Membuat Data Survey Sintetis dengan synthpop di R

Beberapa tahun yang lalu, saya pernah menuliskan tentang bagaimana cara membuat data survey sintetis untuk keperluan training pengolahan data. Pada tulisan kali ini, saya akan memberikan contoh satu alternatif cara untuk membuat data sintetis berdasarkan data real yang dimiliki.

Jadi perbedaan mendasarnya adalah kali ini saya tidak membuat data dari nol tapi membuat data sintetis hasil “copy-an” dari data sebenarnya.

Untuk melakukannya, saya menggunakan library(synthpop) sehingga coding dan prosesnya sangat cepat dan mudah.

Oke, misalkan saya punya data hasil survey dari 365 orang responden berisi informasi seperti:

1. Gender,
2. Social economy status,
3. Kelompok usia,
4. Awareness (ya / tidak).

dengan tabulasi sebagai berikut:

Tabulasi Jenis Kelamin

 gender   n percent
   Pria 180   49.3%
 Wanita 185   50.7%



Tabulasi SES

 ses   n percent
 Low  99   27.1%
 Mid 171   46.8%
  Up  95   26.0%



Tabulasi Usia

       usia   n percent
    < 15 th  49   13.4%
    > 30 th  42   11.5%
 16 - 20 th  57   15.6%
 21 - 25 th 132   36.2%
 26 - 30 th  85   23.3%



Tabulasi Awareness

 aware   n percent
 tidak 188   51.5%
    ya 177   48.5%

Kemudian saya hendak membuat data sintetis sebanyak 365 baris juga. Sebelumnya saya harus memastikan bahwa semua variabel dalam dataframe tersebut sudah bertipe factor.

Misalkan data survey asli saya simpan dengan nama df_survey. Kemudian saya cukup menggunakan perintah sebagai berikut:

library(synthpop)

mysyn = syn(df_survey)

Synthesis
-----------
 gender ses usia aware

summary(mysyn)

Synthetic object with one synthesis using methods:
  gender      ses     usia    aware 
"sample"   "cart"   "cart"   "cart" 

    gender     ses              usia       aware    
 Pria  :187   Low:107   < 15 th   : 51   tidak:189  
 Wanita:178   Mid:156   > 30 th   : 43   ya   :176  
              Up :102   16 - 20 th: 58              
                        21 - 25 th:129              
                        26 - 30 th: 84              

Oke, datanya sudah jadi. Mari kita bandingkan dengan data aslinya:

compare(mysyn, df_survey, stat = "counts")

Calculations done for gender 
Calculations done for ses 
Calculations done for usia 
Calculations done for aware 


Comparing counts observed with synthetic

Selected utility measures:
           pMSE   S_pMSE df
gender 0.000092 0.537002  1
ses    0.000427 1.247484  2
usia   0.000035 0.050430  4
aware  0.000002 0.010971  1

Untuk menunjukkan seberapa baik data sintesis, kita bisa melihat parameter goodness of fit bernama S_pMSE (Standardized Propensity Mean Squared Error).

Standardized Propensity Mean Squared Error (S_pMSE) adalah metrik untuk mengevaluasi kualitas data sintetis dengan membandingkan seberapa mirip distribusinya dengan data asli.

Cut Off Nilai S_pMSE

Nilai S_pMSE	Interpretasi	Kesimpulan
0.5 - 2.0	Sangat tinggi	Data sintetis sudah siap digunakan untuk analisis
2.0 - 10.0	Baik / cukup	Masih bisa diterima dengan beberapa catatan
> 10.0	Rendah	Model data sintesis perlu diperbaiki

Jika kita lihat grafik di atas, kita bisa simpulkan bahwa data sintesis yang dihasilkan sudah baik.

Coba saya bandingkan kembali data real vs sintesis pada variabel SES dan gender:

Plots of  ses  by  gender 
Numbers in each plot (observed data):

gender
  Pria Wanita 
   180    185 

Secara visual proporsi yang dihasilkan sangat mirip. Berikut adalah sampel data yang dihasilkan:

gender	ses	usia	aware
Pria	Mid	21 - 25 th	tidak
Pria	Low	26 - 30 th	ya
Wanita	Mid	< 15 th	tidak
Wanita	Mid	< 15 th	ya
Wanita	Mid	> 30 th	tidak
Wanita	Low	26 - 30 th	ya
Pria	Low	21 - 25 th	ya
Pria	Low	21 - 25 th	tidak
Pria	Low	26 - 30 th	tidak
Wanita	Up	16 - 20 th	ya
Pria	Up	21 - 25 th	tidak
Wanita	Up	26 - 30 th	ya
Pria	Low	21 - 25 th	ya
Pria	Up	> 30 th	ya
Pria	Mid	16 - 20 th	ya
Pria	Mid	16 - 20 th	tidak
Wanita	Up	26 - 30 th	ya
Pria	Up	21 - 25 th	tidak
Pria	Up	16 - 20 th	tidak
Wanita	Up	> 30 th	ya

---

if you find this article helpful, support this blog by clicking the ads.