Membandingkan dua dataset dengan definisi berbeda menuntut satu langkah yang sering dilewatkan: menyamakan arti angka sebelum membandingkan angkanya. Dua tabel bisa memiliki nama kolom yang sama, label yang sama, bahkan jumlah baris yang sama, tetapi tetap tidak sebanding jika satuan, periode, cakupan, atau aturan hitungnya berbeda. Tanpa penyesuaian, perbandingan hanya menghasilkan selisih yang tampak meyakinkan, padahal sebagian selisih itu berasal dari perbedaan definisi, bukan dari perbedaan keadaan yang ingin diamati.
Karena itu, pekerjaan utama dalam membandingkan dataset yang berbeda definisi bukanlah mencari baris yang tidak identik, melainkan membangun dasar perbandingan yang setara. Pendekatan yang hanya menampilkan baris berbeda sering tidak cukup: ia bisa menunjukkan baris ke-4.217 berubah, tetapi tidak menjelaskan apakah perbedaannya berupa variasi format, pembaruan yang sah, atau kesalahan entri (Match Data Studio). Panduan ini menguraikan langkah untuk membuat perbandingan yang bisa dipertanggungjawabkan, termasuk kapan sebaiknya perbandingan tidak dipaksakan. Topik ini merupakan bagian dari panduan Membaca Data.
Mengapa angka yang sama belum tentu sebanding
Dataset yang heterogen tidak otomatis bisa digabungkan atau dibandingkan begitu saja. Literatur harmonisasi data menekankan bahwa data dari berbagai sumber sering berbeda dalam struktur, kategori, dan makna variabel, sehingga perlu proses penyesuaian yang eksplisit (Cheng dkk., Scientific Data, 2024). Perbedaan definisi dapat muncul pada beberapa aspek sekaligus:
- Satuan dan skala: rupiah penuh atau ribuan rupiah, kilogram atau ton, persen atau permil.
- Periode: tahun kalender atau tahun fiskal, tanggal transaksi atau tanggal pencatatan, periode penuh atau periode berjalan.
- Cakupan: seluruh pelanggan atau hanya pelanggan aktif, termasuk retur atau tidak, termasuk cabang baru atau tidak.
- Kategori: kode wilayah versi lama dan baru, nama jabatan yang berubah, pengelompokan industri yang berbeda.
- Kunci identitas: ID internal, surel, nomor telepon, atau nama yang bisa berubah dan berulang.
- Aturan hitung dan denominator: kunjungan unik atau page view, persentase dari seluruh responden atau hanya dari yang menjawab.
Perbedaan-perbedaan ini tidak selalu terlihat dari judul kolom. Karena itu, membandingkan angka tanpa memeriksa definisinya berisiko menghasilkan kesimpulan yang salah arah.
Tetapkan pertanyaan dan unit analisis lebih dulu
Sebelum menyentuh data, tentukan apa yang ingin dijawab. Apakah perbandingan ini tentang total, distribusi, tren waktu, atau kecocokan catatan per catatan? Jawaban itu menentukan unit analisis: orang, transaksi, sekolah, desa, atau produk. Dua dataset yang tidak bisa dicocokkan per individu mungkin masih bisa dibandingkan pada tingkat agregat, misalnya jumlah transaksi per provinsi per bulan.
Menetapkan unit analisis juga mencegah pencocokan yang berlebihan. Jika tujuan hanya membandingkan total penjualan tahunan, pencocokan nama pelanggan satu per satu belum tentu diperlukan. Sebaliknya, jika tujuan memeriksa duplikasi pelanggan, kunci identitas menjadi fokus utama.
Inventarisasi definisi sebelum menghitung selisih
Kumpulkan dokumentasi yang menyertai setiap dataset: kamus data, catatan metode, versi kuesioner, definisi variabel, dan tanggal pembaruan. Jika dokumentasi tidak tersedia, tanyakan kepada pemilik data atau unit yang menerbitkannya. Jangan mengisi kekosongan definisi dengan dugaan sendiri, karena asumsi yang tidak tercatat akan sulit diuji ulang.
Untuk memeriksa kelengkapan sumber dan metadata, Checklist Pemeriksaan Sumber dapat membantu mencatat status pemeriksaan, tanggal, sumber primer, bukti, dan konteks. Checklist ini bukan vonis benar atau salah atas suatu klaim; ia hanya membantu memastikan bahwa dasar perbandingan telah diperiksa secara tertib.
Membuat jembatan definisi atau crosswalk
Setelah definisi terinventarisasi, susun crosswalk: tabel yang memetakan definisi lama ke definisi baru, atau definisi sumber A ke definisi sumber B. Crosswalk adalah dokumen kerja, bukan tempelan di akhir laporan. Setiap transformasi harus dicatat agar pembaca lain dapat mengulang atau mengoreksinya.
| Aspek | Pertanyaan pemeriksaan | Tindakan |
|---|---|---|
| Satuan | Apakah angka dalam rupiah penuh atau ribuan? Kilogram atau ton? | Konversi ke satuan yang sama dan catat faktor konversinya. |
| Periode | Apakah keduanya memakai tahun kalender dan periode yang sama panjang? | Potong atau agregasi ke periode yang sama; hindari membandingkan periode penuh dengan periode berjalan. |
| Cakupan | Apakah retur, pembatalan, atau cabang baru sudah diperlakukan sama? | Seragamkan aturan penyertaan dan pengurangan. |
| Kategori | Apakah kode wilayah atau kelompok mengikuti versi yang sama? | Buat tabel pemetaan; sisakan kategori “tidak terpetakan” secara transparan. |
| Kunci | Apakah ID stabil antarwaktu? Apakah ada duplikat dan nama alternatif? | Cocokkan melalui beberapa atribut dan uji hasilnya pada sampel. |
Jika suatu aspek tidak dapat dipetakan tanpa asumsi besar, catat sebagai batas perbandingan. Memaksakan pemetaan hanya akan memindahkan ketidakpastian ke dalam angka akhir tanpa pembaca mengetahuinya.
Menyamakan kunci dan menangani duplikat
Perbandingan per catatan memerlukan kunci yang dapat diandalkan. Namun kunci seperti nama atau alamat sering tidak persis sama. Dalam pencocokan record, tingkat kesamaan biasanya didefinisikan secara bertingkat. Dokumentasi Splink, misalnya, menjelaskan bahwa suatu perbandingan dapat memiliki beberapa comparison level, seperti kecocokan persis, perbedaan hingga satu karakter, perbedaan hingga tiga karakter, dan kategori lainnya. Definisi kesamaan untuk tanggal lahir tentu berbeda dari definisi kesamaan untuk nama depan (Splink).
Prakliknya, jangan langsung menerima semua kecocokan samar. Uji ambang batas pada sampel, periksa kasus yang berada di sekitar batas, dan catat berapa banyak kecocokan yang diterima atau ditolak. Pencocokan yang terlalu longgar menghasilkan catatan berbeda dianggap sama; pencocokan yang terlalu ketat menghasilkan catatan sama dianggap berbeda. Keduanya perlu dilaporkan sebagai keterbatasan.
Contoh ilustratif: dua laporan konversi
Misalkan dua situs sama-sama mencatat 100 konversi. Situs pertama menerima 1.000 kunjungan, sedangkan situs kedua menerima 10.000 kunjungan. Jika definisi kunjungannya sama, tingkat konversi ilustratifnya adalah 10% dan 1%. Angka 100 konversi itu benar pada keduanya, tetapi tanpa denominator yang setara, jumlah konversi tidak menunjukkan tingkat efektivitas yang sebanding (UncoverLayer).
Persoalannya menjadi lebih rumit jika situs pertama menghitung page view sedangkan situs kedua menghitung pengunjung unik. Dalam kondisi itu, 10% dan 1% bukan perbandingan yang adil karena dasar penghitungannya berbeda. Normalisasi metrik harus mengikuti pertanyaan analisis; menyamakan angka secara matematis belum tentu menghasilkan perbandingan yang setara.
Contoh lain: jika laporan lama mencatat 100 unit dan laporan baru mencatat 120 unit, selisih absolutnya +20 unit dan perubahan relatifnya +20%. Angka ini hanya bermakna jika kedua laporan memakai definisi unit dan periode yang sama. Untuk menghitung selisih dan perubahan relatif dari nilai awal yang positif, Kalkulator Perubahan Persentase dapat digunakan.
Membaca selisih: absolut, relatif, dan poin persentase
Setelah definisi disamakan, bedakan tiga jenis angka yang sering tertukar. Selisih absolut adalah nilai akhir dikurangi nilai awal. Perubahan relatif adalah selisih absolut dibagi nilai awal, lalu dikalikan 100%. Jika nilai awal nol, perubahan relatif tidak terdefinisi, meskipun selisih absolutnya masih dapat dihitung.
Untuk dua persentase, gunakan poin persentase, bukan persen. Jika satu laporan mencatat 10% dan laporan lain 12%, selisihnya 2 poin persentase, sedangkan perubahan relatifnya 20%. Menyebutnya “naik 2%” akan menyesatkan karena 2% dari 10% hanya 0,2 poin persentase. Pembanding Persen dan Poin Persentase dapat membantu memeriksa perbedaan ini, terutama ketika salah satu nilai berada di sekitar batas 0% atau 100%.
Kendala yang sering muncul dan cara menanganinya
- Kategori tidak bertemu: buat kategori residual seperti “tidak terpetakan” atau “lain-lain” secara transparan. Jangan memaksa setiap kategori masuk ke kelompok yang paling mirip tanpa dasar.
- Data hilang: pisahkan “tidak ada data” dari “nol”. Mengisi nilai kosong dengan nol dapat menciptakan penurunan atau kenaikan yang tidak pernah terjadi.
- Definisi berubah antarwaktu: minta dokumentasi versi lama. Jika tidak tersedia, bandingkan hanya periode yang definisinya konsisten dan nyatakan periode lain sebagai tidak sebanding.
- Granularitas berbeda: agregasi data yang lebih rinci ke tingkat yang lebih kasar. Catat bahwa detail hilang dalam proses tersebut.
- Metadata tidak lengkap: turunkan tingkat keyakinan dan jelaskan bagian yang tidak dapat diverifikasi. Jangan mengarang definisi untuk menutupi kekosongan.
Batas metode dan kapan sebaiknya tidak membandingkan
Harmonisasi data bukan sekadar menggabungkan tabel. Ia melibatkan keputusan tentang cara menyamakan kategori, menangani nilai hilang, dan menimbang sumber yang berbeda. Karena itu, hasil harmonisasi selalu membawa asumsi. Jika asumsi yang diperlukan terlalu besar, pilihan yang lebih jujur adalah menyajikan dua seri secara terpisah, menyajikan rentang, atau menjelaskan mengapa satu angka tunggal tidak dapat dibentuk.
Perbandingan yang baik tidak selalu berakhir dengan satu angka. Kadang hasil terbaiknya adalah penjelasan bahwa dua dataset mengukur hal yang berbeda, sehingga selisihnya tidak dapat ditafsirkan sebagai perubahan keadaan. Sikap ini bukan kekalahan analisis, melainkan bagian dari ketelitian membaca data.
Checklist singkat sebelum membandingkan
- Tulis pertanyaan utama dan unit analisis yang akan dibandingkan.
- Kumpulkan definisi, satuan, periode, cakupan, dan aturan hitung dari kedua dataset.
- Susun crosswalk dan catat setiap transformasi yang dilakukan.
- Uji pencocokan kunci pada sampel sebelum menerapkannya ke seluruh data.
- Hitung selisih dengan denominator dan periode yang setara.
- Laporkan bagian yang tidak dapat disamakan, beserta alasannya.
Dengan urutan ini, perbandingan tidak hanya menghasilkan angka, tetapi juga jejak yang cukup bagi pembaca untuk menilai seberapa jauh angka itu dapat dipercaya.
FAQ
Apakah dua dataset harus memiliki jumlah baris yang sama untuk bisa dibandingkan?
Tidak. Perbandingan dapat dilakukan pada tingkat agregat, misalnya total per wilayah atau per bulan. Yang perlu disamakan adalah unit analisis, periode, cakupan, dan aturan hitungnya, bukan jumlah barisnya.
Bagaimana jika kategori di kedua dataset tidak dapat dipetakan seluruhnya?
Sisakan kategori residual seperti "tidak terpetakan" dan laporkan berapa banyak catatan yang masuk ke sana. Jangan memaksa semua kategori masuk ke kelompok yang paling mirip tanpa dasar, karena hasilnya akan tampak rapi tetapi menyesatkan.
Apakah pencocokan nama dengan kemiripan teks selalu aman?
Tidak. Pencocokan samar dapat menghasilkan kecocokan palsu atau melewatkan catatan yang sebenarnya sama. Uji ambang batas pada sampel, periksa kasus di sekitar batas, dan catat tingkat kesalahan yang mungkin terjadi.
Diskusi pembaca