Bayangkan seorang manajer SDM membuka laporan survei tahunan perusahaan. Ia melihat satu temuan menarik: karyawan yang melaporkan tingkat engagement tinggi juga memiliki skor kinerja yang lebih baik. Korelasinya kuat, signifikan secara statistik. Manajer ini segera menyimpulkan: “Engagement meningkatkan kinerja. Mari kita investasi besar di program engagement tahun depan.”
Apakah kesimpulan ini valid? Belum tentu. Bisa jadi karyawan yang berkinerja baik mendapat pengakuan dan otonomi lebih, lalu menjadi lebih engaged. Bisa jadi keduanya digerakkan oleh faktor lain, misalnya kualitas atasan langsung atau kejelasan deskripsi pekerjaan. Snapshot dari satu survei tahunan tidak cukup untuk membongkar arah sebab-akibat.
Inilah masalah mendasar riset cross-sectional. Datanya kaya, analisisnya canggih, tapi inferensinya terbatas. Banyak peneliti, termasuk mahasiswa yang sedang menyusun skripsi, tergoda menyimpulkan hubungan sebab-akibat dari data semacam ini. Tulisan ini akan membahas dua hal: pertama, mengapa secara konvensional klaim kausal dari cross-sectional dianggap problematik. Kedua, dalam kondisi apa sebenarnya klaim kausal itu masih mungkin dibuat.
Apa itu Riset Cross-Sectional?
Riset cross-sectional adalah desain di mana data dikumpulkan dari responden pada satu titik waktu. Peneliti menyebar kuesioner sekali, mengumpulkan jawabannya, lalu menganalisis hubungan antarvariabel. Desain ini populer karena praktis: cepat, murah, dan tidak memerlukan komitmen jangka panjang dari responden.
Dalam riset Manajemen SDM, desain ini menjadi pilihan dominan. Mahasiswa S1 dan S2 banyak menggunakannya untuk skripsi dan tesis karena kendala waktu. Bahkan jurnal-jurnal terindeks Scopus pun masih banyak memuat studi cross-sectional, terutama yang menggunakan SEM-PLS sebagai alat analisis.
Sayangnya, popularitas tidak sama dengan kekuatan inferensial. Jadi perlu diperhatikan kembali dengan hati-hati ketika akan menyematkan kausalitas.
Posisi Konvensional: Tiga Syarat Kausalitas yang Sulit Dipenuhi
Cook dan Campbell (1979) dalam karya rujukan Quasi-Experimentation: Design and Analysis Issues for Field Settings menetapkan tiga syarat klasik untuk klaim kausalitas. Tradisi ini diteruskan dan diperluas oleh Shadish, Cook, dan Campbell (2002) dalam Experimental and Quasi-Experimental Designs for Generalized Causal Inference, yang menjadi rujukan standar metodologi penelitian sosial hingga hari ini.
Syarat pertama: kovariasi. Variabel A dan B harus bergerak bersama. Ini satu-satunya syarat yang bisa dipenuhi oleh data cross-sectional. Korelasi atau koefisien regresi bisa menunjukkan apakah dua variabel berhubungan secara statistik.
Syarat kedua: presedensi temporal. A harus terjadi sebelum B. Kalau kita ingin menyimpulkan bahwa “kepuasan kerja menyebabkan kinerja”, maka kepuasan kerja harus diukur sebelum kinerja. Inilah yang tidak bisa dipenuhi dalam desain cross-sectional murni. Ketika dua variabel diukur bersamaan dalam satu kuesioner, peneliti tidak punya cara membuktikan mana yang lebih dahulu.
Syarat ketiga: eliminasi penjelasan alternatif. Tidak boleh ada variabel ketiga yang menjelaskan hubungan A dan B. Dalam cross-sectional, peneliti hanya bisa mengontrol variabel yang diukur. Variabel yang tidak terukur (kepribadian, dinamika tim, kondisi pasar) tetap menjadi ancaman terhadap validitas internal.
Dari tiga syarat ini, cross-sectional murni hanya memenuhi satu. Itulah mengapa Antonakis dkk. (2010) dalam The Leadership Quarterly berjudul “On Making Causal Claims: A Review and Recommendations” mengingatkan bahwa banyak studi kepemimpinan dengan desain cross-sectional membuat klaim yang melampaui apa yang sebenarnya didukung oleh data.
Tiga Ancaman Spesifik untuk Riset HRM Cross-Sectional
Pertama, ambiguitas arah hubungan (reverse causality). Sebuah skripsi mahasiswa menemukan korelasi positif antara kepemimpinan transformasional dan engagement karyawan. Kesimpulannya: kepemimpinan transformasional meningkatkan engagement. Tetapi mungkinkah karyawan yang sudah engaged justru mempersepsikan atasan mereka sebagai pemimpin transformasional? Persepsi positif terhadap atasan bisa jadi konsekuensi dari engagement, bukan sebabnya. Tanpa pengukuran di waktu berbeda, peneliti tidak bisa membedakan keduanya.
Kedua, common method bias (CMB). Ketika variabel independen dan dependen diukur dengan instrumen yang sama (kuesioner self-report dari responden yang sama dalam satu sesi), hasilnya rentan terhadap bias metode. Podsakoff, MacKenzie, Lee, dan Podsakoff (2003) dalam Journal of Applied Psychology menjelaskan bahwa CMB dapat menggelembungkan korelasi antarvariabel. Hubungan yang tampak kuat bisa jadi sebagian besar adalah artefak metode pengukuran, bukan hubungan substantif.
Ketiga, omitted variable bias. Dalam riset HRM, hampir tidak mungkin mengukur semua variabel yang relevan. Studi tentang hubungan budaya organisasi dan kinerja karyawan, misalnya, sering tidak memasukkan kualitas kepemimpinan, sistem reward, atau kondisi industri. Variabel-variabel ini bisa menjadi penjelasan alternatif yang lebih kuat.
Pesan untuk Mahasiswa: Berhati-hatilah
Bagi mahasiswa S1 dan S2 yang sedang menyusun skripsi atau tesis dengan desain cross-sectional, pesannya jelas: berhati-hatilah dengan klaim kausal. Beberapa langkah praktis bisa membantu.
Pertama, gunakan bahasa yang hati-hati. Daripada menulis “X berpengaruh terhadap Y”, pertimbangkan “X berhubungan dengan Y”, “X berasosiasi dengan Y”, atau “X memprediksi Y”. Frasa-frasa ini lebih jujur secara metodologis dan tidak mengurangi kontribusi penelitian. Kalaupun menuliskan “X berpengaruh terhadap Y” pahami apakah maknanya korelasi ataukah kausal? Akui keterbatasan penelitian secara eksplisit.
Kedua, akui keterbatasan secara eksplisit. Bagian limitasi penelitian sebaiknya secara terbuka menyebutkan bahwa desain cross-sectional tidak memungkinkan klaim kausal yang kuat. Pengakuan ini justru menunjukkan kedewasaan metodologis.
Ketiga, pertimbangkan desain alternatif sejak awal. Studi longitudinal sederhana dengan dua titik waktu (T1 dan T2 berjarak tiga atau enam bulan) sudah jauh lebih kuat secara inferensial. Ployhart dan Vandenberg (2010) dalam Journal of Management memberikan panduan praktis untuk merancang studi longitudinal di riset organisasi.
Pintu Perdebatan: Apakah Benar-benar 100% Tidak Bisa?
Sampai di sini, posisi konvensional sudah jelas. Tetapi diskusi metodologi kausalitas modern sebenarnya lebih kaya dan tidak sehitam-putih itu.
Beberapa dekade terakhir, ada perkembangan signifikan yang menggeser pertanyaan dari “apakah desainnya eksperimental?” menjadi “apakah asumsi kausalnya bisa dipertahankan?”. Mari kita buka tiga pintu perdebatan.
Pintu pertama: Revolusi kausalitas Judea Pearl. Pearl, ilmuwan komputer pemenang Turing Award, dalam Causality: Models, Reasoning, and Inference (2009) berargumen bahwa kausalitas tidak melekat pada desain riset, melainkan pada asumsi struktural yang dibuat peneliti. Dengan Directed Acyclic Graphs (DAG) dan do-calculus, Pearl menunjukkan bahwa inferensi kausal bisa dibuat dari data observasional selama asumsi tentang struktur hubungan antarvariabel dapat dipertahankan secara teoretis dan tidak ada backdoor path yang tidak terblokir. Buku populernya bersama Mackenzie, The Book of Why (2018), menjelaskan revolusi ini dengan bahasa yang lebih mudah dicerna.
Pintu kedua: Tradisi ekonometri modern. Angrist dan Pischke (2009) dalam Mostly Harmless Econometrics: An Empiricist’s Companion menunjukkan bahwa data observasional bisa memberikan inferensi kausal yang kuat melalui beberapa pendekatan: instrumental variables, regression discontinuity design, difference-in-differences, dan natural experiments. David Card memenangkan Nobel Ekonomi 2021 sebagian karena karyanya menggunakan natural experiment untuk membuat klaim kausal dari data observasional. Riset Card dan Krueger (1994) di American Economic Review tentang dampak kenaikan upah minimum pada lapangan kerja, misalnya, membuat klaim kausal dengan strategi identifikasi yang cermat meski datanya bukan eksperimen klasik.
Pintu ketiga: Tradisi epidemiologi. Bidang epidemiologi punya tradisi panjang membuat klaim kausal dari data observasional. Hill (1965) dalam Proceedings of the Royal Society of Medicine dengan sembilan kriteria kausalitasnya menunjukkan bahwa kausalitas bisa didukung oleh kombinasi bukti, bukan hanya oleh desain eksperimental. Klaim bahwa merokok menyebabkan kanker paru tidak pernah dibuktikan dengan eksperimen acak pada manusia (karena tidak etis), tetapi tetap diterima sebagai klaim kausal yang kuat berdasarkan akumulasi bukti observasional yang konsisten lintas studi, populasi, dan metode.
Lalu, bagaimana posisi yang paling jujur secara metodologis?
Saya kira begini: riset cross-sectional dengan desain kuesioner satu kali, regresi atau SEM standar, tanpa strategi identifikasi kausal khusus memang tidak dapat klaim kausalitas yang kuat. Ini yang dominan di skripsi, tesis, dan banyak paper HRM. Untuk kategori ini, panduan konvensional di atas tetap berlaku.
Tetapi cross-sectional dengan strategi identifikasi kausal yang cermat (instrumental variables, regression discontinuity, natural experiment, atau analisis berbasis DAG dengan asumsi yang dipertahankan secara teoretis) dapat memberikan inferensi kausal yang kuat. Bedanya bukan pada desain cross-sectional-nya itu sendiri, melainkan pada strategi identifikasi yang digunakan, kekuatan asumsi yang dapat dipertahankan, dan kualitas teori yang melandasi.
Implikasinya untuk riset HRM kontemporer: ada ruang besar untuk peneliti yang ingin maju dari sekadar SEM-PLS cross-sectional standar. Beberapa riset HRM mutakhir mulai mengadopsi metode ekonometri modern, terutama dalam studi tentang dampak kebijakan SDM dan efek program intervensi.
Pertanyaan apakah cross-sectional bisa klaim kausalitas tidak punya jawaban tunggal. Untuk mahasiswa S1 yang baru belajar metodologi, jawaban “tidak bisa, gunakan bahasa hati-hati” adalah panduan yang aman dan tepat. Untuk peneliti yang lebih senior, jawabannya lebih bernuansa: tergantung strategi identifikasi kausal yang digunakan dan kekuatan asumsi yang bisa dipertahankan.
Kembali ke ilustrasi awal: manajer SDM tadi tidak salah ingin tahu apakah engagement menyebabkan kinerja. Pertanyaannya valid dan penting. Yang perlu dipertimbangkan adalah bagaimana cara menjawabnya dengan jujur. Apakah cukup dengan satu survei tahunan? Mungkin tidak. Tetapi dengan desain yang lebih cermat, asumsi teoretis yang kuat, dan kombinasi bukti dari berbagai studi, jawabannya bisa lebih meyakinkan.
Riset yang baik mengenali keterbatasan alatnya, sekaligus terbuka pada kemungkinan baru. Kerendahan hati metodologis dan keterbukaan intelektual, dua hal ini yang membedakan peneliti yang berkembang dari peneliti yang stagnan.
Daftar Referensi
Angrist, J. D., & Pischke, J.-S. (2009). Mostly harmless econometrics: An empiricist’s companion. Princeton University Press.
Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6), 1086–1120. https://doi.org/10.1016/j.leaqua.2010.10.010
Card, D., & Krueger, A. B. (1994). Minimum wages and employment: A case study of the fast-food industry in New Jersey and Pennsylvania. American Economic Review, 84(4), 772–793.
Cook, T. D., & Campbell, D. T. (1979). Quasi-experimentation: Design and analysis issues for field settings. Houghton Mifflin.
Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300.
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books.
Ployhart, R. E., & Vandenberg, R. J. (2010). Longitudinal research: The theory, design, and analysis of change. Journal of Management, 36(1), 94–120. https://doi.org/10.1177/0149206309352110
Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.