← Kembali

Memahami: Apa yang Layak Dipercaya?

Penjualan sebuah toko turun 20 persen dalam satu bulan. Angka itu terlihat seperti jawaban, padahal ia baru menjadi awal. Apakah pendapatan turun karena jumlah pembeli berkurang, harga berubah, transaksi gagal, atau komposisi produk bergeser? Apakah penurunan itu terjadi pada seluruh toko atau hanya satu kanal? Apakah yang dibutuhkan adalah deskripsi, penjelasan penyebab, perkiraan bulan depan, atau dasar untuk memilih tindakan?

“Menganalisis penurunan penjualan” menyebut topik, tetapi belum menentukan apa yang sebenarnya hendak dipahami. Sebuah dasbor dapat menggambarkan perubahan dengan tepat tanpa menjelaskan penyebabnya. Model dapat menghasilkan prediksi yang baik tanpa menunjukkan apa yang terjadi jika harga sengaja diubah. Penjelasan yang masuk akal juga belum tentu memberi ramalan yang akurat. Ketepatan teknis tidak menyelamatkan jawaban yang diarahkan kepada pertanyaan yang berbeda.[1]

Memahami bukan mengumpulkan sebanyak mungkin informasi tentang suatu topik. Memahami adalah membentuk penilaian yang proporsional tentang keadaan tertentu: apa yang layak dipercaya, sejauh apa, berdasarkan pengamatan apa, melalui asumsi mana, dibandingkan dengan alternatif apa, dan untuk penggunaan apa.

Topik perlu diubah menjadi pertanyaan#

“Penjualan menurun” dapat berarti penurunan pendapatan, jumlah barang, jumlah transaksi, pelanggan aktif, margin, atau kas yang benar-benar diterima. Perbandingannya dapat memakai bulan sebelumnya, bulan yang sama tahun lalu, target, atau kelompok pembanding. Pilihan ukuran dan pembanding dapat menghasilkan cerita berbeda tanpa satu pun perhitungannya harus salah.

Pertanyaan menjadi lebih tajam ketika menyatakan sasaran penilaiannya. “Berapa perubahan jumlah barang yang terjual melalui toko daring selama empat minggu terakhir?” meminta deskripsi. “Apakah gangguan pembayaran menyebabkan penurunan transaksi?” meminta penjelasan kausal. “Berapa penjualan bulan depan jika kebijakan dipertahankan?” meminta prediksi. “Apa yang mungkin terjadi jika biaya pengiriman diturunkan?” meminta perkiraan akibat intervensi. Keempatnya tidak hanya membutuhkan jumlah data yang berbeda; mereka membutuhkan hubungan yang berbeda antara data dan kesimpulan.[1]

Tanpa pembedaan tersebut, data dan metode yang tersedia mudah mengambil alih penyelidikan. Karena catatan transaksi mudah diakses, analisis segera memecah penjualan menurut produk, walaupun masalah sebenarnya mungkin berada pada pembayaran yang gagal. Karena model peramalan sudah tersedia, persoalan diubah menjadi prediksi, walaupun keputusan memerlukan pengetahuan tentang akibat sebuah perubahan kebijakan. Yang dikerjakan akhirnya adalah pertanyaan yang dapat dijawab, bukan pertanyaan yang perlu dijawab.

Pertanyaan awal tidak harus sempurna. Eksplorasi dapat dibutuhkan untuk menemukan sasaran yang lebih baik. Namun eksplorasi perlu dikenali sebagai upaya memperbaiki pertanyaan, bukan diam-diam diperlakukan sebagai jawaban atas pertanyaan kausal atau praktis yang belum dirumuskan.

Penggunaan menentukan apa yang perlu diketahui#

Pertanyaan yang serupa dapat membutuhkan jawaban berbeda ketika penggunaannya berubah. Perkiraan penjualan mungkin dipakai untuk laporan rutin, pemesanan persediaan, kebutuhan kas, atau keputusan menutup satu cabang. Sasaran angka terlihat sama, tetapi akibat kesalahan, tenggat, rentang waktu, tingkat rincian, dan ketelitian yang diperlukan tidak sama.

Dalam pemodelan dan simulasi, tujuan penggunaan dinyatakan karena penilaian kredibilitas model harus dikaitkan dengan keputusan yang didukung, konsekuensi kesalahan, asumsi, validasi, dan ketidakpastian yang tersedia. Model tidak kredibel dalam arti mutlak untuk semua penggunaan.[2] [3]

Penggunaan tidak membuat klaim yang salah menjadi benar. Ia menentukan apa yang harus diwakili, seberapa tepat, kapan jawaban harus tersedia, dan batas mana yang tidak boleh disembunyikan. Ringkasan bulanan dapat benar untuk pelaporan, tetapi datang terlambat untuk memperbaiki gangguan pembayaran hari ini. Rata-rata seluruh toko dapat akurat, tetapi menghapus masalah pada satu cabang yang sedang dipertimbangkan untuk ditutup.

Penggunaan juga memperlihatkan siapa yang dapat dipengaruhi oleh rumusan masalah. Sebuah pertanyaan dapat sangat jelas tetapi hanya mencerminkan kepentingan pihak yang memiliki data atau kewenangan. Karena itu, sebelum analisis dilanjutkan, perlu ditanyakan siapa yang menetapkan sasaran, siapa yang akan menggunakan jawabannya, siapa yang menanggung akibat jika jawabannya salah, dan bagian keadaan mana yang hilang karena cara masalah dirumuskan.

Catatan bukan keadaan itu sendiri#

Setelah pertanyaan dirumuskan, kesalahan berikutnya adalah menyamakan catatan dengan bagian dunia yang hendak dipahami. Keadaan, pengamatan, pengukuran, data, bukti, dan kesimpulan bukan satu hal.

Keadaan adalah bagian dunia yang menjadi sasaran. Pengamatan adalah kontak terbatas dengan keadaan melalui pengalaman, instrumen, kesaksian, atau jejak lain. Pengukuran menghasilkan representasi menurut prosedur, kategori, skala, dan model tertentu. Data adalah hasil yang dicatat atau diolah. Data menjadi bukti ketika dipakai untuk menilai klaim tertentu melalui hubungan yang dapat dijelaskan.[4] [5]

Sebuah sensor pada mesin menunjukkan suhu 85 derajat. Angka itu tidak identik dengan keadaan seluruh mesin. Sensor membaca lokasi dan interval tertentu. Nilainya mungkin merupakan bacaan sesaat, rata-rata beberapa detik, hasil pembulatan, atau keluaran yang telah dikoreksi perangkat lunak. Ia dapat menjadi bukti bahwa suhu di sekitar sensor meningkat, tetapi belum otomatis membuktikan bahwa seluruh mesin terlalu panas atau sistem pendingin gagal.

Pembedaan serupa berlaku pada pengalaman manusia. Laporan seseorang bahwa ia merasakan nyeri merupakan bukti mengenai pengalaman yang dilaporkan. Skala nyeri dapat membantu memantau intensitas dan perubahan, tetapi tidak menangkap seluruh pengalaman atau menetapkan satu penyebab biologis.[6]

Tujuannya bukan meragukan semua pengamatan. Tujuannya adalah mengetahui apa yang diamati, melalui proses apa, bagian keadaan mana yang terwakili, dan bagian mana yang mungkin hilang.

Data menjadi bukti terhadap sebuah klaim#

Data tidak membawa relevansinya sendiri. Bacaan 85 derajat dapat dinilai terhadap klaim bahwa suhu meningkat, pendingin gagal, mesin akan rusak, atau operasi harus dihentikan. Jenis dan kekuatan dukungannya berbeda untuk setiap klaim.

Satu rangkaian suhu dapat menggambarkan perubahan dengan baik tanpa menjelaskan penyebab. Korelasi antara suhu dan beban mesin dapat membantu memprediksi kenaikan berikutnya, tetapi belum menunjukkan akibat jika beban sengaja dikurangi. Sebuah indikator dapat memadai untuk pemantauan walaupun terlalu kasar untuk diagnosis. Karena itu, pertanyaan “apakah datanya cukup?” belum lengkap sebelum disebutkan cukup untuk menilai klaim apa.

Dalam uji klinis, pedoman mengenai sasaran estimasi (estimand) membedakan pertanyaan penelitian, target yang hendak diestimasi, metode estimasi, dan angka yang dihasilkan. Data yang sama dapat menjawab sasaran berbeda ketika populasi, variabel, pembanding, atau cara menangani kejadian setelah terapi dirumuskan berbeda.[7] Prinsip umumnya sederhana: variabel yang tersedia tidak boleh diam-diam menggantikan hal yang sebenarnya ingin diketahui.

Relevansi belum sama dengan keandalan#

Pengamatan dapat relevan tetapi tidak cukup dapat dipercaya. Sensor mengukur suhu, tetapi mungkin tidak terkalibrasi, ditempatkan pada lokasi yang tidak representatif, atau merekam hanya ketika koneksi tersedia. Survei pelanggan berkaitan dengan kepuasan, tetapi dapat hanya memuat orang yang memilih menjawab. Kesaksian membicarakan peristiwa yang tepat, tetapi pemberinya mungkin tidak berada pada posisi untuk melihat bagian yang diklaim.

Pemeriksaan keandalan dapat mencakup asal data, prosedur pengumpulan, kalibrasi, kesalahan pengukuran, data yang hilang, pemilihan sampel, perubahan definisi, dan kemungkinan interferensi. Tidak semua daftar berlaku pada setiap domain. Yang dicari bukan data tanpa kelemahan, melainkan kelemahan yang cukup besar untuk mengubah kesimpulan.[3] [5]

Label “data valid” karena itu terlalu kasar. Yang lebih berguna adalah menyatakan bagian mana yang cukup andal, untuk klaim apa, pada penggunaan mana, dan dengan keterbatasan apa.

Penjelasan perlu menghadapi alternatif#

Sebuah pengamatan tidak hanya dinilai dari kecocokannya dengan satu penjelasan. Ia perlu dibandingkan dengan apa yang mungkin diamati jika penjelasan lain benar. Suhu tinggi cocok dengan dugaan bahwa pendingin gagal, tetapi juga dapat muncul karena beban meningkat, aliran udara terhambat, posisi sensor berubah, atau sensornya bias.

Bukti menguatkan satu hipotesis ketika pengamatan lebih diharapkan jika hipotesis itu benar daripada jika alternatif yang relevan benar. Munculnya penjelasan pesaing dapat menurunkan kekuatan dukungan yang semula tampak besar walaupun data lama tidak berubah.[4] [8]

Tidak seluruh kemungkinan yang dapat dibayangkan harus diperiksa. Alternatif perlu cukup masuk akal untuk mengubah kesimpulan, dan pencariannya mempunyai biaya. Namun penjelasan tidak menjadi kuat hanya karena merupakan satu-satunya yang sempat dipikirkan.

Setiap inferensi juga membawa asumsi penghubung. Dari “sensor mencatat 85 derajat” menuju “mesin terlalu panas” diasumsikan bahwa sensor bekerja, lokasi mewakili bagian yang relevan, skala ditafsirkan benar, dan ambang sesuai dengan jenis mesin. Dari “mesin terlalu panas” menuju “pendingin gagal” dibutuhkan asumsi tambahan. Pengujian ilmiah pun biasanya menguji hipotesis bersama kondisi awal, instrumen, model, prosedur, serta asumsi penolong. Ketika prediksi gagal, alamat kegagalan belum otomatis berada pada hipotesis utama.[8] [9]

Asumsi tidak dapat dihapus seluruhnya. Ia perlu dibuat cukup terlihat agar orang dapat menilai apakah kesimpulan berdiri pada bagian yang kuat atau justru pada penghubung yang rapuh.

Keyakinan perlu sebanding dengan bukti#

Bukti jarang hanya menghasilkan dua keadaan, terbukti atau tidak terbukti. Ia dapat memperkuat klaim, melemahkannya, mempersempit cakupannya, membedakannya dari sebagian alternatif, atau belum cukup informatif untuk mengubah keyakinan. Besarnya perubahan seharusnya sebanding dengan keandalan bukti dan kemampuannya membedakan hipotesis.[8]

Dalam kasus penjualan, data dapat cukup kuat untuk menyatakan bahwa transaksi melalui perangkat tertentu turun, cukup lemah untuk menyimpulkan penyebabnya, dan belum relevan untuk memutuskan apakah harga perlu diubah. Satu kumpulan data dapat memberi kekuatan berbeda terhadap klaim yang berbeda.

Ketidakpastian bukan alasan untuk menganggap semua penjelasan sama mungkin. Sebagian klaim mempunyai dukungan jauh lebih kuat daripada yang lain. Namun rasa yakin juga bukan bukti tambahan. Bahasa kesimpulan perlu mengikuti kekuatan hubungan yang benar-benar diperoleh: “tercatat”, “konsisten dengan”, “mendukung”, “lebih mungkin”, “belum dapat dibedakan”, atau “tidak cukup untuk menyimpulkan” membawa komitmen yang berbeda.

Kapan pemahaman sudah memadai?#

Memahami tidak harus berarti menghapus seluruh ketidakpastian. Suatu penilaian dapat memadai ketika pertanyaan dan penggunaannya jelas, bukti yang menentukan telah diperiksa, alternatif utama telah dibandingkan, asumsi yang material terlihat, dan ketidakpastian yang tersisa dinyatakan secara proporsional.

Kecukupan tetap relatif terhadap penggunaan. Bukti yang memadai untuk memantau perubahan belum tentu memadai untuk menetapkan penyebab. Bukti yang memadai untuk mengambil tindakan perlindungan sementara belum tentu memadai untuk memberi sanksi atau membuat diagnosis final. Ambang tindakan juga melibatkan akibat kesalahan, nilai, hak, dan batas lain yang tidak dapat diselesaikan hanya dengan memperkuat keyakinan.[10]

Karena itu, hasil akhir memahami adalah penyelesaian epistemik sementara, bukan keputusan untuk bertindak. Jejaknya sekurangnya dapat memisahkan:

  1. situasi yang memicu penyelidikan;
  2. pertanyaan dan tujuan penggunaan jawabannya;
  3. keadaan yang hendak diketahui;
  4. apa yang diamati, diukur, dan dicatat;
  5. klaim yang sedang dinilai;
  6. asal serta keterbatasan bukti;
  7. asumsi yang menghubungkan bukti dengan klaim;
  8. penjelasan alternatif yang masih terbuka;
  9. tingkat keyakinan dan batas kesimpulan;
  10. informasi yang dapat membuat penilaian berubah.

Daftar itu bukan formulir wajib. Fungsinya adalah mencegah keadaan, angka, bukti, dan kesimpulan melebur menjadi satu cerita. Setelah apa yang layak dipercaya dinyatakan, pekerjaan berikutnya berbeda: Memilih: Apa yang Layak Dilakukan?.

Referensi#

  1. Shmueli, G. (2010). “To Explain or to Predict?” Statistical Science, 25(3), 289–310. DOI.

  2. National Aeronautics and Space Administration. (2024). NASA-STD-7009B: Standard for Models and Simulations. Sumber.

  3. National Research Council. (2012). Assessing the Reliability of Complex Models: Mathematical and Statistical Foundations of Verification, Validation, and Uncertainty Quantification. The National Academies Press. DOI.

  4. Kelly, T. “Evidence.” Stanford Encyclopedia of Philosophy. Sumber.

  5. Tal, E. “Measurement in Science.” Stanford Encyclopedia of Philosophy. Sumber.

  6. International Association for the Study of Pain. (2020). “IASP Terminology: Pain.” Sumber.

  7. U.S. Food and Drug Administration. (2021). E9(R1) Statistical Principles for Clinical Trials: Addendum: Estimands and Sensitivity Analysis in Clinical Trials. Sumber.

  8. Crupi, V. (2025). “Confirmation.” Stanford Encyclopedia of Philosophy. Sumber.

  9. Hepburn, B., & Andersen, H. (2026). “Scientific Method.” Stanford Encyclopedia of Philosophy, Spring 2026 Edition. Sumber.

  10. Steele, K., & Stefánsson, H. O. (2025). “Decision Theory.” Stanford Encyclopedia of Philosophy, Fall 2025 Edition. Sumber.