Cara Memeriksa Data Anda Sebelum Mengirimkan Makalah (Panduan 2026)

Sebelum mengirimkan makalah, lakukan empat pemeriksaan pada angka-angkanya. Setiap ukuran sampel dalam teks harus sesuai dengan tabel, dan persentase harus berjumlah dengan benar. Jumlah angka di belakang koma harus konsisten, dan data yang hilang harus dipertanggungjawabkan serta dijelaskan. Ini adalah kesalahan yang paling pertama ditemukan oleh peninjau, karena paling mudah dicari.

Peninjau datang dengan waktu terbatas dan heuristik yang masuk akal. Jika aritmetika dalam tabel tidak sesuai, analisis di baliknya kemungkinan besar juga tidak diperiksa. Kesimpulan tersebut memang tidak adil dalam kasus-kasus individual, tetapi cukup sering benar sehingga memengaruhi hasil peninjauan.

Panduan ini membahas mengapa kesalahan numerik mendominasi komentar peninjau dan pemeriksaan mana saja yang perlu dilakukan sebelum mengirimkan makalah. Panduan ini diakhiri dengan cara menjalankannya tanpa harus membaca setiap tabel secara manual.

Mengapa peninjau menemukan angka, bukan teori

Nilai N tidak pernah cocok

Sebuah penelitian dimulai dengan 120 partisipan. Delapan orang dikeluarkan karena tanggapan yang tidak lengkap, tiga orang lagi gagal dalam pemeriksaan perhatian, dan satu kondisi kehilangan dua orang karena kesalahan teknis. Bagian metode menyebutkan angka 120, analisis dijalankan pada 107, dan satu tabel masih menunjukkan angka 109 karena dibuat sebelum pengecualian terakhir.

Tidak ada yang melakukan kesalahan di sini. Jumlahnya hanya berubah empat kali, dan manuskrip tersebut mencatat momen-momen berbeda dalam urutan tersebut. Peninjau yang membandingkan bagian metode dengan tabel akan melihat kontradiksi tanpa penjelasan.

Pembulatan yang tidak konsisten

Output statistik memberikan banyak angka di belakang koma. Angka yang berbeda disalin pada waktu yang berbeda, beberapa dibulatkan menjadi dua angka di belakang koma dan yang lainnya menjadi tiga. Persentase yang dihitung dari subtotal yang dibulatkan berjumlah 99.8, bukan 100.

Secara individual, hal-hal ini sepele. Namun secara kolektif, hal tersebut terkesan sebagai kecerobohan, dan itulah yang diperhatikan oleh pembaca yang teliti saat membaca sekilas sebuah tabel.

Gambar dan teks tidak sesuai

Grafik diekspor lebih awal, analisis disempurnakan, dan teks diperbarui. Namun, gambar tetap menggunakan angka yang lama. Hal ini cukup sering terjadi sehingga peninjau yang berpengalaman biasanya memeriksa gambar dengan teks narasi secara rutin.

Ketiga kegagalan ini memiliki penyebab yang sama. Tidak ada yang salah dalam analisis; manuskrip tersebut hanya mencatat beberapa momen berbeda dalam proses yang terus berjalan. Menemukan hal tersebut adalah masalah dokumentasi, bukan masalah statistik.

Kerugian yang harus Anda tanggung

Putaran revisi yang sebenarnya bisa dihindari. Ketidakkonsistenan numerik jarang menyebabkan penolakan secara langsung, tetapi hal tersebut memicu putaran revisi besar yang menambah waktu berbulan-bulan.

Perhatian peninjau terbuang pada tempat yang salah. Setiap komentar tentang nilai N yang tidak cocok adalah komentar yang tidak ditujukan untuk argumen Anda. Anda mendapatkan jumlah keterlibatan yang terbatas per peninjauan.

Koreksi setelah publikasi. Skenario terburuk adalah ketika tidak ada yang menyadarinya sebelum pengiriman makalah selesai sepenuhnya. Koreksi pascapublikasi bersifat permanen dan publik, serta akan melekat pada nama Anda, bukan pada peninjau yang melewatkannya.

Pemeriksaan yang perlu dilakukan

Opsi 1: Selaraskan setiap ukuran sampel

Buat daftar setiap N dan n yang muncul di mana saja: metode, setiap tabel, setiap keterangan gambar, abstrak. Lacak masing-masing ke langkah penyaringan tertentu. Angka apa pun yang tidak dapat Anda lacak adalah kesalahan atau pengecualian yang tidak didokumentasikan.

Kemudian periksa apakah pengecualian tersebut sesuai secara matematis: sampel awal, dikurangi setiap pengecualian yang didokumentasikan, sama dengan sampel yang dianalisis. Tuliskan rangkaian tersebut ke dalam bagian metode. Peninjau jarang keberatan dengan pengecualian yang dijelaskan; mereka selalu keberatan dengan pengecualian yang tidak dijelaskan.

Opsi 2: Periksa aritmetika di setiap tabel

Persentase dalam suatu kategori harus berjumlah 100, dengan mempertimbangkan catatan pembulatan yang didokumentasikan. Jumlah subkelompok harus sama dengan total kelompok. Rata-rata subkelompok, yang dibobot berdasarkan ukurannya, harus selaras dengan rata-rata keseluruhan.

Ini adalah pekerjaan yang membosankan dan di sinilah sebagian besar kesalahan berada. Ini juga merupakan pemeriksaan yang paling mungkin dilakukan sendiri oleh peninjau, sehingga melewatkannya adalah spekulasi yang buruk.

Opsi 3: Audit data yang hilang dan pencilan

Nyatakan berapa banyak data yang hilang, apakah data tersebut hilang secara acak, dan bagaimana Anda menanganinya. Penghapusan listwise, imputasi, dan analisis pairwise menghasilkan ukuran sampel yang berbeda, yang sering kali menjadi sumber masalah ketidakcocokan nilai N.

Lakukan hal yang sama untuk nilai ekstrem yang dikecualikan. Sebutkan berapa banyak yang dihapus dan berdasarkan aturan apa. Pertimbangkan untuk melaporkan hasil utama baik dengan maupun tanpa nilai tersebut — lihat panduan kami tentang menemukan pencilan tanpa kode. Hasil yang tetap konsisten setelah perbandingan tersebut akan lebih kuat, dan hasil yang tidak konsisten adalah sesuatu yang ingin Anda temukan sebelum peninjau menemukannya.

Di mana ketiganya menemui batas yang sama

Setiap pemeriksaan bersifat mekanis, dan masing-masing mengharuskan Anda mengingat seluruh manuskrip di kepala Anda sekaligus. Anda membandingkan angka dalam metode dengan angka di Tabel 3 dengan angka di keterangan gambar. Dokumen tersebut adalah dokumen yang telah Anda baca berkali-kali sehingga Anda tidak lagi menyadari kesalahannya.

Itulah kesulitan yang sebenarnya. Bukan karena pemeriksaannya yang sulit, melainkan karena memeriksa sendiri dokumen yang Anda tulis tidaklah andal, bagaimanapun ketelitian yang Anda lakukan tidak akan bisa memperbaikinya.

Cara menjalankan pemeriksaan ini dengan Powerdrill Bloom

Langkah 1: Unggah data Anda

Unggah dataset analisis. Powerdrill Bloom membuat profil setiap kolom saat masuk, sehingga jumlah nilai yang hilang dan ukuran kelompok terlihat sebagai fakta, bukan sebagai hal yang perlu Anda ingat.

Langkah 2: Deskripsikan pemeriksaan dalam bahasa alami

Mintalah penyelarasan secara langsung. Berapa banyak kasus lengkap yang ada per kelompok setelah menerapkan pengecualian ini, apakah persentase kategori berjumlah 100, dan kolom mana yang memiliki nilai yang hilang. Kemudian tanyakan perbandingan yang penting — bagaimana hasil utama berubah dengan dan tanpa kasus yang dikecualikan.

Langkah 3: Ekspor grafik, laporan, atau dek presentasi

Ambil tabel ringkasan jumlah dan nilai yang hilang untuk memeriksa manuskrip Anda. Catatan tertulis yang merekam rangkaian pengecualian untuk bagian metode akan dihasilkan dari permintaan yang sama.

Mengapa cara ini lebih baik daripada membaca manual

	Pemeriksaan manual	Powerdrill Bloom
Menyelaraskan N di berbagai bagian	Membaca dan membandingkan secara manual	Jumlah dikembalikan per langkah filter
Audit nilai yang hilang	Pemeriksaan kolom demi kolom	Dibuat profilnya saat diunggah
Hasil dengan dan tanpa pengecualian	Menjalankan ulang analisis dua kali	Meminta keduanya
Setelah revisi	Mengulangi seluruh proses	Meminta kembali pada file baru

Baris terakhir adalah baris yang menentukan apakah pemeriksaan benar-benar dilakukan. Audit yang memakan waktu satu sore biasanya dijalankan sekali, sebelum pengiriman pertama, dan dilewati sebelum pengiriman ulang. Padahal, saat itulah angka-angkanya baru saja berubah.

Daftar periksa pra-pengiriman

Lacak setiap N ke langkah penyaringan. Jika Anda tidak dapat menyebutkan aturan mana yang menghasilkan suatu angka, jangan mempublikasikannya.

Hitung ulang total tabel. Persentase harus mencapai 100, subkelompok harus sesuai dengan total kelompok, dan tidak ada pengecualian tanpa catatan pembulatan yang tertera pada tabel itu sendiri.

Buat ulang gambar setelah analisis akhir. Jangan pernah menggunakan kembali grafik yang diekspor sebelum revisi terakhir. Panduan kami tentang membuat grafik untuk makalah penelitian membahas persyaratan formatnya.

Nyatakan penanganan data yang hilang secara eksplisit. Metode dan ukuran sampel yang dihasilkan, di bagian metode.

Periksa abstrak terhadap hasil. Abstrak ditulis lebih awal dan diperbarui paling akhir, sehingga sering kali memuat angka tertua dalam manuskrip. Abstrak juga merupakan bagian yang paling banyak dilihat pembaca, sehingga kesalahan di sana akan sangat terlihat jelas.

Minta orang lain membaca tabel tersebut. Rekan kerja yang belum pernah melihat data tersebut akan menemukan dalam sepuluh menit apa yang Anda lewatkan selama berminggu-minggu. Ask them to check arithmetic rather than argument, since that is the check you cannot perform on your own manuscript.

Kesimpulan

Pemeriksaan yang mencegah putaran revisi bukanlah hal yang menarik: menyelaraskan ukuran sampel, memverifikasi aritmetika, mempertanggungjawabkan data yang hilang, dan membuat ulang gambar di akhir. Tidak ada satu pun dari hal tersebut yang memerlukan kecanggihan statistik, dan semuanya mudah dilewati saat tenggat waktu sudah dekat.

Alasan mengapa hal tersebut dilewati adalah karena biayanya mahal untuk diulang, dan perlu diulang setiap kali analisis berubah. Coba Powerdrill Bloom pada dataset sebelum pengiriman Anda berikutnya. Lihat juga halaman pembersihan data AI kami dan panduan untuk membersihkan dan mendeduplikasi data.

Pertanyaan yang sering diajukan

Apa yang pertama kali diperiksa oleh peninjau dalam sebuah makalah?

Konsistensi internal dari angka-angka tersebut. Ukuran sampel di seluruh metode, tabel, dan abstrak, apakah persentase berjumlah dengan benar, dan apakah gambar sesuai dengan teks. Pemeriksaan ini cepat dan menunjukkan seberapa teliti bagian lainnya dipersiapkan.

Apa yang harus saya periksa sebelum mengirimkan makalah?

Nyatakan sampel awal, setiap pengecualian beserta aturan dan jumlahnya, serta sampel akhir yang dianalisis, sehingga rangkaian tersebut sesuai secara aritmetika. Pengecualian yang dijelaskan jarang dipertanyakan; perubahan ukuran sampel yang tidak dapat dijelaskan selalu dipertanyakan.

Haruskah saya melaporkan hasil dengan dan tanpa pencilan?

Ya, jika kesimpulannya bergantung pada sejumlah kecil nilai ekstrem. Melaporkan kedua versi tersebut lebih kuat daripada mengecualikannya secara diam-diam, dan ini mencegah peninjau menemukan sensitivitas tersebut sebelum Anda.

Mengapa persentase saya tidak berjumlah 100?

Biasanya karena membulatkan setiap komponen secara independen. Tambahkan catatan bahwa persentase mungkin tidak berjumlah 100 karena pembulatan, atau hitung sedemikian rupa sehingga jumlahnya pas. Keduanya dapat diterima; mendiamkannya tidak dapat diterima.

Seberapa banyak data yang hilang yang dianggap terlalu banyak?

Tidak ada ambang batas universal, dan polanya lebih penting daripada jumlahnya. Data yang hilang secara acak lebih dapat ditoleransi daripada data yang hilang secara sistematis. Nyatakan jumlah, pola, dan metode penanganan Anda, lalu biarkan peninjau yang menilai.