Scatter Diagram Techniques

Bagaimana memahaminya
Ketika menyelidiki masalah, biasanya ketika mencari penyebab mereka, dapat diduga bahwa
dua item yang terkait dalam beberapa cara. Misalnya, dapat diduga bahwa jumlah kecelakaan
kerja berkaitan dengan jumlah lembur yang orang yang bekerja.

Diagram Scatter membantu untuk mengidentifikasi adanya hubungan terukur antara dua item
tersebut dengan mengukur mereka berpasangan dan merencanakan mereka pada grafik,
seperti di bawah ini. Visual ini menunjukkan korelasi antara dua set pengukuran.

Gambar. 1. Poin pada Scatter Diagram

Jika poin digambarkan pada Diagram Scatter tersebar secara acak, tanpa pola yang jelas,
maka ini menunjukkan bahwa dua set pengukuran tidak berkorelasi dan tidak dapat dikatakan
berhubungan dengan cara apapun. If, however, the points form a pattern of some kind, then
this shows the type of relationship between the two measurement sets. Namun, jika titik-titik
membentuk pola dari beberapa jenis, maka ini menunjukkan jenis hubungan antara dua set
pengukuran.

Sebuah Scatter Diagram menunjukkan hubungan antara dua item untuk tiga alasan:

1. Ada sebab dan akibat hubungan antara dua item diukur, di mana salah satu
menyebabkan yang lain (setidaknya sebagian).
2. Dua item yang diukur adalah baik disebabkan oleh item ketiga. Misalnya, Scatter
Diagram yang menunjukkan korelasi antara celah-celah dan transparansi peralatan kaca
karena perubahan baik disebabkan oleh perubahan suhu tungku.
3. Kebetulan Lengkap. Hal ini dimungkinkan untuk menemukan korelasi tinggi item
yang tidak terkait, seperti jumlah semut persimpangan jalan dan penjualan koran.

Scatter Diagram sehingga dapat digunakan untuk memberikan bukti hubungan sebab dan
akibat, tetapi mereka sendiri tidak membuktikannya. Biasanya, hal itu juga memerlukan
pemahaman yang baik sistem yang akan diukur, dan mungkin diperlukan percobaan
tambahan. 'Sebab' dan 'efek' dengan demikian dikutip dalam bab ini untuk menunjukkan
bahwa meskipun mereka dapat diduga memiliki hubungan ini, belum diketahui secara pasti.

Sewaktu mengevaluasi Diagram Scatter, baik tingkat dan jenis korelasi harus

dipertimbangkan. Yang terlihat perbedaan Scatter Diagram untuk ini ditunjukkan dalam
Tabel di bawah ini.

Di mana ada hubungan sebab-akibat, tingkat tersebarnya diagram mungkin akan dipengaruhi
oleh beberapa faktor (seperti yang diilustrasikan dalam diagram di bawah ini):

 Kedekatan dari sebab dan akibat. Ada kesempatan yang lebih baik dari korelasi tinggi
jika penyebabnya adalah terhubung langsung ke efek daripada jika pada akhir rantai
penyebab. Jadi akar mungkin tidak memiliki hubungan yang jelas dengan efek akhir.
 Beberapa penyebab efek. Ketika mengukur satu penyebab, penyebab lainnya adalah
membuat efek tersebut sangat beragam dengan cara yang tidak terkait. Penyebab lainnya
mungkin juga memiliki efek yang lebih besar, swamping efek sebenarnya penyebab tersebut.
 Alam Variasi dalam sistem. Efeknya mungkin tidak bereaksi dengan cara yang sama
setiap kali, bahkan penyebab utama dekat.

Gambar. 2 Kompleks menyebabkan

Tidak ada gelar yang jelas salah satu hubungan di atas mana suatu hubungan yang jelas dapat
dikatakan ada.Instead, as the degree of correlation increases, the probability of that
relationship also increases. Sebaliknya, sebagai tingkat korelasi meningkat, kemungkinan
hubungan yang juga meningkat.

Jika ada korelasi yang cukup, maka bentuk Diagram Scatter akan menunjukkan jenis korelasi
(lihat Tabel @ @). Yang paling umum adalah bentuk garis lurus, baik miring ke
atas (korelasi positif) atau miring bawah (korelasi negatif).

Derajat 
Scatter Diagram Interpretasi
Korelasi
 Tidak ada hubungan dapat
dilihat. tidak terkait dengan
'menyebabkan' dengan
Tidak ada
cara apapun.

Hubungan samar terlihat.

Itu karena 'dapat
mempengaruhi' efek ', tapi
hanya jauh. Ada lebih cepat
Rendah
menyebabkan baik dapat
ditemukan atau ada variasi
yang signifikan dalam
'efek'.
Poin yang dikelompokkan
menjadi bentuk linier jelas.
Ini adalah kemungkinan
bahwa karena 'secara
langsung berkaitan dengan
Tinggi
efek'. Oleh karena itu,
setiap perubahan karena
'akan menghasilkan
perubahan ditebak cukup
dalam' efek '.
Semua poin yang terletak
pada baris (yang biasanya
lurus). Mengingat
'menyebabkan nilai, sesuai
PerfectSempurn
efek' 'nilai dapat diprediksi
a
dengan kepastian lengkap.

Jenis 
Scatter Diagram Interpretasi
Korelasi
Garis lurus, miring dari kiri ke
kanan. Meningkatkan nilai
karena 'hasil dalam
Positif
peningkatan proporsional
dalam nilai' efek '.
 Garis lurus, miring turun dari
kiri ke kanan. Meningkatkan
nilai karena 'hasil penurunan
Negatif
proporsional nilai dari' efek '.

Berbagai kurva, biasanya U-

atau S-berbentuk. Mengubah
nilai karena 'hasil dalam' efek
Lengkung
'berubah berbeda,
tergantung pada posisi pada
kurva.
Bagian dari diagram adalah
garis lurus (miring ke atas
atau bawah). Mungkin
karena kerusakan atau
Bagian linier kelebihan dari 'efek', atau
kurva dengan bagian yang
mendekati ke garis lurus
(yang mungkin diperlakukan
seperti itu).

Poin yang muncul baik di luar daerah terlihat tren mungkin karena sebab khusus dari variasi,
dan harus diteliti seperti itu.

Selain interpretasi visual, beberapa perhitungan dapat dilakukan sekitar Scatter Diagram.
Perhitungan yang dibahas disini adalah untuk korelasi linear; kurva memerlukan tingkat
matematika yang berada di luar cakupan buku ini.

 Koefisien korelasi memberikan nilai numerik untuk tingkat korelasi. Hal ini akan
bervariasi dari -1, yang menunjukkan korelasi negatif sempurna, melalui 0, yang
menunjukkan korelasi sama sekali, ke +1, yang menunjukkan korelasi positif yang sempurna.
Jadi nilai lebih dekat adalah plus atau minus 1, korelasi yang lebih baik. Dalam korelasi
sempurna, semua poin berbaring di garis lurus.
 Sebuah garis regresi membentuk 'paling cocok' atau 'rata-rata' dari diplot poin. Hal ini
setara dengan mean dari distribusi (lihat Variasi Bab ).
 Kesalahan standar adalah setara dengan standar deviasi dari suatu distribusi
(lihat Variasi Bab ) dalam cara yang menunjukkan penyebaran efek mungkin 'nilai-nilai
untuk setiap satu karena nilai.

Dihitung angka berguna untuk menempatkan nilai numerik pada perbaikan, dengan 'sebelum'
dan 'nilai-nilai setelah'. Mereka juga dapat digunakan untuk memperkirakan berbagai
kemungkinan efek '' nilai-nilai dari sebab yang diberikan '' nilai-nilai (asumsi hubungan sebab
akibat terbukti). Angka di bawah ini menunjukkan bagaimana garis regresi dan kesalahan
standar dapat digunakan untuk memperkirakan kemungkinan efek '' nilai dari penyebab
tunggal 'diberi nilai.
 Fig. Gambar. 3 Distribusi titik-titik di Scatter Diagram

Contoh 

Sebuah tim perencanaan kota, selama penyelidikan kecelakaan di jalan, mengidentifikasi

beberapa kemungkinan penyebab. Tiga penyebab utama diduga: kecepatan kendaraan,
kepadatan lalu lintas dan kondisi cuaca lokal. Karena tidak ada bukti yang jelas yang tersedia
untuk mendukung salah satu hipotesis, mereka memutuskan untuk mengukur mereka, dan
menggunakan Scatter Diagram untuk memeriksa apakah hubungan antara salah satu
penyebab cukup kuat untuk mengambil tindakan lebih lanjut. 

Untuk mendapatkan ukuran yang cukup, mereka membuat tindakan setiap hari selama dua
bulan, menggunakan sensor jalan lokal dan laporan dari layanan ambulans. Scatter Diagram
digambar untuk setiap penyebab yang mungkin terhadap jumlah kecelakaan. Hasil
memungkinkan kesimpulan berikut harus dibuat: 

* Ada korelasi rendah positif dengan kepadatan lalu lintas. 

* Ada korelasi disimpulkan dengan kondisi jalan. 
* Ada korelasi, positif dengan kecepatan tinggi lalu lintas, dengan kecelakaan dropping off
lebih tajam di bawah 30 mph. 

Akibatnya, langkah-langkah kontrol kecepatan lebih banyak lalu lintas yang dipasang,
termasuk tanda-tanda dan permukaan. Hal ini mengakibatkan penurunan terukur dalam
kecelakaan.
 Gambar. 1. Contoh Scatter Diagram

Contoh lainnya 

* Seorang tukang roti tersangka bahwa waktu berdiri dari adonan mempengaruhi cara
naik. Sebuah Diagram Scatter waktu bangkit melawan kepadatan roti diukur menunjukkan
korelasi yang adil pada distribusi berbentuk U terbalik. Dengan demikian ia menggunakan
waktu pada titik tertinggi pada kurva untuk mendapatkan kesempatan terbaik roti baik-
bangkit. 
* Diduga bahwa suhu tekan menyebabkan menolak dalam proses pembentukan
plastik. Sebuah Diagram Scatter menunjukkan korelasi positif yang tinggi, mendorong suatu
redesign pers, termasuk penggunaan bahan lebih tahan panas. Hal ini menghasilkan
penurunan yang signifikan dalam jumlah potongan ditolak. 
* Sebuah plot gaji departemen SDM terhadap hasil survei motivasi. Hasilnya adalah korelasi
negatif yang lemah.Sebuah Scatter Diagram kedua, merencanakan waktu di perusahaan
terhadap motivasi, memberikan korelasi yang lebih tinggi. Sebuah program motivasi
ditargetkan sesuai dan menghasilkan peningkatan yang stabil dalam skor yang diberikan
kepada motivasi dalam survei personil berikutnya perusahaan.
Bagaimana melakukannya 

1. Tentukan dua item yang ingin Anda bandingkan. Satu dapat diidentifikasi sebagai
penyebab dicurigai dan yang lain sebagai efek dicurigai. Hal ini mungkin berasal dari
penggunaan alat-alat lain, seperti Efek-Penyebab Hubungan Diagram atau Diagram. 

2. Identifikasi pengukuran yang akan diambil. Keduanya harus variabel (yaitu diukur pada
skala kontinu) dan itu harus mungkin untuk mengukur keduanya pada saat yang sama. 

Buatlah pengukuran sespesifik mungkin untuk mengurangi variasi dan meningkatkan

kemungkinan hubungan yang lebih tinggi. Sebagai contoh, pengukuran dari bahan pemasok
tunggal mungkin lebih baik daripada mengukur semua bahan yang disediakan. 

3. Membuat 50-100 pasang pengukuran. Ketika melakukan hal ini, bertujuan untuk menjaga
semua variabel lain stabil mungkin, karena dapat mengganggu dengan angka akhir. 

Berhati-hatilah ketika mengukur perilaku manusia, sebagai tindakan pengukuran dapat

menyebabkan orang diukur untuk mengubah perilaku mereka, terutama jika mereka
mencurigai mereka mungkin kehilangan keluar dalam beberapa cara. 

4. Plot diukur pasang di Scatter Diagram. Desain sumbu dan sisik pada diagram untuk
memberikan penyebaran maksimum visual poin. Ini mungkin melibatkan menggunakan skala
yang berbeda dan membuat sumbu salib di non-nilai nol (seperti pada gambar dibawah). 

Jika menyelidiki hubungan sebab-akibat yang mungkin, alur sebab dicurigai pada sumbu x
(horizontal) dan efek dicurigai pada sumbu y (vertikal). 

Gambar. 1. Pengaturan skala 

5. Jika korelasi tinggi, kemunduran ('rata-rata') line dapat ditarik melalui titik merencanakan,
untuk menekankan tren. Hal ini dapat dihitung atau diperkirakan dengan mata (meskipun hal
ini harus dibuat jelas bagi pembaca masa depan diagram). 

6. Jika korelasi cukup linear, maka koefisien korelasi dapat dihitung. 

7. Menafsirkan diagram dan bertindak sesuai. Hal ini mungkin untuk mengidentifikasi

perbaikan atau untuk memungkinkan estimasi nilai efek masa depan. Jika yang terakhir,
standard error dapat dihitung, seperti pada gambar di bawah ini. 

Bila menggunakan Scatter Diagram untuk memperkirakan nilai dampak masa depan, hanya
memperkirakan dalam kisaran korelasi diketahui, sebagai bentuk dapat berubah di luar
kisaran tersebut.

Praktis variasi

* Jika titik pada Diagram Scatter bertepatan dengan poin lainnya, fakta bahwa satu titik
sebenarnya adalah dua atau lebih mungkin akan disorot oleh keberanian mereka atau dengan
menggunakan lingkaran konsentris.
* Jika pengukuran sulit diperoleh, sesedikit 30 pasangan pengukuran dapat digunakan.
* Gunakan Tabel Korelasi ketika kebetulan beberapa poin diukur, biasanya ketika ada
sejumlah posisi mungkin. Ini secara efektif lintas antara Scatter Diagram dan Check Sheet,
dimana setiap posisi xy diwakili oleh kotak di mana beberapa poin dapat diindikasikan.

Gambar.1 Tabel Kolerasi

* Pisahkan set pengukuran dapat ditampilkan pada Diagram Scatter yang sama, yang dapat
dibedakan dari satu sama lain dengan menggunakan spidol berbentuk berbeda untuk setiap
set poin. Pemakaian khas adalah di mana satu variabel yang sedang berubah, misalnya untuk
menunjukkan pengukuran bahan dari pemasok yang berbeda.
* Mana korelasi non-linear muncul, perkiraan kasar dapat dilakukan dengan menggunakan
mereka dengan membagi mereka ke dalam bagian sekitar linear dan menghitung garis regresi
dan standard error seperti di atas.

Tema Tampilan Dinamis. Diberdayakan oleh Blogger.