Mengidentifikasi Outlier dan Kesalahan Data pada Pengukuran Lab
Dalam kegiatan laboratorium, kualitas keputusan sangat ditentukan oleh kualitas data pengukuran. Data yang tampak “aneh” atau menyimpang bisa berasal dari dua hal: outlier (nilai ekstrem yang berbeda jauh dari mayoritas data) atau kesalahan data (error karena alat, manusia, prosedur, atau lingkungan). Jika tidak diidentifikasi sejak awal, outlier dapat menggeser rata-rata, mengacaukan tren, dan menghasilkan kesimpulan yang keliru. Karena itu, kemampuan mengenali outlier dan sumber kesalahan merupakan keterampilan wajib bagi analis laboratorium, QC/QA, maupun penanggung jawab teknis.
Outlier tidak selalu berarti data “salah”. Dalam beberapa kasus, outlier justru menjadi sinyal adanya fenomena nyata, misalnya kontaminasi sampel, variasi bahan baku, atau perubahan kondisi proses. Namun, lebih sering outlier muncul karena masalah teknis: pipet yang tidak akurat, timbangan yang belum dikalibrasi, pengaturan instrumen yang berubah, operator kurang konsisten, atau sampel tidak homogen. Langkah pertama yang tepat adalah membedakan mana outlier yang valid secara ilmiah dan mana yang merupakan error yang harus dikoreksi atau diulang pengukurannya.
Sumber Kesalahan Data yang Paling Umum
Kesalahan data umumnya terbagi menjadi kesalahan acak dan kesalahan sistematik. Kesalahan acak dipengaruhi fluktuasi kecil, misalnya variasi pembacaan operator atau noise instrumen, sehingga hasil menyebar di sekitar nilai sebenarnya. Pada Kesalahan sistematik lebih berbahaya karena menggeser hasil ke satu arah, misalnya kalibrasi alat meleset, blanko reagen bermasalah, atau metode uji tidak sesuai. Selain itu, ada pula kesalahan pencatatan seperti salah satuan, salah desimal, salah kode sampel, maupun copy-paste yang keliru saat input ke spreadsheet atau LIMS.
Teknik Praktis Mengidentifikasi Outlier
Secara visual, outlier sering terlihat melalui plot sederhana: histogram, boxplot, atau scatter plot dari pengulangan pengukuran. Boxplot membantu menandai nilai yang berada di luar rentang normal (misalnya di luar whisker). Untuk pendekatan statistik, laboratorium biasanya memakai uji tertentu sesuai jumlah data dan asumsi distribusi, seperti pemeriksaan nilai z-score (untuk indikasi awal), uji Grubbs (untuk satu outlier pada data berdistribusi normal), atau IQR rule (berbasis kuartil dan lebih robust). Namun, metode statistik harus digunakan dengan bijak: jangan “membuang” data hanya karena terlihat berbeda, tanpa investigasi penyebab.
Setelah ada kandidat outlier, cek catatan kerja, kondisi alat, kalibrasi, lingkungan, batch reagen, dan operator; lalu verifikasi teknis. Jika error jelas seperti salah satuan atau drift instrumen, koreksi dengan perbaikan data, kalibrasi ulang, atau uji ulang.
Dokumentasi dan Keputusan Pelaporan
Di lingkungan yang menerapkan standar mutu (misalnya ISO/IEC 17025), keputusan terhadap outlier harus terdokumentasi. Cantumkan alasan teknis, bukti pendukung, serta tindakan koreksi dan pencegahan (CAPA). Dengan dokumentasi yang rapi, hasil uji lebih dapat dipertanggungjawabkan saat audit dan memudahkan perbaikan berkelanjutan.
Kesimpulannya, mengidentifikasi outlier dan kesalahan data bukan sekadar menghitung statistik, melainkan gabungan antara analisis angka, pemahaman proses, dan disiplin dokumentasi. Praktik ini menjaga integritas data, mengurangi pengulangan tak perlu, dan memastikan keputusan berbasis hasil uji tetap akurat, aman.
Jogja Media Training sedang mengadakan Pelatihan Teknik Analisis Data yang akan diadakan di Jogja. Informasi lebih lanjut hubungi nomor WA : 085166437761 (Saka) atau 082133272164 (Olisia).
