Analisis Data Suvery dengan Beragam Statistical Charts di Google Spreadsheet

Hanya dengan menggunakan everyday tools seperti Google Spreadsheet, perpaduan bebagai variasi visualisasi data: mulai dari Pie Chart, Bar Chart, Stacked Bar Chart, Scatter Plot, hingga Boxplot; mampu mendongkrak data survei yang sederhana menjadi analysis report yang strategis.

Dalam dunia data analytics, visualisasi adalah jembatan utama untuk mengomunikasikan wawasan (insight) yang kompleks kepada para pemangku kepentingan (stakeholders). Meski saat ini banyak platform analitik atau business intelligence yang canggih, kita sering melupakan kekuatan tools sehari-hari yang paling mudah diakses, salah satunya adalah Google Spreadsheet. Dengan teknik dan pendekatan yang tepat, Google Spreadsheet mampu menghasilkan statistical chart yang informatif dan intuitif hingga menarik minat stakeholders di tingkat eksekutif atau pembuat kebijakan.

Tanpa perlu coding yang kompleks, beragam grafik statistik di Google Spreadsheet bisa kita manfaatkan untuk mengubah data mentah menjadi data storytelling yang meyakinkan. Di tulisan ini, disajikan beberapa contih grafik statistika deskriptif yang disajikan dari data sebuah kuesioner dalam sebuah studi kasus.

Case Study Mini Research COVID-19 (Katadata Databoks Competition)

Sebagai studi kasus, mari kita bedah sebuah mini research yang menganalisis persepsi dan kecemasan masyarakat terhadap dampak pandemi COVID-19. Menggunakan 69 sampel responden wilayah Jabodetabek dengan metode voluntary sampling, analisis ini mengeksplorasi sentimen masyarakat pada aspek ekonomi, sosial, dan kesehatan. Metode voluntary sampling dipilih karena metode ini merupakan metode yang paling cepat dan memakan biaya yang minimum, cukup dengan menyebarkan kuesioner kepada calon responden yang memenuhi kriteria (Gabor, 2007).

Berikut adalah beberapa cara bagaimana kita bisa memanfaatkan ragam grafik statistika di Spreadsheet untuk mengubah data mentah survei menjadi wawasan (insight) yang berguna untuk perumusan kebijakan.

1. Meninjau Demografi dengan Pie Chart dan Bar Chart

Grafik sebaran Responden Berdasarkan Umur, Daerah Asal, dan Profesi

Langkah paling awal dalam alur Exploratory Data Analysis (EDA) adalah memahami karakteristik populasi responden, seperti yang ditampilkan grafik di atas. Di Spreadsheet, Pie Chart (diagram lingkaran) sangat ideal untuk memvisualisasikan proporsi data kategorikal sederhana. Pada studi kasus ini, pie chart digunakan untuk menunjukkan komposisi daerah asal responden, yang didominasi Kota Depok sebesar 42.4%, dan profesi responden, yang didominasi oleh pelajar/mahasiswa (42.0%) dan karyawan swasta (33.3%). Sementara itu, Bar Chart digunakan untuk memvisualisasikan sebaran umur responden, yang mampu menampilkan distribusi dengan jelas bahwa partisipan banyak terpusat pada kelompok usia 23–28 tahun, disamping kelompok usia 18 tahun yang seakan membentuk “puncak tandingan” yang membuat sebaran terlihat seperti sebaran normal bimodal (memiliki dua puncak).

2. Membedah Skala Likert dengan Stacked Bar Chart

Salah satu tantangan terbesar dalam riset kuesioner adalah memvisualisasikan persepsi yang diukur dengan Skala Likert (rentang 1 hingga 5, dari sangat tidak khawatir hingga sangat khawatir). Menurut Djaali (dalam Helmi et. al, 2016), skala Likert dapat dipergunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok orang tentang suatu gejala atau fenomena. Alih-alih menyederhanakannya menjadi sekadar nilai pemusaran seperti rata-rata atau median, kita dapat memanfaatkan Percentage Stacked Bar Chart di Spreadsheet. Perhatikan grafik di bawah ini.

Tingkat Kecemasan di Aspek dan Sub-Aspek Ekonomi (kiri), sosial (tengah), dan kesehatan (kanan)

Grafik ini memperlihatkan proporsi tingkatan sentimen secara utuh untuk setiap pertanyaan. Contohnya pada aspek ekonomi, visualisasi Stacked Bar membongkar fakta bahwa sub-aspek “Inflasi/Resesi” merupakan variabel yang paling meresahkan; tergambar jelas dari segmen grafik berwarna merah dan merah tua yang mendominasi dengan total 39 responden merasa khawatir atau sangat khawatir. Visualisasi ini juga efektif menangkap pola serupa pada tingginya kecemasan terhadap kerumunan (48) dan higienitas (56).

3. Penentuan Skala Prioritas Menggunakan Scatter Plot (Matriks 9-Box)

Analisis data tidak boleh berhenti pada visualisasi deskriptif sederhana seperti pie chart atau bar chart. Untuk memberikan rumusan strategi penanganan yang tajam, kita dapat memetakan “Tingkat Kecemasan” melawan “Tingkat Kepentingan” menggunakan Scatter Plot yang dimodifikasi membentuk sebuah 9-box matrix , sebuah metode visualisasi strategis yang dipopulerkan oleh GE-McKinsey (2008).

Di Spreadsheet, kita bisa mendesain sumbu X dan Y dari Scatter Plot (dengan rentang skor 1–5) dan membagi area plot menjadi kuadran-kuadran pemisah. Titik-titik persebaran dalam grafik ini membagi sub-aspek ke dalam beberapa kelompok tingkat prioritas yang butuh ditangani segera, misalnya sub-aspek inflasi dan higienitas yang jatuh persis di kuadran level kecemasan tinggi dan level kepentingan tinggi.

Grafik 9-box matrix

Dari grafik tersebut, kita bisa membagi sub-aspek ke dalam tiga kelompok:

• Sub-aspek dengan tingkat kecemasan dan kepentingan tinggi : 2.2, 3.2, 3.3, 4.1, 4.3.
• Sub-aspek dengan tingkat kecemasan sedang namun memiliki tingkat kepentingan tinggi : 2.1, 2.3, 4.2.
• Sub-aspek dengan tingkat kecemasan tinggi namun memiliki tingkat kepentingan sedang: 3.1 (border line).

4. Validasi Uji Signifikansi dengan Grafik Boxplot

Untuk membuktikan hipotesis apakah terdapat perbedaan tingkat kecemasan yang nyata antar segmentasi demografi, data analyst wajib melihat perbandingan distribusi persebaran data antar segmen. Di sinilah grafik Boxplot (box-and-whisker) berperan. Meskipun Spreadsheet tidak memiliki tombol Boxplot standar secara langsung, kita dapat menyiasatinya menggunakan fitur candlestick chart .

Dipadukan dengan pemodelan statistik ordinary logistic regression, Boxplot menyajikan validasi visual yang meyakinkan:

Hasil pengujian dan grafik boxplot untuk kelompok umur di aspek ekonomi

• Pada perbandingan kelompok umur, grafik Boxplot secara meyakinkan menunjukkan bahwa responden berumur >45 tahun memiliki nilai minimum, median, dan maksimum tingkat kecemasan ekonomi yang bergeser jauh lebih tinggi dibandingkan kelompok umur muda, mengingat virus COVID-19 sangat berbahaya di kelompok umur rentan yang memiliki sistem imunitas yang lebih rendah dibandingkan kelompok umur lainnya. Hal ini selaras dengan hasil uji statistik yang signifikan (p-value < 0.05) antara kelompok umur >45 tahun dengan kelompok umur lainnya.

Hasil pengujian dan grafik boxplot untuk kelompok profesi di aspek ekonomi

• Pada perbandingan profesi, Boxplot memperlihatkan bahwa pegawai perusahaan mencatat tingkat kekhawatiran ekonomi yang secara signifikan lebih tinggi dibanding kelompok belum bekerja, yang sangat masuk akal mengingat bayang-bayang isu layoff akibat menurunnya produktivitas dan pendapatan perusahaan sebagai dampak dari physical distancing dan pembatasan sosial berskala besar (PSBB). Hal ini selaras dengan hasil uji statistik yang signifikan (p-value < 0.05) antara responden karyawan perusahaan dengan responden yang tidak bekerja. Sedangkan pada kelompok responden lainnya tidak ada perbedaan yang nyata (p-value > 0.05).

Hasil pengujian dan grafik boxplot untuk kelompok daerah asal di sub-aspek higienitas.

• Pada sub-aspek higienitas, Boxplot tingkat kecemasan responden yang berasal wilayah satelit (luar Jakarta) lebih tinggi, mengingat ketergantungan besar mereka pada transportasi umum seperti kereta komuter (KRL) atau bus rapid transit (BRT) yang berisiko. Hal ini selaras dengan hasil uji statistik yang signifikan (p-value < 0.05) antara responden yang berdomisili di luar jakarta dengan responden yang berdomisili di Jakarta.

Kesimpulan

Studi kasus di atas membuktikan bahwa hanya dengan menggunakan everyday tools seperti Google Spreadsheet, perpaduan bebagai variasi visualisasi data: mulai dari Pie Chart, Bar Chart, Stacked Bar Chart, Scatter Plot, hingga Boxplot; mampu mendongkrak data survei yang sederhana menjadi analysis report yang strategis. Dalam kasus ini, riset berbasis data sebagai penelitian pendahulu (prior research) dapat membantu pembuat kebijakan agar tidak mengambil langkah yang gegabah. Hasil visualisasi data yang baik membantu menyampaikan informasi krusial: bahwa kebijakan tidak bisa ada pukul rata. Kelompok umur rentan, pegawai perusahaan, dan warga kota satelit Jakarta dalam survei ini menjadi contoh bahwa masyarakat membutuhkan sebuah regulasi serta perlakuan khusus dalam menghadapi hantaman krisis pandemi COVID-19 agar kecemasan warga dapat ditangani.

(Tulisan berikut merupakan resume dari karya penulis di ajang Katadata Indonesia Rebound Data Analysis Competition 2020 yang bisa diakses disini)

REFERENSI

Gabor M. R.2007. “Non-probabilistic sampling use in Qualitative Marketing Research. Haphazard sampling.Volunteer sampling”. The Annals of Oradea University, TOME XVI 2007 VOLUME II, pp. 954–958, ISSN1582–5450.

Helmi T., Munjin R. A., Purnamasari I.. 2016. “Kualitas Pelayanan Publik dalam Pembuatan Izin Trayek oleh DLLAJ Kabupaten Bogor”. Jurnal Governansi, Vol. 2 №1, April 2016, pp. 47–69, ISSN 2442–3971.

McKinsey. “Enduring Ideas: The GE–McKinsey nine-box matrix” (https://www.mckinsey.com /business-functions/strategy-and-corporate-finance/our-insights/enduring-ideas-the-ge-and-mckinsey-nine-box-matrix#).