Rata-Rata Geometrik: Ukuran untuk Pertumbuhan dan Penggandaan

Pernahkah Anda menghitung rata-rata imbal hasil investasi tahunan, namun mendapati hasil keseluruhan sebenarnya tidak benar-benar cocok? Skenario umum dalam keuangan ini menyoroti pentingnya memahami dan menerapkan rata-rata geometrik – ukuran yang sering kali lebih tepat dibanding rata-rata aritmetika saat berurusan dengan laju perubahan dan efek penggandaan.

Dalam tutorial ini, kita akan mengeksplorasi konsep rata-rata geometrik dan perannya dalam analisis data, khususnya di bidang seperti keuangan, biologi, dan ilmu data. Kita juga akan meninjau skenario di mana ukuran ini lebih unggul dibanding ukuran tendensi pusat lainnya.

Apa itu Rata-Rata Geometrik?

Rata-rata geometrik adalah jenis rata-rata yang sangat berguna saat bekerja dengan himpunan bilangan positif, terutama yang melibatkan perkalian atau pertumbuhan eksponensial. Berbeda dengan rata-rata aritmetika yang menjumlahkan angka lalu membaginya dengan banyaknya angka, rata-rata geometrik unggul dalam menangani dataset yang melibatkan hubungan multiplikatif atau pertumbuhan eksponensial.

Berikut beberapa bidang di mana rata-rata geometrik bernilai penting:

1. Keuangan: Umumnya digunakan untuk menghitung laju imbal hasil rata-rata selama beberapa periode. Tidak seperti rata-rata aritmetika, rata-rata geometrik memperhitungkan penggandaan, sehingga lebih akurat untuk perhitungan finansial.
2. Biologi: Dalam studi pertumbuhan populasi, rata-rata geometrik digunakan untuk menghitung laju pertumbuhan rata-rata dari waktu ke waktu.
3. Geometri: Salah satu kemunculannya yang paling elegan adalah pada segitiga siku-siku, di mana tinggi ke hipotenusa merupakan rata-rata geometrik dari segmen-segmen yang dibentuknya pada hipotenusa. Selain itu, rata-rata geometrik merepresentasikan panjang sisi persegi yang memiliki luas sama dengan suatu persegi panjang tertentu, memberikan cara untuk "membuatsama luas" area persegi panjang.

Seperti yang Anda lihat, rata-rata geometrik adalah alat berharga baik dalam perhitungan sehari-hari maupun dalam konsep matematika yang lebih abstrak.

Cara Menghitung Rata-Rata Geometrik

Ada beberapa metode untuk menghitung rata-rata geometrik, masing-masing dengan keunggulan tersendiri bergantung pada situasi.

Rumus rata-rata geometrik

Cara paling langsung untuk menghitung rata-rata geometrik adalah dengan menggunakan rumus standar: 

Di sini, x₁, x₂, ..., xₙ adalah bilangan positif dalam dataset, dan n adalah banyaknya angka. Untuk memperoleh rata-rata geometrik, kita mengalikan semua nilai lalu mengambil akar ke-n dari hasil kali tersebut, di mana n adalah jumlah nilai. Mari kita tunjukkan melalui contoh. Pertimbangkan angka 2, 4, dan 8. Untuk menemukan rata-rata geometriknya:

1. Kalikan angkanya: 2 * 4 * 8 = 64
2. Ambil akar pangkat tiga (karena ada 3 angka): ∛64 ≈ 4

Rata-rata geometrik dari 2, 4, dan 8 adalah 4. Hasil ini memberi tahu kita bahwa jika kita memiliki tiga angka yang sama, masing-masing 4, hasil kalinya akan sama dengan hasil kali angka-angka asal. Intinya, 4 adalah faktor pertumbuhan yang konsisten di ketiga nilai tersebut.

Menghitung rata-rata geometrik dengan menjumlahkan logaritma

Untuk dataset yang lebih besar atau guna menghindari kesalahan overflow saat menangani bilangan sangat besar, kita dapat menggunakan logaritma. Metode ini menyederhanakan perkalian menjadi penjumlahan dan membuat perhitungan lebih mudah dikelola. Di sini, kita terlebih dahulu mengambil logaritma tiap angka, menghitung rata-rata aritmetika dari logaritma tersebut, lalu mengambil antilog (eksponensial) dari rata-rata ini. Mari gunakan contoh yang sama seperti di atas. 

1. Ambil logaritma (basis 10): log(2) ≈ 0,3010, log(4) ≈ 0,6021, log(8) ≈ 0,9031
2. Hitung rata-rata aritmetika: (0,3010 + 0,6021 + 0,9031) / 3 ≈ 0,6021
3. Ambil antilog: (10^x) = 10^0,6021 ≈ 4

Metode ini memberikan hasil yang sama seperti metode perhitungan langsung. Anda dapat menggunakan logaritma dengan basis apa pun (misalnya logaritma natural dengan basis e), asalkan Anda menggunakan basis yang sama sepanjang perhitungan. Rata-rata geometrik akhirnya akan sama.

Rata-Rata Geometrik dalam Data Science dan Machine Learning

Rata-rata geometrik adalah ukuran statistik yang berguna dengan beberapa aplikasi penting dalam ilmu data dan pembelajaran mesin. Berikut tiga use case utama di mana rata-rata geometrik terbukti bernilai. 

Laju pertumbuhan dan analisis deret waktu

Dalam ilmu data, kita sering menganalisis laju pertumbuhan dari waktu ke waktu, seperti dinamika populasi, tren pasar, atau laju adopsi pengguna. Rata-rata geometrik ideal untuk situasi ini karena secara akurat menangkap sifat penggandaan dari pertumbuhan. Tidak seperti rata-rata aritmetika, yang sekadar merata-ratakan laju tanpa mempertimbangkan bagaimana pertumbuhan tiap tahun membangun dari tahun sebelumnya, rata-rata geometrik memperhitungkan efek penggandaan tersebut.

Bayangkan Anda menganalisis laju pertumbuhan tahunan basis pengguna sebuah startup selama lima tahun: 20%, 15%, 25%, 10%, dan 30%. Sementara rata-rata aritmetika (20%) tampak sebagai solusi cepat, ia tidak memperhitungkan efek penggandaan. Rata-rata geometrik ((1,20 * 1,15 * 1,25 * 1,10 * 1,30)^(1/5) - 1 ≈ 19,77%) memberikan laju pertumbuhan rata-rata yang lebih akurat yang, jika diterapkan secara konsisten tiap tahun, akan menghasilkan nilai akhir yang sama dengan laju pertumbuhan yang bervariasi tersebut.

Analisis statistik pada data yang condong

Dalam ilmu data, kita sering berurusan dengan dataset yang condong positif akibat proses multiplikatif, seperti tingkat pendapatan, pengukuran biologis, atau indikator finansial tertentu. Dalam kasus seperti ini, penggunaan rata-rata aritmetika dapat menyesatkan karena sensitif terhadap nilai ekstrem (outlier), yang dapat mendistorsi representasi tendensi pusat.

Rata-rata geometrik sangat berguna saat berhadapan dengan data yang mengikuti distribusi log-normal. Alasannya:

• Meminimalkan Pengaruh Outlier: Rata-rata geometrik mengurangi dampak nilai yang sangat tinggi atau sangat rendah, sehingga memberikan nilai pusat yang lebih representatif untuk data yang condong.
• Menangani Hubungan Multiplikatif: Cocok untuk data di mana nilai-nya digabungkan secara multiplikatif, bukan aditif.

Pertimbangkan sebuah dataset pendapatan rumah tangga di suatu wilayah di mana sebagian besar rumah tangga berpenghasilan antara $30.000 dan $60.000, tetapi beberapa berpenghasilan di atas $1 juta.

• Rata-Rata Aritmetika Pendapatan: Ini akan sangat dipengaruhi oleh outlier berpenghasilan tinggi, sehingga berpotensi menyiratkan pendapatan rata-rata jauh lebih tinggi daripada yang sebenarnya diperoleh kebanyakan orang.
• Rata-Rata Geometrik Pendapatan: Ini memberikan nilai pusat yang lebih akurat mencerminkan pendapatan tipikal dengan meminimalkan pengaruh nilai ekstrem.

Dengan menggunakan rata-rata geometrik dalam kasus seperti itu, data scientist dapat memperoleh ukuran tendensi pusat yang lebih akurat, menghasilkan wawasan yang lebih baik dan analisis yang lebih andal. Ini menjadikan rata-rata geometrik alat penting saat bekerja dengan distribusi data yang condong di berbagai bidang.

Metrik evaluasi untuk dataset tak seimbang

Dalam tugas klasifikasi, kita sering menemui dataset yang tidak seimbang di mana sebagian kelompok diwakili oleh jumlah contoh yang jauh lebih besar daripada yang lain. Dalam kasus seperti ini, metrik evaluasi tradisional seperti akurasi bisa menyesatkan. Di sinilah Geometric Mean Score, atau G-Mean, menjadi alat yang berharga.

G-Mean adalah akar dari hasil kali sensitivitas (recall) per kelas. Untuk klasifikasi biner, ini adalah akar kuadrat dari hasil kali sensitivitas dan spesifisitas. Untuk masalah multi-kelas, ini adalah akar pangkat lebih tinggi dari hasil kali sensitivitas tiap kelas.

G-Mean bertujuan menyeimbangkan akurasi di semua kelas, sehingga sangat berguna untuk dataset yang tidak seimbang. Namun, penting untuk dicatat bahwa G-Mean tidak terdefinisi saat ada kelas dengan sensitivitas nol, yang membatasi penerapannya pada skenario ketidakseimbangan ekstrem. Dalam praktiknya, versi yang dimodifikasi atau metrik alternatif dapat digunakan untuk mengatasi keterbatasan ini.

Untuk melihat lebih lanjut bagaimana rata-rata geometrik dan ukuran statistik lainnya diterapkan dalam pembelajaran mesin, pertimbangkan untuk mengeksplor Machine Learning Scientist with Python career track kami, yang menawarkan pelajaran mendalam yang mencakup konsep dan teknik pembelajaran mesin esensial, dengan wawasan praktis dan pengalaman langsung.