Sujarwo Suryaputra
linkedin
Consultant & Trainer
(Laboratory Management, Chemicals Risk Management,
GHS and Related Topics)
Salah satu metode robust statistic yang digunakan dalam pengolahan data hasil uji banding antar laboratorium berbasis nilai konsensus adalah kombinasi ‘Q method‘ dan ‘Hampel estimator‘ (selanjutnya dalam tulisan ini disebut sebagai Q/Hampel method). Metode ini memberikan ketahanan terhadap pencilan (outlier) dan menghasilkan estimasi simpangan baku yang lebih andal. Penggunaan metode ini telah diatur dalam Annex C pada ISO 13528:2022 – Statistical methods for use ini proficiency testing by interlaboratory comparison.
Q/Hampel method memberikan solusi yang andal melalui dua pendekatan berlapis: Q method menangani estimasi simpangan baku dengan menganalisis perbedaan absolut antar pasangan nilai data, menghindari distorsi akibat nilai ekstrem. Kemudian, estimasi rata-rata dilakukan dengan Hampel estimator, yang membatasi dampak outlier melalui teknik winsorizing, yaitu meratakan nilai ekstrem agar tidak mendominasi hasil akhir. Keunggulan utama dari metode ini adalah kemampuannya menjaga integritas hasil statistik, bahkan saat data tidak mengikuti distribusi normal. Q/Hampel method lebih stabil dan robust dibandingkan Algoritma A ataupun Algoritma S, terutama ketika jumlah peserta uji banding banyak dan kemungkinan outlier tinggi.
Untuk memberikan gambaran perbandingan antara pengolahan data menggunakan Algoritma A+S dan Q/Hampel method, QuoData—penyedia perangkat lunak pengolahan data uji banding antar laboratorium—menyajikan ilustrasi visual yang menunjukkan perbedaan hasil evaluasi kinerja laboratorium akibat kehadiran pencilan (outlier) dalam data. Berikut merupakan ilustrasi visual yang diperoleh dari pengolahan data menggunakan QuoData ProLab software:
source: https://quodata.de/en/content/qhampel-webtool-0
Hasil perbandingan menunjukkan bahwa penggunaan Algoritma A+S menghasilkan simpangan baku yang lebih besar dibandingkan Q/Hampel method. Hal ini berdampak pada rentang toleransi (range of tolerance) yang dihasilkan, di mana Algoritma A+S memberikan rentang toleransi yang lebih lebar. Sebaliknya, Q/Hampel method menghasilkan simpangan baku yang lebih kecil, sehingga rentang toleransi yang diperoleh menjadi lebih sempit dan tetap ketat, bahkan ketika data mengandung pencilan (outlier). Dengan kata lain, Q/Hampel method lebih tahan terhadap pengaruh pencilan (oulier) dan mampu menjaga ketelitian evaluasi kinerja laboratorium. Pendekatan ini bekerja secara lebih selektif dengan membatasi pengaruh data ekstrem terhadap hasil perhitungan rata-rata dan simpangan baku. Oleh karena itu, Q/Hampel method menjadi metode yang lebih andal untuk pengolahan data dalam uji banding antar laboratorium, khususnya ketika kualitas hasil yang robust dan objektif sangat dibutuhkan dengan kehadiran data outlier yang ekstrem.
Guna memudahkan penerapan Q/Hampel method dalam pengolahan data, QuoData menyediakan aplikasi berbasis web yang dapat diakses melalui tautan https://quodata.de/en/q-hampel-webtool. Melalui aplikasi ini, pengguna cukup memasukkan data yang dimiliki, dan sistem akan secara otomatis melakukan perhitungan serta menyajikan hasilnya secara lengkap. Kehadiran aplikasi ini sangat membantu penyelenggara uji profisiensi, karena menghilangkan kebutuhan akan perhitungan manual yang rumit dan meminimalkan risiko bias akibat data ekstrem atau outlier. Dengan antarmuka yang sederhana dan proses yang efisien, aplikasi ini menjadi solusi praktis untuk menghasilkan analisis yang lebih akurat, objektif dan sesuai dengan standar internasional.
Kesimpulannya, Q/Hampel method merupakan pendekatan robust statistic yang sangat efektif dalam pengolahan data uji banding antar laboratorium, terutama saat data mengandung pencilan (outlier) yang ekstrem. Dibandingkan Algoritma A+S, metode ini menghasilkan estimasi simpangan baku yang lebih kecil dan rentang toleransi yang lebih ketat, sehingga meningkatkan akurasi dan objektivitas terhadap evaluasi kinerja laboratorium peserta uji profisiensi.
Lalu, bagaimana jika dalam uji banding antar laboratorium tidak ditemukan pencilan (outlier) yang ekstrem? Dalam kondisi seperti ini, manakah yang lebih andal untuk digunakan—Algoritma A+S atau Q/Hampel method? Pertanyaan ini menyimpan teka-teki yang menarik, dan jawabannya tidak sesederhana yang dibayangkan. Penjelasan dan analisisnya akan saya bahas pada tulisan berikutnya.
Pengolahan data hasil uji banding antar laboratorium, khususnya berbasis nilai konsensus, memerlukan lebih dari sekadar kemampuan teknis dalam menggunakan rumus atau perangkat lunak statistik. Diperlukan pemahaman konseptual yang kuat tentang bagaimana setiap metode bekerja, asumsi yang mendasarinya, serta implikasi praktis dari pilihan metode terhadap hasil evaluasi peserta uji banding. (Published on May 3rd, 2025 by admin)