Ini adalah cerita mengenai evolusi sudut pandang yang didapatkan dari pengalaman melakukan riset. Saya bagi kedalam 3 tahapan yaitu permulaan, menganalisis data, dan teorisasi hasil penelitian. Sudut pandang itu ternyata terus berubah seiring dengan apa yang kita hadapi. Dan mungkin itu bisa menjadi refleksi memilih dan memilah apa saja yang harus kita ‘makan’ untuk kebutuhan otak kita. Begini evolusinya.

Permulaan. Di permulaan riset tepatnya disaat diskusi-diskusi awal. Di bulan pertama hingga bulan keenam dimana belum tau sama sekali mau melakukan apa secara rinci. Yang diketahui adalah saya ingin menggabungkan 3 teori untuk menjelaskan suatu fenomena. Ide-ide bombastis muncul dengan menggunakan kosakata-kosakata yang bombastis juga. Kata besar itu seperti keberlanjutan, resilience, keadilan dan seterusnya. Rasanya kita memiliki gawe besar yang harus dikerjakan. Gawe besar itu harus kita operasionalkan, namun karena asumsi-asumsi dasar teori belum dikuasai secara utuh maka kosakata-kosakata yang dikeluarkanpun juga bombastis. Besar dan sangat luas. Di riset saya sendiri, dulu saya ingin menggabungkan metode penilaian risiko banjir dengan menambahkan 1 unsur yaitu property right. Wow.. besar sekali. Kalo itu berhasil mungkin saja akan menjadi pendekatan atau mungkin justru teori baru yang benar-benar fresh from the oven. Itu adalah masa-masa dimana realitas belum dihadapi. Realiltas itu yang kemudian bisa ditunjukkan oleh data. Sebarannya seperti apa hingga karakternya yang cukup unik. Data memiliki perilaku, dan sebaiknya kita mengikutinya bukan sebaliknya.

Menganalisis data. Ada seseorang yang pernah berkata kurang lebih begini: penelitian kuantitatif lebih gampang, sudah banyak toolsnya tinggal click kiri dan click kanan mouse nanti keluar hasilnya di SPSS atau mungkin yang menggunakan GIS ya pasti sudah keluar gambar petanya. ‘Tidak usah diambil hati’, tidak salah sepenuhnya kok. Kenyataanya kan memang keyboard dan mouse sebagai hardware utamanya. Sedangkan yang diolah ya macam-macam bisa angka, bisa kata, bisa citra. Namun dibalik itu semua, ada kenyataan yang harus dihadapi yaitu karakter data. Saya selalu mengatakan bahwa data memiliki perilaku yang cukup khas. Saya ambil contoh data spasial dikala diperlakukan sebagai data non spasial maka akan menghasilkan pemodelan yang benar-benar tidak sempurna entah ditunjukkan oleh R-square atau AIC. Saya pernah melakukan ujicoba atas data spasial yang cukup besar memiliki lebih dari 30 variabel kemudian saya regresi tanpa memperhatikan efek spasial. Yang saya dapatkan adalah model tidak bagus. Kemudian yang saya lakukan adalah menghilangkan multicollonearity seperti prosedur pada umumnya. Hasil yang didapatkan juga tidak bagus, mungkin karena variabel terlalu banyak (30 lebih variabel). Prosedur selanjutnya dilakukan yaitu melakukan analisis PCA (Principal component analysis) agar mengelompok kemudian membentuk variabel baru. Itupun ternyata tidak memberikan hasil yang memuaskan. Tahap akhir adalah saya mempertimbangkan efek spasial dengan memberikan bobot spasial dan itulah yang memberikan makna. Ini adalah penjelasan mengenai data itu memiliki perilaku yang harus kita pahami.

Di kala menganalisis data ini, kita dihadapkan pada berbagai metode. Berbagai tools hingga asumsi-asumsi statistik yang berlimpah. Dari parametrik ke non parametrik, dari data panel hingga cross-sectional data, dari regresi tunggal hingga berganda, dan sederet tools lainnya. Di tahap ini sudut pandang kitapun akan sangat dipengaruhi oleh fungsi-fungsi statistik tadi. Kurang lebih begini: sepertinya penelitian mengenai metode ini belum dilakukan? atau model data seperti ini sepertinya menjadi kebaruan dalam penelitian? dan seterusnya. Sudut pandang kita akan sangat dipengaruhi oleh asumsi-asumsi statistik sehingga ide yang muncul untuk penulisan paperpun seputar hal itu. Di tahap ini, saya pernah berfikir untuk menggabungkan spatial dependency dan spatial heterogeneity di dalam pemodelan regresi hedonic. Padahal ada seorang profesor yang menulis kurang lebih begini: biasanya pembahasan spatial dependency dan spatial heterogeneity dilakukan secara terpisah. Saya yang baru membaca saja sudah punya ide untuk menggabungkan 2 metode secara langsung. Memang di beberapa artikel terpublish ada juga yang mencoba menggabungkan keduanya, tetapi rasanya belum menjadi kesepakatan bersama. Itu adalah saat di tahap menganalisis data: ide muncul dari bagaimana kita mengolah data dan translasi data.

Teorisasi. Data hasil analisis harus bisa dijelaskan atau justru menjelaskan sebuah teori. Bukan hanya mengisi gap diskusi literatur, tetapi lebih dari itu yaitu gap teori. Contoh paling gampang adalah apa yang sedang saya tulis sekarang ini. Sederhana sekali saya melakukan analisis cluster menggunakan k-means di RStudio. Cluster analysis, saya rasa bukan hal baru di mahasiswa S1 atau mungkin justru untuk anak-anak SMA. Ya begitu-begitu saja, di SPSS juga tinggal click kanan dan click kiri mouse dan hasilnya bisa dibaca di bagian output. Itu juga tidak salah. Namun di kala kita harus menteorisasi suatu hasil penelitian maka yang harus dilakukan adalah membaca fenomena teori. Dari cluster analysis yang saya lakukan, sebagai contoh, sebenarnya saya bisa menjelaskan bagaimana lingkungan permukiman (neighborhood) mengalami perubahan. Istilah yang keren adalah: neighbourhood change theory. Untuk mencapai sini, mungkin saya sudah membaca lebih dari 5 teori dari spatial equilibrium, benefit & cost model, life cycle model, hedonic theory hingga individual equilibrium. Lima teori bukan berarti lima artikel. Katakanlah 1 teori itu dibahas oleh 10 – 20 artikel jadi bisa dikalikan sendiri berapa yang sudah dibaca dan ternyata tidak digunakan karena memang tidak cocok dan tidak bisa menjelaskan fenomena yang ada. Lagi-lagi data memiliki perilaku dan tidak bisa mengatakan sendiri kita harus mencarinya. Di tahap inilah maka sudut pandang kembali ke asumsi-asumsi besar teoritis. Membumbung lagi namun lebih bisa operasional karena memahami perilaku data.

Apa yang bisa saya pelajari? Apa yang dihadapi itulah yang akan membangun sudut pandang. Mungkin itu sementara yang bisa disimpulkan. Dikala membuat proposal dengan tujuan membangun theoretical framework maka asumsi-asumsi besar muncul tanpa melihat realita data. Dikala menghadapi data maka realita teknis dan generic yang lebih berkembang. Dan dikala pada tahap teorisasi maka lebih ke arah filsafat.