Kesalahan Interpretasi Statistik

Kesalahan interpretasi jarang berbentuk hitungan yang salah; hitungannya biasanya benar, yang keliru adalah cara membacanya. Sebuah mean yang dijumlahkan dari mean lain, sebuah persentase yang dibandingkan tanpa dasarnya, sebuah tren yang dihitung dari titik awal pilihan — semuanya angka sahih yang menopang simpulan keliru. Chapter ini mengumpulkan tujuh kesalahan semacam itu yang paling sering muncul di laporan, berita, dan rapat kerja, masing-masing dengan contoh angka yang bisa diikuti dan koreksi membacanya.

Rata-rata dari Rata-rata #

Menjumlahkan rata-rata beberapa kelompok lalu membaginya banyaknya kelompok hanya benar bila semua kelompok berukuran sama. Bila ukurannya berbeda, setiap kelompok harus dibobot dengan ukurannya sendiri. Kedai fiktif Seduh Pagi punya dua cabang: Jakarta melayani 100 pelanggan per hari dengan rata-rata belanja Rp15.000, sedangkan Bandung melayani 20 pelanggan per hari dengan rata-rata Rp25.000. Rata-rata sederhana memberi (15.000 + 25.000) / 2 = Rp20.000, tetapi rata-rata belanja per pelanggan yang sebenarnya adalah (100 × 15.000 + 20 × 25.000) / 120 = Rp16.666,67. Selisihnya lebih dari Rp3.000 per pelanggan — cukup besar untuk mengubah keputusan harga. Kita hitung ulang dengan Python:

pelanggan = {"Jakarta": 100, "Bandung": 20}
belanja = {"Jakarta": 15000, "Bandung": 25000}

rata_dari_rata = sum(belanja.values()) / 2
total_pendapatan = sum(pelanggan[k] * belanja[k] for k in pelanggan)
rata_sejati = total_pendapatan / sum(pelanggan.values())

print(f"rata-rata dari rata-rata      : {rata_dari_rata:.2f}")
print(f"rata-rata per pelanggan sejati : {rata_sejati:.2f}")

Output yang Dihasilkan:

rata-rata dari rata-rata      : 20000.00
rata-rata per pelanggan sejati : 16666.67

Mari kita bedah hasilnya: rata-rata dari rata-rata menghasilkan Rp20.000 karena kedua cabang diperlakukan setara padahal Jakarta menyumbang 100 dari 120 pelanggan; rata-rata sejati Rp16.666,67 (dibulatkan ke dua desimal) tertarik ke bawah mengikuti cabang yang jauh lebih ramai. Koreksinya selalu satu langkah: kembalikan ke total — jumlah nilai dan jumlah penghitung — sebelum merata-rata. Kebiasaan menghitung dari total membuat kesalahan ini tidak mungkin terjadi.

Mengabaikan Base Rate #

Chapter Teorema Bayes di Section Dasar Probabilitas membedah satu kasus yang wajib masuk katalog ini: tes penyaring “akurat 95 persen” pada penyakit berprevalensi 1 persen menghasilkan P(sakit | positif) hanya sekitar 8.76 persen. Kekeliruannya adalah memakai P(positif | sakit) untuk menjawab P(sakit | positif) — dua arah pengondisian yang berbeda. Gejalanya mudah dikenali di berita: klaim tentang hasil tes, sistem deteksi, atau penyaringan yang tidak pernah menyebut laju dasar kejadiannya di populasi. Koreksinya adalah meminta frekuensi alami — dari 10.000 orang, berapa yang sakit dan positif, berapa yang sehat namun positif — lalu membandingkan dua angka itu langsung.

Persentase versus Poin Persentase #

Ketika sebuah tingkat naik dari 2 persen ke 3 persen, kenaikannya 1 poin persentase, tetapi 50 persen bila dihitung relatif terhadap nilai awal. Dua cara bicara ini sama-sama benar sekaligus menghasilkan kesan yang jauh berbeda; judul “bunga naik 50 persen” dan “bunga naik 1 poin persentase” akan dibaca dengan tingkat kekhawatiran yang berbeda. Karena itu laporan yang baik menyebut nilai awal dan nilai akhirnya, dan pembaca yang baik menghitung selisihnya sendiri sebelum bereaksi. Kebalikan arahnya juga menipu: “turun 5 persen” dari tingkat 2 persen hanyalah turun ke 1.9 persen — penurunan yang tampak besar karena angka awalnya kecil.

Seleksi Periode Waktu #

Memilih titik awal dan titik akhir yang berbeda bisa memutar arah kesimpulan tanpa mengubah satu angka pun. Harga cabai merah (data fiktif) bergerak: Rp40.000 per kg pada Januari, Rp60.000 pada puncak Mei, Rp55.000 pada Juni. Berita pertama menghitung dari puncak: harga “turun 8.3 persen” — benar. Berita kedua menghitung dari awal tahun: harga “naik 37.5 persen” — juga benar. Keduanya sahih karena keduanya memilih pembanding yang berbeda; laporan yang jujur menampilkan rentang penuh atau menjelaskan pilihan pembandingnya. Aturan praktisnya sederhana: bila sebuah tren hanya hidup pada satu pasang titik, geser salah satu titiknya dan lihat apakah kesimpulan masih bertahan.

Survivorship pada Data #

Laporan “rata-rata umur perusahaan di sebuah indeks” hanya menghitung perusahaan yang masih beroperasi ketika laporan ditulis; yang berhenti operasi keluar dari himpunan data dan membawa kisahnya yang gagal. Angka rata-rata yang dihasilkan karenanya tampak lebih kuat daripada kenyataannya — fenomena survivorship yang telah dibedah pada chapter Bias dan Kualitas Data di Section Pengumpulan dan Jenis Data. Pertanyaan koreksinya satu kalimat: siapa atau apa yang sudah tidak lagi berada di dalam data ini, dan mengapa keluar? Pertanyaan yang sama bekerja pada ulasan produk (yang menulis biasanya yang puas) dan laporan alumni (yang terhubung biasanya yang berhasil).

Regresi Menuju Mean yang Disalahartikan #

Nilai ekstrem cenderung diikuti nilai yang lebih dekat ke rata-rata, karena keberuntungan pada pengukuran pertama tidak berulang pada pengukuran kedua. Perhatikan empat siswa dengan nilai ujian pertama [96, 94, 60, 56] — rata-rata kelas 76.5. Sekolah membentuk kelas pengayaan untuk dua siswa teratas dan kelas bimbingan untuk dua siswa terbawah. Pada ujian kedua nilainya [86, 84, 66, 70]: rata-rata kelas pengayaan turun dari 95 ke 85, rata-rata kelas bimbingan naik dari 58 ke 68, sementara rata-rata keseluruhan tetap 76.5. Dari tabel yang sama, orang bisa menyimpulkan program pengayaan “menurunkan nilai” dan program bimbingan “menaikkan nilai” — padahal kedua pergeseran itu terjadi tanpa satu pun program; nilai tinggi semula memuat keberuntungan yang memudar, nilai rendah semula memuat keberuntungan buruk yang ikut memudar. Evaluasi program yang benar membutuhkan kelompok pembanding yang tidak mengikuti program, bukan sekadar membandingkan nilai sebelum dan sesudah pada kelompok yang sama.

Ekstrapolasi Linier yang Terlalu Jauh #

Tren linear nyaman diperpanjang: penjualan naik 20 unit per bulan, maka setelah 10 tahun (120 bulan) dari basis 100 unit per bulan akan mencapai 100 + 20 × 120 = 2.500 unit per bulan. Masalahnya, tidak ada mekanisme yang menjamin kelanjutan itu — kapasitas produksi, pasar, dan pesaing tidak mengikuti garis lurus. Ekstrapolasi selalu merupakan pernyataan tentang asumsi, bukan tentang data; semakin jauh dari rentang yang teramati, semakin besar porsi asumsi di dalamnya. Praktik yang sehat membatasi ekstrapolasi pada jangka pendek di dalam rentang data, membandingkan prediksi dengan data terbaru begitu tersedia, dan menuliskan secara eksplisit apa yang harus terus berjalan agar garisnya benar.

Tabel Ringkasan Tujuh Kesalahan #

Tujuh pola ini berbagi satu akar: angka yang benar disajikan tanpa konteks yang membuatnya bermakna. Pada chapter berikutnya kita bertemu bentuk yang lebih aktif — penyajian yang sengaja dirancang agar konteks itu tidak terlihat, dari sumbu terpotong hingga Simpson’s paradox. Pendalaman pola salah-baca ini tersedia di Khan Academy Statistics & Probability dan OpenIntro Statistics .