Data Completeness

Data Completeness adalah dimensi kualitas data yang mengukur proporsi data yang terisi dibandingkan dengan total yang seharusnya tersedia. Data yang tidak lengkap (memiliki nilai null atau missing) dapat menyebabkan analisis yang bias dan keputusan yang keliru.

Mengapa Data Tidak Lengkap?

Data bisa tidak lengkap karena berbagai alasan:

• Input tidak wajib: field optional di form tidak diisi pengguna
• Sistem error: kegagalan sinkronisasi menyebabkan field tidak terisi
• Migrasi data: field baru ditambahkan setelah data lama sudah ada
• Privacy: pengguna menolak memberikan informasi tertentu
• Data source: sumber data eksternal tidak menyediakan field tersebut

Tipe Missing Values

Tipe	Deskripsi	Implikasi
MCAR (Missing Completely At Random)	Hilang secara acak, tidak ada pola	Bisa di-drop atau impute dengan aman
MAR (Missing At Random)	Hilang berdasarkan nilai kolom lain	Harus impute dengan mempertimbangkan kolom terkait
MNAR (Missing Not At Random)	Hilang karena nilai itu sendiri	Berbahaya - bisa menyebabkan bias sistematis

Cara Menangani Missing Values

• Drop baris: jika null di kolom kritis dan proporsi kecil (<5%)
• Imputation numerik: mean/median untuk distribusi normal/skewed
• Imputation kategorikal: modus atau nilai bisnis default
• Forward fill / backward fill: untuk time series data
• Model-based imputation: gunakan kolom lain untuk memprediksi nilai yang hilang