Oleh
Sahibul Munir, SE.,MEc.
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)
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
50 ; 40 ; 30 ; 60 ; 70.
Diurutkan dahulu X1 = 30, X2 = 40, X3 = 50, X4 = 60, X5 = 70
Range = X5 X1 =70 30 = 40
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
Mean = X =
i =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
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
= nomor kelas
Tabel. Cara menghitung rata-rata dan deviasi rata-rata hasil ujian statistik 50 mhs.
FE. UI. Th. 1986.
Pusat Pengembangan Bahan Ajar - UMB
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
m i. f i
i=1
n
fi
i=1
dx = 656,3 = 93,76
7
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
_
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).
(xi x)2
400
100
0
100
400
n (xi x)2 = 1.000
i=1
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 :
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.
( X )
i
2 =
i =1
n
n
(Xi )2
i =1
= rata-rata populasi
S =
n xi 2 ( xi) 2
n2
S =
n xi 2 ( xi) 2
n ( n 1)
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
67.500 62.500
20
15,81
S =1
S=
2
(
m
X
)
. fi
i
i =1
2
i
(
m
X
)
. fi
i =1
(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
. 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)
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
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 :
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.
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.
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
XA
KvB = SB
XB
1495
Jadi mereka lebih berbeda-beda dalam umurnya yang ditunjukan oleh Kv umur >
Kv berat badan.
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
Sk = 3 ( X Md )
S
Pusat Pengembangan Bahan Ajar - UMB
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 :
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.
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 :
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
fi.mi
X=
2695
=
fi
= 53,9
50
S=
13.082
=
fi
= 16,175
50
1/50 ( -21441,6 )
3 =
(16,175 )3
3 = - 0,101
=
( 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.
keruncingan
atau
ketinggian
puncak
distribusi
dinamakan
kurtosis.
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 :
a.
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
10
4 =
(36,5513)
=
10
(36,5513)
45
x 462 = 102,66 = 0,0000057
45
(36,5513)4