Data dan etika

Data yang dianalisis berasal dari proses pengumpulan tertentu dengan tujuan tertentu, dan setiap proses itu membawa batasan yang ikut masuk ke dalam analisis. Topik ini membahas asal-usul data yang umum ditemui, prinsip privasi dan persetujuan, serta bias yang melekat pada data sejak pengumpulannya. Contoh yang digunakan berupa data antrean klinik yang sengaja dibuat kecil agar setiap angkanya mudah dihitung ulang. Setelah topik ini selesai, sumber data dapat dinilai sebelum analisis dimulai, dan keterbatasan data dapat dinyatakan secara jujur pada hasil analisis.

Asal-usul data#

Data primer adalah data yang dikumpulkan langsung untuk analisis yang sedang dikerjakan, misalnya jawaban kuesioner siswa atau catatan antrean klinik yang dibuat khusus untuk pengukuran tersebut. Data sekunder adalah data yang sudah ada untuk tujuan lain, misalnya log peminjaman perpustakaan, yaitu catatan kejadian yang direkam sistem secara otomatis, atau catatan administrasi sekolah. Keduanya sah digunakan, tetapi masing-masing membawa keputusan pengumpulan yang perlu dipahami sebelum analisis dimulai. Keputusan tersebut menentukan kolom apa yang ada, kolom apa yang hilang, dan siapa yang tercatat.

Tabel berikut merangkum sumber data yang paling sering ditemui beserta hal yang perlu diperiksa pada tiap sumbernya. Kolom pemeriksaan menyebut satu hal yang paling menentukan, dan pemeriksaan yang lebih lengkap dirangkum pada daftar di bagian akhir topik. Baris catatan administrasi sekaligus menjadi sumber contoh pada bagian bias di bawah.

Pemeriksaan pada tabel di atas menyangkut kejujuran data, bukan sekadar kerapian format. Log peminjaman yang baru mulai dicatat bulan lalu tidak dapat menjawab tren tahunan, dan sensor suhu yang mencatat tiap jam kehilangan puncak suhu yang berlangsung singkat. Pernyataan tentang periode dan cara pencatatan inilah yang ditulis bersama hasil analisis. Data yang dipahami asal-usulnya lebih mudah dilaporkan dengan batasan yang jelas.

Privasi dan persetujuan#

Data tentang manusia hampir selalu menyentuh privasi, yaitu hak atas kendali terhadap informasi pribadi. Pengenal langsung berupa nama atau nomor induk adalah bentuk yang paling terlihat, tetapi kombinasi kolom yang tampak netral juga dapat mengidentifikasi seseorang. Kombinasi kelas, tanggal lahir, dan jenis kelamin pada data sekolah, misalnya, sering cukup untuk menunjuk satu siswa tertentu. Karena itu privasi dinilai pada keseluruhan tabel dan bukan pada satu kolom saja.

Persetujuan menetapkan syarat sah penggunaan data. Data yang dikumpulkan dengan persetujuan tertentu, misalnya untuk evaluasi kelas, tidak otomatis boleh digunakan untuk tujuan lain tanpa persetujuan baru. Prinsip minimalisasi data menuntut pengumpulan sebatas kolom yang dibutuhkan pertanyaan analisis, sehingga kolom yang tidak relevan tidak dikumpulkan sejak awal. Dokumen tujuan penggunaan yang jelas membuat batas ini dapat ditegakkan sepanjang proyek.

Pengenal pribadi dihilangkan sebelum data dibagikan untuk analisis. Penghapusan pengenal langsung disebut anonimisasi, sedangkan penggantian pengenal dengan kode yang disimpan terpisah disebut pseudonimisasi. Pseudonimisasi digunakan apabila data masih perlu dihubungkan kembali dengan identitas untuk keperluan tertentu, misalnya pelaporan nilai kepada siswa yang bersangkutan. Kedua cara ini mengurangi risiko, tetapi tidak menghapus kewajiban menjaga keamanan akses berkasnya.

Bias yang melekat sejak pengumpulan#

Bias adalah penyimpangan sistematis dari keadaan yang sebenarnya, dan bias umumnya sudah melekat pada data sebelum perhitungan apa pun dijalankan. Bias cakupan muncul saat sebagian populasi tidak memperoleh peluang yang sama untuk tercatat, misalnya kunjungan klinik pada sesi sore yang tidak dicatat petugasnya. Bias nonrespons muncul saat kelompok yang menjawab survei berbeda karakternya dengan kelompok yang tidak menjawab. Bias pengukuran muncul saat rumusan pertanyaan atau alat ukur mendorong jawaban ke satu arah.

Contoh berikut memperlihatkan bias cakupan pada data antrean klinik. Data lengkap memuat dua belas kunjungan pada dua sesi, tetapi pencatatan hanya menangkap kunjungan sesi pagi. Ringkasan dihitung dari data tercatat, lalu dibandingkan dengan ringkasan dari data lengkap.

import pandas as pd

data_lengkap = pd.DataFrame({
    "sesi": ["pagi"] * 6 + ["sore"] * 6,
    "waktu_tunggu": [10, 12, 9, 11, 13, 10, 25, 28, 24, 27, 26, 30],
})

# pencatatan hanya mencakup kunjungan sesi pagi
tercatat = data_lengkap[data_lengkap["sesi"] == "pagi"]

print("Jumlah kunjungan tercatat :", len(tercatat))
print("Rata-rata dari tercatat   :", tercatat["waktu_tunggu"].mean())
print("Rata-rata dari lengkap    :", data_lengkap["waktu_tunggu"].mean())

Jumlah kunjungan tercatat : 6
Rata-rata dari tercatat   : 10.833333333333334
Rata-rata dari lengkap    : 18.75

Rata-rata dari data tercatat menunjukkan waktu tunggu sekitar sepuluh menit, sedangkan keadaan sebenarnya hampir dua kali lipatnya. Selisih tersebut bukan kesalahan perhitungan, melainkan akibat data yang tidak mencakup sesi sore yang jauh lebih lambat. Ringkasan dari data tidak lengkap tetap terlihat rapi dan mudah dihitung, sehingga kesalahannya tidak terdeteksi dari bentuk angkanya. Pertanyaan yang lebih dahulu dijawab adalah cakupan pencatatan, bukan rumus rata-ratanya.

Praktik pemeriksaan sebelum analisis#

Pemeriksaan asal-usul data dilakukan sebelum analisis dimulai dan diulang setiap kali sumber data baru masuk. Urutan pemeriksaannya tetap sama pada setiap proyek, mulai dari sumber sampai keterbatasan yang dilaporkan. Daftar berikut merangkum langkah tersebut.

1. Tanyakan cara dan tujuan pengumpulan data, termasuk siapa yang melakukan pencatatan.
2. Periksa cakupan data, yaitu siapa yang tercatat, siapa yang tidak tercatat, dan periode waktunya.
3. Pastikan persetujuan pemilik data mencakup tujuan analisis yang sedang dikerjakan.
4. Hilangkan kolom pengenal pribadi yang tidak dibutuhkan pertanyaan analisis.
5. Nyatakan batasan data secara eksplisit bersama hasil analisis, termasuk kelompok yang tidak terwakili.

Langkah-langkah tersebut tidak menuntut perangkat tambahan, melainkan kejelasan dokumentasi dan kesiapan menyatakan keterbatasan. Apabila satu langkah tidak dapat dijawab, misalnya asal persetujuan tidak diketahui, penggunaan data perlu ditunda sampai kejelasan diperoleh. Pada contoh antrean klinik, langkah kedua langsung menemukan bias sesi sore sebelum ringkasan yang menyesatkan sempat dilaporkan.

Ringkasan#

• Data berasal dari survei, catatan sistem, sensor, dan catatan administrasi, dan setiap sumber membawa keputusan pencatatan yang membatasi analisisnya.
• Data pribadi dilindungi melalui persetujuan, minimalisasi kolom, anonimisasi, dan pemisahan kode pengenal.
• Bias cakupan, nonrespons, dan pengukuran melekat sejak pengumpulan, sehingga ringkasan yang rapi belum tentu mewakili keadaan sebenarnya.
• Cakupan data dan keterbatasannya dinyatakan eksplisit pada setiap hasil analisis.

Referensi#

• OpenIntro Statistics — OpenIntro — Buku pengantar statistika yang membahas desain pengumpulan data, pengambilan sampel, dan sumber bias.
• pandas User Guide — PyData — Panduan pengguna pandas yang digunakan pada contoh DataFrame dan perhitungan rata-rata.