — untuk memperoleh keterangan tentang kehidupan petani; 

2 keterangan atau bahan nyata yang dapat dijadikan dasar kajian (analisis atau kesimpulan);

Sumber : Kamus Besar Bahasa Indonesia (KBBI)

Tapi, ketika masuk ke dunia kerja, ternyata data tidak sesederhana itu. Ruwet. Rumit. Apalagi saat ini, kita sudah masuk di era big data, data bertambah banyak dan berserakan. Memahami rumitnya data, sebaiknya kita mulai tahap demi tahap, dari penentuan data yang digunakan sampai proses analisa data menjadi bermakna.

Butuh Data Apa?

Ketika ada mahasiswa ataupun pihak lain yang datang untuk meminta data baik datang ke kantor, melalui WhatsApp ataupun email, pertanyaan yang selalu saya ajukan?

Butuh data apa? Variabelnya apa? Datanya bulanan atau tahunan? Kedalaman wilayahnya seperti apa? Datanya digunakan untuk apa?

Lucunya, seringkali saya mendapatkan jawaban berupa judul penelitian yang akan dilaksanakan. Kenapa harus sedetail itu? Bukannya itu malah meribetkan publik? Data yang tidak sesuai tentu juga tidak akan bisa menjawab kebutuhan. Jika data yang dibutuhkan memang tidak tersedia, saya akan menawarkan data lain yang sejenis, tentu saja dengan memberikan informasi detail tentang jenis datanya, definisinya sampai proses pengumpulannya.

Tidak semua orang butuh data sifatnya realtime, tidak semua orang butuh data periode bulanan, dan tidak semua data yang sifatnya bulanan akan memenuhi kebutuhan analisa. Ada data yang sifatnya kumulatif tiap bulan, ada data yang sifatnya memang dihitung per bulan. Bagi perangkat daerah, data yang sifatnya bulanan tentu saja berfungsi untuk melihat progres kinerja, tapi data dalam bentuk indeks yang membandingkan satu daerah dengan daerah lain, perangkat daerah dengan perangkat daerah lain tentu saja harus menggunaan cut off waktu yang sama, misalkan tahunan. Bagi sebagian mahasiswa, data tahunan saja cukup untuk menjadi data yang masuk ke dalam latar belakang penelitian, tapi bagi mahasiswa statistika misalnya, data sifatnya bulanan, dan kedalaman sampai level terendah tentu saja akan mempermudah dalam analisa statistika yang lebih rumit.

Bingung kan? Kadang saya suka bingung juga kalau disuruh jelaskan. Wkwkwkwk. Menurut saya, dengan komunikasi dua arah dalam pemenuhan data ini akan lebih memuaskan bagi publik.

Susahnya Pengumpulan Data

Banyak pengguna data masih suka bertahta di menara gadingnya, tidak memikirkan bagaimana data dikumpulkan, yang penting ada hasilnya. Contoh gampangnya, sekarang Sensus Ekonomi 2026. Banyak utas di media sosial keluhan petugas lapangan dalam mendapatkan data untuk sensus ekonomi.

Di lingkup perangkat daerah, sebagian data sudah dikumpulkan melalui sistem informasi, meskipun tidak sedikit pula yang dikumpulkan secara manual. Sistem informasi pun juga tidak kalah ruwetnya, di urusan kesehatan, puluhan sistem informasi harus diinput di puskesmas, di sela-sela tugas utama tenaga kesehatan melakukan pelayanan.

Tugas pertama saya di mata kuliah Praktikum Statistik, adalah mencatat kendaraan yang datang ke SPBU. Tidak hanya jumlahnya, tetapi juga jenis kendaraannya. Dan itupun seharian, karena ingin melihat tren kunjungan per jam. Iya, pelajaran dasar bagi mahasiswa Statistik adalah mengumpulkan data. Biar tahu bahwa data-data yang kita gunakan untuk analisa itu berasal dari proses yang tidak sederhana.

Analisa dan Visualisasi Data

Apalagi kalau sudah masuk analisa data, tentu saja tidak semudah itu. Analisa yang akan kita gunakan tentu saja sesuai dengan kebutuhannya. Analisa deskriptif memang terkesan paling mudah, tapi kita tetap butuh pengetahuan, pengalaman dan jam terbang agar analisa deskriptif lebih bermakna. Meskipun cuma gambar diagram batang, diagram lingkaran, tapi jika kita bisa menganalisa dengan bagus dibandingkan analisa lebih lanjut yang tidak tepat.

Tidak semua analisa statistik yang lanjut itu lebih baik, karena belum tentu semua ornag bisa melakukan analisa statistik secara tepat. Masih banyak saya lihat beberapa penelitian yang menggunakan analisa statistik tanpa memperhatikan asumsi statistik, banyak juga yang asal menggunakan analisa statistik tanpa interpretasi yang benar.

Begitu juga untuk visualisasi data untuk dashboard. Apakah untuk pimpinan kita harus menampilkan data yang detail? Tentu saja, tergantung kebutuhan dan kebiasaan dari pimpinan. Kalau memang orangnya detail, bisa disiapkan yang detail. Tapi, untuk data yang sifatnya intervensi detail, mungkin hanya dikonsumsi oleh level pelaksana atau eksekutor.

Ini pertama kalinya menulis panjang di blog setelah beberapa tahun vakum. Saya menyadari tulisan saya ini amburadul, ruwet, tidak terstruktur. Sama seperti pikiran saya yang ruwet mengelola data selama 4 tahun terakhir. Tapi, ini sebagian kecil usaha saya agar kemampuan berpikir saya tidak tergantikan oleh AI. Ya meskipun kalau bikin ilustrasi saya butuh AI, karena kemampuan design saya yang minim.