STATISTIK I (DESKRIPTIF)

Ukuran Variasi (Dispersi)

MODUL 4

Oleh
Sahibul Munir, SE.,MEc.

FAKULTAS EKONOMI PROGRAM KELAS KARYAWAN

UNIVERSITAS MERCU BUANA

2007/2008

UKURAN VARIASI(
VARIASI( DISPERSI )
Yang dimaksud ukuran variasi (measures of variation) adalah ukuran yang
menyatakan seberapa banyak nilai-nilai data berbeda atau menyimpang dari nilai
pusatnya. Maka ukuran variasi tersebut sering disebut sebagai ukuran penyimpangan
(measures of dispersion).
Beberapa jenis ukuran (dispersi):
1. Range (Nilai Jarak)
2. Simpangan rata-rata (Mean Deviation)
3. Simpangan baku (Standard Deviation)
4. Koefisien Variasi (Coefficient of Variation)

Nilai Jarak (Range)

Range atau nilai jarak adalah selisih nilai-nilai extreme yang terdapat dalam kumpulan
data atau dengan kata lain selisih nilai tertinggi dengan nilai terendah dalam
kumpulan data.

Range = Xn X1

Xn = Nilai maksimum (terbesar)

Xi = Nilai minimum (terkecil)

Contoh : Terdapat kumpulan data sbb:

50 ; 40 ; 30 ; 60 ; 70.
Diurutkan dahulu X1 = 30, X2 = 40, X3 = 50, X4 = 60, X5 = 70

Range = X5 X1 =70 30 = 40

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Simpangan Rata-rata (Mean Deviation)

Secara aritmatis mean deviation dapat didefinisikan sebagai mean dari deviasi nilainilai individual yang diambil harga mutlaknya.
Jika serangkaian nilai-nilai observasi X1 X2 .. Xn, memiliki rata-rata X, maka deviasi nilainilai diatas dari -nya, berturut-turut dapat dinyatakan sebagai :
_ _

X1 X, X2 X . ., Xn X
Jadi simpangan rata-rata atau deviasi rata-rata dari seluruh nilai-nilai observasi Xi
dapat dirumuskan sebagai :

d X = 1 (Xi X)
n i=1
dx = simpangan seluruh nilai
jumlah seluruh data
dx = simpangan rata-rata data yang tidak dikelompokan
n = jumlah seluruh data
i

= nomor data

Xi = nilai data nomor i

X = mean seluruh nilai data

Contoh. Terdapat sekelompok data sebagai berikut :

50, 40, 30, 60, 70.

Simpangan rata-rata atau mean deviasi ?

Mean = X =

i =1

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

X = 50 + 40 + 30 + 60 + 70 = 250 = 50
5

dx = 1/n { X1 - X + X2 X + X3 X + X4 X + X5 X }
1/5 { 50 - 50 + 40 50 + 30 50 + 60 50 + 70 50 }

1/5 ( 0 + 10 + 20 + 10 + 20 ) = 1/5 . 60 = 12

Data yang dikelompokan

Pada bentuk data yang telah dikelompokan, nilai tengah kelas (class mark) dianggap
sebagai nilai yang representatif bagi nilai-nilai yang terdapat dalam kelas yang
bersangkutan.
Jadi rumus dx untuk data yang telah dikelompokan :

d X = 1 fi mi X
n i =1

n = jumlah kelas distribusi

i

= nomor kelas

mi = titik tengah kelas (class mark) dari kelas i

x = mean data yang telah dikelompokan
fi = frekwensi dari kelas distribusi ke-i

Tabel. Cara menghitung rata-rata dan deviasi rata-rata hasil ujian statistik 50 mhs.
FE. UI. Th. 1986.
Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

fi

|mi - x|

fi | (mi-x) |

24,5

29,4

117,6

30 39

34,5

19,4

135,8

40 49

44,5

9,4

75,2

50 59

54,5

12

0,6

7,2

60 69

64,5

10,5

94,5

70 79

74,5

20,6

164,8

80 89

84,5

30,6

61,2

Interval Kelas

Titik Tengah

Hasil Ujian

(mi)

20 29

50

656,3

Sumber : Data tabel 3.

m i. f i

i=1
n

fi

i=1

dx = 656,3 = 93,76
7

Simpangan Baku (Standard Deviation)

Yang dimaksud dengan simpangan baku atau standard deviasi adalah suatu nilai
yang menunjukan besarnya simpangan rata-rata seluruh nilai yang ada dalam
kelompok data dengan nilai pusatnya dengan cara menghilangkan kemungkinan
nilai nol dengan jalan dikuadratkan.
Jika ( Xi - X ) dikuadratkan (dimana paling sedikit ada 2 nilai yang tidak sama),
kemudian dirata-ratakan, maka pengrata-rataan hasil penjumlahan tersebut tidak akan
sama dengan nol. Dengan kata lain (Xi X)2 0
n

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Rumus yang demikian ini disebut deviasi kuadrat rata-rata, dan Karl Pearron
menyebutnya pengukuran varians dan dirumuskan sebagai :

S = 1 (Xi X)2
n i=1
2

Standarisasi unit-unit pengukuran diatas dilakukan melalui proses pengakaran sebagai

berikut :

_
1 n
2
i
S =
(
X

X
)

n i =1

S=

( Xi X ) 2
i =1

Karl Pearson menamakan rumus diatas sebagai rumus standard deviation atau
simpangan baku.
Simpangan baku atau standard deviasi sampel diberi notasi s, sedangkan standar
deviasi populasi dinyatakan dengan (sigma).

Data yang tidak dikelompokan

Terdapat kumpulan data sebagai berikut :
70, 60, 50, 40, 30
Mean (X) dari kumpulan data tersebut :
X = 1/5 (70 + 60 + 50 + 40 + 30)
= 1/5(250) = 50

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Tabel. Perhitungan standar deviasi

xi
(xi x)
70
20
60
10
50
0
40
-10
30
-20

(xi x)2
400
100
0
100
400
n (xi x)2 = 1.000
i=1

Varian = S = n (xi x)2

i=1
n

S2 = 1000 = 200
5
Standard deviasi = 200 = 10 2 = 14,1421
Jika jumlah sampel n < 100, Fisher dan Wilks memberi perumusan tentang varians dan
deviasi standar sebagai :

_
1 n
S =
( Xi X ) 2

n 1 i =1
2

dan

S =

1
n 1

( Xi X ) 2

i =1

Karena jumlah sampelnya <100 (5) maka penghitungan standard deviasinya adalah
sebagai berikut :

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

S=

S=

_
1 n
( Xi X ) 2

n 1 i =1

1000 =
51

1000
4

= 250

= 15,81

Deviasi standard sampel diatas sebetulnya digunakan sebagai penaksir yang tidak
bias (un-biased estimate) bagi deviasi standard populasi .
Banyak ahli statistik yang manganjurkan penggunaan pembagi n-1 dalam meninghitung
deviasi standard atau simpangan baku sampel untuk menaksir simpangan baku
populasi.

Varians dan Standard Deviasi Populasi

n

( X )
i

2 =

i =1

n
n

(Xi )2

i =1

n = jumlah observasi (data) dalam populasi

= rata-rata populasi

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Dengan mengadakan sedikit manipulasi matematis (operasi aljabar)

maka rumus standard deviasi tersebut dapat dirubah menjadi :

1. Untuk sampel berukuran besar, n > 100

S =

n xi 2 ( xi) 2
n2

2. Untuk sampel berukuran kecil, n < 100

S =

n xi 2 ( xi) 2
n ( n 1)

Tabel. Perhitungan standard deviasi

Data
Xi

Xi2

70

4.900

60

3.600

50

2.500

40

1.600

30

900

Total

250

13.500

S=

5 (13.500) (250)2
5 (5-1)

5000
20

250

Pusat Pengembangan Bahan Ajar - UMB

67.500 62.500
20

15,81

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Untuk Data yang telah dikelompokan

Rumus varians dan standard deviasi dari data yang telah dikelompokan dapat
diberikan sebagai berikut :

S =1
S=

2
(
m

X
)
. fi
i

i =1

2
i
(
m

X
)
. fi

i =1

mi = titik tengah tiap-tiap kelas

fi = jumlah frekwensi kelas
i = nomor kelas dari 1 s/d k.
Tabel. Perhitungan vairans dan standard deviasi
hasil ujian statistik 50 mhs. FE.UI Th. 1986.
Hasil Ujian
mi
fi
(mi-x)
(mi-x)2
20 29
24,5
4
-29,4
864,36
30 39
34,5
7
-19,4
376,36
-9,4
88,36
40 49
44,5
8
0,36
0,36
50 59
54,5
12
10,6
112,36
60 69
64,5
9
70 79
74,5
8
20,6
424,36
80 89
84,5
2
30,6
936,36
50

(mi-x)2 . fi
3457,44
2634,52
706,88
4,32
1011,24
3394,88
1872,72
13082

X = 53,9
S2 = 13082/49 = 266,98
S = 266,98 = 16,34

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Hasil ujian statistik bervariasi dari mahasiswa ke mahasiwa. Rata-rata hasil

ujian 50 mahasiswa 53,9 dengan deviasi sebesar 16,34 dari hasil ujian ratarata 53,9. Hal tersebut berarti hasil ujian dari mahasiwa ke mahasiwa
bervariasi sebesar 16,34 dari hasil rata-rata 50 mahasiwa yang sebesar
53,9.

Perhitungan Standard Deviasi secara singkat

Apabila ingin digunakan metode singkat (short cut method) untuk mencari standard
deviasi data yang telah dikelompokan, maka dapat digunakan rumus :

. fi

i = 1

= i

i = 1

U i. f i

atau
k

i = 1

= i

. fi

n 2

i = 1

U i. f i

Untuk menghitung standar deviasi sampel yang memiliki jumlah data < 100 maka
digunakan rumus :

S = i

i=1

. f i U i. f i
i=1

n (n 1)

Tabel. Perhitungan simpangan baku hasil ujian

Statistik 50 Mhs. FE.UI. Th. 1986.

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Hasil Ujian

mi

fi

Ui

Ui2

Uifi

Ui2fi

20 29
30 39
40 49
50 59
60 69
70 79
80 89

24,5
34,5
44,5
54,5
64,5
74,5
84,5

4
7
8
12
9
8
2

-3
-2
-1
0
1
2
3

9
4
1
0
1
4
9

-12
-14
-8
0
9
16
6

36
28
8
0
9
32
18

-3

131

50

S = 10

50 (131) (-3)2
50 (50-1)

= 10 2,6698

= 10

6541
20

= 10 (1,634) = 16,34

Nilai Standard (Standard Score)

SD sebagai ukuran variabilitas, selalu dinyatakan dalam satuan seperti cm,
rupiah, kg dan sebagainya satuan yang digunakan oleh distribusinya.

Tidak demikian halnya dengan nilai standard yang tidka lagi tergantung kepada
satuan pengukuran seperti cm, rupiah, kg dan sebagainya.
Nilai standard atau Z score adalah satu nilai yang menunjukan seberapa jauh suatu
nilai observasi menyimpang dari mean (X) yang dinyatakan dalam SD. Rumusnya
adalah sebagai berikut :

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Z i = Xi X
SD
Z
= nilai standard
Xi
= nilai observasi
X
= mean distribusi
SD (s) = Standard deviasi distribusi
Contoh :
Badu seorang mahasiswa Fakultas Ekonomi Universitas X mendapat nilai 70 dalam
mata pelajaran akuntansi. Mean (X) dari distribusi nilai akuntansi dalam kelompok
mahasiswa Fakultas Ekonomi tersebut adalah 50 dan SD = 10.

Jadi Z score nilai akuntansi Badu :

Z = 70 50 = 20 = 2
10
10

Koefisien Variasi
Standard deviasi atau simpangan baku yang dinyatakan dalam ukuran yang sama
dengan data aslinya, hanya dapat digunakan untuk melihat penyimpangan nilai yang
terdapat pada suatu kumpulan data. Bukan merupakan ukuran penyimpangan (variasi)
yang dapat digunakan untuk membandingkan beberapa kumpulan data. Hal ini akan
menyulitkan, apabila seseorang ingin membandingkan dua kelompok data atau dua
keadaan yang mempunyai dasar yang berbeda.

Untuk mengatasi kelemahan tersebut dalam membandingkan dua kelompok data, maka
digunakan variasi relatif atau koefisien variasi yang bebas dari satuan data asli.

Yang dimaksud dengan koefisien variasi adalah ukuran variasi yang dapat
digunakan untuk membandingkan beberapa kumpulan data yang berbeda, yaitu
standard deviasi terhadap X-nya.

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Koefisien variasi ini dapat ditemukan dengan

rumus :

Kv = S x 100%
X
Kv = koefisien variasi
S = standard deviasi (simpangan baku)
X = mean (rata-rata hitung)

Contoh : Suatu pabrik bola lampu memproduksi 2 jenis bola lampu, yaitu merk
A dan merk B. Bola lampu merk A mempunyai umur teknis rata-rata, XA = 1495
jam dan standar deviasinya SA = 280 jam, sedangkan merk B XB-nya = 1875
dengan standard deviasinya SB = 310 jam.

KvA = SA

x 100% = 280 x 100% = 18,7%

XA
KvB = SB
XB

1495

x 100% = 310 x 100% = 16,5%

1875

Jadi mereka lebih berbeda-beda dalam umurnya yang ditunjukan oleh Kv umur >
Kv berat badan.

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Pengukuran Kemencengan
Untuk mengetahui simetris atau tidaknya suatu kurva distribusi frekwensi pada
nilai-nilai pusatnya, maka dapat digunakan perbedaan nilai-nilai pusat untuk
mendekatinya.
Apabila suatu distribusi memiliki bentuk simetris maka :
X = Md = Mod
Dan jika distribusi tersebut tidak simetris maka :
X Md Mod
Distribusi yang tidak simetris tersebut akan berkonsentrasi pada salah satu sisi
atau kurvanya akan menceng (condong).
Untuk mengetahui konsentrasi distribusi kearah kanan atau kiri, kita dapat
menggunakan koefisien kemencengan Pearson (Coefisient Skewness Pearson).
Koefisien kemencengan Pearson ini merupakan nilai tanpa satuan dan
merupakan nilai selisih rata-rata dengan modus dibagi dengan standar deviasi.

Sk = ( X Mod )
S
Sk = koefisien kecondongan Pearson
X
= rata-rata hitung (mean)
Mod = modus
S = standard deviasi

Secara empiris didapat hubungan antara nilai pusat sebagai berikut :

X Mod = 3 ( X Md )

Maka rumus Sk dapat dirubah menjadi

Sk = 3 ( X Md )
S
Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Md = median
Bila Sk > 0 atau positif, maka distribusi akan berkonsentrasi pada sisi sebelah
kanan dan X terletak disebelah kanan Mod. Apabila dibuat kurva distribusinya
maka akan berbentuk seperti gambar 1., dibawah ini :

Gambar 1. Kurva distribusi dengan Sk positif atau kurva menceng

kekanan

Jika Sk < 0 atau negatif, maka kurva distribusi tersebut akan menceng (condong)
ke kiri dan X terletak disebelah kiri Mod, seperti gambar 2 dibawah ini.

Gambar 2. Kurva distribusi, Sk < 0

Tabel 1. Distribusi frekwensi nilai UTS matematika

Mahasiwa FE-0J., pada semester I T.A. 2005
Nilai UTS

Frekwensi

30,00 39,99

40,00 49,99

10

50,00 59,99

17

60,00 69,99

70,00 79,99

X
= 55,217
Md = 54,995
Mod = 54,6616
SD = 36,5513
Maka besarnya koefisien kemencengan distribusi tersebut dapat dicari sebagai berikut :

Sk = X Mod = 55,217 54,6616U = 0,01595

SD
36,5513

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Karena Sk > 0 maka kurva distribusinya akan menceng ke kanan.

Ukuran kemencengan lain yang penting dan paling banyak digunakan,

dilambangkan dengan 3, atau disebut sebagai rumus populer.
3 = 1/n (Xi X )3
S3
3 = sering disebut moment coficient of skewness
(tingkat kemencengan).
n = jumlah data/observasi
Xi = nilai data yang ke I
X = rata-rata hitung
S = standar deviasi/simpangan baku.

Untuk data yang telah dikelompokan

3 = 1/n (mi X )3 fi
S3

mi = titik tengah kelas ke i

fi = frekwensi kelas ke i
Tabel 2. Perhitungan 3 distribusi nilai ujian statistik 50 mhs
FE.UI. Tahun 1986.
Nilai
fi
mi
fi.mi
mi-x
(mifi(mi(mi-x)3
2
2
Ujian
x)
x)
20 29 4 24,5
98
-29,4 864,3 3457,4
30 39 7 34,5 241,5 -19,4
6
4 25412,1
40 49 8 44,5
356
-9,4 376,3 2634,5
84
50 59 12 54,5
654
0,6
6
2
60 69 9 64,5 580,5
10,6 88,36 706,88 7301,38
70 79 8 74,5
596
20,6
0,36
4,32
4
80 89 2 84,5
169
30,6 112,3 1101,2
6
4 830,584
424,3 3394,8
0,216
6
8 1191,01
936 1872,7
6
2 8741,81
6
28652,6
16
50
2695
13.082
Pusat Pengembangan Bahan Ajar - UMB

fi(mi-x)3
101648,7
36
51109,68
8
6644,672
2,592
10719,14
4
69934,52
8
57305,23
2
-21441,6

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

 fi.mi

X=

2695
=

fi

= 53,9
50

fi. (mi x)2

S=

13.082
=

fi

= 16,175
50

1/50 ( -21441,6 )
3 =

(16,175 )3

3 = - 0,101

Makin besar 3, kurva suatu distribusi makin menceng atau miring.

Rumus Bowley tentang Kemencengan

Bowley memberikan perumusan tentang pengukuran kemencengan yang lebih
sederhana dari perumusan Pearson. AL. Bowley mengembangkan perumusan tersebut
berdasarkan hubungan antara Q1, Q3 dan Md (median) dari sebuah distribusi.
Jika sebuah distribusi adalah simteris, maka jarak antara kedua kwartil tersebut dari
mediannya adalah sama. Tetapi bila tidak simetris, maka jarak antara kedua kwartil
tersebut dari mediannya tidak sama.

Rumus Bowley diberikan sebagai berikut :

(Q3 Q2 ) ( Q2 Q1 )
SkB =
(Q3 Q2 ) + ( Q2 Q1 )
(Q3 Q2 ) ( Q2 Q1 )
=
( Q3 - Q1 )
( Q3 + Q1 - 2 Q2 )
Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

=
( Q3 - Q1 )
Bowley berpendapat bahwa SkB = 0,10 menggambarkan distribusi yang
menceng secara tidak berarti.
Sebaliknya, jika SkB > 0,30 menggambarkan distribusi yang menceng secara
berarti sekali.

UKURAN KERUNCINGAN (KURTOSIS)

Ukuran

keruncingan

atau

ketinggian

puncak

distribusi

dinamakan

kurtosis.

Keruncingan suatu distribusi biasanya dilihat dengan membandingkannya terhadap

keruncingan atau ketinggian distribusi normal.
Suatu distribusi yang mempunyai puncak relatif runcing atau tinggi disebut leptokurtic.
Distribusi yang mempunyai puncak relatif tumpul atau mendatar dinamakan platy
kurtic. Distribusi normal, yang mempunyai bagian atas (puncak) tidak mendatar
maupun tidak runcing disebut mesokurtic.

Gambar 3.
Ukuran keruncingan yang biasa digunakan adalah 4 (alpha 4) dan disebut sebagai
moment coefisient of kurtosis atau koefisien kurtosis (coeficient of kurtosis) saja.
Koefisien kurtosis ini dapat dirumuskan sebagai berikut :

1. Untuk data yang tidak dikelompokan

4 = 1/n (Xi X)4
S4
4 = Koefisien kurtosis
n = jumlah data
Xi = nilai data yang ke I
X = rata-rata hitung
Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

S = standard deviasi (simpangan baku)

2. Untuk data yang dikelompokan, ada 2 rumus

4 = 1/n (mi X)4. fi
S4

a.

mi = titik tengah kelas i

fi = frekwensi kelas i

b. = i
4

1 k

1 k
1 k

4
3
n Ui fi 4 n Ui fi n Uifi +

i =1
i =1
i =1

2
4
1 k

1 k

1 k
2
2
6 n Ui fi n Ui fi 3 n Uifi
i =1
i =1
i =1

i = interval kelas
k = jumlah kelas
Ui = skala U untuk kelas I
Tabel 3. Perhitungan koefisien kurtosis (4) distribusi nilai ujian
IAD mhs. Universitas Obor Jagad, Th. 86.
Nilai Ujian
mi
fi
Ui
Ui.fi
Ui2.fi
Ui3.fi
30,00 39,99
34,99
4
-2
-8
16
-32
40,00 49,99
5
10
-1
-10
0
-10
50,00 59,99
44,99
17
0
0
0
0
60,00 69,99
5
9
1
9
9
9
70,00 79,99
54,99
5
2
10
20
40
5
64,99
5
74,99
5
45
1
55
7

Ui4.fi
64
10
0
9
80

163

S sudah dihitung = 36,5513 ; n = 45, k = 5, i = 10

10

163 4 x 7 (1) + 6 x 55 (1)2 3 (1)4

4 =

(36,5513)
=

10
(36,5513)

45
x 462 = 102,66 = 0,0000057
45
(36,5513)4

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1

Dalam perhitungan koefisien kurtosis jika :

1. 4 = 3, maka distribusinya adalah mesokurtic.
2. 4 > 3, maka distribusinya adalah leptokurtic.
3. 4 < 3, maka distribusinya adalah platykurtic.

Pusat Pengembangan Bahan Ajar - UMB

Ir. Sahibul Munir SE, M.Si

STATISTIKA 1