Scatter Diagram: Cara Menemukan Korelasi

Scatter diagram adalah salah satu alat paling sederhana dalam manajemen mutu dan salah satu yang paling sering disalahartikan. Tim menggunakannya untuk melihat apakah dua variabel bergerak bersamaan. Namun mereka sering berhenti di situ, melewatkan satu langkah yang mencegah keputusan yang keliru: memahami perbedaan antara korelasi dan kausalitas.

Sebelum Anda bertindak berdasarkan apa yang ditunjukkan scatter diagram, Anda perlu tahu persis apa itu, cara membuatnya dengan benar, dan di mana posisinya dalam analisis yang lebih luas. Itulah yang dibahas dalam panduan ini.

Apa Itu Scatter Diagram?

Scatter diagram (disebut juga scatter plot atau grafik X-Y) adalah grafik yang memetakan nilai numerik berpasangan pada sumbu X horizontal dan sumbu Y vertikal untuk mengungkap apakah dua variabel saling terkait dan seberapa kuat hubungannya. Setiap titik data mewakili satu pengamatan. Kumpulan titik yang dihasilkan menunjukkan apakah kedua variabel cenderung naik dan turun bersamaan, bergerak berlawanan arah, atau tidak memiliki hubungan yang jelas sama sekali.

Scatter diagram adalah salah satu dari 7 alat kualitas dasar (alat quality control (QC)) yang diatribusikan kepada pelopor kualitas Kaoru Ishikawa, yang merumuskan perangkat ini pada tahun 1960-an dan 1970-an. Alat ini berdampingan dengan fishbone diagram, check sheet, histogram, diagram kendali, diagram Pareto, dan stratifikasi sebagai metode dasar untuk pemecahan masalah berbasis data.

Poin kuncinya: scatter diagram menunjukkan korelasi, bukan kausalitas. Ia memberi tahu Anda bahwa dua hal cenderung bergerak bersamaan. Ia tidak memberi tahu Anda mengapa.

Fakta Kunci

• Kaoru Ishikawa merumuskan 7 alat kualitas dasar (termasuk scatter diagram) dalam karyanya tahun 1968 di Kawasaki dan dalam publikasi selanjutnya seperti Guide to Quality Control (1976, Asian Productivity Organization). Perangkat lengkap ini menjadi standar global untuk gugus kendali mutu dan program manajemen mutu terpadu.
• Scatter plot sebagai bentuk grafis memiliki sejarah panjang: astronom Inggris John Herschel menggunakan versi awal teknik ini pada tahun 1833 untuk memetakan posisi bintang, dan Francis Galton menggunakan plot data berpasangan pada tahun 1880-an saat mempelajari hereditas. Karl Pearson merumuskan koefisien korelasi (Pearson's r) pada tahun 1896, memberikan pengguna scatter diagram ukuran numerik kekuatan hubungan selain pola visualnya.
• Scatter diagram paling andal jika dibangun dari setidaknya 30 titik data berpasangan. Titik yang lebih sedikit membuat interpretasi pola tidak andal, dan tren palsu bisa muncul secara kebetulan.
• "Scatter diagram tidak akan memberi tahu Anda mengapa dua hal bergerak bersamaan, hanya bahwa keduanya memang bergerak bersamaan."

Mengapa Menggunakan Scatter Diagram

Sebagian besar masalah kualitas dimulai dari dugaan. Seorang process engineer menduga bahwa suhu oven yang lebih tinggi menyebabkan lebih banyak cacat permukaan. Seorang manajer dukungan pelanggan berpikir kekurangan staf mendorong waktu tunggu yang lebih lama. Seorang pemimpin penjualan percaya lebih banyak panggilan menghasilkan lebih banyak kesepakatan tertutup.

Dugaan-dugaan itu adalah titik awal yang baik. Tetapi bertindak berdasarkan dugaan tanpa data itu mahal. Scatter diagram memungkinkan Anda menguji hubungan sebab-akibat yang dicurigai sebelum mengalokasikan sumber daya untuk perbaikan.

Alat ini cocok digunakan setelah sesi fishbone diagram atau five whys. Setelah tim Anda mengidentifikasi daftar kemungkinan akar masalah, Anda bisa menggunakan scatter diagram untuk memeriksa hubungan mana yang benar-benar muncul dalam data. Ini membuat analisis akar masalah Anda tetap berlandaskan bukti, bukan opini.

Scatter diagram juga memberi masukan ke proyek DMAIC Six Sigma, khususnya fase Analyze, di mana tim perlu mengonfirmasi atau menyingkirkan hubungan variabel sebelum merancang perbaikan.

Jenis Korelasi yang Ditunjukkan Scatter Diagram

Pola yang dibentuk titik-titik Anda adalah output dari analisis tersebut. Berikut enam pola yang biasanya akan Anda temui:

Ketika pola tersebut ambigu, garis tren (garis kecocokan terbaik) yang digambar melalui data membantu memperjelas arahnya. Koefisien korelasi (Pearson's r) memberikan ringkasan numerik: nilai mendekati +1 atau -1 menunjukkan hubungan kuat; nilai mendekati 0 menunjukkan tidak ada hubungan linear.

Gunakan analisis Pareto setelah mengidentifikasi korelasi kuat untuk memprioritaskan variabel mana yang harus ditangani lebih dulu ketika ada beberapa hubungan.

Cara Membuat Scatter Diagram

Membuat scatter diagram itu mudah. Kualitas interpretasinya bergantung pada kualitas pengumpulan data, jadi setiap langkah itu penting.

Langkah 1: Pilih dua variabel

Identifikasi satu kemungkinan penyebab (sumbu X) dan satu kemungkinan akibat (sumbu Y). Bersikaplah spesifik. "Suhu" itu kabur; "suhu oven dalam derajat Celsius selama tahap pelapisan" itu presisi. Penyebab ditempatkan pada sumbu horizontal menurut konvensi, dan akibat ditempatkan pada sumbu vertikal.

Langkah 2: Kumpulkan data berpasangan

Untuk setiap pengamatan, catat kedua nilai pada waktu yang sama atau dari unit yang sama. Anda membutuhkan setidaknya 30 titik data berpasangan, dan 50 atau lebih memberikan pola yang jauh lebih andal. Kumpulkan data di seluruh rentang kondisi yang Anda pedulikan, bukan hanya selama operasi normal. Jika Anda hanya mengukur ketika semuanya berjalan baik, Anda akan melewatkan perilaku ekstrem tinggi atau rendah yang mendorong cacat.

Gunakan check sheet untuk mencatat nilai berpasangan secara sistematis sebelum beralih ke scatter diagram.

Langkah 3: Tentukan sumbu

Gambar atau atur sumbu X dan Y Anda. Tetapkan skala sumbu X untuk mencakup seluruh rentang variabel penyebab Anda, dengan sedikit ruang lebih. Lakukan hal yang sama untuk Y. Beri label setiap sumbu dengan nama variabel dan satuan pengukurannya. Label yang jelas mencegah kesalahpahaman di kemudian hari.

Langkah 4: Plot titik-titiknya

Untuk setiap pengamatan berpasangan, temukan nilai X-nya pada sumbu horizontal dan nilai Y-nya pada sumbu vertikal, lalu tempatkan titik pada perpotongannya. Jika dua pengamatan berada pada koordinat yang sama persis, gunakan lingkaran kecil di sekitar titik untuk menunjukkan beberapa titik pada lokasi tersebut.

Langkah 5: Interpretasikan polanya

Mundur sejenak dan lihat bentuk keseluruhannya. Apakah kumpulan titik tersebut cenderung naik, turun, atau tidak ke arah mana pun? Apakah kelompoknya rapat atau tersebar lebar? Adakah outlier yang menarik pola keluar dari sumbu? Identifikasi pola mana dari enam jenis korelasi (lihat tabel di atas) yang paling menyerupainya, dan tambahkan garis tren jika diperlukan.

Jangan berhenti di sini. Gunakan scatter diagram sebagai bukti untuk analisis lebih dalam, bukan sebagai jawaban akhir.

Contoh Scatter Diagram Berdasarkan Fungsi

Manufaktur: suhu oven vs. tingkat cacat permukaan

Sebuah tim produksi menduga bahwa suhu oven yang lebih tinggi menyebabkan lebih banyak cacat permukaan pada komponen logam berlapis. Mereka mengumpulkan 45 pembacaan berpasangan selama dua minggu, mencatat suhu oven (X) dan tingkat cacat dalam persentase (Y) untuk setiap batch.

Scatter diagram tersebut menunjukkan korelasi positif sedang: seiring suhu naik di atas 210°C, tingkat cacat meningkat secara nyata. Hubungannya tidak sepenuhnya rapat, menunjukkan variabel lain (kelembapan, ketebalan pelapisan) juga berkontribusi. Namun diagram tersebut memberi tim cukup keyakinan untuk menguji perbaikan kontrol suhu dalam uji coba terkendali.

Operasi dukungan: tingkat staf vs. rata-rata waktu tunggu

Seorang manajer operasi layanan memetakan jumlah staf harian (X) terhadap rata-rata waktu tunggu pelanggan dalam menit (Y) selama 60 hari.

Diagram tersebut menunjukkan korelasi negatif kuat: semakin banyak agen bertugas secara konsisten mengurangi waktu tunggu. Kelompoknya cukup rapat, dengan beberapa outlier pada hari-hari acara bervolume tinggi. Tim menggunakan ini untuk membangun model penempatan staf yang mengaitkan jumlah staf dengan ambang volume yang diharapkan.

Penjualan: panggilan keluar vs. kesepakatan tertutup

Sebuah tim penjualan memetakan volume panggilan keluar mingguan per perwakilan (X) terhadap kesepakatan tertutup mingguan (Y) selama tiga bulan.

Diagram tersebut menunjukkan korelasi positif lemah. Volume panggilan yang lebih tinggi cenderung menghasilkan lebih banyak kesepakatan, tetapi sebarannya lebar. Ini memberi tahu tim bahwa volume panggilan saja bukan pendorong utama penutupan kesepakatan. Mereka menjalankan analisis lanjutan yang membandingkan skor kualitas panggilan dengan tingkat kesepakatan, yang menunjukkan korelasi yang jauh lebih rapat.

Korelasi Bukan Kausalitas

Ini adalah aturan paling penting dalam interpretasi scatter diagram, dan yang paling sering dilewatkan.

Korelasi kuat berarti dua variabel bergerak bersamaan dalam pola yang dapat diprediksi. Ini tidak berarti satu menyebabkan yang lain. Keduanya mungkin didorong oleh variabel ketiga yang belum Anda ukur. Hubungannya mungkin kebetulan. Atau arah kausalitasnya mungkin justru berlawanan dari yang Anda asumsikan.

Contoh klasik: penjualan es krim dan tingkat tenggelam sama-sama naik di musim panas. Scatter diagram dari keduanya akan menunjukkan korelasi positif kuat. Tetapi es krim tidak menyebabkan tenggelam. Keduanya didorong oleh variabel ketiga: cuaca panas yang membawa orang ke air dan juga mendorong pembelian es krim.

Dalam konteks bisnis, jebakan yang sama terus muncul. Scatter diagram yang menunjukkan bahwa jam pelatihan penjualan berkorelasi dengan pertumbuhan pendapatan tidak membuktikan bahwa pelatihan mendorong pendapatan. Tim dengan anggaran lebih besar mungkin mendapat lebih banyak pelatihan sekaligus lebih banyak anggaran pemasaran. Uraikan variabel-variabel tersebut sebelum membuat keputusan.

Langkah selanjutnya setelah menemukan korelasi kuat biasanya adalah eksperimen terkendali atau analisis multivariat yang lebih dalam untuk mengonfirmasi arah kausalitasnya.

Praktik Terbaik

Kumpulkan data yang cukup. Tiga puluh titik data berpasangan adalah minimum. Lima puluh lebih baik. Dengan titik yang lebih sedikit, variasi acak bisa menghasilkan pola yang terlihat berarti padahal tidak.

Waspadai outlier. Beberapa titik data ekstrem bisa menciptakan atau menghilangkan tren yang tampak. Selidiki outlier sebelum mengeluarkannya. Outlier sering mengungkap informasi paling penting tentang mode kegagalan proses.

Stratifikasi bila diperlukan. Jika data Anda berasal dari beberapa shift, mesin, atau lini produk, plot setiap kelompok dengan simbol atau warna berbeda. Scatter diagram gabungan bisa menutupi pola yang hanya ada dalam subkelompok tertentu.

Tindaklanjuti dengan analisis lebih dalam. Scatter diagram adalah alat penyaringan, bukan putusan akhir. Ketika Anda menemukan korelasi kuat, konfirmasi melalui uji coba terkendali, analisis regresi, atau putaran tambahan five whys sebelum berkomitmen pada solusi.

Padukan dengan alat kualitas lain. Scatter diagram bekerja paling baik sebagai bagian dari investigasi yang lebih luas. Gunakan setelah sesi fishbone untuk menguji dugaan penyebab, dan gunakan analisis Pareto untuk memprioritaskan korelasi terkonfirmasi mana yang harus ditindaklanjuti lebih dulu.

Pertanyaan yang Sering Diajukan

Apa perbedaan antara korelasi dan kausalitas?

Korelasi berarti dua variabel cenderung bergerak bersamaan dalam pola yang dapat diprediksi. Kausalitas berarti satu variabel secara langsung menghasilkan perubahan pada variabel lain. Scatter diagram menunjukkan korelasi. Ia tidak membuktikan kausalitas. Mengonfirmasi kausalitas membutuhkan eksperimen terkendali atau analisis tambahan yang menyingkirkan variabel perancu.

Apakah scatter diagram termasuk salah satu dari 7 alat QC?

Ya. Scatter diagram (disebut juga scatter plot atau grafik X-Y) adalah salah satu dari tujuh alat kualitas dasar yang dirumuskan oleh Kaoru Ishikawa. Enam lainnya adalah fishbone diagram, check sheet, histogram, diagram kendali, diagram Pareto, dan stratifikasi.

Berapa banyak titik data yang saya butuhkan untuk scatter diagram yang andal?

Targetkan setidaknya 30 titik data berpasangan, dan idealnya 50 atau lebih. Dengan kurang dari 30 titik, variasi acak bisa menghasilkan pola yang menyesatkan. Kumpulkan data di seluruh rentang kondisi operasi, bukan hanya skenario khas atau normal.

Apa yang diukur oleh Pearson's r?

Pearson's r adalah koefisien korelasi, sebuah angka antara -1 dan +1 yang meringkas kekuatan dan arah hubungan linear. Nilai mendekati +1 menunjukkan korelasi positif kuat. Nilai mendekati -1 menunjukkan korelasi negatif kuat. Nilai mendekati 0 menunjukkan sedikit atau tidak ada hubungan linear. Perlu dicatat bahwa Pearson's r hanya mengukur hubungan linear dan akan meremehkan pola yang melengkung atau non-linear.

Kapan sebaiknya saya TIDAK menggunakan scatter diagram?

Scatter diagram bukan alat yang tepat ketika variabel Anda bersifat kategorikal alih-alih numerik, ketika Anda bekerja dengan kurang dari 20 titik data, atau ketika Anda sudah tahu dari eksperimen terkendali sebelumnya bahwa hubungan kausal memang ada dan Anda perlu mengukurnya secara presisi. Dalam kasus tersebut, analisis regresi atau metode statistical process control lebih tepat.

---

Scatter diagram memberi Anda jawaban visual yang cepat atas pertanyaan "apakah kedua hal ini bergerak bersamaan?" Ketika polanya jelas dan datanya kuat, ini bisa menghemat waktu tim Anda hingga berminggu-minggu tebak-tebakan. Tetapi nilai sebenarnya ada pada mengarahkan Anda ke pertanyaan berikutnya, bukan menutup investigasi. Padukan dengan proses analisis akar masalah yang terstruktur, dan Anda memiliki kombinasi yang secara konsisten menghasilkan keputusan yang lebih baik dibanding intuisi semata.