Bias dan Kualitas Data

Analisis yang canggih tidak bisa menyelamatkan data yang sudah bias sejak dikumpulkan. Kesalahan aritmetika bisa diperbaiki dengan menghitung ulang, tetapi responden yang tidak pernah terjangkau atau jawaban yang tidak jujur meninggalkan cacat yang menempel pada seluruh hasil. Karena itu pemeriksaan bias dan kualitas data dilakukan sebelum rumus pertama dijalankan, bukan setelahnya. Chapter ini membahas lima jenis bias yang paling sering muncul, dua ukuran kualitas pengukuran, dan checklist pemeriksaan data sebelum analisis dimulai.

Apa Itu Bias #

Bias adalah galat yang bekerja secara sistematis ke satu arah, bukan galat acak yang menyebar dua arah. Galat acak cenderung saling meniadakan dan mengecil ketika jumlah pengamatan bertambah. Bias tidak mengecil dengan jumlah pengamatan: timbangan yang selalu menampilkan 2 kg lebih tinggi akan menggeser seluruh hasil ke atas sebesar 2 kg, baik untuk 10 pengamatan maupun 1.000 pengamatan. Menambah responden hanya memperhalus perkiraan; arah kesalahan yang sudah ada tidak ikut terperbaiki.

Selection Bias #

Selection bias terjadi ketika proses pemilihan membuat sampel tidak mewakili populasi target. Definisi ini terdengar abstrak, tetapi gejalanya konkret: sebagian populasi tidak pernah punya peluang untuk masuk sampel. Contohnya survei kepuasan alumni yang hanya disebar di grup media sosial angkatan. Alumni yang tidak memakai platform tersebut tidak pernah terjangkau, padahal pengalaman mereka bisa jadi berbeda; hasil survei pun condong menggambarkan alumni yang aktif secara digital.

Nonresponse Bias #

Nonresponse bias muncul ketika responden terpilih tidak semua menjawab, dan yang tidak menjawab berbeda karakteristik dari yang menjawab. Contoh: dari 500 kuesioner yang dikirim, 350 kembali terisi, sehingga tingkat respons 350/500 = 0.7 atau 70%. Persoalannya bukan angka 30% yang tidak menjawab itu besar, melainkan asumsi bahwa keduanya setara. Bila yang tidak menjawab justru para pelanggan yang sibuk atau kecewa sehingga tidak sempat mengisi, maka 30% suara paling informatif justru tidak terdengar, dan skor kepuasan hasil survei terlalu positif.

Response Bias dan Social Desirability Bias #

Response bias terjadi ketika jawaban tidak mencerminkan keadaan sebenarnya. Salah satu bentuknya adalah social desirability bias: responden cenderung menjawab sesuai apa yang dianggap pantas oleh lingkungannya. Pertanyaan “berapa jam Anda belajar dalam sehari” cenderung dijawab lebih tinggi dari kenyataan, dan pertanyaan tentang penghasilan cenderung dijawab lebih rendah. Bentuk lainnya adalah pertanyaan yang mengarahkan, seperti yang dibahas pada chapter Metode Pengumpulan Data.

Survivorship Bias #

Survivorship bias terjadi ketika analisis hanya memakai unit yang masih ada atau masih beroperasi, sedangkan unit yang sudah keluar tidak terdata. Contoh klasik di sekitar kita: peneliti mewawancarai 30 warung yang masih buka setelah tiga tahun untuk menyimpulkan kunci keberhasilan usaha, misalnya “jualan satu komoditas utama”. Kesimpulan tersebut lemah karena warung yang sudah tutup tidak diwawancarai, padahal sebagian dari mereka juga menjual satu komoditas utama. Tanpa data kelompok yang keluar, kita tidak bisa membedakan pola yang menentukan bertahan atau tidak dari pola yang dimiliki semua pelaku.

Recall Bias #

Recall bias terjadi ketika responden diminta mengingat kejadian atau pengeluaran masa lalu, dan ingatan tidak akurat. Contohnya pertanyaan “berapa total pengeluaran makan keluarga Anda bulan lalu”. Belanja kecil yang sering — jajan anak, kopi, lauk tambahan — cenderung terlupakan, sehingga rata-rata jawaban lebih rendah dari kenyataan. Bias ini bertambah parah bila periode yang diingat makin lama; keluarga yang belanja harian dan yang belanja mingguan juga tidak sama akuratnya mengingat total pengeluaran.

Validitas dan Reliabilitas #

Dua ukuran kualitas pengukuran perlu dibedakan. Validitas menyatakan apakah alat ukur mengukur hal yang memang dimaksud diukur; reliabilitas menyatakan apakah hasil pengukuran konsisten bila diulang. Sebuah timbangan dapur yang selalu menampilkan 2 kg lebih tinggi dari berat sebenarnya reliabel — hasilnya konsisten dari kali ke kali — tetapi tidak valid karena tidak mengukur berat dengan benar. Sebaliknya, alat ukur yang hasilnya berpusat di sekitar nilai sebenarnya tetapi menyebar lebar dinilai cukup valid secara arah, namun tidak reliabel.

Kombinasi keduanya memberi empat kemungkinan, dan hanya satu yang diinginkan: valid sekaligus reliabel. Instrumen survei mengikuti logika yang sama. Kuesioner kepuasan yang valid menangkap konstruk kepuasan, bukan keramahan petugas semata; kuesioner yang reliabel menghasilkan jawaban yang stabil bila responden mengisi ulang dalam kondisi sama. Cara praktis memeriksa reliabilitas adalah mengukur ulang sebagian responden atau membandingkan dua pertanyaan sejenis pada satu kuesioner.

Missing Data: Hilang Tanpa Pola vs Hilang Terkait Nilai #

Data yang hilang perlu diselidiki penyebabnya, karena dua situasi berbeda akibatnya. Situasi pertama, data hilang tanpa pola: formulir sobek atau halaman terlewat. Nilai yang hilang tidak berhubungan dengan besar nilainya sendiri, sehingga data tersisa masih bisa dipakai dengan hati-hati. Situasi kedua, data hilang justru karena nilainya: kolom penghasilan yang cenderung dibiarkan kosong oleh responden berpenghasilan tinggi. Pada situasi ini, rata-rata dari yang terisi akan lebih rendah dari kenyataan populasi, dan menambah responden tidak menolong karena pola kosongnya sama. Menghapus baris yang ada nilai kosong bukan solusi netral; keputusan tersebut sendiri bisa memperkenalkan bias, sehingga penyebab kehilangan selalu diselidiki dulu.

Data Duplikat dan Anomali #

Dua masalah teknis paling sering dijumpai pada dataset mentah adalah duplikat dan anomali. Duplikat terjadi ketika satu entri terekam lebih dari sekali, misalnya karena formulir dikirim dua kali. Sebagai contoh, berkas transaksi berisi 1.050 baris dan pemeriksaan menemukan 40 baris duplikat, sehingga baris unik tinggal 1.050 - 40 = 1.010 baris; tanpa pembersihan, volume transaksi tampak lebih besar dari kenyataan.

Anomali, sering disebut outlier, adalah nilai yang jauh di luar pola mayoritas data. Contohnya berat badan siswa tercatat 720 kg yang sebenarnya berasal dari entri 72.0 yang kelebihan satu nol. Setiap anomali diperiksa sumbernya: bila jelas salah ketik, diperbaiki atau ditandai; bila nilai tersebut nyata, tetap dipakai karena outlier sah bisa jadi justru temuan penting. Kita akan membahas deteksi dan perlakuan outlier secara khusus pada Section Statistika Deskriptif.

Gejala dan Mitigasi Bias #

Checklist Kualitas Data Sebelum Analisis #

Sebelum analisis dimulai, jalankan pemeriksaan berikut pada dataset. Checklist ini memerlukan waktu beberapa menit tetapi menangkap sebagian besar masalah yang merusak analisis:

• Pastikan setiap kolom punya definisi, satuan, dan skala pengukuran yang tercatat.
• Periksa rentang nilai tiap kolom: usia 150 tahun atau berat 720 kg adalah tanda kesalahan entri.
• Hitung dan tangani baris duplikat; catat berapa banyak yang dihapus.
• Petakan pola nilai kosong per kolom dan selidiki penyebabnya sebelum menghapus atau mengisi.
• Samakan format penulisan tanggal, mata uang, dan desimal antar kolom.
• Periksa siapa yang terjangkau pengumpulan data: frame, metode, dan tingkat respons.
• Catat keputusan atas setiap outlier: diperbaiki, ditandai, atau dipertahankan, beserta alasannya.

Data yang lolos pemeriksaan bias dan kualitas siap memasuki tahap berikutnya: diringkas menjadi ukuran yang bermakna. Section berikutnya, Statistika Deskriptif, membahas mean, median, modus, dan ukuran penyebaran sebagai perangkat peringkasan pertama. Sebagai rujukan lanjutan, NIST/SEMATECH e-Handbook of Statistical Methods memuat pembahasan galat pengukuran dan kualitas data, sedangkan OpenIntro Statistics membahas bias pada survei di bab pengumpulan data.