Anda di halaman 1dari 21

1

UKURAN VARIASI
Tujuan Belajar :
1. Menjelaskan jenis-jenis ukuran variasi
2. Menggunakan dan menghitung rumus-rumus ukuran variasi


2
Jenis jenis ukuran variasi :
1. Ukuran jarak (range) / data belum terkelompok
Merupakan ukuran variasi yang paling sederhana dan paling mudah
ditentukan nilainya
Range = nilai maxsimum nilai minimum
Seandainya anda mendapatkan sebuah amplop tertutup yang di
dalamnya tertulis 5 buah nilai yang telah diurutkan, nilai tersebut adalah
70 60 50 40 30. Ditanya berapa rangenya ?
Range = 70 - 30 = 40
Ukuran Variasi Ukuran yang menyatakan seberapa banyak nilai-nilai
data berbeda dengan nilai pusatnya atau seberapa jauh
penyimpangan nilai-nilai data dari nilai pusatnya
3
Ukuran jarak (range) / data terkelompok
Untuk data berkelompok, nilai range dapat dihitung dengan 2 cara :
Range = Nilai tengah kelas terakhir nilai tengah kelas pertama
Range = Batas atas sebenarnya kelas terakhir batas bawah
sebenarnya kelas pertama
Contoh :
Cara 1 :


Cara 2 :
Kelas fi
23 - 37 3
38 - 52 1
53 - 67 2
68 - 82 7
83 - 97 1
14
nilai tengah kelas terakhir = 90
nilai tengah kelas pertama = 30
Range = 90 30 = 60
batas atas sebenarnya kelas terakhir
= 97.5
batas bawah sebenarnya kelas
pertama = 22.5
Range = 97.5 22.5 = 75
4
2. Simpangan Rata-rata / data belum terkelompok
Simpangan rata-rata ini disertakan pada ukuran nilai pusat
(mean) dari nilai absolut simpangan

= X X
n
RS
i
1

=
i
X
n
X
1
Contoh :

50
5
250

5
10 20 80 40 100

1
= =
+ + + +
=
=
i
X
n
X
32 60 1 .
5
1

50 10 50 20
50 80 50 40 50 100
5
1
= =
+ +
+ + = RS
Sekumpulan data 100, 40, 80, 20, 10
5
Simpangan rata-rata / data terkelompok
( )
i i
f X m
n
RS .

=
1
Contoh :
84 . 16 235.71 *
14
1
= = RS

=
=

i
f
i
f
n
i
i
m
X
.
1

Kelas fi
23 - 37 3
38 - 52 1
53 - 67 2
68 - 82 7
83 - 97 1
14
m
30
45
60
75
90

m * fi
90
45
120
525
90
870
14 . 62 = X

32.14
17.14
2.14
12.86
27.86
| - | X m

96.43
17.14
4.29
90.00
27.86
235.71
f X m . | - |
6
3. Simpangan baku / data belum terkelompok
Salah satu ukuran variasi yang diperoleh dari akar kuadrat positif
varians. Varians adalah rata-rata hitung dan kuadrat simpangan
setiap pengamatan terhadap rata-rata hitungnya.
( ) ( )

= = =
2
2
1
X X X X
n
Varian
i i
n
1
varian (S) Baku Simpangan
Contoh :



( )
34,64 1200 var
adalah baku Simpangan
1200 6000 .
5
1

1
2
= = =
= = =

ian S
X X
n
Varian
i
50
5
250

5
10 20 80 40 100

1
= =
+ + + +
=
=
i
X
n
X
Sekumpulan data 100, 40, 80, 20, 10
7
Simpangan baku / data terkelompok
Varian S =
52 . 19 12 . 381 = = S
Kelas fi
23 - 37 3
38 - 52 1
53 - 67 2
68 - 82 7
83 - 97 1
14
m
30
45
60
75
90

m * fi
90
45
120
525
90
870
14 . 62 = X

1033.16
293.88
4.59
165.31
776.02
2
) - ( X m

3099.49
293.88
9.18
1157.14
776.02
5335.71
f X m *
2
) - (
( )

= f X m
n
Varian
i
.
1
2
12 . 381 71 . 5335 *
14
1
= = Varian
8
KOEFISIEN VARIASI
Koefisien variasi (V) digunakan untuk membandingkan beberapa
kumpulan data yang berbeda.
100 x
X
S
V =
Jika ada 2 kelompok data dengan V1 dan V2, dimana V1 > V2, maka
kelompok pertama lebih bervariasi atau lebih heterogen daripada
kelompok kedua
9
3 kelompok nilai variasi:
1. Kelompok nilai homogen (tidak bervariasi)
Perhatikan kelompok data berikut :
5 5 5 5 5 rata-rata hitung = 5
10
9
8
7
6
5 X
1
X
2
X
3
X
4
X
5
4
3
2
1
Kelompok 1
Homogen
10
5 4 3 6 7 rata-rata hitung = 5
Perhatikan kelompok data berikut :
2. Kelompok nilai relatif homogen (tidak begitu bervariasi)
10
9
8
7 X
5
6 X
4
5 X
1
4
3
2
1
X
2
X
3
Kelompok 2
Relatif Homogen
11
3. Kelompok nilai heterogen (sangat bervariasi)
10 4 8 2 1 rata-rata hitung 5
Perhatikan kelompok data berikut :
10 X
1
9
8
7
6
5
4
3
2 X
4
1 X
5
X
2
X
3
Kelompok 3
Heterogen
12
Contoh:
Hasil penelitian terhadap nilai mata kuliah statistik dan matematika
sebagai berikut :
25 000 . 55
20 590 . 76
= =
= =
Matematika
Matematika
Statistik
Statistik
S X
S X
Besarnya koefisien variasi dari kedua nilai tersebut adalah :
% 026 . 0 % 100 .
590 . 76
20
= =
Statistik
V
% 045 . 0 % 100 .
000 . 55
25
= =
Matematika
V
Karena VMatematika > VStatistik ini berarti nilai matematika lebih bervariasi
(heterogen) dibandingkan dari nilai statistik
13
Ukuran Kesimetrisan atau kecondongan
Bila kita ingin mengetahui simetris atau tidaknya suatu kurva distribusi
frekuensi pada niai-nilai pusatnya, maka dapat kita gunakan perbedaan
besar nilai-nilai pusat untuk mendekatinya.
Menurut karl person apabila distribusi memiliki bentuk simetris maka :

o d
M M X = =
Dan apabila distribusi tidak simetris maka :
o d
M M X = =
14
Kurva yang tidak simetris dapat condong ke kiri atau ke kanan. Kurva
yang simetris letak modus, median, dan rata-rata sama.
Ukuran tingkat kecondongan menurut pearson adalah :
Mod = X = Med
Kurva simetris
X Med Mod
Kurva condong kekanan
Mod Med X
Kurva condong kekiri
15
Untuk mengetahui konsentrasi distribusi kearah kanan atau kiri, kita dapat
menggunakan koefisien kecondongan person (Coeffisient Skewness
pearson)
( )
S
M X
S
o
k

=
Menggunakan modus
( )
S
M X
S
d
k

=
3
Menggunakan median
Bila SK > 0 atau positif, maka distribusi akan berkonsentrasi pada sisi
sebelah kanan
Bila SK < 0 atau negatif, maka distribusi akan berkonsentrasi pada sisi
sebelah kiri
Bila SK = 0, maka distribusi akan simetris

16
Contoh
Bila diketahui X = 55,22; Md = 54,10; Mo = 54,66 ; S = 36,55 , maka
besar koefisien kecondongannya adalah :
55 , 36
66 , 54 22 , 55
=

=
S
M X
S
o
k
015 , 0 =
SK = 0,015 > 0 atau positif, maka distribusi akan berkonsentrasi pada
sisi sebelah kanan
17
Contoh
47 . 0
52 . 19
25 . 71 14 . 62
=

=
S
M X
S
o
k
52 . 19 = S
Kelas fi
23 - 37 3
38 - 52 1
53 - 67 2
68 - 82 7
83 - 97 1
14
14 . 62 = X
25 . 71
6 . 69
=
=
Modus
Median
15 . 1
52 . 19
) 6 . 69 14 . 62 ( 3 ) ( 3
=

=
S
M X
S
o
k
Bila SK < 0 atau negatif, maka
distribusi akan berkonsentrasi
pada sisi sebelah kiri
18
UKURAN KERUNCINGAN KURVA (KURTOSIS)
Ukuran keruncingan (kurtosis) adalah suatu ukuran yang dapat
digunakan untuk menentukan runcing tidaknya suatu kurva distribusi.
3 Macam bentuk kurtosis:
leptokurtik
Mesokurtik
Platikurtik
19
Ukuran keruncingan yang biasa digunakan adalah o4 (moment coefficient
of kurtosis / koefisien kurtosis)
( )
k) berkelompo belum data (untuk

= =

4
4
4
4
4
1
S
X X
n
S
M
i
( )
ok) terkelomp data (untuk
.
1
4
4
4
4
4

= =

S
f X M
n
S
M
i i
Bila : o4 > 3 dihasilkan kurva Leptokurtik (meruncing)
o4 = 3 dihasilkan kurva mesokurtik (normal)
o4 < 3 dihasilkan kurva platikurtik (mendatar
20
Contoh : data tak berkelompok
X X - X (X-X)2 (X - X)4
12 3.8 14.44 208.51
10 1.8 3.24 10.50
8 -0.2 0.04 0.00
6 -2.2 4.84 23.43
5 -3.2 10.24 104.86
32.8 347.30
95 , 42 56 , 2
62 , 1
95 , 42
46 , 69
46 , 69
5
) (
2 , 8
4
4
4
= =
= = =

=
S S
X X
X
i
o4 < 3, maka memiliki kurva distribusi platikurtis (mendatar)
21
Contoh : data berkelompok
o4 < 3, maka memiliki kurva distribusi platikurtis (mendatar)
Kelas fi m
23 - 37 3 30.0
38 - 52 1 45.0
53 - 67 2 60.0
68 - 82 7 75.0
83 - 97 1 90.0
14
m - X(mean)
32.14
17.14
2.14
12.86
27.86

(m - X(mean))^4
1067426.33
86364.01
21.08
27326.11
602207.67

|m - X(mean)|^4 *f
3202279.00
86364.01
42.17
191282.80
602207.67
4082175.66
01 . 2
32 . 145254
98 . 291583
4
32 . 145254 52 . 19
98 . 291583
14
66 . 4082175
4
4
4
4
= = =
= =
= =
S
M
S S
M
o
( )
4
4
4
4
4
.
1
S
f X m
n
S
M
i i

= =
14 . 62 = X