Pendahuluan

Bayangkan Anda sedang membuka media sosial setelah pulang sekolah. Dalam beberapa menit, Anda melihat banyak klaim berbasis angka:

“Minuman ini meningkatkan konsentrasi hingga 80%.”

“Kasus penyakit naik dua kali lipat dalam seminggu.”

“Survei membuktikan 9 dari 10 remaja memilih produk ini.”

“Grafik ini menunjukkan ekonomi memburuk drastis.”

“Obat baru menurunkan risiko sebesar 50%.”

Semua kalimat itu terdengar meyakinkan karena memakai angka. Angka memberi kesan pasti, objektif, dan ilmiah. Tetapi angka tidak otomatis membuat sebuah klaim benar. Angka bisa dipilih, dipotong, dibulatkan, dibandingkan secara tidak adil, atau ditampilkan dalam grafik yang membuat perubahan kecil tampak sangat besar. Karena itu, kemampuan membaca data bukan sekadar kemampuan menghitung. Ini adalah kemampuan berpikir kritis ketika berhadapan dengan angka.

Buku ini ditulis untuk membantu Anda menjadi pembaca data yang lebih cerdas.

Mengapa kita perlu belajar membaca data?

Dalam kehidupan sehari-hari, kita terus membuat keputusan berdasarkan informasi. Sebagian informasi itu berbentuk cerita, sebagian berbentuk gambar, dan sebagian berbentuk angka. Ketika Anda memilih jurusan, membandingkan harga paket internet, membaca hasil survei pemilu OSIS, menilai berita kesehatan, atau melihat grafik cuaca, Anda sedang berhadapan dengan data.

Data adalah catatan tentang sesuatu yang diamati, dihitung, diukur, atau dikategorikan. Contohnya: tinggi badan siswa, jumlah buku yang dipinjam di perpustakaan, suhu udara setiap hari, nilai ujian, jenis transportasi yang digunakan ke sekolah, atau jumlah suara dalam pemilihan ketua kelas. Data bisa berupa angka, seperti “36 siswa”, tetapi juga bisa berupa kategori, seperti “jalan kaki”, “sepeda”, “angkot”, atau “diantar”.

Namun data tidak berbicara sendiri. Manusia mengumpulkan, memilih, membersihkan, meringkas, menggambar, dan menafsirkan data. Karena itu, satu kumpulan data dapat menghasilkan beberapa cerita yang berbeda, tergantung pertanyaan yang diajukan dan cara menyajikannya. Ahli statistik David Spiegelhalter menekankan bahwa belajar dari data selalu melibatkan penilaian terhadap konteks, kualitas data, variasi, dan ketidakpastian, bukan hanya membaca angka akhirnya saja (Spiegelhalter, 2019).

Contoh sederhana:

Di kelas A, nilai rata-rata matematika adalah 78. Di kelas B, nilai rata-ratanya juga 78. Apakah kemampuan kedua kelas pasti sama?

Belum tentu. Mungkin di kelas A sebagian besar siswa mendapat nilai sekitar 75–82. Di kelas B, setengah siswa mendapat nilai sangat tinggi dan setengah lagi sangat rendah. Rata-ratanya sama, tetapi pola datanya berbeda. Jika kita hanya melihat satu angka, kita bisa kehilangan cerita penting.

Itulah inti literasi data.

Literasi data adalah kemampuan memahami, menafsirkan, mengevaluasi, dan menggunakan data secara tepat. “Literasi” biasanya berarti kemampuan membaca dan menulis. Dalam buku ini, literasi data berarti kemampuan “membaca” angka, tabel, grafik, dan klaim berbasis data dengan hati-hati. Bukan untuk menjadi curiga terhadap semua hal, tetapi untuk bertanya dengan lebih baik.

Angka bukan akhir pembicaraan

Banyak orang mengira bahwa jika sebuah pernyataan sudah memakai angka, maka pernyataan itu sudah selesai dibuktikan. Padahal angka justru sering menjadi awal pertanyaan.

Misalnya ada klaim:

“Jumlah pengunjung perpustakaan meningkat 100% bulan ini.”

Kedengarannya besar. Tetapi kita perlu bertanya: meningkat dari berapa menjadi berapa?

Jika bulan lalu ada 2 pengunjung dan bulan ini ada 4 pengunjung, kenaikannya memang 100%, karena jumlahnya menjadi dua kali lipat. Tetapi secara jumlah nyata, kenaikannya hanya 2 orang. Berbeda jika pengunjung naik dari 2.000 menjadi 4.000 orang. Persentasenya sama-sama 100%, tetapi maknanya jauh berbeda.

Di sini kita bertemu dua istilah penting.

Perubahan relatif adalah perubahan yang dibandingkan dengan nilai awal. Contohnya, dari 2 menjadi 4 berarti naik 100% relatif terhadap 2.

Perubahan absolut adalah selisih langsung antara nilai baru dan nilai awal. Dari 2 menjadi 4 berarti naik 2.

Keduanya benar, tetapi menjawab pertanyaan yang berbeda. Masalah muncul ketika seseorang hanya menampilkan perubahan relatif karena terdengar besar, sementara perubahan absolutnya kecil. Dalam bab-bab berikutnya, Anda akan belajar membedakan hal seperti ini dengan lebih terampil.

Contoh lain:

“Risiko terkena suatu penyakit turun 50% setelah memakai produk tertentu.”

Pertanyaan pentingnya: risiko awalnya berapa?

Jika risiko awal 2 dari 100 orang, turun 50% berarti menjadi 1 dari 100 orang. Penurunannya adalah 1 orang per 100 orang. Tetapi jika risiko awal 40 dari 100 orang, turun 50% berarti menjadi 20 dari 100 orang. Dampaknya jauh lebih besar. Pakar komunikasi risiko Gerd Gigerenzer menunjukkan bahwa memahami perbedaan antara risiko relatif dan risiko absolut sangat penting agar orang tidak salah menilai manfaat atau bahaya suatu tindakan kesehatan (Gigerenzer, 2014).

Maka, pembaca data yang baik tidak hanya bertanya, “Angkanya berapa?” tetapi juga, “Angka itu dibandingkan dengan apa?”

Grafik dapat membantu, tetapi juga dapat menyesatkan

Grafik adalah cara menyajikan data dalam bentuk visual. Grafik dapat membantu kita melihat pola lebih cepat daripada membaca tabel panjang. Grafik garis dapat menunjukkan perubahan dari waktu ke waktu. Grafik batang dapat membandingkan beberapa kelompok. Diagram lingkaran dapat menunjukkan bagian dari keseluruhan.

Tetapi grafik bukan cermin yang netral sepenuhnya. Grafik dibuat melalui pilihan: skala sumbu, warna, ukuran, urutan kategori, titik awal, jenis grafik, dan data mana yang dimasukkan atau dikeluarkan. Edward Tufte, salah satu tokoh penting dalam kajian visualisasi data, menekankan bahwa visualisasi yang baik harus membantu pembaca melihat data dengan jelas tanpa hiasan atau manipulasi yang mengganggu penalaran (Tufte, 2001). Alberto Cairo juga menjelaskan bahwa grafik dapat “berbohong” bukan hanya karena datanya palsu, tetapi karena desainnya membuat pembaca menarik kesimpulan yang keliru (Cairo, 2019).

Perhatikan contoh berikut.

Sebuah grafik menunjukkan nilai rata-rata ujian:

• Senin: 76
• Selasa: 77
• Rabu: 78

Jika sumbu vertikal grafik dimulai dari 0, kenaikan dari 76 ke 78 akan terlihat kecil. Tetapi jika sumbu vertikal dimulai dari 75, kenaikan itu bisa tampak sangat curam. Datanya sama, tetapi kesan visualnya berbeda.

Apakah memotong sumbu selalu salah? Tidak selalu. Kadang memotong sumbu dapat membantu melihat variasi kecil dengan lebih jelas. Tetapi jika pemotongan sumbu membuat pembaca mengira perubahan kecil sebagai perubahan besar, grafik itu menyesatkan. Karena itu, membaca grafik berarti membaca data sekaligus membaca cara data itu digambar.

Dalam buku ini, Anda akan belajar melihat grafik bukan sebagai gambar hiasan, melainkan sebagai argumen visual. Grafik seolah berkata, “Lihat, ada pola di sini.” Tugas Anda adalah bertanya, “Apakah pola itu benar-benar didukung oleh data?”

Fakta, data, interpretasi, dan opini

Salah satu kebiasaan penting dalam literasi data adalah membedakan beberapa lapisan informasi. Empat istilah berikut akan sering muncul dalam buku ini.

Fakta adalah pernyataan tentang sesuatu yang dapat diperiksa kebenarannya. Contohnya: “Survei ini melibatkan 500 siswa.” Pernyataan itu bisa dicek dari laporan survei.

Data adalah catatan yang dikumpulkan dari pengamatan, pengukuran, atau kategori. Contohnya: jawaban 500 siswa terhadap pertanyaan “Berapa jam Anda belajar di rumah setiap hari?”

Interpretasi adalah penjelasan tentang makna data. Contohnya: “Sebagian besar siswa dalam survei ini belajar kurang dari dua jam per hari.” Interpretasi harus didukung oleh data, tetapi tetap melibatkan pilihan cara membaca.

Opini adalah penilaian atau pendapat seseorang. Contohnya: “Siswa sekarang kurang disiplin belajar.” Opini bisa saja terinspirasi oleh data, tetapi tidak otomatis terbukti hanya karena ada data.

Mari kita gunakan contoh.

Data survei menunjukkan bahwa 60% siswa di sebuah sekolah belajar kurang dari dua jam per hari. Itu data, jika surveinya benar-benar dilakukan dan dihitung dengan tepat. Seseorang lalu berkata, “Ini membuktikan siswa malas.” Itu interpretasi yang bercampur opini, karena “malas” adalah penilaian yang membutuhkan bukti tambahan. Mungkin siswa memiliki waktu perjalanan jauh, membantu keluarga, mengikuti kegiatan ekstrakurikuler, atau belajar dengan cara lain yang tidak tercatat dalam survei.

Pembaca data yang kritis tidak berhenti pada angka. Ia memperhatikan jembatan antara angka dan kesimpulan.

Ketidakpastian bukan kelemahan

Dalam pelajaran matematika, kita sering mencari jawaban pasti. Tetapi dalam dunia data, banyak jawaban datang bersama ketidakpastian.

Ketidakpastian berarti ada batas pada seberapa yakin kita terhadap suatu angka atau kesimpulan. Ketidakpastian dapat muncul karena data hanya berasal dari sampel, alat ukur tidak sempurna, responden tidak selalu menjawab jujur, definisi berubah, atau keadaan dunia memang berubah dari waktu ke waktu.

Misalnya, sebuah survei terhadap 1.000 siswa SMA memperkirakan bahwa 48% siswa mendukung kebijakan tertentu. Apakah artinya tepat 48% dari semua siswa SMA mendukung kebijakan itu? Tidak. Angka 48% adalah perkiraan berdasarkan sampel. Jika sampelnya berbeda, hasilnya mungkin 46%, 49%, atau 51%. Karena itu survei yang baik sering menyebutkan margin of error atau rentang ketidakpastian.

Ketidakpastian bukan alasan untuk menyerah. Justru dengan memahami ketidakpastian, kita dapat mengambil keputusan dengan lebih jujur. Dalam statistik modern, ketidakpastian adalah bagian utama dari penalaran, bukan gangguan yang harus disembunyikan (Spiegelhalter, 2019).

Contoh sehari-hari:

Prakiraan cuaca mengatakan peluang hujan besok 70%. Jika besok tidak hujan, apakah prakiraan itu pasti salah? Belum tentu. Peluang 70% berarti hujan diperkirakan cukup mungkin, tetapi tidak dijamin. Jika ada banyak hari dengan prakiraan 70%, kira-kira sekitar 70 dari 100 hari semacam itu diharapkan hujan, jika prakiraan tersebut terkalibrasi dengan baik. Ini berbeda dari pernyataan “besok pasti hujan.”

Membaca data berarti belajar hidup dengan jawaban yang kadang berbentuk rentang, peluang, dan tingkat keyakinan.

Otak kita suka jalan pintas

Kita tidak membaca data dengan pikiran kosong. Kita membawa harapan, pengalaman, emosi, dan keyakinan sebelumnya. Kadang itu membantu. Tetapi kadang membuat kita terlalu cepat percaya pada angka yang sesuai dengan pendapat kita, dan terlalu cepat menolak angka yang tidak kita sukai.

Daniel Kahneman menjelaskan bahwa manusia sering memakai jalan pintas berpikir, atau heuristik, ketika menilai informasi. Jalan pintas ini berguna dalam banyak situasi, tetapi dapat menghasilkan bias atau kekeliruan sistematis, terutama ketika kita menilai peluang, risiko, dan bukti yang tidak lengkap (Kahneman, 2011).

Misalnya, jika Anda baru saja melihat berita tentang kecelakaan pesawat, Anda mungkin merasa naik pesawat sangat berbahaya, walaupun data keselamatan transportasi perlu dibandingkan dengan jumlah perjalanan, jarak tempuh, dan jenis risiko lain. Perasaan takut itu nyata, tetapi belum tentu sebanding dengan risiko statistiknya.

Atau, jika Anda sangat menyukai suatu produk, Anda mungkin lebih mudah percaya pada grafik yang menunjukkan produk itu “terbaik”, meskipun grafiknya berasal dari iklan perusahaan yang menjual produk tersebut. Karena itu, literasi data bukan hanya soal rumus. Ini juga soal kesadaran diri: apakah saya sedang membaca data, atau sedang mencari pembenaran untuk pendapat yang sudah saya miliki?

Cara buku ini akan membimbing Anda

Buku ini disusun secara bertahap. Kita mulai dari hal paling dasar: apa itu data, variabel, satuan, dan pertanyaan yang baik. Setelah itu, kita masuk ke skala, persentase, rata-rata, median, sebaran, tabel, dan grafik. Bagian tengah buku akan membantu Anda membongkar grafik menyesatkan, memahami sampel dan bias, serta membaca ketidakpastian. Bagian akhir membahas korelasi dan sebab-akibat, risiko, klaim di media sosial, penelitian sederhana, etika data, dan proyek akhir berupa audit klaim data.

Tujuannya bukan membuat Anda menghafal istilah statistik sebanyak mungkin. Tujuannya adalah membangun kebiasaan berpikir.

Ketika melihat angka, Anda akan belajar bertanya:

Apa yang sebenarnya diukur?

Dibandingkan dengan apa?

Siapa yang mengumpulkan data?

Berapa banyak datanya?

Apakah sampelnya mewakili populasi?

Apakah ada nilai ekstrem?

Apakah grafiknya memakai skala yang adil?

Apakah klaimnya membedakan korelasi dan sebab-akibat?

Apakah risiko yang disebutkan risiko absolut atau risiko relatif?

Apa yang belum diketahui?

Pertanyaan-pertanyaan ini sederhana, tetapi sangat kuat. Banyak kesalahan membaca data terjadi bukan karena orang tidak bisa menghitung, melainkan karena tidak berhenti untuk menanyakan hal dasar.

Sikap yang kita perlukan

Ada dua sikap yang perlu berjalan bersama dalam buku ini.

Pertama, sikap kritis. Kritis bukan berarti selalu menolak. Kritis berarti memeriksa alasan, bukti, dan cara berpikir. Jika sebuah grafik tampak dramatis, kita periksa skalanya. Jika sebuah klaim terdengar terlalu indah, kita periksa sumbernya. Jika sebuah angka terlihat besar, kita cari pembandingnya.

Kedua, sikap rendah hati. Data dapat memperbaiki dugaan kita. Kadang angka menunjukkan bahwa keyakinan awal kita keliru. Pembaca data yang baik bersedia mengubah pikiran ketika bukti yang lebih baik muncul. Sikap ini penting karena tujuan belajar bukan menang debat, melainkan mendekati kebenaran dengan cara yang bertanggung jawab.

Di akhir buku, Anda diharapkan bukan hanya bisa membaca grafik di buku pelajaran, tetapi juga bisa menilai klaim dalam berita, iklan, unggahan media sosial, laporan penelitian sederhana, dan percakapan sehari-hari. Anda tidak harus menjadi ahli statistik untuk mulai berpikir lebih jernih. Anda hanya perlu membangun kebiasaan bertanya, memeriksa, dan membandingkan.

Mari kita mulai dari dasar: apa itu data, apa itu variabel, dan bagaimana merumuskan pertanyaan yang tepat sebelum percaya pada sebuah angka.

References

Cairo, Alberto. How Charts Lie: Getting Smarter about Visual Information. W. W. Norton & Company, 2019.

Gigerenzer, Gerd. Risk Savvy: How to Make Good Decisions. Viking, 2014.

Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.

Spiegelhalter, David. The Art of Statistics: Learning from Data. Pelican Books, 2019.

Tufte, Edward R. The Visual Display of Quantitative Information. 2nd ed., Graphics Press, 2001.