Seorang mahasiswa S1 dengan bangga mempresentasikan hasil skripsinya di depan dosen penguji. Modelnya cantik: kepemimpinan transformasional berpengaruh terhadap kepuasan kerja melalui mediasi engagement. Semua jalur signifikan, R-square tinggi, fit model bagus. Mahasiswa ini yakin akan lulus dengan nilai memuaskan.
Lalu datang pertanyaan dari penguji: “Anda mengukur kepemimpinan transformasional, engagement, dan kepuasan kerja dari responden yang sama, dengan kuesioner yang sama, di hari yang sama. Bagaimana Anda tahu bahwa hubungan yang Anda temukan itu benar-benar nyata, dan bukan sekadar muncul karena cara pengukurannya”
Mahasiswa ini terdiam. Ia tidak tahu harus menjawab apa.
Inilah momen ketika common method bias (CMB) menjadi nyata. Ancaman ini bersifat tersembunyi, tidak terlihat dari output SPSS atau SmartPLS yang cantik, tetapi dapat menggerogoti validitas seluruh temuan. Sayangnya, banyak mahasiswa baru berkenalan dengan CMB ketika sudah terlanjur sidang, atau ketika reviewer jurnal mengembalikan paper mereka dengan catatan keras.
Apa itu CMB, mengapa ia berbahaya, dan apa yang bisa dilakukan mahasiswa untuk mencegah serta mengatasi ancaman ini.
Apa itu Common Method Bias?
Common method bias adalah variansi dalam data yang berasal bukan dari konstruk yang ingin diukur, melainkan dari metode pengukuran itu sendiri. Sederhananya, sebagian dari korelasi antarvariabel yang kita temukan bukan mencerminkan hubungan substantif antara konstruk, melainkan disebabkan oleh kesamaan cara mengukur.
Podsakoff, MacKenzie, Lee, dan Podsakoff (2003) dalam paper rujukan utama soal CMB di Journal of Applied Psychology menjelaskan bahwa CMB muncul karena beberapa sumber. Ketika satu responden mengisi seluruh item dalam satu kuesioner, ada kecenderungan psikologis untuk menjawab secara konsisten, mempertahankan citra diri tertentu, atau dipengaruhi mood sesaat. Konsistensi semu ini kemudian muncul sebagai korelasi statistik yang tampak meyakinkan, padahal sebagian besarnya hanyalah artefak metode.
Bayangkan analoginya seperti ini. Anda menggunakan satu termometer rusak yang selalu menunjukkan suhu tiga derajat lebih tinggi dari sebenarnya. Anda mengukur suhu di lima ruangan berbeda. Hasilnya: semua ruangan tampak lebih panas. Korelasi antara hasil pengukuran dengan persepsi panas Anda akan tinggi, bukan karena ruangan-ruangan itu memang panas, melainkan karena alat ukurnya konsisten salah.
CMB bekerja dengan cara serupa. Bukan termometer yang rusak, melainkan metode pengukuran yang menyumbang variansi sistematis ke seluruh hasil.
Mengapa CMB Berbahaya?
Pertama, CMB menggelembungkan korelasi antarvariabel. Hubungan yang tampak kuat dan signifikan bisa jadi sebagian besar adalah efek metode, bukan efek substantif. Penelitian yang seharusnya menemukan koefisien jalur 0,15 (lemah) bisa menampilkan 0,45 (kuat) karena CMB. Akibatnya, kesimpulan teoretis dan praktis yang dibangun di atas hasil ini menjadi rapuh.
Kedua, CMB sulit dideteksi. Output statistik standar (regresi, SEM, SEM-PLS) tidak otomatis memberi tahu peneliti tentang keberadaan CMB. Tanpa kesadaran dan pengujian khusus, peneliti bisa saja melaporkan hasil yang sebagian besar adalah artefak metode, tanpa pernah menyadarinya.
Ketiga, CMB bisa menghasilkan kesimpulan yang salah arah. Dalam kasus ekstrem, dua variabel yang sebenarnya tidak berhubungan substantif bisa menampakkan korelasi signifikan hanya karena diukur dengan metode yang sama. Atau sebaliknya: hubungan yang sebenarnya ada bisa terdistorsi oleh efek metode hingga sulit diinterpretasikan.
Spector (2006) dalam Organizational Research Methods memberi catatan yang menarik. Ia berargumen bahwa kekhawatiran tentang CMB kadang terlalu berlebihan, terutama jika peneliti mengabaikan upaya prosedural untuk mencegahnya sejak awal. Ini perdebatan metodologis yang sehat: CMB memang ancaman, tetapi bukan vonis mati yang membuat semua riset survei tidak berguna. Yang penting adalah bagaimana peneliti mengelolanya.
Sumber-sumber CMB
Untuk bisa mengatasi CMB, kita perlu paham dari mana ia berasal. Podsakoff dkk. (2003) mengidentifikasi beberapa sumber utama.
Sumber pertama, common rater effects. Ini terjadi ketika satu responden memberikan jawaban untuk variabel independen dan dependen sekaligus. Bias bisa muncul dari kecenderungan menjawab setuju (acquiescence bias), keinginan tampak konsisten (consistency motif), atau kecenderungan memberi jawaban yang dianggap sosial diterima (social desirability bias).
Sumber kedua, item characteristic effects. Cara item ditulis bisa memengaruhi jawaban. Item yang ambigu, terlalu panjang, atau menggunakan bahasa kompleks dapat membuat responden mengandalkan strategi penyederhanaan kognitif yang sama untuk semua pertanyaan. Akibatnya, jawaban menjadi sistematis tetapi bukan karena substansi.
Sumber ketiga, item context effects. Urutan dan pengelompokan item dalam kuesioner dapat menciptakan efek konteks. Item yang ditempatkan berdekatan cenderung saling memengaruhi. Responden yang baru menjawab pertanyaan tentang kepuasan kerja akan cenderung konsisten ketika selanjutnya menjawab pertanyaan tentang komitmen organisasi, meskipun secara substansi keduanya berbeda.
Sumber keempat, measurement context effects. Konteks pengukuran (waktu, tempat, suasana saat mengisi) bisa menyumbang variansi sistematis. Karyawan yang mengisi kuesioner di hari Senin pagi setelah meeting yang menegangkan akan menjawab berbeda dengan yang mengisi di Jumat sore.
Strategi Pencegahan: Lebih Penting daripada Pengobatan
CMB lebih mudah dicegah daripada diobati. Podsakoff dkk. (2003) dan Podsakoff, MacKenzie, dan Podsakoff (2012) di Annual Review of Psychology membagi strategi penanganan CMB menjadi dua kategori besar: prosedural dan statistik. Strategi prosedural diterapkan saat merancang penelitian, sementara strategi statistik dilakukan saat analisis data.
Pencegahan prosedural jauh lebih kuat daripada pengobatan statistik. Mahasiswa yang merancang riset dengan cermat sejak awal akan mengurangi risiko CMB secara substansial.
Strategi Prosedural untuk Mahasiswa
Pertama, pisahkan sumber data jika memungkinkan. Idealnya, variabel independen dan dependen diukur dari sumber yang berbeda. Misalnya, kepemimpinan diukur dari karyawan, sementara kinerja karyawan diukur dari atasan langsung atau dari data objektif perusahaan (laporan KPI, data produksi). Kombinasi self-report dan other-report atau data sekunder objektif dapat mengurangi common rater effects secara signifikan.
Kedua, pisahkan waktu pengukuran (temporal separation). Jika sumber data sulit dipisah, pisahkan setidaknya waktunya. Variabel independen diukur di T1, variabel dependen diukur di T2 berjarak beberapa minggu atau bulan. Cara ini mengurangi efek konsistensi semu dan mood sesaat. Mahasiswa skripsi sering mengeluh, “Tidak punya waktu untuk longitudinal.” Padahal jeda dua minggu saja sudah lebih baik daripada pengukuran serentak.
Ketiga, jamin anonimitas dan kerahasiaan responden. Responden yang merasa terlindungi cenderung menjawab lebih jujur, mengurangi social desirability bias. Cantumkan pernyataan eksplisit di pengantar kuesioner: tidak ada nama, tidak ada identifikasi, data hanya untuk keperluan akademik. Konsistenkan janji ini dengan praktik penyimpanan data.
Keempat, perbaiki kualitas item kuesioner. Hindari item ambigu, terlalu panjang, atau kompleks. Lakukan pilot test pada sampel kecil sebelum survei utama. Pastikan responden memahami setiap pertanyaan dengan cara yang sama. Item yang ditulis dengan jelas mengurangi variansi yang berasal dari kebingungan responden.
Kelima, variasikan format respons. Jangan gunakan satu jenis skala Likert untuk seluruh kuesioner. Variasikan: ada Likert agreement, frequency, importance, sesuai konstruk yang diukur. Variasi format respons mengurangi pola jawaban otomatis (response set) yang dapat menyumbang variansi metode.
Keenam, acak urutan item. Jangan kelompokkan item per variabel secara berurutan. Jika lima item kepemimpinan dikelompokkan jadi satu blok, lalu lima item engagement di blok berikutnya, responden mudah menebak konstruk apa yang diukur dan menjawab konsisten secara artifisial. Acak urutannya untuk memecah pola.
Strategi Statistik: Mengobati Setelah Terjadi
Setelah data terkumpul, beberapa pengujian statistik dapat dilakukan untuk mendeteksi dan mengontrol CMB.
Harman’s single-factor test. Ini metode paling sederhana dan paling sering dipakai mahasiswa. Semua item dimasukkan ke dalam exploratory factor analysis tanpa rotasi. Jika faktor pertama menjelaskan kurang dari 50% variansi total, CMB dianggap tidak menjadi masalah serius. Tetapi metode ini banyak dikritik karena terlalu lemah dan kurang sensitif. Podsakoff dkk. (2003) sendiri menyebut Harman’s test bukan solusi yang memadai. Mahasiswa sebaiknya tidak hanya mengandalkan tes ini.
Common latent factor (CLF) approach. Dalam SEM, peneliti menambahkan satu faktor laten yang mewakili variansi metode bersama, dan menguji apakah hubungan antarvariabel tetap signifikan setelah variansi ini dikontrol. Pendekatan ini lebih kuat dibanding Harman’s test.
Marker variable technique. Lindell dan Whitney (2001) di Journal of Applied Psychology memperkenalkan teknik ini. Peneliti memasukkan variabel “marker” yang secara teoretis tidak berhubungan dengan variabel utama. Korelasi yang muncul antara marker dan variabel utama dianggap sebagai estimasi CMB, lalu dikontrol secara statistik.
Full collinearity test untuk SEM-PLS. Bagi mahasiswa yang menggunakan SmartPLS, Kock (2015) di International Journal of e-Collaboration menyarankan full collinearity test dengan memeriksa nilai Variance Inflation Factor (VIF). Jika seluruh VIF di bawah 3,3, CMB dianggap tidak menjadi ancaman serius.
Kapan CMB Lebih Berbahaya, Kapan Kurang?
Tidak semua riset sama rentannya terhadap CMB. Beberapa kondisi membuat CMB lebih atau kurang mengkhawatirkan.
CMB lebih berbahaya ketika: sumber data sama dan diukur serentak, konstruk bersifat sangat subjektif (sikap, persepsi, emosi), item ambigu atau terlalu mirip, dan responden punya motivasi untuk memberikan jawaban yang konsisten secara artifisial.
CMB kurang berbahaya ketika: data dikumpulkan dari sumber berbeda, ada temporal separation, beberapa variabel diukur secara objektif (data kinerja aktual, data demografis), dan konstruk yang diukur secara substantif memang sangat berbeda.
Spector (2006) berargumen bahwa pada banyak kasus, CMB tidak otomatis menggelembungkan korelasi. Kadang ia justru mengaburkan hubungan substantif. Pendapat ini menjadi penyeimbang dari pandangan yang terlalu pesimistis terhadap riset self-report.
Pesan untuk Mahasiswa
Bagi mahasiswa yang sedang menyusun skripsi atau tesis, beberapa hal penting perlu diingat.
Pertama, kenali ancaman CMB sejak awal, sebelum proposal diajukan. Bukan setelah data terkumpul. Pencegahan prosedural jauh lebih kuat dibanding pengobatan statistik.
Kedua, diskusikan CMB di proposal, bukan hanya di limitasi. Banyak mahasiswa baru menyebut CMB di bagian keterbatasan penelitian. Padahal, jika dipikirkan sejak awal, banyak strategi pencegahan bisa diterapkan.
Ketiga, jangan andalkan Harman’s single-factor test saja. Tes ini terlalu lemah. Kalau memang menggunakan SEM atau SEM-PLS, gunakan pendekatan yang lebih kuat seperti CLF atau full collinearity test.
Keempat, berani mengakui keterbatasan dengan jujur. Jika CMB tidak bisa sepenuhnya dikontrol, akui di bagian limitasi. Sebutkan langkah-langkah yang sudah dilakukan, dan apa yang masih menjadi ancaman. Reviewer jurnal yang baik menghargai kejujuran ini.
Kelima, pelajari beragam strategi mitigasi sesuai kapasitas riset. Mahasiswa S1 yang riset skripsi-nya terbatas waktu mungkin tidak bisa menerapkan semua strategi prosedural. Tetapi minimal, anonimitas, kualitas item, dan variasi format respons selalu bisa dilakukan tanpa biaya tambahan.
Common method bias bukan momok yang membuat riset survei tidak berguna. Ia adalah ancaman yang nyata, tetapi bisa dikelola dengan kesadaran metodologis dan perencanaan yang matang. Mahasiswa yang memahami CMB sejak awal akan menghasilkan riset yang lebih kuat secara inferensial, bukan sekadar riset dengan output statistik yang cantik.
Kembali ke ilustrasi awal: mahasiswa yang terdiam di hadapan penguji tadi tidak salah karena risetnya buruk. Ia hanya kurang persiapan. Andai sejak proposal ia sudah memikirkan CMB, mungkin desain risetnya akan berbeda. Mungkin ia akan memilih pengukuran T1-T2, mengambil data kinerja dari atasan, atau setidaknya merancang kuesioner dengan format respons yang bervariasi.
Riset yang baik tidak dimulai dari analisis statistik canggih. Ia dimulai dari pertanyaan sederhana namun mendasar: apakah saya benar-benar mengukur apa yang ingin saya ukur, atau saya hanya mengukur cara saya mengukur?
Daftar Referensi
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10. https://doi.org/10.4018/ijec.2015100101
Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86(1), 114–121. https://doi.org/10.1037/0021-9010.86.1.114
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
Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539–569. https://doi.org/10.1146/annurev-psych-120710-100452
Spector, P. E. (2006). Method variance in organizational research: Truth or urban legend? Organizational Research Methods, 9(2), 221–232. https://doi.org/10.1177/1094428105284955