Diagram pencar dibaca sebagai kumpulan pasangan nilai: sumbu X dan Y mewakili dua variabel, sedangkan setiap titik menunjukkan koordinat (X,Y) dari suatu pengamatan. Arah hubungan terlihat dari susunan titik secara keseluruhan, bukan dari satu titik saja.[1]

SCATTER4D: Membaca sumbu dan sebaran diagram pencar

Mulai dari arti X dan Y

Periksa dulu variabel apa yang ditempatkan pada masing-masing sumbu. Posisi horizontal menunjukkan nilai X, sementara posisi vertikal menunjukkan nilai Y. Setelah itu, lihat apakah sebaran titik secara umum bergerak ke arah yang sama pada kedua sumbu atau justru berlawanan. Arah tersebut memberi gambaran tentang kecenderungan hubungan antara dua variabel, tetapi maknanya tetap bergantung pada apa yang diwakili X dan Y.[1]

Kuadran membantu membaca arah

Dalam pembahasan korelasi Pearson, titik acuan dapat dipusatkan pada nilai rata-rata X dan Y. Jika suatu titik berada di atas rata-rata pada kedua variabel, posisinya masuk kuadran I; jika berada di bawah rata-rata pada keduanya, posisinya masuk kuadran III. Pada dua kuadran itu, hasil kali deviasi X dan Y bernilai positif.[1]

Kuadran II dan IV menunjukkan keadaan yang berlawanan: satu variabel berada di atas rata-ratanya, sementara variabel lain berada di bawah. Hasil kali deviasinya bernilai negatif. Karena itu, penjumlahan hasil kali deviasi membantu merangkum arah sebaran: jumlah positif berkaitan dengan kecenderungan melalui kuadran I dan III, sedangkan jumlah negatif berkaitan dengan kecenderungan melalui kuadran II dan IV.[1]

Jika hasil penjumlahan itu nol, kecenderungan arah tidak tampak dalam uraian tersebut: hasil kali positif dan negatif saling mengimbangi. Jadi, membaca pola bukan sekadar menghitung titik di tiap kuadran; tanda dan nilai deviasi X serta Y ikut membentuk ringkasannya.[1]

Yang tampak belum menjelaskan penyebab

Diagram pencar dapat memperlihatkan bagaimana nilai dua variabel tersebar bersama, tetapi pola itu sendiri tidak menerangkan mengapa keduanya memiliki hubungan. Karena korelasi Pearson mengukur hubungan antara variabel, lebih tepat menyebut arah kecenderungan yang terlihat daripada langsung menyatakan bahwa satu variabel menyebabkan perubahan pada variabel lain.[1]

Sebaran titik juga tidak dengan sendirinya memastikan apakah data sampel bersifat acak. Uraian tentang korelasi Pearson menyebut bahwa kerandoman sampel perlu diuji untuk penelitian lebih lanjut.[1]

Dari kesan visual ke ukuran korelasi

Jika diperlukan ukuran yang lebih terhitung daripada kesan visual, korelasi Pearson merangkum hasil kali deviasi X dan Y. Ketika deviasi dinyatakan dalam satuan deviasi standar, ukuran korelasinya bebas dari satuan asal variabel.[1] Dengan demikian, diagram membantu membaca bentuk dan arah sebaran, sementara ukuran Pearson merangkum hubungan itu melalui perhitungan.

Sumber

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