SCATTER HITAM 📊 Saat Titik Data Tampak Acak, Apa yang Bisa Dibaca dari Sebarannya? Diagram pencar membantu melihat arah hubungan, kelompok, dan pencilan—serta mengingatkan bahwa pola visual belum otomatis membuktikan sebab-akibat.

Diagram pencar bukan kumpulan titik yang harus segera diberi cerita. Dalam bahasan SCATTER HITAM, tiap titik dibaca sebagai pasangan nilai dua variabel, X dan Y. Saat sebarannya tampak acak, periksa dulu apakah ada kecenderungan arah, bagian yang lebih rapat, atau titik yang terpisah dari kumpulan. Korelasi Pearson digunakan untuk mencari hubungan antara dua variabel [1]. Hubungan yang terlihat adalah awal pembacaan, bukan penjelasan tentang penyebabnya.

Mulai dari arah sebaran

Untuk membaca arah hubungan, titik dapat dilihat relatif terhadap rata-rata X dan Y. Jika nilai X dan Y berada di atas rata-ratanya, keduanya masuk kuadran I; jika keduanya di bawah rata-rata, keduanya masuk kuadran III. Dalam kedua kuadran itu, hasil kali deviasi X dan Y bernilai positif. Di kuadran II dan IV, hasil kalinya negatif karena satu nilai berada di atas rata-rata sementara yang lain di bawahnya [1].

Menurut uraian korelasi Pearson, jumlah hasil kali yang positif berkaitan dengan tren melalui kuadran III dan I, sedangkan jumlah yang negatif berkaitan dengan tren melalui kuadran II dan IV. Jika jumlahnya nol, tren tidak tampak karena hasil positif dan negatif saling mengimbangi di antara empat kuadran [1]. Jadi, arah sebaran lebih tepat dibaca dari pola keseluruhan daripada dari satu titik yang mencolok.

Periksa bagian yang rapat dan titik yang menyendiri

Setelah melihat arah umum, perhatikan detail lokal. Area yang tampak lebih rapat dapat dicatat sebagai kemungkinan kelompok; titik yang jauh dari sebaran utama dapat ditandai sebagai calon pencilan visual. Sebutan itu masih berupa pengamatan terhadap gambar, belum menjelaskan mengapa titik-titik berkumpul atau mengapa satu titik tampak jauh.

Catatan kecil seperti posisi titik dan bentuk sebaran di sekitarnya membantu menjaga pembacaan tetap konkret. Jangan buru-buru menyebut titik yang terpisah sebagai kesalahan, atau menganggap kelompok yang terlihat pasti punya penyebab tertentu. Diagram menunjukkan letak pasangan nilai; makna di baliknya perlu dibedakan dari kesan visual.

Pola hubungan bukan bukti sebab-akibat

Korelasi Pearson merangkum hubungan melalui hasil kali deviasi nilai X dan Y. Jika deviasi dinyatakan dalam satuan simpangan baku, ukuran korelasinya tidak bergantung pada satuan asal variabel [1]. Itu membuatnya berguna untuk membaca hubungan, tetapi ukuran hubungan saja tidak menjelaskan sebab-akibat. Untuk menyatakan bahwa satu variabel menyebabkan perubahan pada variabel lain, diperlukan dasar di luar pola visual tersebut.

Uraian tentang Pearson juga mengingatkan bahwa kerandoman data sampel perlu diuji untuk penelitian lanjutan [1]. Maka diagram pencar paling berguna sebagai peta awal: ia membantu melihat arah, kemungkinan kelompok, dan titik yang menyendiri, sambil menjaga agar pengamatan tidak berubah menjadi kesimpulan yang belum ditopang bukti.

Sumber

• [1] Wikipedia bahasa Indonesia — Korelasi Pearson. https://id.wikipedia.org/w/index.php?oldid=23147057&title=Korelasi_Pearson (diakses 2026-10-04).