Pengertian Data Primer dan Sekunder dalam Statistika Sumber Penelitian

Pengertian Data Primer dan Sekunder dalam Statistika itu ibarat membedakan antara memasak dari bahan mentah segar atau menggunakan bumbu jadi yang sudah dikemas. Keduanya punya tempat dan keunggulannya masing-masing di dapur penelitian. Dalam statistika, pemahaman mendasar tentang dari mana data berasal bukan sekadar urusan teknis, melainkan fondasi utama yang menentukan kekokohan seluruh bangunan analisis dan kesimpulan yang akan dihasilkan.

Mengulik lebih dalam, data primer adalah bahan mentah yang dikumpulkan langsung dari sumbernya oleh si peneliti untuk tujuan spesifik proyeknya, seperti hasil kuesioner atau wawancara langsung. Sementara data sekunder adalah data jadi yang sudah dikumpulkan dan diolah oleh pihak lain sebelumnya, seperti laporan pemerintah, jurnal penelitian lama, atau dataset publik. Perbedaan mendasar ini membawa konsekuensi besar pada desain metodologi, potensi bias, dan bahkan filosofi di balik cara kita memandang sebuah kebenaran dalam penelitian.

Menguak Sumber Data Primer dan Sekunder dari Lensa Filosofi Pengetahuan

Membahas data primer dan sekunder sering kali terjebak pada definisi teknis dan prosedural. Padahal, di balik klasifikasi yang tampak sederhana ini, tersembunyi pondasi filosofis yang dalam tentang bagaimana kita mengetahui sesuatu. Untuk benar-benar memahami perbedaan keduanya, kita perlu menyelami asal-usul epistemologisnya, yaitu cabang filsafat yang mempelajari hakikat pengetahuan.

Secara epistemologis, data primer berakar pada tradisi empirisme dan positivisme. Pengetahuan dianggap valid jika berasal dari pengalaman langsung dan observasi yang dapat diindra. Dalam statistika dan penelitian, ini diterjemahkan menjadi upaya peneliti untuk menjadi “saksi pertama” atas fenomena yang diteliti. Tindakan mengumpulkan data primer—melalui wawancara, survei, atau eksperimen—adalah upaya untuk meminimalkan jarak antara subjek yang mengetahui (peneliti) dan objek yang diketahui (fenomena).

Otoritas kebenaran data primer dibangun atas klaim kedekatan dan kemurnian ini. Sebaliknya, data sekunder beroperasi dalam ranah yang lebih kompleks. Ia bersinggungan dengan tradisi rasionalisme dan hermeneutika, di mana pengetahuan sering dibangun melalui interpretasi terhadap teks, artefak, atau rekaman yang sudah ada. Data sekunder adalah pengetahuan “tangan kedua”; validitasnya tidak lagi bergantung pada pengalaman langsung peneliti, tetapi pada kepercayaan terhadap proses dan otoritas yang menciptakan data tersebut serta kemampuan peneliti dalam menafsirkan ulang.

Perbedaan ontologis ini—hakikat keberadaan data itu sendiri—dapat dijabarkan lebih jelas.

Karakteristik Ontologis Data Primer dan Sekunder

Klasifikasi ini bukan sekadar netral; ia membentuk cara kita memandang validitas informasi.

Pembedaan antara data primer dan sekunder sering kali menciptakan hierarki implisit di mana yang “langsung” dianggap lebih otentik dan berwenang. Hal ini dapat mengabaikan fakta bahwa semua data, termasuk data primer, adalah konstruksi. Data primer dibentuk oleh instrumen, pertanyaan, dan kerangka teori yang digunakan. Sementara itu, data sekunder yang dikritisi dengan tepat justru dapat menawarkan perspektif yang lebih kaya karena telah melalui proses kurasi waktu dan mungkin berasal dari sumber dengan sumber daya pengumpulan yang jauh lebih besar. Bahaya terbesar adalah ketika label “primer” membuat peneliti menjadi complacent terhadap bias dalam desainnya sendiri, sementara label “sekunder” membuatnya skeptis secara berlebihan terhadap data yang sebenarnya sangat berharga.

Contoh konkretnya, seorang peneliti kesehatan masyarakat yang hanya mengandalkan data primer dari wawancara terstruktur tentang pola makan mungkin terjebak dalam bias ingatan dan kesenjangan sosial (responden misreporting). Jika ia mengabaikan filosofi di balik data sekunder—seperti data penjualan produk makanan sehat dari supermarket atau data gizi dari aplikasi—ia kehilangan peluang untuk triangulasi. Ia menganggap hanya datanyalah yang “nyata”, padahal data sekunder tersebut merefleksikan perilaku aktual (transaksi) yang mungkin lebih jujur daripada laporan diri.

Kecelakaan epistemologis terjadi ketika sumber data dilihat hanya dari labelnya, bukan dari kesesuaian filosofisnya dengan pertanyaan penelitian.

Transformasi Data Sekunder Menjadi Sumber Primer Melalui Proses Rekontekstualisasi

Status data sebagai “primer” atau “sekunder” bukanlah takdir yang permanen. Batas antara keduanya bisa cair, bergantung pada pertanyaan penelitian yang diajukan. Ada proses dinamis di mana data sekunder dapat mengalami alih status dan memperoleh nilai primer dalam suatu penelitian baru. Transformasi ini terjadi melalui rekontekstualisasi, yaitu memisahkan data dari tujuan aslinya dan menempatkannya dalam kerangka pertanyaan yang sama sekali baru, sehingga data itu sendiri menjadi objek analisis utama.

Misalnya, data sensus penduduk adalah data primer bagi Badan Pusat Statistik yang bertujuan mengetahui jumlah dan distribusi penduduk. Namun, bagi seorang sosiolog yang meneliti perubahan struktur pekerjaan selama 50 tahun, data sensus dari masa lalu adalah data sekunder. Akan tetapi, jika sosiolog tersebut tidak hanya membandingkan angka, tetapi secara mendalam menganalisis kategori klasifikasi pekerjaan yang digunakan dalam kuesioner sensus setiap decade—melihat bagaimana definisi “pekerja informal” atau “wanita bekerja” berubah seiring waktu dan mencerminkan nilai sosial—maka kuesioner sensus tersebut berubah statusnya.

Ia bukan lagi sekunder sebagai sumber angka, melainkan menjadi objek primer (artefak tekstual) yang diurai untuk memahami wacana kebijakan dan norma sosial pada era tersebut.

Untuk melakukan validasi dan “menghidupkan kembali” data sekunder agar memenuhi kriteria sumber primer, diperlukan prosedur ketat.

Prosedur Rekontekstualisasi Data Sekunder

• Pelacakan Provenans dan Metadata: Telusuri sejarah kepemilikan, tujuan pembuatan, metode pengumpulan, dan definisi variabel asli data. Ini setara dengan memahami konteks penciptaan sebuah artefak sejarah.
• Dekonstruksi Tujuan Awal: Identifikasi secara eksplisit bias, asumsi, dan agenda yang mungkin tertanam dalam data oleh pembuat aslinya. Pisahkan “apa yang diukur” dari “mengapa dan bagaimana mengukurnya”.
• Rekonstruksi untuk Konteks Baru: Definisikan ulang unit analisis, variabel, dan nilai data tersebut dalam kerangka pertanyaan penelitian baru Anda. Ini mungkin melibatkan rekode, agregasi, atau interpretasi ulang kategori.
• Validasi Silang Kontekstual: Cari sumber data independen lain dari periode yang sama (dokumen, wawancara dengan ahli, arsip) untuk mengonfirmasi bahwa karakteristik data sekunder yang Anda analisis sebagai objek primer memang merepresentasikan fenomena pada masanya, bukan anomali.
• Transparansi Dokumentasi: Dokumentasikan seluruh proses transformasi ini secara detail dalam laporan penelitian, sehingga pembaca dapat menilai validitas alih status data yang Anda lakukan.

Ilustrasi: Seorang peneliti menemukan arsip kumpulan surat keluhan pelanggan kepada sebuah perusahaan kereta api nasional dari tahun 1970-1980an. Awalnya, data ini sekunder bagi perusahaan (sebagai catatan administratif). Peneliti awalnya mungkin menggunakannya sebagai data sekunder untuk melihat tren keluhan. Namun, ketika peneliti menjadikan surat-surat itu sendiri sebagai objek analisis primer untuk meneliti “Bahasa dan Strategi Negosiasi Warga Biasa dengan Negara dalam Era Orde Baru”, transformasi terjadi.

Setiap surat dideskripsikan mendalam: kertas yang digunakan, tulisan tangan vs ketik, struktur kalimat, pilihan diksi yang sopan namun menusuk, cara mereka mengutip peraturan. Surat bukan lagi sekadar pembawa pesan “keluhan”, tetapi menjadi artefak primer performativitas kewargaan di bawah rezim otoritarian.

Implikasi etika dan metodologis dari transformasi ini besar. Secara etika, peneliti harus menghormati konteks awal data, terutama jika sensitif, dan mempertimbangkan kembali masalah anonimitas. Secara metodologis, ini mengaburkan garis tradisional dan menuntut kecanggihan analitis yang lebih tinggi. Peneliti harus menjadi sejarawan sekaligus analis data, mampu membedah lapisan makna dalam data sekunder yang direkontekstualisasi. Dalam statistika kontemporer, ini membuka peluang besar untuk analisis “big data” historis, tetapi juga memperingatkan bahwa tanpa prosedur validasi yang ketat, risiko misinterpretasi terhadap data yang direkontekstualisasi bisa lebih tinggi daripada kesalahan dalam data primer yang dikumpulkan sendiri.

Anatomi Kesalahan Pengumpulan yang Membedakan Data Primer dan Sekunder

Kesalahan dan bias bukanlah tamu tak diundang yang hanya muncul di satu titik; mereka adalah penghuni tetap dalam siklus hidup data, hanya saja pintu masuk dan sifatnya berbeda antara data primer dan sekunder. Memahami anatomi kesalahan ini penting karena cara kita mengelola dan mengoreksinya bergantung pada sumber data. Pada data primer, peneliti memiliki kendali (dan tanggung jawab) penuh atas kesalahan yang terjadi sejak perencanaan hingga pengumpulan.

Pada data sekunder, peneliti mewarisi kesalahan dari proses sebelumnya, sambil berpotensi menambahkan kesalahan baru saat ekstraksi dan interpretasi.

Dalam data primer, titik kritis berada pada fase desain dan eksekusi. Kesalahan sampling, seperti frame yang tidak lengkap atau teknik yang tidak tepat, dapat membuat sampel tidak mewakili populasi sejak awal. Measurement error muncul dari instrumen yang buruk, pertanyaan yang ambigu, atau pewawancara yang memengaruhi jawaban. Bahkan setelah data terkumpul, data entry error dan processing error seperti kesalahan koding dapat merusak integritas data.

Keunikan data primer adalah bahwa peneliti menyaksikan atau menyebabkan kesalahan ini secara langsung, sehingga secara teori dapat mendokumentasikan dan memperkirakannya. Sementara itu, anatomi kesalahan data sekunder lebih tersembunyi. Titik kritisnya bergeser ke fase akuisisi dan pemahaman. Peneliti menghadapi selection bias karena data yang tersedia di arsip mungkin bukan data yang ideal, melainkan data yang selamat atau dikurasi oleh pihak tertentu.

Documentation error (metadata yang tidak lengkap atau salah) membuat data sulit dipahami. Yang paling berbahaya adalah conceptual error, yaitu ketidakcocokan antara definisi konsep yang digunakan pembuat data asli dengan kebutuhan peneliti baru. Misalnya, data “pendapatan” dari suatu laporan pemerintah mungkin tidak termasuk pendapatan non-tunai, sebuah detail krusial yang bisa luput.

Pemetaan Jenis Kesalahan terhadap Fase Pengumpulan

Kuncinya adalah mengelola ketidakpastian yang melekat pada setiap sumber, bukan menghilangkannya.

“Seorang ahli statistik yang baik tidak pernah mengklaim data-nya bebas dari kesalahan. Tugasnya adalah mengkuantifikasi ketidakpastian itu dan melaporkannya dengan jujur. Untuk data primer, kita hitung margin of error-nya. Untuk data sekunder, kita lakukan sensitivity analysis: bagaimana hasil berubah jika definisi ini kita ubah, atau jika data dari tahun itu kita kecualikan? Ketidakpastian pada data sekunder sering kali lebih bersifat kualitatif dan konseptual, sehingga membutuhkan narasi kritis yang mendampingi angka-angka,” jelas seorang metodolog.

Contoh hipotetis ini memperjelas dampaknya. Bayangkan sebuah proyek untuk mengetahui tingkat kepemilikan rumah di suatu kota. Jika menggunakan data primer (sensus), kesalahan mungkin berasal dari pewawancara yang salah mencatat status kepemilikan, atau rumah kosong yang tidak terjawab. Hasilnya bisa bias beberapa persen, namun kita tahu persis bagaimana data itu dikumpulkan. Jika menggunakan data sekunder (catatan administratif pajak bumi dan bangunan), kesalahannya berbeda: data mungkin tidak mencakup rumah yang dibebaskan dari pajak, atau satu rumah dengan beberapa sertifikat terdaftar sebagai beberapa kepemilikan.

Interpretasi akhir dari data sekunder mungkin menunjukkan angka kepemilikan yang lebih tinggi secara artifisial. Anatomi kesalahan yang berbeda ini menghasilkan cerita yang berbeda tentang kota yang sama. Tanpa membedah anatomi tersebut, peneliti bisa mengambil kesimpulan yang salah berdasarkan data yang secara teknis “akurat”, tetapi cacat secara konseptual untuk pertanyaannya.

Simbiosis Data Primer dan Sekunder dalam Rancangan Penelitian Mixed-Methods

Dalam banyak diskusi, data primer dan sekunder seolah berada di kubu yang berseberangan, memaksa peneliti untuk memilih salah satu. Padahal, dalam paradigma penelitian mixed-methods (metode campuran), keduanya justru dapat bersimbiosis secara elegan untuk memberikan pemahaman yang lebih kaya dan komprehensif. Simbiosis ini bukan sekadar menggunakan kedua jenis data secara terpisah, tetapi merancangnya agar saling berbicara, saling mengisi celah, dan saling menguji temuan.

Data sekunder memberikan peta wilayah yang luas dan konteks historis, sementara data primer menawarkan peta jalan yang detail dan kedalaman makna dari sudut pandang partisipan.

Kekuatan pendekatan ini terletak pada kemampuannya untuk menjawab pertanyaan “berapa banyak” dan “mengapa demikian” secara simultan. Data sekunder dari survei nasional, misalnya, dapat mengidentifikasi pola dan korelasi yang menarik pada level makro. Temuan ini kemudian menjadi batu pijakan yang sangat berharga untuk merancang pengumpulan data primer yang terfokus. Sebaliknya, insight yang muncul dari data primer dapat membantu menjelaskan mekanisme di balik pola statistik yang ditemukan dalam data sekunder, atau justru mempertanyakan validitasnya dengan menunjukkan kompleksitas di lapangan yang tidak tertangkap oleh angka-angka.

Interaksi simbiosis ini dapat divisualisasikan dalam sebuah alur kerja yang dinamis.

Alur Simbiosis Data dalam Desain Mixed-Methods

• Fase Eksplorasi Kontekstual: Dimulai dengan analisis data sekunder (misalnya, laporan tahunan, statistik daerah, hasil penelitian sebelumnya) untuk memetakan landscape pengetahuan yang ada, mengidentifikasi celah penelitian, dan merumuskan pertanyaan penelitian yang lebih tajam.
• Fase Pengembangan Instrument: Temuan kuantitatif dari data sekunder digunakan untuk merancang instrument kualitatif (pedoman wawancara, pertanyaan observasi) yang relevan. Pola anomali dalam data sekunder menjadi garis pertanyaan kunci dalam wawancara mendalam.
• Fase Pengumpulan dan Analisis Primer: Melaksanakan pengumpulan data primer (wawancara, fokus grup, observasi) untuk menggali makna, proses, dan perspektif di balik pola yang terlihat di data sekunder.
• Fase Integrasi dan Triangulasi: Membandingkan dan mengontraskan temuan dari kedua set data. Apakah cerita kualitatif mendukung tren kuantitatif? Jika ada ketidakcocokan, apa penjelasannya? Fase ini menghasilkan interpretasi yang lebih bernuansa.
• Fase Penjelasan dan Generalisasi Terbatas: Insight dari data primer digunakan untuk menjelaskan dan memberi konteks pada temuan kuantitatif dari data sekunder, sekaligus menilai sejauh mana temuan kualitatif mungkin berlaku dalam konteks yang lebih luas yang digambarkan oleh data sekunder.

Sebagai narasi, bayangkan seorang peneliti yang ingin mempelajari efektivitas program pelatihan kewirausahaan pemuda. Ia pertama-tama menganalisis data sekunder dari database pemerintah mengenai profil peserta, nilai pre-test/post-test, dan tingkat kelulusan selama lima tahun terakhir. Analisis ini menunjukkan pola mengejutkan: peserta dari daerah perkotaan justru menunjukkan peningkatan skor lebih rendah daripada peserta dari pedesaan. Pola ini menjadi fokus. Peneliti kemudian merancang wawancara mendalam (data primer) dengan para alumni program dari kedua kelompok.

Pertanyaan wawancara dirancang spesifik untuk mengungkap pengalaman mereka: apakah materi relevan dengan konteks hidup mereka? Apa hambatan yang dihadapi setelah pelatihan? Dari wawancara, terungkap bahwa pemuda pedesaan melihat pelatihan sebagai satu-satunya kesempatan formal yang mereka dapat, sementara pemuda perkotaan sudah terpapar banyak informasi serupa sehingga materi terasa kurang menantang. Data primer ini menjelaskan “mengapa” di balik pola angka yang anomali tadi.

Strategi integrasi analisis bisa dilakukan secara berurutan (sequential) seperti contoh di atas, atau konkuren (bersamaan). Teknik analisis seperti “following a thread”—mengambil kasus spesifik dari data kuantitatif (sekunder) lalu menelusurinya secara mendalam dengan data kualitatif (primer)—sangat efektif. Kunci suksesnya adalah menjaga koneksi logis antara kedua set data sejak awal perencanaan, dan bersikap reflektif ketika temuan dari satu sumber menantang asumsi yang dibangun dari sumber lainnya.

Hasil akhirnya bukanlah dua laporan yang terpisah, melainkan satu sintesis kohesif di mana data primer dan sekunder saling menguatkan untuk membangun argumen yang lebih solid dan holistik.

Dalam statistika, data primer dikumpulkan langsung dari sumber asli, sementara data sekunder berasal dari studi atau laporan yang sudah ada. Nah, data-data ini nggak cuma buat hitung-hitung angka doang, lho. Analisisnya bisa banget diterapkan untuk mengevaluasi Indikator Kelayakan Bisnis: Aspek Teknis dan Manajemen , misalnya untuk riset pasar atau audit internal. Dengan memahami perbedaan mendasar kedua jenis data ini, fondasi analisis statistik untuk keputusan bisnis pun menjadi lebih kokoh dan terpercaya.

Dimensi Temporal dan Dinamika Perubahan Status Data dalam Inkuiri Statistik: Pengertian Data Primer Dan Sekunder Dalam Statistika

Source: googleusercontent.com

Waktu bukan hanya sekadar latar belakang dalam penelitian statistik; ia adalah aktor aktif yang mendefinisikan dan membedakan data primer dan sekunder, serta menggerakkan dinamika perubahan status data. Perbedaan mendasar sering kali terletak pada “kapan” data itu dikumpulkan relatif terhadap “kapan” pertanyaan penelitian diajukan. Data primer lahir dari sinkronisasi waktu antara fenomena, pengukuran, dan tujuan penelitian. Data sekunder, sebaliknya, melibatkan keterputusan waktu—ada jarak temporal antara penciptaan data dengan penggunaannya kembali, yang membawa serta konteks era yang berbeda.

Dimensi temporal ini mempengaruhi sifat data secara fundamental. Data primer dihargai karena kesegarannya (freshness) dan relevansi kontekstualnya yang langsung. Namun, ia juga terbatas pada satu titik waktu atau periode yang singkat. Data sekunder, meski mungkin “usang” untuk tujuan aslinya, justru mengakumulasi nilai baru seiring waktu: nilai historis dan komparatif. Ia memungkinkan kita melihat tren, pola siklus, dan perubahan jangka panjang yang tidak mungkin dilihat dari data primer satu periode.

Status data pun dapat berubah seiring waktu. Data primer suatu penelitian lambat laun akan menjadi data sekunder bagi penelitian di masa depan. Yang menarik, data sekunder lama dapat kembali menjadi data primer jika dianalisis sebagai artefak zaman, seperti yang dibahas sebelumnya.

Sifat Temporal Data Primer dan Sekunder, Pengertian Data Primer dan Sekunder dalam Statistika

Dinamika waktu ini terkait erat dengan konsep “data decay” atau pembusukan data.

“Data decay bukan hanya tentang file yang rusak. Ini tentang eroding context. Data sekunder dari sepuluh tahun lalu mungkin secara teknis masih terbaca, tetapi makna sosial dari sebuah kode, kategori pekerjaan, atau bahkan skala pendapatan bisa sudah berubah total. Menggunakan data sekunder lintas waktu tanpa memahami decay kontekstual ini seperti membandingkan apel masa kini dengan jeruk dari era Victorian—keduanya buah, tetapi perbandingannya menyesatkan,” demikian seorang arsiparis data memperingatkan.

Contoh perjalanan data pengamatan cuaca menggambarkan dinamika status ini dengan sempurna. Pada awalnya, catatan harian suhu dan curah hujan yang dicatat oleh seorang petani atau stasiun meteorologi pada tahun 1920-an adalah data primer untuk keperluan operasional harian (misal, pertanian atau pelayaran). Beberapa dekade kemudian, bagi seorang klimatolog di tahun 2000-an yang mempelajari pemanasan global, catatan manual itu menjadi data sekunder berharga yang di-digitasi dan dimasukkan ke dalam model iklim jangka panjang.

Statusnya berubah dari catatan operasional menjadi bahan baku analisis historis. Lalu, bagi seorang sejarawan sains di tahun 2020-an yang meneliti perkembangan metodologi pengukuran cuaca, buku catatan asli tersebut—dengan tinta yang memudar, coretan, dan catatan sampingan si pencatat—kembali menjadi data primer. Buku itu dianalisis sebagai objek material yang mengungkap praktik ilmu pengetahuan, budaya kerja, dan bahkan kondisi ekonomi pada zamannya. Dalam satu siklus, data telah bertransformasi dari primer ke sekunder, dan kembali ke primer dengan pertanyaan yang sama sekali berbeda, semuanya digerakkan oleh dimensi waktu dan sudut pandang peneliti.

Penutupan

Jadi, setelah menyelami berbagai dimensinya, terlihat jelas bahwa memahami pengertian data primer dan sekunder jauh melampaui sekadar definisi kamus. Ini adalah tentang kesadaran metodologis. Memilih di antara keduanya, atau lebih bijak lagi, menyelaraskannya dalam simbiosis yang saling menguatkan, merupakan keputusan strategis yang menentukan kedalaman dan keandalan temuan penelitian. Pada akhirnya, data, baik primer maupun sekunder, adalah cerita yang menunggu untuk ditafsirkan; dan peneliti yang cermat adalah yang memahami sepenuhnya narasi di balik sumber datanya sebelum mulai menyusun cerita baru.

Tanya Jawab (Q&A)

Apakah data sekunder selalu lebih rendah kualitasnya dibanding data primer?

Tidak selalu. Kualitas data sekunder sangat bergantung pada kredibilitas sumber dan dokumentasi metodologinya. Data sekunder dari lembaga terpercaya yang dikumpulkan dengan rigor metodologi tinggi bisa lebih berkualitas daripada data primer yang dikumpulkan dengan instrumen yang buruk.

Bisakah data primer berubah status menjadi data sekunder?

Ya, sangat mungkin. Data primer dari suatu penelitian, setelah dipublikasikan, akan berubah status menjadi data sekunder ketika digunakan oleh peneliti lain untuk analisis baru. Perubahan status ini bersifat dinamis dan kontekstual terhadap tujuan penelitian.

Manakah yang lebih hemat biaya dan waktu, menggunakan data primer atau sekunder?

Secara umum, menggunakan data sekunder jauh lebih hemat biaya dan waktu karena proses pengumpulan data awal sudah selesai. Namun, kelemahannya adalah data mungkin tidak sepenuhnya sesuai dengan kebutuhan spesifik penelitian baru, sehingga memerlukan adaptasi.

Bagaimana cara memastikan data sekunder yang digunakan masih relevan untuk kondisi saat ini?

Periksa dimensi temporal data, seperti tahun pengumpulan dan konteks sosial-ekonomi saat itu. Lakukan uji konsistensi dengan potongan data terkini jika memungkinkan, dan yang terpenting, kritislah terhadap kemungkinan “data decay” atau penurunan relevansi seiring perubahan zaman.

Dalam penelitian kuantitatif murni, apakah penggunaan data sekunder masih dianggap valid?

Sangat valid. Banyak penelitian kuantitatif, terutama yang berskala besar seperti analisis tren ekonomi atau studi epidemiologi, justru sangat mengandalkan data sekunder dari survei nasional atau dataset administratif pemerintah. Kuncinya adalah pemahaman dan pengakuan terhadap limitasi metodologis data tersebut.