Model Bias Kelangsungan Hidup

Pisahkan Tren dari Cerita Viral

Anda sedang menanggung risiko klasik bias penyintas: 20 thread itu adalah mereka yang berhasil melewati filter (mendapat funding), bukan representasi funnel penuh. Cara memisahkannya:

1. Minta angka denominator.
Setiap thread yang mengklaim "mendapat pendanaan Seri A tahun ini" harus dibandingkan dengan total pitch. Tanpa acceptance rate atau funnel conversion, klaim itu hanya narasi, bukan tren.

2. Cari sumber dengan data yang gagal.
Lihat laporan CB Insights tentang tingkat kematian startup, data PitchBook tentang rasio pitch-to-deal, atau laporan affinity venture. Jangan berhenti di timeline Twitter.

3. Uji asumsi Anda dengan pasar modal.
Jika modal memang gampang, rasio deal/pendanaan awal harus naik. Cek apakah ukuran check dan valuasi di seed berubah, bukan hanya jumlah pengumuman.

4. Bedakan sinyal dari kebisingan.
Sinyal: round size, investor tier, retensi modal dari LP. Kebisingan: thread viral, jumlah retweet.

Gunakan kerangka ini sebelum pitch: investor akan lebih menghormati founder yang memahami pasar secara statistik, bukan yang hanya mengulang mantra viral.

Hitung Ulang dengan Memperhitungkan yang Hilang

Kecurigaan Anda valid. Ini identik dengan kasus Abraham Wald: data Anda hanya berisi yang berhasil mencapai IGD. Sebelum mengubah protokol, lakukan tiga langkah:

1. Tetapkan populasi sumber secara eksplisit.
Populasi Anda bukan "pasien stroke yang datang", melainkan "semua orang dengan onset stroke dalam 3 jam di catchment area Anda". Selisih keduanya adalah missing cases yang harus Anda ukur.

2. Gunakan data sekunder untuk membangun estimasi.
Koordinasikan dengan layanan ambulans, puskesmas, dokter keluarga, dan registri kematian. Beberapa RS bahkan menggunakan data Sudden Death Registry atau kerja sama dengan pemakaman. Tujuannya: memperkirakan case fatality rate pra-RS.

3. Terapkan koreksi numerik sederhana.
Hitung observed good outcome rate, lalu turunkan dengan estimasi proporsi yang tidak pernah sampai RS menggunakan:

adjusted_rate = observed_rate × P(sampai RS) ÷ P(sehat secara definisi outcome)

Komunikasikan ketidakpastian ini secara eksplisit ke tim. Protokol baru Anda akan lebih akurat jika dibangun di atas denominator yang lengkap, bukan yang terselamatkan saja.

Materi yang Memotivasi Tanpa Bias

Anda benar bahwa 10 testimoni sukses tanpa 1 pun kisah gagal akan memberikan pesan tersembunyi: "kegagalan adalah anomali, bukan bagian dari proses". Ubah ini dengan:

1. Tambahkan "testimoni reverse".
Minta alumnus yang tidak masuk PTN top untuk berbagi apa yang mereka lakukan setelahnya: kuliah di kampus lain, mengambil gap year, membangun startup, atau magang. Data ini sering lebih kaya pelajaran daripada kisah masuknya.

2. Sajikan data statistik, bukan sekadar narasi.
Tunjukkan rasio pelamar vs pendaftar diterima, distribusi nilai, dan acceptance rate per jurusan. Ini membingkai sukses sebagai probabilitas, bukan takdir.

3. Gunakan "pra-mortal" thinking.
Sebelum membahas strategi belajar, diskusikan: kegagalan masuk bukan akhir, melainkan cabang karier yang valid. Tunjukkan trayektori alumni yang justru lebih sukses setelah tidak masuk.

4. Jadikan kegagalan sebagai objek studi.
Bukan untuk menakut-nakuti, tetapi untuk diekstraksi pelajarannya. Tanyakan ke kelas: "dari 100 murid yang gagal, kira-kira pola apa yang berulang?"

Dengan begini, motivasi tetap tinggi, tapi dibangun di atas peta yang lengkap, bukan peta yang sudah disensor.