Melampaui “Topeng” Likert: Peta Jalan Pragmatis Menghidupkan Analisis Perilaku Mahasiswa S1
📌 Pembuka: Mengubah Budaya Tanpa Membebani Mahasiswa
Dalam lorong-lorong ruang ujian skripsi program studi Manajemen maupun Ilmu Sosial, terdapat satu ritual yang terus berulang nyaris tanpa variasi: kuesioner berbasis Skala Likert 1–5, pengolahan data melalui perangkat lunak statistik (SPSS, SmartPLS, atau AMOS), dan—sebagai klimaks—pameran nilai p < 0,05 yang diperlakukan seolah-olah ia adalah sertifikat kebenaran absolut.
Di atas kertas, arsitektur penelitian ini tampak rapi. Namun, apabila kita mengupasnya dari kacamata psikologi perilaku, kerap kali tersingkap sebuah tragedi metodologis yang sunyi: kompleksitas dinamika emosi, kognisi, dan perilaku manusia telah digeprek hingga pipih menjadi sekadar barisan angka rata-rata yang kaku dan miskin makna.
Menariknya, kritik ini bukan monopoli ilmu sosial. Dalam literatur pemodelan keputusan manajerial yang justru sangat kuantitatif, Albright dan Winston (2017) telah lama mengingatkan bahwa proses pemodelan yang sehat harus melewati tiga tahap yang tak boleh dilompati: Formulasi (menerjemahkan masalah nyata ke dalam model), Solusi (menyelesaikan model secara matematis), dan Interpretasi serta Analisis Sensitivitas (menganalisis hasil dan menguji ketahanannya terhadap perubahan asumsi). Tahap ketiga—interpretasi—adalah tahap yang paling sering diabaikan dalam skripsi mahasiswa S1, padahal justru di sanalah makna sesungguhnya dari sebuah angka diuji.
Menuntut mahasiswa S1 untuk merombak total instrumen kuesioner di tengah jalan tentu tidak realistis. Namun, membiarkan kebiasaan ini berlanjut tanpa arah perbaikan juga melanggengkan inersia akademis. Yang kita butuhkan adalah peta jalan transformasi yang rasional: menyelamatkan mahasiswa hari ini dengan analisis deskriptif yang lebih kritis, sekaligus membangun standar baru untuk penelitian di masa depan.
1. Skala Likert Skripsi: Antara Kepraktisan dan Jebakan Bias
Likert (1932) merancang skalanya sebagai instrumen pragmatis untuk mengukur attitude secara massal. Di jenjang S1, skala ini sangat populer karena mudah dipahami dan cepat diisi. Namun, ketika dipaksakan untuk mengukur konstruk emosi yang kompleks tanpa pengolahan mendalam, yang terjadi adalah satisficing (Krosnick, 1999): responden sekadar memilih jawaban yang “cukup memadai.”
Skala Likert konvensional juga sangat rentan terhadap Acquiescence Bias—kecenderungan sistematis responden untuk mengiyakan pernyataan demi norma kesopanan kognitif (Paulhus, 1991; Jackson & Messick, 1958). Menjawab “Sangat Setuju” di atas kertas tidak memerlukan keberanian moral, tidak membakar kalori emosional, dan tidak menguras saldo dompet.
2. Studi Kasus Nyata: Intention-Behavior Gap dalam Skripsi
Mari kita lihat kasus nyata dalam skripsi manajemen yang meneliti pengaruh kualitas konten live streaming maraton terhadap niat berdonasi. Hasil uji regresi SPSS menunjukkan rata-rata skor Niat Berdonasi (Y) bernilai sangat tinggi (4,2 dari 5,0) dan signifikan secara statistik (p < 0,001). Di atas kertas, skripsi ini “berhasil.”
Namun, ketika profil demografi responden dibuka, terungkap fakta krusial: 88% responden adalah pelajar/mahasiswa yang belum memiliki penghasilan mandiri.
Secara psikologis, potret ini memotret fenomena Intention-Behavior Gap—jurang lebar antara niat yang diucapkan di kuesioner dan perilaku riil yang sanggup dilakukan (Sheeran, 2002; Sheeran & Webb, 2016). Webb dan Sheeran (2006) menegaskan bahwa perubahan niat tidak otomatis menghasilkan perubahan perilaku, terutama ketika hambatan struktural tidak diukur. Tanpa analisis mendalam, angka tinggi di SPSS tersebut hanyalah niat semu (empty intention).
Mengabaikan salah satu variabel akan menghasilkan angka pajak yang menyesatkan. Demikian pula dalam penelitian perilaku: mengukur “Niat Berdonasi” tanpa memperhitungkan Perceived Behavioral Control (Ajzen, 1991) sama dengan menghitung pajak tanpa memperhitungkan deduksi. Angka yang dihasilkan mungkin “signifikan secara statistik,” tetapi menyesatkan secara substantif.
3. Peta Jalan Transformasi Metodologis: Bertahap dan Terarah
Perubahan standar akademik tidak boleh berhenti pada kompromi yang melanggengkan kebiasaan lama. Kita membutuhkan dua fase tindakan yang membedakan antara “pertolongan pertama untuk sidang hari ini” dan “standar baru untuk masa depan”:
- Tetap izinkan data Likert yang sudah terlanjur dikumpulkan (solusi pragmatis).
- WAJIBKAN Analisis Tabulasi Silang (Crosstab) di Bab IV.
- Tujuan: Membongkar anomali data & melatih critical thinking tanpa drop data.
📌 Prinsip: Tidak menyiksa, tetapi juga tidak membiarkan mahasiswa lulus hanya dengan membaca satu angka rata-rata.
- WAJIBKAN Skala Diferensial Semantik (Osgood) pada proposal baru yang mengukur variabel persepsi, emosi, dan sikap.
- Integrasikan variabel kontrol finansial/perilaku riil dalam kerangka pikir.
- Reorganisasi mata kuliah Metodologi Penelitian di tingkat prodi.
- Tujuan: Memotong bias penelitian sejak dari desain instrumen kuesioner.
📌 Prinsip: Generasi berikutnya tidak boleh mewarisi keterbatasan metodologis generasi sebelumnya.
💡 Mengapa Tabulasi Silang Menjadi Langkah Transisi Terbaik?
- Tidak membuang data. Mahasiswa tidak perlu menyebar ulang kuesioner.
- Teknis SPSS sangat mudah. Cukup klik Analyze → Descriptive Statistics → Crosstabs.
- Logika intuitif. Mahasiswa langsung memahami sebaran persentase per kategori.
- Membuka ruang diskusi. Anomali memaksa mahasiswa berbicara tentang responden sebagai manusia, bukan baris data.
📐 Mengapa Mengubah Instrumen di Masa Depan Sangat Krusial?
Model Likert Tradisional (Rentan Bias):
“Saya merasa tayangan live streaming ini sangat berkualitas sehingga membuat saya berniat menyumbangkan uang saya.”
[1] Sangat Tidak Setuju—[2] Tidak Setuju—[3] Netral—[4] Setuju—[5] Sangat Setuju
Kelemahan: Responden disuapi kalimat ideal yang mengarahkan jawaban.
Model Diferensial Semantik / Osgood (Standar Masa Depan):
“Bagaimana penilaian Anda terhadap kualitas tayangan dan kemantapan niat berdonasi Anda?”
| Dimensi | Kutub Negatif | 1 | 2 | 3 | 4 | 5 | 6 | 7 | Kutub Positif |
|---|---|---|---|---|---|---|---|---|---|
| Konten Tayangan | Membosankan | ○ | ○ | ○ | ○ | ○ | ○ | ○ | Sangat Menghibur |
| Kejelasan Donasi | Mencurigakan | ○ | ○ | ○ | ○ | ○ | ○ | ○ | Sangat Transparan |
| Dorongan Berdonasi | Sangat Ragu | ○ | ○ | ○ | ○ | ○ | ○ | ○ | Sangat Mantap |
Keunggulan: Mengukur kontinum emosi murni di antara dua kutub kata sifat (semantic poles), memaksa responden memetakan posisi perasaannya secara aktif (Osgood, Suci, & Tannenbaum, 1957).
4. Solusi Praktis Fase 1: Perbandingan “Sebelum” vs “Sesudah” Crosstab
❌ SEBELUM Narasi “Template” Mahasiswa
4.3.1 Pengaruh Kualitas Konten Terhadap Niat Berdonasi
“Berdasarkan hasil pengolahan data pada Tabel 4.10, diperoleh nilai rata-rata untuk variabel Kualitas Konten sebesar 4,15 (Kategori Sangat Tinggi) dan variabel Niat Berdonasi sebesar 4,20 (Kategori Sangat Tinggi). Hasil uji t menunjukkan nilai t hitung sebesar 8,520 > t tabel 1,980 dengan nilai signifikansi (p-value) sebesar 0,000 < 0,05. Maka H₁ diterima. Hal ini membuktikan bahwa Kualitas Konten berpengaruh positif dan signifikan terhadap Niat Berdonasi. Nilai R-Square sebesar 0,650 menunjukkan bahwa Kualitas Konten mempengaruhi Niat Berdonasi sebesar 65%, sedangkan sisanya 35% dipengaruhi oleh variabel lain.”
✅ SESUDAH Narasi Kritis Mahasiswa (Setelah Menggunakan Crosstab)
📊 Tabel 4.XX: Tabulasi Silang Kualitas Konten (X) dengan Niat Berdonasi (Y)
| Kualitas Konten (X) | Niat Donasi Rendah | Niat Donasi Sedang | Niat Donasi Tinggi | Total |
|---|---|---|---|---|
| Kategori Rendah | 3 (60,0%) | 2 (40,0%) | 0 (0,0%) | 5 (100%) |
| Kategori Sedang | 2 (8,0%) | 18 (72,0%) | 5 (20,0%) | 25 (100%) |
| Kategori Tinggi | 1 (1,1%) | 8 (9,0%) | 80 (89,9%) | 89 (100%) |
| Total | 6 (5,0%) | 28 (23,5%) | 85 (71,5%) | 119 (100%) |
4.3.1 Pengaruh Kualitas Konten Terhadap Niat Berdonasi
“Hasil tabulasi silang pada Tabel 4.XX menunjukkan bahwa dari 89 responden yang menilai Kualitas Konten pada kategori Tinggi, sebanyak 89,9% (80 responden) memiliki Niat Berdonasi yang juga Tinggi. Temuan ini mengonfirmasi arah hubungan positif antara kedua variabel sejalan dengan hasil uji regresi (p < 0,001).
Diskusi Anomali Data:
Namun demikian, analisis tabulasi silang ini berhasil mengungkap anomali sebesar 10,1% (9 responden) yang menilai Kualitas Konten Tinggi, tetapi Niat Berdonasi mereka berada pada kategori Sedang (8 orang) dan Rendah (1 orang). Temuan anomali ini membuktikan keterbatasan dampak kualitas tayangan: meskipun live streaming dinilai sangat berkualitas dan menghibur, dorongan finansial tetap dibatasi oleh faktor eksternal penonton—seperti ketiadaan alokasi saldo e-wallet pribadi serta pandangan bahwa menikmati konten hiburan tidak wajib diwujudkan dalam bentuk transaksi moneter. Anomali ini sejalan dengan konsep Intention-Behavior Gap (Sheeran, 2002) dan mengindikasikan bahwa variabel Perceived Behavioral Control (Ajzen, 1991) perlu diintegrasikan dalam penelitian selanjutnya.”
🔍 Penutup: Bergerak Meninggalkan Inersia Akademis
Menggunakan Crosstab pada data Likert saat ini adalah langkah pertolongan pertama, bukan tujuan akhir. Kita menggunakannya hari ini agar tidak menyiksa mahasiswa yang sedang berada di ujung masa studi—tetapi kita harus mulai mewajibkan Skala Diferensial Semantik esok hari, agar kualitas penelitian di kampus kita tidak terus-menerus berjalan di tempat.
Inersia akademik—kecenderungan institusi untuk mengulang template lama karena “sudah dari dulu begitu”—adalah musuh yang lebih berbahaya daripada kesalahan metodologis individual. Dalam bahasa pemodelan keputusan, ini adalah bentuk paling berbahaya dari “fitting the textbook models”: memaksakan realitas agar sesuai dengan template yang tersedia, alih-alih membangun model yang sesuai dengan realitas (Albright & Winston, 2017; Gigerenzer, 2004).
Besok, di ruang bimbingan proposal: mahasiswa angkatan baru harus diarahkan menggunakan Semantic Differential sejak awal rancangan instrumennya—karena mereka berhak mendapat alat ukur yang lebih baik daripada yang kita warisi.
Statistik tetap menjadi alat bantu yang berguna. Namun ia harus kembali ke posisi yang semestinya: sebagai senter yang menerangi perilaku manusia, bukan topeng yang menyembunyikan kedangkalan pemahaman kita tentangnya.
📚 Daftar Pustaka
- Agresti, A. (2007). An Introduction to Categorical Data Analysis (2nd ed.). Wiley-Interscience.
- Ajzen, I. (1991). The Theory of Planned Behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.
- Albright, S. C., & Winston, W. L. (2017). Management Science: Modeling, Analysis, and Interpretation (6th ed.). Cengage Learning.
- Cohen, J. (1994). The Earth Is Round (p < .05). American Psychologist, 49(12), 997–1003.
- Gigerenzer, G. (2004). Mindless Statistics. The Journal of Socio-Economics, 33(5), 587–606.
- Jackson, D. N., & Messick, S. (1958). Content and Style in Personality Assessment. Psychological Bulletin, 55(4), 243–252.
- Krosnick, J. A. (1999). Survey Research. Annual Review of Psychology, 50(1), 537–567.
- Likert, R. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology, 22(140), 1–55.
- Osgood, C. E., Suci, G. J., & Tannenbaum, P. H. (1957). The Measurement of Meaning. University of Illinois Press.
- Paulhus, D. L. (1991). Measurement and Control of Response Bias. Dalam Measures of Personality and Social Psychological Attitudes (hlm. 17–59). Academic Press.
- Sheeran, P. (2002). Intention–Behavior Relations: A Conceptual and Empirical Review. European Review of Social Psychology, 12(1), 1–36.
- Sheeran, P., & Webb, T. L. (2016). The Intention–Behavior Gap. Social and Personality Psychology Compass, 10(9), 503–518.
- Tukey, J. W. (1962). The Future of Data Analysis. The Annals of Mathematical Statistics, 33(1), 1–67.
- Webb, T. L., & Sheeran, P. (2006). Does Changing Behavioral Intentions Engender Behavior Change? Psychological Bulletin, 132(2), 249–268.
Catatan: Artikel ini merupakan opini akademik dan tidak dimaksudkan untuk mendiskreditkan metode kuantitatif secara keseluruhan. Skala Likert tetap memiliki validitas dan kegunaannya dalam konteks tertentu. Kritik diarahkan pada praktik penggunaan yang reduksionis dan tanpa refleksi, bukan pada instrumennya itu sendiri. Analogi dari pemodelan keputusan manajerial (Albright & Winston, 2017) digunakan sebagai jembatan interdisipliner untuk memperkuat argumen bahwa interpretasi—bukan sekadar komputasi—adalah inti dari setiap analisis berbasis angka.
Artikel ini membedah secara kritis mengapa instrumen skala likert skripsi sering kali gagal memotret perilaku manusia secara utuh, dan bagaimana solusi pragmatis bisa diterapkan tanpa harus menyiksa mahasiswa yang sedang mengejar tenggat waktu sidang. Karena itu, peta jalan dua fase untuk skala likert skripsi ini bukanlah kompromi: ia menyelamatkan mahasiswa yang sedang sidang hari ini, sekaligus menaikkan standar instrumen untuk angkatan berikutnya. Bagi dosen yang ingin mempercepat workflow bimbingan, saya juga membagikan 50+ prompt NotebookLM source-grounded untuk riset & OBE di kategori Applied AI.