Bias seleksi

Menaklukkan Bias Data

Konstantinos Kattidis

Data Analytics Lead

Apa itu bias seleksi?

Bias yang muncul ketika data untuk analisis dipilih dengan cara yang secara sistematis menguntungkan individu, kelompok, atau karakteristik tertentu

Diagram yang menunjukkan populasi berbeda dari sampel.

Akibatnya, sampel tidak mewakili populasi yang ingin dianalisis

Mari bahas lima jenis umum bias seleksi

1. Bias pengambilan sampel

Bias pengambilan sampel terjadi saat metode sampling tidak adil atau tidak acak
Berasal dari cara kita memperoleh sampel, yang bisa menyulitkan atau membuat mustahil menerapkan temuan ke seluruh populasi
Contoh:
- Platform e-commerce menganalisis kepuasan pelanggan dengan convenience sampling
- Temuan mungkin tidak mencerminkan sentimen seluruh basis pelanggan

Seseorang mempertimbangkan metode sampling mana yang akan digunakan

2. Bias undercoverage

Pertimbangkan riset pasar yang menargetkan konsumen online, mengecualikan individu tanpa akses internet
Bias undercoverage menyoroti representasi yang tidak memadai dari kelompok tertentu dalam sampel terpilih
Berbeda dari bias pengambilan sampel karena fokus pada representasi kelompok spesifik, bukan keacakan atau keadilan metode sampling itu sendiri

Peneliti mengabaikan konsumen tanpa akses internet

3. Bias tidak merespons

Bias tidak merespons muncul saat individu yang memilih tidak ikut survei/studi berbeda secara sistematis dari yang ikut serta

Survei kepuasan di mana responden puas dan yang tidak merespons tidak puas

Dalam survei kepuasan karyawan, karyawan yang tidak puas cenderung tidak berpartisipasi
Ini menghasilkan gambaran moral karyawan yang terlalu optimistis

4. Bias swaseleksi

Analis meninjau hasil yang terdampak oleh swaseleksi

Bias swaseleksi terjadi saat individu memilih ikut serta dalam studi atau memberi umpan balik
Contoh:
- Pelanggan memilih ikut survei kepuasan
- Pandangan mereka tidak mewakili keseluruhan basis pelanggan
- Ini menyesatkan persepsi keseluruhan

5. Bias kelangsungan (survivorship)

Terjadi saat hanya entitas yang berhasil yang disertakan dalam analisis

Contoh:

Menganalisis peluncuran produk yang sukses tanpa mempertimbangkan yang gagal
Ini menghasilkan wawasan bias, mengabaikan faktor kritis yang menyebabkan kegagalan

Seseorang menganalisis produk yang sukses dan mengabaikan yang gagal

Membangun pemahaman yang utuh

Timbangan tidak seimbang dengan tanda tanya

Tidak jarang beberapa bias saling berinteraksi, sehingga analisis makin rumit
Misalnya, survei kepuasan pelanggan bisa mengandung bias swaseleksi dan bias tidak merespons sekaligus

Ayo berlatih!

Menaklukkan Bias Data