EDITING

Mengedit merupakan mendeteksi kesalahan dan kelalaian, memperbaikinya bila

memungkinkan, dan menyatakan bahwa standar kualitas data yang maksimum tercapai. Tujuan editor
melakukan editing ini adalah untuk menjamin bahwa data adalah:

• Tepat.

• Konsisten dengan maksud pertanyaan dan informasi lain didalam survei.

• Sesuai dengan tema.

• Lengkap.

• Disusun untuk menyederhanakan pengkodean dan tabulasi.

Tanggung jawab editor adalah untuk memutuskan tanggapan mana yang konsisten dengan
maksud pertanyaan atau informasi lain dalam survei dan paling akurat untuk peserta individu ini.

Pengeditan ini dibagi menjadi 2:

Pengeditan Bidang

Dalam proyek besar, review editing lapangan merupakan tanggung jawab supervisor lapangan. Ini juga
harus dilakukan segera setelah data dikumpulkan. Selama penekanan pengumpulan data dalam
wawancara pribadi dan pencatatan kertas dan pensil dalam sebuah observasi, peneliti sering
menggunakan singkatan ad hoc dan simbol khusus. Segera setelah wawancara, eksperimen, atau
observasi, penyidik meninjau formulir pelaporan. Fungsi kontrol penting kedua dari supervisor lapangan
adalah untuk memvalidasi hasil lapangan.

Dalam survei online dan entri data berikutnya telah menghilangkan beberapa masalah pengeditan,
terlepas dari mode pengumpulannya, semua data harus mendapatkan pengeditan menyeluruh. Untuk
studi kecil, penggunaan editor tunggal menghasilkan konsistensi maksimum. Dalam studi besar, tugas
pengeditan harus dialokasikan sehingga setiap editor menangani satu bagian penuh. Meskipun
pendekatan terakhir tidak akan mengidentifikasi ketidakkonsistenan antara jawaban di bagian yang
berbeda, masalah dapat ditangani dengan mengidentifikasi pertanyaan di bagian berbeda yang mungkin
menunjukkan kemungkinan ketidakkonsistenan dan meminta seorang editor memeriksa data yang
dihasilkan oleh pertanyaan ini.

Pengeditan Pusat

Meskipun survei online dan entri data berikutnya telah menghilangkan beberapa masalah pengeditan,
terlepas dari metode pengumpulannya, semua data harus mendapatkan pengeditan yang menyeluruh.
Untuk studi kecil, penggunaan editor tunggal menghasilkan konsistensi yang maksimal. Dalam studi
besar, tugas pengeditan harus dialokasikan sehingga setiap editor menangani satu bagian penuh.
Meskipun pendekatan terakhir tidak akan mengidentifikasi ketidakkonsistenan antara jawaban di bagian
yang berbeda, masalah dapat ditangani dengan mengidentifikasi pertanyaan di bagian berbeda yang
mungkin menunjukkan kemungkinan ketidakkonsistenan dan meminta seorang editor memeriksa data
yang dihasilkan oleh pertanyaan ini. Kualitas data tidak bisa dibiarkan begitu saja. Data tidak ada artinya
jika tidak berkualitas baik, jadi pembersihan data sangat penting. Jika penelitian menghasilkan orang
yang tepat pada waktu yang tepat untuk menghasilkan data yang tepat untuk sebuah keputusan,
peneliti tidak mempertaruhkan wawasannya.Kadang-kadang jelas bahwa entri salah — misalnya, ketika
responden dengan jelas menentukan waktu dalam hari (misalnya, 13) ketika diminta dalam beberapa
minggu (misalnya, Anda mengharapkan jumlah 4 atau kurang) —atau data dimasukkan di tempat yang
salah. Ketika balasan tidak sesuai (di luar kisaran nilai yang diharapkan atau tidak terkait dengan
pertanyaan yang diajukan) atau hilang,

Seberapa Kotor Masalah Data Kotor?

Untuk mengatasi masalah kualitas data, ada baiknya untuk mengkategorikan masalah data kotor
menjadi empat kategori: data tidak valid, data tidak lengkap, data tidak konsisten, dan data salah.

1. Data tidak valid adalah data yang mengandung kesalahan entri, seperti kode pos yang tidak ada.

2. Data yang tidak lengkap adalah data yang hilang yang dibutuhkan untuk mengambil keputusan;
menghapus data dari satu database karena disk crash atau kehilangan link antara database di gudang
data dapat membuat data yang tidak lengkap, seperti halnya membuat data menjadi medan
pertempuran dalam perang wilayah internal— “semua orang yang bergantung pada bagian kecil
[miliknya] sendiri dari penyimpanan data, tidak ada yang mau berbagi. "

3. Data yang tidak konsisten seringkali hanya dilihat dari perspektif gambaran besar; data dari satu
database mungkin sedikit atau tidak masuk akal jika dilihat dari perspektif data dalam database yang
terpisah tapi terhubung. Ini mungkin karena protokol data, seperti penamaan perusahaan: IBM dapat
dimasukkan sebagai IBM, I.B.M., atau International Business Machines di

Langkah-langkah dasar untuk menangani data yang buruk adalah sama: mendeteksinya dan menghapus
atau memperbaikinya. Tetapi beberapa ahli menyarankan langkah ketiga: menentukan seberapa banyak
kesalahan yang dapat ditoleransi. g Jika data buruk ada di area kritis, seperti hasil tes darah pasien atau
piutang perusahaan, waktu dan upaya organisasi untuk memperbaikinya mungkin sepadan. Jika data
kotor ada di bagian catatan di file manajemen kontak penjual, mungkin tidak menjamin waktu dan
upaya tersebut. Masalahnya semakin parah sehingga beberapa perusahaan telah menyewa pengelola
data — seseorang yang ditugasi menjaga kebersihan data perusahaannya. h

Menurut firma penelitian dan penasehat Gartner Inc., 25 persen dari data penting dalam 1000
perusahaan teratas dunia sedang dan akan terus dibanjiri. i Perkiraan lain menunjukkan bahwa
angkanya bisa mencapai 30 persen. j Dun & Bradstreet Corp., yang membantu perusahaan
membersihkan file pemasok mereka, paling banyak memperkirakan perusahaan menunjukkan 20
persen catatan pemasok duplikat. k Sebuah studi PricewaterhouseCoopers menunjukkan bahwa
manajemen data yang buruk merugikan bisnis global “lebih dari $ 1,4 miliar per tahun dalam penagihan,
akuntansi, dan inventaris yang tidak memadai”. l Profesor pemenang Penghargaan Roger Needham
Award dari British Computer Society, Wenfei Fan, memperkirakan bahwa “data kotor merugikan bisnis
AS sebanyak $ 611 miliar — dan pelanggan AS sebanyak $ 2,5 miliar setahun”. m

Sebagian besar ahli setuju bahwa langkah pertama adalah menetapkan protokol data, aturan sederhana
tentang bagaimana data dimasukkan, seperti apa nama item (celana, celana panjang, atau celana) atau
bagaimana tanggal dimasukkan (20 Maret 2010 atau 20 10 Maret) . Saran lain termasuk membuat
cadangan data secara teratur, mengontrol akses ke data melalui mekanisme keamanan, merancang
antarmuka pengguna yang mencegah input data tidak valid, dan menggunakan deteksi kesalahan.

Kebanyakan ahli setuju bahwa langkah pertama adalah menetapkan protokol data, aturan sederhana
tentang bagaimana data dimasukkan, seperti apa nama item (celana, celana panjang, atau celana
panjang) atau bagaimana tanggal dimasukkan (20 Maret 2010 atau 20 10 Maret). Saran lain termasuk
membuat cadangan data secara teratur, mengontrol akses ke data melalui mekanisme keamanan,
merancang antarmuka pengguna yang mencegah input data yang tidak valid, dan menggunakan
perangkat lunak pendeteksi dan koreksi kesalahan saat mengirimkan data.

Berikut beberapa aturan yang berguna untuk memandu editor dalam pekerjaan mereka:

• Pahami instruksi yang diberikan kepada pewawancara dan pembuat kode.

• Jangan menghancurkan, menghapus, atau membuat entri asli yang asli oleh pewawancara atau
responden tidak terbaca; entri asli harus tetap terbaca.

• Buat semua entri pengeditan pada instrumen atau kumpulan data dalam beberapa warna berbeda dan
dalam bentuk standar.

• Awalnya semua jawaban diubah atau diberikan.

• Tempatkan inisial dan tanggal pengeditan pada setiap instrumen yang diselesaikan atau di bidang
terpisah dalam kumpulan data.

Sumber Buku: