top of page

Kenapa Orang dengan Penampilan Menarik Perilakunya Jahat?

Updated: Feb 7, 2022

Suatu konsep kesalahan berpikir atau falasi dalam merepresentasikan hubungan antara dua kejadian. Falasi ini dikenal sebagai falasi Berkso ini muncul pertama kali dalam publikasi ilmiah 1946 oleh Joseph Berkson. (Ditulis oleh HN Rizka, Januari 2022)


“There are three types of lies -- lies, damned lies, and statistics.” - Benjamin Disraeli, 1895

Kalimat "orang cantik/tampan cenderung memiliki sifat yang kurang baik" mungkin pernah terdengar ketika sedang berbincang-bincang dengan kawan atau kerabat anda. Entah ini merupakan pengalaman pribadi ataupun orang lain, anda mungkin pernah memvalidasi pernyataan tersebut. Namun, tentu ini bukan dalam artian penulis melakukan perumuman untuk audiens. Hanya saja, pemikiran serupa bukanlah hal yang jarang. Tidak terbatas hanya pada persepsi mengenai penampilan, pemikiran serupa dapat terjadi juga di berbagai bidang kehidupan. Contoh lain misalkan jika anda penikmat buku dan film adalah anggapan bahwa "studio film menerjemahkan cerita bagus pada buku menjadi film yang buruk".


Kekeliruan Mengidentifikasi


Dalam falasi Berkson, alasan terbesar menurut penulis yang menyebabkannya adalah kemampuan khalayak umum dalam mengidentifikasi populasi. Dalam kasus hubungan penampilan dengan sifat seseorang, kekeliruan identifikasi populasi ini dapat disederhanakan menjadi dua kalimat berikut :

  1. Setiap orang memiliki batas terkait standar penampilan dan sifat untuk orang yang akan mereka pertimbangkan menjadi pasangannya

  2. Batasan tak terlihat yang dibentuk dari standar penampilan dan sifat ini memunculkan suatu korelasi palsu.

Jika dijelaskan dengan kalimat lain, poin 1 menjelaskan mengenai kriteria yang jelas dimiliki setiap orang. Tentu kriteria yang dimaksudkan disini hanya terbatas dari penampilan dan sifat kandidat pasangan dan mengabaikan faktor-faktor lain. Pastinya setiap orang (secara realistis) tidak ingin pasangannya terlalu buruk atau terlalu jahat bagi standar mereka. Kandidat-kandidat yang dibawah standar ini direpresentasikan oleh area merah. Sedangkan kandidat-kandidat yang jauh melebihi standar seseorang yang lebih sering "tidak terjangkau" bagi kebanyakan orang direpresentasikan oleh area biru.

Dari penjelasan poin 1 diatas, dapat kita lihat bahwa sebenarnya pada keadaan yang berlaku bagi kebanyakan orang secara umum, pilihan kandidat pasangan bagi mereka telah terbatas. Hal ini direpresentasikan pada area non-warna pada plot diatas. Sehingga, secara otomatis ini memunculkan poin 2 dimana pilihan kandidat yang realistis bagi kebanyakan orang memiliki kecenderungan berkorelasi negatif. Yaitu antara kualitas sifat dengan penampilan pasangan akan menurun ketika nilai lainnya naik.

Jika dikaitkan kembali ke falasi, secara umum klaim mengenai "orang cantik/tampan cenderung memiliki sifat yang kurang baik" adalah bentuk konsekuensi dari hal tersebut. Karena sebenarnya tidak ada korelasi antara sifat dengan penampilan seseorang. Contoh kasus lain adalah mengenai film yang diadaptasi dari buku seperti novel. Kekeliruan yang terjadi pada kasus film ini muncul dari keterbatasan yang ada pada buku-buku yang sangat buruk sehingga tidak pernah diadaptasi menjadi film dan film yang diadaptasi dari buku yang sangat buruk sedemikian jarang diketahui. Untuk lebih rincinya dapat anda lihat di kanal youtube numberphile :

Wisdom of Knowledge

Dari falasi ini, dapat diambil pesan bahwa terkadang apa yang kita anggap benar hanyalah ilusi yang diakibatkan dari seberapa sempit kemampuan kita dalam mengidentifikasi suatu hal. Dalam statistika, mengidentifikasi populasi dari data yang akan kita ambil sangatlah penting karena hal inilah yang ingin dipelajari. Kekeliruan mengenai cakupan dari apa yang ingin kita pelajari tentu akan menyebabkan kekeliruan terhadap apa yang nantinya kita pelajari.

31 views0 comments

Recent Posts

See All

Analisis Data Kategorik

Dalam penanganan data kategorik, diperlukan metode khusus dan dalam salah satu seri buku terkenal oleh Alan Agresti, metode-metode dalam men

Regularisasi

Metode dalam menangani overfitting model pada machine learning.

Comments


bottom of page