Belajar UX Researcher - Bias dalam Riset

#Pendahuluan

Setelah di episode 18-19 kita menjaga partisipan lewat etika dan privasi, pada episode ini kita mengarahkan kaca pembesar ke arah yang paling tidak nyaman: bias dalam diri kita sendiri. Riset bukan mesin yang netral — ia dilakukan manusia, dan manusia membawa asumsi, preferensi, dan kebiasaan berpikir yang bisa membengkokkan temuan tanpa disadari.

Mengapa topik ini penting? Karena bias paling berbahaya adalah yang tidak kita sadari. Bias yang kita kenal bisa dimitigasi; yang tidak kita kenal justru menguasai kesimpulan. Episode ini membahas bias-bias paling umum dalam riset UX dan cara mengauditnya.

#Confirmation Bias: Jebakan Paling Umum

Confirmation bias adalah kecenderungan mencari, memilih, dan mengingat bukti yang menguatkan keyakinan kita, sambil mengabaikan yang bertentangan. Ia adalah pembunuh temuan riset nomor satu.

Contoh nyata untuk WarungNaik: tim sudah yakin "pengguna butuh fitur reorder otomatis". Saat interview, moderator tanpa sadar mengangguk lebih antusias saat pengguna menyebut kemudahan reorder, melewatkan sinyal "saya lebih suka telepon distributor langganan", lalu dalam sintesis "menemukan" dukungan untuk reorder yang sebenarnya dipaksa.

#Mitigasi Confirmation Bias

• Red team: tunjuk satu orang di tim untuk berperan sebagai "jaksa" yang memburu bukti yang menolak hipotesis.
• Cari disconfirming evidence secara aktif: buat kolom "bukti menolak" di sintesis, dan isi dengan serius.
• Pre-registrasi: tulis hipotesis dan pertanyaan riset sebelum data terkumpul (episode 3) — sulit mengubahnya di tengah jalan.
• Analisis buta: saat tagging, tutup nama partisipan/hipotesis supaya pola tidak "tercemar" ekspektasi.

#Leading Questions dan Bias Wawancara

Leading questions sudah dibahas di episode 4, tapi layak diingat sebagai bagian bias yang lebih luas:

Mitigasi: gunakan pertanyaan netral, rekam + transkrip verbatim, dan minta orang lain ikut menafsirkan kutipan ambigu (inter-rater).

#Bias dalam Memilih Partisipan

Bias tidak berhenti di wawancara — ia mulai dari pemilihan partisipan:

• Sampling bias — merekrut segmen yang mudah dijangkau, bukan yang mewakili pengguna nyata (episode 3).
• Volunteer bias — partisipan sukarela cenderung lebih antusias/teknofil dari populasi.
• Survivorship bias — hanya meriset pengguna yang bertahan, melewatkan yang sudah pergi (mereka yang berhenti memakai WarungNaik punya cerita paling penting!).
• Recency bias — terlalu fokus pada pengguna baru, mengabaikan yang lama.

#Bias dalam Analisis dan Pelaporan

#Pattern Matching & Overgeneralization

Manusia adalah mesin pencari pola — dan itu berbahaya: kita "melihat" pola dari 2-3 kutipan yang kebetulan mirip, lalu melebih-lebihkan. Mitigasi: sebelum menyebut "pola", hitung berapa partisipan yang mendukung dan berapa yang menolak.

#Anchoring

Angka/estimasi pertama yang kita lihat "menjangkarkan" kesimpulan. Contoh: stakeholder bilang "70% pengguna puas", lalu riset kita tanpa sadar mencari pembenaran angka itu. Mitigasi: analisis tanpa melihat angka target dulu.

#Sunk Cost

"Sudah terlanjur mengerjakan fitur ini" membuat tim menolak temuan yang menolak fitur itu. Researcher harus berani menyuarakan bukti, bukan melindungi investasi.

#Bias dalam Presentasi

• Memilih kutipan yang dramatis (bukan representatif) untuk storytelling.
• Menyembunyikan temuan yang bertentangan.
• Menyajikan sampel kecil seolah mewakili banyak.

#Teknik Audit Bias

Audit bias adalah meninjau ulang seluruh alur riset dengan "kacamata bias". Lakukan setelah sintesis dan sebelum presentasi:

Perencanaan
  [ ] RQ netral (tidak mengarahkan jawaban tertentu)?
  [ ] Hipotesis tertulis sebelum data (pre-registered)?
  [ ] Kriteria rekrutmen mencakup segmen yang benar (tidak
      hanya yang mudah)?
Pengumpulan
  [ ] Interview guide bebas leading questions?
  [ ] Moderator bergantian / diobservasi oleh rekan?
  [ ] Partisipan termasuk yang mungkin tidak setuju (misal
      mantan pengguna / non-pengguna)?
Analisis
  [ ] Ada "red team" yang mencari bukti menolak?
  [ ] Kutipan yang dipakai representatif, bukan yang paling
      dramatis?
  [ ] Jumlah pendukung vs penolak tiap tema dicatat?
Pelaporan
  [ ] Keterbatasan sampel disebutkan?
  [ ] Temuan yang bertentangan disertakan?
  [ ] Klaim tidak melebihi kekuatan data (ep 17)?

#Penutup

Pada episode 20 ini, kalian telah membangun kesadaran dan teknik melawan bias.

Inti yang harus dibawa pulang:

• Confirmation bias adalah musuh utama: mitigasi dengan red team, disconfirming evidence, dan pre-registrasi.
• Leading questions & bias moderator mengotori data sejak awal; gunakan pertanyaan netral dan transkrip verbatim.
• Bias partisipan: sampling, volunteer, survivorship — jangan lupa meriset mereka yang pergi.
• Bias analisis & pelaporan: pattern matching, anchoring, sunk cost, dan pemilihan kutipan yang dramatis.
• Lakukan audit bias sebagai checklist rutin di setiap riset.

Di episode 21 selanjutnya kita akan membahas AI-powered research tools — bagaimana AI mempercepat transkrip, tagging, dan sintesis, plus batasnya dan mengapa human oversight tetap wajib. Sampai jumpa di episode 21!