Missing data dapat mengubah presisi dan bahkan arah inferensi. Sebelum menghapus atau mengisi nilai, pahami mengapa data hilang.

Sains4Genius • EduResearch Edition • Senin, 5 Oktober 2026

Kotak Kosong Bukan Sekadar Masalah Teknis

Missing data dapat mengubah presisi dan bahkan arah inferensi. Sebelum menghapus atau mengisi nilai, pahami mengapa data hilang.

Data Rescue Lab • Missing DataBelajar Lebih Tahan Lama • Mengukur Lebih Tepat • Menganalisis Lebih Cermat± 10 menit baca

Visual 1. Data kosong bukan sekadar masalah teknis; pola dan alasan missingness menentukan risiko bias serta pilihan metode.

SEE

Kotak kosong bukan sekadar masalah membersihkan spreadsheet

Dari 200 mahasiswa, tidak semua mengisi semua item, sebagian tidak mengikuti posttest, dan beberapa berhenti dari penelitian. Solusi tercepat sering berupa menghapus kasus lengkap, mengisi rata-rata, atau mengganti dengan nilai yang paling sering muncul. Cepat—tetapi belum tentu dapat dipertanggungjawabkan.

QUESTION

Pertanyaan terpenting: mengapa data tersebut hilang?

Risiko bias missing data ditentukan bukan hanya oleh persentasenya, tetapi juga oleh mekanisme yang menyebabkan data hilang. Karena itu, dua dataset dengan 10% missing dapat memerlukan pemikiran yang sangat berbeda.

EXPLAIN

Tiga kerangka klasik: MCAR, MAR, dan MNAR

MCAR berarti peluang nilai hilang tidak berkaitan secara sistematis dengan data teramati maupun nilai yang tidak diamati. MAR berarti missingness dapat dijelaskan oleh informasi yang sudah diamati. MNAR berarti peluang data hilang masih berkaitan dengan nilai yang hilang atau faktor tak teramati bahkan setelah data yang tersedia diperhitungkan.

Visual 2. Mekanisme missingness memengaruhi asumsi, risiko bias, dan strategi analisis yang masuk akal.

MASALAH UMUM

Menghapus kasus dan mean imputation bukan keputusan netral

Complete-case analysis dapat mengurangi power karena jumlah informasi berkurang dan dapat menimbulkan bias bila kemungkinan hilang berkaitan dengan outcome atau karakteristik peserta. CONSORT 2025 menekankan bahwa complete-case analysis dengan banyak data hilang dapat mengurangi power dan berpotensi bias, terutama jika dropout berbeda antar-kelompok.

Mean imputation juga bermasalah karena mengisi nilai yang tidak diketahui seolah-olah nilainya tepat di rata-rata. Imputasi tunggal sederhana mengabaikan ketidakpastian dan dapat menghasilkan standard error yang terlalu kecil.

MULTIPLE IMPUTATION

Multiple imputation bukan tombol “repair data”

Multiple imputation dapat berguna jika asumsi dan model imputasinya masuk akal. Peneliti tetap perlu memikirkan mekanisme missingness, variabel yang dimasukkan, pola dan jumlah missing, model analisis akhir, serta analisis sensitivitas. Sterne dan kolega membahas manfaat sekaligus jebakan multiple imputation secara rinci.

APPLY

Protokol M.I.S.S.

M

MAP. Petakan jumlah dan lokasi data yang hilang.

I

INVESTIGATE. Cari pola serta alasan missingness dan bandingkan karakteristik peserta bila relevan.

S

SELECT METHOD. Pilih metode berdasarkan desain, model, dan asumsi—bukan kebiasaan.

S

SENSITIVITY. Periksa apakah kesimpulan berubah di bawah asumsi lain jika relevan.

Uji cepat

Kelompok eksperimen kehilangan 2 peserta, kelompok kontrol kehilangan 14. Apakah cukup menghapus semua peserta yang tidak memiliki posttest?

Buka jawaban

Belum tentu. Perbedaan dropout antar-kelompok perlu ditelusuri karena dapat menunjukkan mekanisme missingness yang berkaitan dengan perlakuan, outcome, atau karakteristik peserta.

TAKEAWAY

Prevention first, transparency always

Pencegahan missing data dimulai saat desain penelitian: follow-up yang direncanakan, pencatatan alasan dropout, instrumen yang tidak terlalu panjang, serta validasi input. Ketika missing tetap terjadi, laporkan jumlah, pola, alasan jika diketahui, metode penanganan, asumsi, dan analisis sensitivitas.

Sebelum menekan Delete, tanyakan: “Mengapa data ini hilang?”

REFERENSI

Referensi ilmiah

1. Sterne, J. A. C., White, I. R., Carlin, J. B., Spratt, M., Royston, P., Kenward, M. G., Wood, A. M., & Carpenter, J. R. (2009). Multiple imputation for missing data in epidemiological and clinical research: Potential and pitfalls. BMJ, 338, b2393. https://doi.org/10.1136/bmj.b2393
2. CONSORT Group. (2025). CONSORT 2025 explanation and elaboration: Updated guideline for reporting randomised trials. BMJ, 389, e081124. https://doi.org/10.1136/bmj-2024-081124

Dalam artikel iniSEEQUESTIONEXPLAINMasalah umumMultiple imputationAPPLYKesimpulanReferensi

Sains4Genius — EduResearch Edition
Pembelajaran • Metode Penelitian • Analisis Data • Pendidikan IPA/Biologi