Mengkritisi Statistik Manipulatif

Lagi-lagi terjadi lah permasalahan klasik tahunan di negaraku. Untuk kesekian kalinya sekian golongan ngotot dengan sekian versi penanggalan qamariah-nya masing-masing.

***

Bagi kalian yang sudah sempat membaca tulisan saya yang Menyoal Kenaikan BBM, kalian pasti akan menemukan kalimat saya yang menyinggung tentang lembaga survei yang independen. Nah, pada kesempatan ini saya akan mencoba sedikit ngomong tentang objek yang menjadi muasal kesimpulan yang diklaim oleh lembaga-lembaga survei tersebut. Yap, saya akan mencoba ngomong soal statistik.

statistics-stats-backgrounds-wallpapers

Oiya, sebagai pendahuluan, saya ingin kalian tahu pasti bahwa saya tidak berniat menggurui ataupun sok tahu soal statistik. Karena faktanya, mayor saya matematika. šŸ™‚

Sebagian besar isi tulisan ini saya dapatkan dari buku “Elementary Survey Sampling”-nya Richard L. Scheaffer dan wejangan Dr. Anang Kurnia pada kuliah Perancangan Percobaan.

 

***

Dimulai dari definisi

Setiap menemukan istilah baru, yang sebelumnya belum pernah ditemui, mulailah dengan mencari tahu definisinya. Sebab definisi akan menjelaskan apa arti istilah tersebut, memberikan syarat situasi yang harus dipenuhi jika sesuatu itu memerlukan syarat untuk dapat terjadi, dan memberikan batasan berlakunya sesuatu yang didefinisikan. Jadi jika tidak dimulai dari definisi, sangat mungkin terjadi kesalahan penafsiran atas istilah baru yang dimaksud tadi.

Statistik adalah karakteristik yang dimiliki oleh contoh.

Sebagian orang memahami bahwa statistik dan statistika itu adalah dua hal yang sama. Kurang tepat. Mereka tidaklah sama, statistika adalah ilmu yang mempelajari tentang statistik.

Masih ngambang? šŸ˜€

Oke, jadi begini. Statistik itu memang tipikal kata yang tidak bisa dijelaskan hanya dengan mendefinisikan dirinya sendiri. Ia baru akan dapat dipahami saat kita juga mengetahui definisi kata-kata yang menjadi ‘teman’-nya. Atas alasan itulah izinkan saya juga memberikan definisi dari populasi, contoh dan parameter. Mengapa justru populasi yang saya definisikan lebih dulu? Karena definisi contoh hanya dapat dimengerti dengan jelas jika kita sudah memahami definisi populasi.

populasi adalah keseluruhan objek yang menjadi minat kita untuk diambil kesimpulan terhadapnya.

contoh adalah subset atau himpunan bagian dari populasi, yakni sekumpulan objek yang benar-benar diamati untuk diketahui karakteristik yang dimilikinya.

parameter adalah karakteristik yang dimiliki oleh populasi.

Nah, sudah mulai tercerahkan? Kalau belum, silakan simak uraian berikut. šŸ™‚

Seorang ahli gizi ingin mengetahui rata-rata berat badan seorang lansia yang berusia diatas 60 tahun di sebuah provinsi. Karena tidak mungkin ia mencacah satu-per satu lansia di provinsi tersebut dan mendata berat-badannya, maka ia memilih untuk mengambil 100 lansia secara acak dan kemudian ia tanyakan berapa berat badannya. Nah, dari uraian ini yang menjadi populasi adalah seluruh lansia yang berusia di atas 60 tahun. yang menjadi contohnya adalah 100 lansia yang dipilih secara acak dari seluruh daerah di provinsi tersebut, kemudian didata berat badannya. Parameter (yang ingin diduga) adalah rata-rata berat badan seorang lansia. Sedangkan statistiknya adalah data berat badan (yang kemudian dirata-ratakan) lansia yang benar-benar ia (si ahli gizi) dapatkan dari 100 orang lansia tersebut.
Setelah memahami sederhananya apa itu statistik, mari kita menuju ke poin yang ingin saya sampaikan pada tulisan ini.

***

Sekitar lima tahun terakhir, saya sedikit memperhatikan pemberitaan tentang jumlah penduduk miskin di negara kita ini. Membaca artikel di koran maupun menonton berita di TV, suatu ketika saya mendapati pernyataan berikut.

menurut bank dunia, hampir separuh penduduk Indonesia adalah miskin.

dan pada saat yang relatif sama saya juga mendapati yang satu ini

pemerintah mengklaim penduduk Indonesia yang miskin hanya tinggal kurang dari 30%.

Saya kemudian kemudian bingung, mengapa di waktu yang sama ada dua jumlah penduduk miskin Indonesia? Selisihnya jauh pula. Beberapa saat berlalu, saya akhirnya mendapat sedikit pencerahan tentang hal ini.

***

Definisi yang berbeda

Muasal perbedaan ini adalah perbedaan definisi. Yap, seperti yang saya telah kemukakan di awal tulisan ini. Ketidakjelasan pendefinisian rentan sekali menyebabkan kesalahan tafsir. Itulah yang terjadi pada kasus ini. Kata ‘miskin’ tidak didefinisikan dengan jelas. Ketidakjelasan definisi ini kemudian berakibat pada ketidaktunggalan pendefinisian kata ‘miskin’ tersebut.

Secara sederhana dan gamblang, pemerintah (pada klaimnya) mendefinisikan ‘miskin’ berbeda dengan ‘miskin’nya Bank Dunia. Menurut Bank Dunia, seseorang dikatakan miskin apabila penghasilannya dibawah 2 dolar amerika per hari. Ternyata, pemerintah, mendefinisikan ‘miskin’nya dengan ‘hanya’ mereka yang berpenghasilan dibawah 7 ribu rupiah perhari. Terlihat bukan? Melihat kurs yang ada, dua dolar itu jelas-jelas paling tidak sama dengan 18 ribu rupiah (kurs 9000, faktanya detik ini rupiah cenderung terus melemah dan nyaris 10000 per dolar). Jadi jelas saja pemerintah mendapatkan angka yang jauh lebih kecil dari Bank Dunia. -___-

Pemilihan contoh rawan manipulasi

Seperti yang sudah saya sampaikan secara tersirat pada uraian tentang ahli gizi di atas, salah satu sifat utama yang harus dimiliki oleh contoh adalah ia harus dapat merepresentasikan keadaan populasi yang sebenarnya secara keseluruhan. Nah, dalam kaitannya dengan kasus perbedaan jumlah penduduk miskin kita tadi, bisa-bisa saja lembaga survei yang mencadi sumber klaim pemerintah tersebut tidak netral, lalu mengambil contoh yang tidak memenuhi sifat utama contoh tadi. Misalnya saja, daerah yang penduduknya dijadikan contoh (untuk diidentifikasi, miskin atau bukan) adalah hanya lingkungan perumahan yang teratur. Jika demikian, tentu statistik yang dihasilkan akan bias (tidak sesuai dengan kenyataan), karena contoh tidak mewakili keadaan populasi secara keseluruhan (karena pada kenyataan juga terdapat pemukiman kumuh). Pada akhirnya hal ini juga akan mengakibatkan menurunkan angka kemiskinan yang didapat.

representasi bias

representasi bias

***

Akhirnya, saya berharap kita semua bisa lebih bersikap kritis terhadap klaim-klaim statistik seperti ini. Jangan buru-buru percaya begitu saja dengan klaim yang bernada ‘encouraging’. Sebab, seringkali kita akan jadi malas bekerja, memperbaiki diri, jika banyak orang terus memuji.

Iklan

About pararawendy

Once A Dreamer, Always Be The One Lihat semua pos milik pararawendy

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 )

Foto Google

You are commenting using your Google 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 )

Connecting to %s

%d blogger menyukai ini: