Apa Itu Bias?
Dalam bahasa sehari-hari, "bias" berarti memiliki preferensi atau kecenderungan ke satu arah. Dalam statistik, bias berarti sesuatu yang lebih spesifik: ini adalah kesalahan sistematis yang menarik hasil Anda menjauhi kebenaran. Ini bukan acak. Bias secara konsisten mendorong temuan ke satu arah, membuatnya tidak dapat diandalkan.
Bias bisa menyusup ke tahap mana pun dari penelitian, dari memilih siapa yang diteliti, hingga mengumpulkan data, hingga menginterpretasi hasil. Bagian yang rumit adalah bahwa penelitian yang bias bisa terlihat sangat profesional. Mengetahui jenis-jenis bias yang umum membantu Anda menemukan masalah yang mungkin sebaliknya bisa mengelabui Anda.
Bias Seleksi: Siapa yang Ada di Ruangan?
Bias seleksi terjadi ketika orang-orang dalam penelitian tidak mewakili kelompok yang lebih besar yang Anda pedulikan. Sampelnya sudah miring dari awal.
Sebuah restoran nasi goreng mengirim email survei kepuasan kepada semua pelanggan yang mendaftar program loyalitas mereka. Hasilnya cemerlang: 92% mengatakan mereka suka makanannya. Tapi pikirkan siapa yang mendaftar program loyalitas. Mereka adalah penggemar berat restoran tersebut. Pelanggan yang punya pengalaman buruk dan tidak pernah kembali tidak ada di program loyalitas dan tidak pernah melihat survei. Restoran hanya mendengar dari orang yang sudah menyukai mereka.
Bias seleksi terus-menerus muncul di ulasan online. Orang yang merasa sangat kuat (baik sangat senang maupun sangat marah) jauh lebih mungkin meninggalkan ulasan daripada orang yang punya pengalaman biasa-biasa saja. Itulah mengapa rating produk sering mengelompok di bintang lima dan bintang satu, dengan lebih sedikit rating di antaranya.
Bias Konfirmasi: Melihat Apa yang Ingin Dilihat
Bias konfirmasi adalah kecenderungan alami kita untuk memperhatikan informasi yang mendukung apa yang sudah kita percaya dan mengabaikan informasi yang bertentangan. Ini mempengaruhi peneliti, jurnalis, dan kita semua dalam kehidupan sehari-hari.
Seorang peneliti yang percaya metode pengajaran baru berhasil mungkin secara tidak sadar lebih memperhatikan siswa yang meningkat dan mengabaikan yang tidak. Seorang manajer yang percaya kerja jarak jauh tidak produktif mungkin memperhatikan setiap kali karyawan remote melewatkan tenggat waktu tetapi mengabaikan saat mereka mengungguli tim di kantor.
Bias konfirmasi adalah salah satu alasan mengapa penyamaran dalam penelitian (dibahas dalam pelajaran tentang desain penelitian) sangat penting. Ketika peneliti tidak tahu kelompok mana yang menerima perlakuan, mereka tidak bisa secara tidak sadar memihak hasil yang mereka harapkan.
Bias Penyintas: Kegagalan yang Tidak Terlihat
Bias penyintas terjadi ketika kita hanya melihat orang atau benda yang berhasil melewati proses seleksi tertentu dan melupakan semua yang tidak berhasil.
Media bisnis senang memprofilkan orang-orang yang putus kuliah dan menjadi miliarder: seperti kisah-kisah pendiri startup sukses yang tidak menyelesaikan pendidikan formal. Membaca kisah-kisah ini mungkin membuat Anda berpikir putus kuliah adalah jalan menuju kesuksesan. Tapi untuk setiap orang putus kuliah yang menjadi miliarder, ada jutaan yang putus kuliah dan kesulitan secara finansial. Anda tidak pernah membaca kisah mereka karena mereka tidak menjadi terkenal. Media hanya menunjukkan para penyintas.
Bias penyintas muncul di banyak tempat. Kita mempelajari perusahaan sukses untuk belajar strategi bisnis tetapi mengabaikan ribuan perusahaan yang menggunakan strategi sama dan gagal. Kita mengagumi bangunan tua seperti candi Borobudur dan berkata "dulu mereka membangun lebih baik," lupa bahwa bangunan tua yang dibangun dengan buruk sudah runtuh sejak lama. Hanya yang bagus yang bertahan.
Bias Pengukuran: Alat Cacat, Data Cacat
Bias pengukuran terjadi ketika metode pengumpulan data Anda secara konsisten mendistorsi hasil. Alatnya sendiri (apakah itu pertanyaan survei, tes medis, atau pelacak digital) memperkenalkan kesalahan ke satu arah.
Kata-kata survei adalah sumber klasik bias pengukuran. Tanya orang "Apakah Anda mendukung perlindungan satwa liar yang terancam punah?" dan Anda akan mendapat persetujuan tinggi. Tanya "Apakah Anda mendukung penggunaan uang pajak untuk program satwa liar?" dan persetujuan turun, meskipun Anda bertanya tentang kebijakan yang sama. Cara Anda merumuskan pertanyaan mendorong orang ke jawaban tertentu.
Contoh lain: data yang dilaporkan sendiri. Ketika peneliti bertanya berapa banyak orang berolahraga, makan, atau minum, orang cenderung melaporkan lebih banyak perilaku sehat dan kurang melaporkan yang tidak sehat. Bukan karena mereka berbohong, tapi karena kita semua cenderung mengingat diri kita dalam cahaya yang sedikit lebih baik.
Bias Respons dan Bias Non-Respons
Bias respons terjadi ketika orang tidak menjawab dengan jujur. Dalam survei tempat kerja tentang kepuasan terhadap atasan, karyawan mungkin memberikan nilai positif karena mereka takut respons mereka tidak benar-benar anonim. Dalam topik sensitif seperti penghasilan, konsumsi rokok, atau opini kontroversial, orang sering mengubah jawaban mereka ke arah yang diterima secara sosial.
Bias non-respons adalah sepupu dekatnya. Ketika sebagian besar orang yang dipilih untuk penelitian tidak merespons, orang yang merespons mungkin secara sistematis berbeda dari yang tidak. Survei kesehatan dengan tingkat respons 20% mungkin terlalu banyak mewakili orang yang sangat peduli kesehatan, karena mereka lebih tertarik pada topik tersebut.
Bagaimana Bias Mempengaruhi Keputusan Nyata
Ini bukan hanya masalah akademis. Bias dalam statistik mempengaruhi keputusan yang menyentuh kehidupan semua orang.
- Penelitian medis: Jika uji klinis sebagian besar mencakup pria muda dan sehat, hasilnya mungkin tidak berlaku untuk wanita lanjut usia. Ini secara historis telah menyebabkan obat yang bekerja berbeda (atau menyebabkan efek samping tak terduga) pada populasi yang tidak diteliti dengan baik.
- Rekrutmen dan pendidikan: Jika Anda mengevaluasi program pelatihan hanya dengan melihat orang yang menyelesaikannya, Anda melewatkan semua orang yang keluar karena programnya tidak cocok untuk mereka.
- Teknologi: Sistem pengenalan wajah yang dilatih sebagian besar pada wajah berkulit terang terbukti berkinerja buruk pada wajah berkulit gelap. Data pelatihan memiliki bias seleksi yang tertanam di dalamnya.
Cara Melindungi Diri Sendiri
Anda tidak perlu menjadi peneliti profesional untuk waspada terhadap bias. Berikut pertanyaan-pertanyaan praktis yang bisa ditanyakan:
- Siapa yang diteliti? Apakah sampelnya mewakili kelompok yang Anda pedulikan, atau hanya irisan sempit?
- Siapa yang hilang? Pikirkan siapa yang mungkin tidak dimasukkan atau memilih untuk tidak berpartisipasi.
- Bagaimana data dikumpulkan? Apakah pertanyaannya dirumuskan dengan adil? Bisakah orang menjawab dengan jujur?
- Siapa yang bercerita? Apakah Anda hanya mendengar dari yang sukses dan bukan yang gagal?
- Apa yang diharapkan peneliti temukan? Apakah ada perlindungan terhadap preferensi mereka sendiri?
Bias bukan tentang niat buruk. Bahkan peneliti, jurnalis, dan organisasi yang berniat baik bisa menghasilkan hasil yang bias tanpa menyadarinya. Empat jenis yang paling umum untuk diwaspadai adalah bias seleksi (orang yang salah diteliti), bias konfirmasi (peneliti melihat apa yang ingin mereka lihat), bias penyintas (kegagalan tidak terlihat), dan bias pengukuran (alat pengumpulan data cacat). Hanya dengan mengetahui ini ada membuat Anda menjadi konsumen informasi yang jauh lebih tajam.