Apa Itu Selection Bias? Bukan Kesilapan—Tetapi Ilusi Sistemik
Selection bias bukan kesalahan pengukuran atau ketidakhomogenan alat, tetapi satu bentuk
distorsi struktural dalam proses pemilihan peserta atau data untuk analisis. Ia berlaku apabila individu, kelompok, atau rekod yang dipilih untuk kajian tidak mencerminkan ciri-ciri populasi asal—bukan kerana kebetulan, tetapi kerana mekanisme pemilihan itu sendiri secara tidak sengaja ‘menyaring’ kelompok tertentu berdasarkan ciri yang berkaitan dengan kedua-dua pendedahan (exposure) dan hasil (outcome). Contohnya, jika sebuah kajian tentang kesihatan pekerja hanya menyertakan mereka yang masih aktif bekerja—dan mengabaikan mereka yang telah berhenti akibat sakit—maka hasilnya akan secara sistematik menunjukkan hubungan yang lebih lemah antara tekanan kerja dan penyakit jantung. Ini bukan kerana tekanan kerja tidak berbahaya, tetapi kerana mereka yang paling terjejas telah ‘terkeluar’ dari sampel sejak awal.
Mengapa Ia Tidak Hilang dengan Sampel Besar?
Banyak orang salah sangka bahawa semakin besar saiz sampel, semakin tepat hasil kajian. Namun selection bias tidak seperti
sampling error, yang memang berkurang dengan peningkatan n. Sebaliknya, selection bias adalah
systematic error: ia berulang secara konsisten dalam setiap ukuran, walaupun n = 10,000. Bayangkan sebuah jaring ikan yang lubangnya hanya cukup besar untuk menangkap ikan berumur 3–5 tahun—tetapi tidak mampu menangkap anak ikan (yang lebih rentan terhadap pencemaran) mahupun ikan tua (yang lebih tahan tetapi lebih mungkin mati akibat penyakit kronik). Walau berapa kali anda menarik jaring itu, data anda tetap akan ‘hilang’ dua kelompok penting. Dalam istilah epidemiologi, ini dikenali sebagai
incidence–prevalence bias: kajian silang (cross-sectional) cenderung menangkap kes yang bertahan lama, bukan kes akut—maka ia menyesatkan tentang risiko sebenar.
Contoh Nyata yang Menggemparkan Dunia Perubatan
Pada dekad 1970-an, kajian besar di Amerika Syarikat mendapati bahawa pekerja kilang kimia mempunyai kadar kanser paru-paru yang lebih rendah berbanding populasi umum. Kesimpulan awal—bahawa pekerjaan tersebut ‘melindungi’ daripada kanser—diterima luas hingga beberapa tahun. Namun, penyelidik kemudian menyedari
healthy-worker bias: hanya pekerja yang sihat secara fizikal dan psikologi yang mampu memasuki dan bertahan dalam pekerjaan berisiko tinggi itu. Mereka yang mengalami gejala awal atau komorbiditi telah disingkirkan sejak proses rekrutmen atau berhenti lebih awal. Akibatnya, populasi pekerja bukanlah ‘sampel rawak’—ia adalah subpopulasi terpilih yang secara tidak sengaja dikondisikan oleh kesihatan awal mereka. Apabila kajian diulang dengan memasukkan bekas pekerja dan mereka yang berhenti awal, risiko sebenar meningkat tiga kali ganda.
Volunteer Bias: Ketika ‘Suka-Suka’ Mengubah Realiti
Dalam kajian sosial dan kesihatan awam,
volunteer bias sering menjadi penghalang terselindung. Peserta sukarela—misalnya, mereka yang mendaftar untuk kajian diet dalam talian—cenderung lebih berpendidikan, lebih prihatin terhadap kesihatan, dan lebih disiplin dalam melaporkan maklumat. Ini menjadikan temuan seperti ‘pengambilan sayur meningkatkan harapan hidup’ sukar digeneralisasikan kepada populasi umum, kerana kelompok yang paling memerlukan intervensi—seperti golongan berpendapatan rendah atau berpendidikan rendah—jarang muncul dalam sampel. Satu kajian oleh Institut Kesihatan Awam Malaysia (2021) menunjukkan bahawa 78% responden dalam survei kesihatan digital berasal dari bandar dan mempunyai akses internet berkelajuan tinggi—sedangkan hanya 42% penduduk luar bandar mempunyai akses serupa. Tanpa penyesuaian metodologi, data ini bukan gambaran—tetapi cermin yang terdistorsi.
Bagaimana Kita Melindungi Diri Daripada Ilusi Statistik Ini?
Pertama, tanya:
Siapa yang tiada dalam data ini? Kedua, teliti prosedur penyertaan—adakah ada ‘titik keluar’ (dropout points) yang berkorelasi dengan hasil? Ketiga, cari petunjuk seperti ‘missingness not at random’ (MNAR), iaitu kehilangan data bukan acak, tetapi bergantung pada nilai yang hilang itu sendiri. Di peringkat individu, kita boleh menggunakan soalan refleksi: ‘Jika saya hanya membaca hasil akhir tanpa melihat metodologi, adakah saya sedang percaya pada kesimpulan yang dibina di atas kelompok yang tidak mewakili saya?’ Dalam konteks dasar awam, selection bias juga menjelaskan mengapa program intervensi berjaya dalam uji klinik sering gagal di lapangan—kerana peserta uji klinik adalah kelompok terpilih, bukan populasi sasaran yang sebenar.
Implikasi Jangka Panjang: Dari Makmal ke Dasar Negara
Kesalahan akibat selection bias bukan hanya berakhir di jurnal ilmiah. Ia berpotensi membentuk dasar kesihatan nasional yang salah arah, pelaburan teknologi yang tidak efektif, atau garis panduan klinis yang membahayakan. Di Malaysia, usaha meningkatkan literasi data dalam kalangan pegawai awam melalui Program Analitik Dasar (PAD) 2023 secara eksplisit memasukkan modul tentang bias pemilihan—bukan sebagai konsep teoretikal, tetapi sebagai risiko operasi harian dalam analisis data sensus, survei kemiskinan, dan pemantauan pencapaian SDGs. Fakta paling penting yang perlu diingat: selection bias tidak memerlukan niat buruk. Ia lahir dari kelalaian metodologi—dan dapat diatasi hanya melalui transparansi, pelaporan lengkap, serta kolaborasi antara pakar statistik, penyelidik bidang, dan komuniti yang dikaji. Memahami selection bias bukan sekadar soal ilmu—tetapi soal keadilan epistemik: siapa yang didengar, siapa yang diwakili, dan siapa yang akhirnya dilupakan dalam naratif data.
---
Rujukan: Selection bias — Wikipedia
Mengapa Data yang Kelihatan Ilmiah Boleh Menipu: Rahsia Selection Bias. Selection bias bukan sekadar kesilapan teknikal dalam kajian—ia adalah ilusi statistik yang boleh mengubah keputusan perubatan, dasar awam, dan bahkan pilihan peribadi. Ia berlaku apabila sampel kajian tidak mewakili populasi sebenar, lalu mencipta hubungan palsu antara faktor risiko dan hasil. Walaupun kelihatan halus, kesannya sering besar dan tidak dapat diperbetulkan hanya dengan meningkatkan saiz sampel. Memahami bias ini adalah langkah pertama untuk membaca sains dengan mata yang lebih kritis.. Apa Itu Selection Bias? Bukan Kesilapan—Tetapi Ilusi Sistemik
Selection bias bukan kesalahan pengukuran atau ketidakhomogenan alat, tetapi satu bentuk distorsi struktural dalam proses pemilihan peserta atau data untuk analisis. Ia berlaku apabila individu, kelompok, atau rekod yang dipilih untuk kajian tidak mencerminkan ciri-ciri populasi asal—bukan kerana kebetulan, tetapi kerana mekanisme pemilihan itu sendiri secara tidak sengaja ‘menyaring’ kelompok tertentu berdasarkan ciri yang berkaitan dengan kedua-dua pendedahan exposure dan hasil outcome . Contohnya, jika sebuah kajian tentang kesihatan pekerja hanya menyertakan mereka yang masih aktif bekerja—dan mengabaikan mereka yang telah berhenti akibat sakit—maka hasilnya akan secara sistematik menunjukkan hubungan yang lebih lemah antara tekanan kerja dan penyakit jantung. Ini bukan kerana tekanan kerja tidak berbahaya, tetapi kerana mereka yang paling terjejas telah ‘terkeluar’ dari sampel sejak awal.
Mengapa Ia Tidak Hilang dengan Sampel Besar?
Banyak orang salah sangka bahawa semakin besar saiz sampel, semakin tepat hasil kajian. Namun selection bias tidak seperti sampling error , yang memang berkurang dengan peningkatan n. Sebaliknya, selection bias adalah systematic error : ia berulang secara konsisten dalam setiap ukuran, walaupun n = 10,000. Bayangkan sebuah jaring ikan yang lubangnya hanya cukup besar untuk menangkap ikan berumur 3–5 tahun—tetapi tidak mampu menangkap anak ikan yang lebih rentan terhadap pencemaran mahupun ikan tua yang lebih tahan tetapi lebih mungkin mati akibat penyakit kronik . Walau berapa kali anda menarik jaring itu, data anda tetap akan ‘hilang’ dua kelompok penting. Dalam istilah epidemiologi, ini dikenali sebagai incidence–prevalence bias : kajian silang cross-sectional cenderung menangkap kes yang bertahan lama, bukan kes akut—maka ia menyesatkan tentang risiko sebenar.
Contoh Nyata yang Menggemparkan Dunia Perubatan
Pada dekad 1970-an, kajian besar di Amerika Syarikat mendapati bahawa pekerja kilang kimia mempunyai kadar kanser paru-paru yang lebih rendah berbanding populasi umum. Kesimpulan awal—bahawa pekerjaan tersebut ‘melindungi’ daripada kanser—diterima luas hingga beberapa tahun. Namun, penyelidik kemudian menyedari healthy-worker bias : hanya pekerja yang sihat secara fizikal dan psikologi yang mampu memasuki dan bertahan dalam pekerjaan berisiko tinggi itu. Mereka yang mengalami gejala awal atau komorbiditi telah disingkirkan sejak proses rekrutmen atau berhenti lebih awal. Akibatnya, populasi pekerja bukanlah ‘sampel rawak’—ia adalah subpopulasi terpilih yang secara tidak sengaja dikondisikan oleh kesihatan awal mereka. Apabila kajian diulang dengan memasukkan bekas pekerja dan mereka yang berhenti awal, risiko sebenar meningkat tiga kali ganda.
Volunteer Bias: Ketika ‘Suka-Suka’ Mengubah Realiti
Dalam kajian sosial dan kesihatan awam, volunteer bias sering menjadi penghalang terselindung. Peserta sukarela—misalnya, mereka yang mendaftar untuk kajian diet dalam talian—cenderung lebih berpendidikan, lebih prihatin terhadap kesihatan, dan lebih disiplin dalam melaporkan maklumat. Ini menjadikan temuan seperti ‘pengambilan sayur meningkatkan harapan hidup’ sukar digeneralisasikan kepada populasi umum, kerana kelompok yang paling memerlukan intervensi—seperti golongan berpendapatan rendah atau berpendidikan rendah—jarang muncul dalam sampel. Satu kajian oleh Institut Kesihatan Awam Malaysia 2021 menunjukkan bahawa 78% responden dalam survei kesihatan digital berasal dari bandar dan mempunyai akses internet berkelajuan tinggi—sedangkan hanya 42% penduduk luar bandar mempunyai akses serupa. Tanpa penyesuaian metodologi, data ini bukan gambaran—tetapi cermin yang terdistorsi.
Bagaimana Kita Melindungi Diri Daripada Ilusi Statistik Ini?
Pertama, tanya: Siapa yang tiada dalam data ini? Kedua, teliti prosedur penyertaan—adakah ada ‘titik keluar’ dropout points yang berkorelasi dengan hasil? Ketiga, cari petunjuk seperti ‘missingness not at random’ MNAR , iaitu kehilangan data bukan acak, tetapi bergantung pada nilai yang hilang itu sendiri. Di peringkat individu, kita boleh menggunakan soalan refleksi: ‘Jika saya hanya membaca hasil akhir tanpa melihat metodologi, adakah saya sedang percaya pada kesimpulan yang dibina di atas kelompok yang tidak mewakili saya?’ Dalam konteks dasar awam, selection bias juga menjelaskan mengapa program intervensi berjaya dalam uji klinik sering gagal di lapangan—kerana peserta uji klinik adalah kelompok terpilih, bukan populasi sasaran yang sebenar.
Implikasi Jangka Panjang: Dari Makmal ke Dasar Negara
Kesalahan akibat selection bias bukan hanya berakhir di jurnal ilmiah. Ia berpotensi membentuk dasar kesihatan nasional yang salah arah, pelaburan teknologi yang tidak efektif, atau garis panduan klinis yang membahayakan. Di Malaysia, usaha meningkatkan literasi data dalam kalangan pegawai awam melalui Program Analitik Dasar PAD 2023 secara eksplisit memasukkan modul tentang bias pemilihan—bukan sebagai konsep teoretikal, tetapi sebagai risiko operasi harian dalam analisis data sensus, survei kemiskinan, dan pemantauan pencapaian SDGs. Fakta paling penting yang perlu diingat: selection bias tidak memerlukan niat buruk. Ia lahir dari kelalaian metodologi—dan dapat diatasi hanya melalui transparansi, pelaporan lengkap, serta kolaborasi antara pakar statistik, penyelidik bidang, dan komuniti yang dikaji. Memahami selection bias bukan sekadar soal ilmu—tetapi soal keadilan epistemik: siapa yang didengar, siapa yang diwakili, dan siapa yang akhirnya dilupakan dalam naratif data.
---
Rujukan: Selection bias — Wikipedia https://en.wikipedia.org/wiki/Selection bias