Penanganan data hilang
Pola dan penanganan data yang kosong.
Untuk apa dipakai
- Menentukan jumlah sampel dan menyiapkan data
Data yang dibutuhkan
Bergantung pada tujuan: umumnya berupa angka ringkas seperti jumlah populasi atau tingkat kesalahan, atau data responden untuk diperiksa.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Memeriksa sel kosong per variabel dan polanya.
- Persentase kosong per variabel
- Di bawah sekitar 5% biasanya tidak bermasalah; makin besar makin perlu penanganan.
- Pola kekosongan
- Kosong acak lebih aman daripada kosong yang terkumpul pada kelompok tertentu.
Perlu diwaspadai
- Menghapus atau mengisi data kosong memengaruhi hasil; catat cara yang dipilih.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Dihitung jumlah dan persentase sel kosong per variabel, jumlah sel kosong keseluruhan, serta berapa responden yang akan tersisa bila dilakukan penghapusan listwise (menghapus semua responden yang tidak lengkap).
% hilang = (sel kosong / total sel) × 100%
Persentase data hilang di bawah 5% dari keseluruhan data umumnya tidak terlalu memengaruhi hasil apa pun metode penanganannya; di atas 5%, terutama bila tidak acak, pilihan metode penanganan dapat memengaruhi hasil secara berarti (Kline, 2016, hlm. 83).
Pola kombinasi variabel yang hilang bersama-sama dirangkum (maksimal 10 pola tersering), demikian pula daftar responden dengan data hilang.
Untuk setiap variabel dengan cukup responden hilang dan terisi (minimal 5 masing-masing), dijalankan uji-t Welch yang membandingkan rata-rata variabel angka lain antara kelompok yang datanya hilang dan yang terisi. Hanya hasil p ≤ 0,05 ditampilkan — ini mengindikasikan kemungkinan data tidak hilang murni acak (MCAR), melainkan berkaitan dengan variabel lain (MAR), meski tidak dapat membedakan MAR dari MNAR secara pasti.
t Welch = (rata-rata hilang − rata-rata terisi) / akar(s₁²/n₁ + s₂²/n₂)
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| % data hilang keseluruhan | < 5% umumnya tidak terlalu berpengaruh | Kline (2016, hlm. 83) |
| p diagnosis kaitan (uji-t Welch) | ≤ 0,05 → indikasi MAR, bukan MCAR murni | Kline (2016, hlm. 84) |
- Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
- Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147–177.
Kline (2016); Schafer & Graham (2002)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.