Rasio dan Proporsi

Laporan statistika jarang berhenti pada satu angka; hampir selalu ada angka kedua yang perlu dibandingkan. Kalimat seperti “rasio guru dan siswa 1:30” atau “tingkat pengangguran 5 persen” sebenarnya memakai alat hitung yang berbeda nama dan aturan mainnya. Mencampur alat-alat tersebut adalah sumber kesalahan interpretasi yang sering lolos dari pemeriksaan. Chapter ini memisahkan rasio, proporsi, rasio peluang (odds), dan rate satu per satu, lalu melatih normalisasi serta konversi di antaranya.

Rasio: Membandingkan Dua Kuantitas #

Rasio membandingkan dua kuantitas sejenis dan ditulis dengan notasi a:b, dibaca “a banding b”. Sebuah sekolah fiktif memiliki 12 guru untuk 360 siswa, sehingga rasio siswa terhadap guru adalah 360:12, yang disederhanakan menjadi 30:1. Kebiasaan pelaporan biasanya membalik urutannya menjadi rasio guru:siswa 1:30 karena kalimat “satu guru melayani 30 siswa” lebih mudah dibayangkan. Urutan penulisan wajib dijaga: 1:30 dan 30:1 adalah dua pernyataan yang berbeda.

Rasio boleh diskalakan tanpa berubah maknanya — 1:30 sama dengan 3:90 maupun 12:360. Penyederhanaan dilakukan dengan membagi kedua sisi dengan faktor persekutuan terbesar, persis seperti menyederhanakan pecahan. Nilai rasio juga tidak dibatasi di bawah satu; rasio 30:1 tetap valid karena rasio membandingkan bagian dengan bagian, bukan bagian dengan keseluruhan.

Proporsi: Bagian dari Keseluruhan #

Proporsi membandingkan sebagian dengan keseluruhan sehingga selalu berbentuk pecahan n/N dengan nilai antara 0 dan 1. Dari 50 siswa yang mengikuti ujian di sekolah fiktif tersebut, 42 dinyatakan lulus, sehingga proporsi kelulusan adalah 42/50 = 0.84. Kalikan dengan 100 dan kita mendapatkan persentase kelulusan 84% — bentuk yang sudah kita kenal pada Chapter Pecahan dan Persentase. Proporsi dan persentase adalah alat hitung yang sama dalam dua bentuk penyajian berbeda. Perbedaan pokok rasio dan proporsi dirangkum tabel berikut:

Dari sebuah rasio kita selalu bisa memperoleh proporsi, begitu pula sebaliknya. Rasio laki-laki dan perempuan 240:160 disederhanakan menjadi 3:2 karena kedua sisi dibagi FPB 80. Keseluruhan populasi terdiri atas 3 + 2 = 5 bagian, sehingga proporsi laki-laki adalah 3/5 = 0.6 dan proporsi perempuan adalah 2/5 = 0.4. Langkah ini disebut normalisasi rasio dan sangat berguna ketika data datang dalam bentuk yang belum sederhana.

Rasio Peluang (Odds) #

Rasio peluang atau odds membandingkan jumlah kejadian sukses dengan jumlah kejadian gagal — keduanya adalah bagian dari keseluruhan. Pada data kelulusan tadi, 42 siswa lulus dan 8 siswa tidak lulus, sehingga odds lulus adalah 42:8, disederhanakan menjadi 21:4, atau 5.25 dalam bentuk desimal. Odds 5.25 dibaca “5.25 keberhasilan untuk setiap satu kegagalan”. Proporsi dan odds memuat informasi yang sama tetapi tampil berbeda: proporsi lulus 0.84 terlihat moderat, sedangkan odds 5.25 terlihat besar karena penyebutnya hanya jumlah kegagalan, bukan seluruh pengamatan.

proporsi = jumlah sukses / seluruh pengamatan (n/N)
odds     = jumlah sukses / jumlah gagal

Odds akan muncul kembali saat kita membahas peluang sukses dan kegagalan pada materi probabilitas. Untuk sekarang, cukup pastikan kita tidak melaporkan odds seolah-olah proporsi, karena pembaca bisa menarik kesimpulan yang jauh berbeda.

Rate: Per Satuan Waktu atau Populasi #

Rate menghubungkan jumlah kejadian dengan ukuran populasi dan rentang waktu, misalnya “kejadian per 1.000 penduduk per tahun”. Contoh bergaya laporan BPS dengan data fiktif: Kabupaten Karangmulya mencatat 900 penganggur dari 45.000 penduduk usia kerja dalam satu tahun. Rate-nya adalah 900/45000 = 0.02, dilaporkan sebagai 20 per 1.000 penduduk, atau 2% bila disajikan sebagai persentase. Penyebut per 1.000 dipilih supaya angka tetap mudah dibaca ketika kejadiannya jarang — gaya penyajian serupa bisa kita periksa langsung pada tabel publikasi Badan Pusat Statistik di https://www.bps.go.id/ .

Rate memungkinkan perbandingan yang adil antar wilayah yang ukuran populasinya berbeda. Kabupaten lain dengan 9.000 penganggur terdengar lebih buruk, tetapi bila penduduk usia kerjanya 450.000, rate-nya sama-sama 20 per 1.000. Tanpa normalisasi ke bentuk rate, perbandingan mentah jumlah penganggur akan menyesatkan pembaca laporan. Empat istilah pada chapter ini dirangkum tabel berikut:

Seluruh perhitungan di atas dapat kita periksa dengan satu blok Python:

import math

siswa = 360
guru = 12
print(f"rasio guru:siswa = 1:{siswa / guru:.0f}")

laki_laki, perempuan = 240, 160
faktor = math.gcd(laki_laki, perempuan)
print(f"rasio disederhanakan = {laki_laki // faktor}:{perempuan // faktor}")
print(f"proporsi laki-laki = {laki_laki / (laki_laki + perempuan)}")

lulus, gagal = 42, 8
print(f"odds lulus = {lulus / gagal}")

penduduk_usia_kerja = 45000
menganggur = 900
rate = menganggur / penduduk_usia_kerja * 1000
print(f"rate = {rate:.0f} per 1000 penduduk")

Output yang Dihasilkan:

rasio guru:siswa = 1:30
rasio disederhanakan = 3:2
proporsi laki-laki = 0.6
odds lulus = 5.25
rate = 20 per 1000 penduduk

Mari kita bedah kode di atas:

1. Baris 4-5: 360 siswa dibagi 12 guru menghasilkan 30, lalu ditulis sebagai 1:30 dengan format :.0f agar tercetak tanpa desimal.
2. Baris 8-10: math.gcd(240, 160) mengembalikan FPB 80; kedua sisi dibagi 80 menghasilkan 3:2, dan proporsi laki-laki 240/400 tercetak 0.6.
3. Baris 13: odds dihitung sebagai pembagian langsung 42/8, hasilnya 5.25.
4. Baris 17: rate dihitung dengan mengalikan 900/45000 dengan 1000, hasilnya 20 per 1.000 penduduk.

Rasio, proporsi, odds, dan rate semuanya bekerja dengan sedikit angka. Masalah muncul begitu data membesar: membandingkan 50 siswa masih ringan, tetapi menjumlahkan ratusan nilai satu per satu tidak lagi praktis, dan penulisan x1 + x2 + x3 + … + xn cepat menjadi tidak terbaca. Chapter berikutnya memperkenalkan notasi sigma (Σ), alat ringkas yang hampir semua rumus statistika bergantung padanya.