Nilai-nilai Xi yang ordinatnya membagi seluruh distribusi dalam 4 (empat) bagian yang sama

dinamakan nilai-nilai kuartil. Q1 merupakan kuartil pertama, Q2 merupakan kuartil kedua

dan sama dengan median (Q2 = md), sedangkan Q3 dinamakan kuartil ketiga. Dalam
distribusi kuartil, 50% dari semua nilai-nilai observasi seharusnya terletak antara Q1 dan Q3.
Jarak antara Q1 dan Q3 dinamakan jarak inter-kuartil (inter-quartilrange). Makin kecil jarak
tersebut, maka makin tinggi tingkat konsentrasi distribusi tengah seluas 50% dari seluruh
distribusi.
Secara teoritis, pengukuran deviasi kuartil sebuah sampel dapat dirumuskan sebagai:

Selanjutnya dapat dikatakan bahwa deviasi kuartil adalah sebesar +dQ atau dQ dari
mediannya.
Contoh :

Untuk data kelompok pada contoh soal

Kemiringan
positif

simetri (normal)

kemiringan

Negatif

Untuk mengukur derajat kecondongan suatu distribusi dinyatakan dengan koefisien

kecondongan (koefisien skewness).Ada tiga metode yang bisa digunakan untuk menghitung
koefisien skewness yaitu :
Rumus pearson
= 1/S (X - Mod)

Atau = 3/S (X Med)

Rumus Momen
Data tidak berkelompok
3 = 1/nS^2 ( X1 X )3

Data Berkelompok
3 = 1/nS^3 f i( mi - X )3
Keterangan
3 = derajat kemiringan
x1 = nilai data ke i
X
= nilai rata-rata hitung
Fi = frrekuensi nilai ke i
M1 = nilai titik tengah kelas ke-i
S = Simpangan Baku
N = Banyaknya data
Jika 3 = 0 distribusi data simetris
3 < 0 distribusi data miring ke kiri
3 > 0 distribusi data miring ke kanan

Rumus bowley
Rumus ini menggunakan nilai kuartil :
3 = (Q_3+ Q_1- 2Q_2)/(Q_3- Q_1 )
Keterangan :
Q1
= kuartil pertama
Q2
= Kuartil Kedua
Q3
= Kuaril Ketiga

Cara menentukan kemiringannya :

Jika Q3 Q2 = Q2 Q1 sehingga Q3 + Q1 -2Q2 = 0 yang mengakiibatkan 3 = 0,
sebaliknya jika distribusi miring maka ada dua kemungkinan yaitu Q1 = Q2 atau Q2 = Q3,
dalam hal Q1 = Q2 maka 3 = 1 , dan untuk Q2 = Q3 maka 3 = -1

Ukuran kemiringan data merupakan ukuran yang menunjukan apakah penyebaran data
terhadap nilai rata-ratanya bersifat simetris atau tidak. Ukuran kemiringan pada dasarnya
merupakan ukuran yang menjelaskan besarnya penyimpangan data dari bentuk simetris. Suat
distribusi frekuensi yang miring (tidak simetris) akan memiliki nilai mean, median dan
modus yang tidak sama besar (X Md Mo) sehinggan distribusi akan memusat
pada salah satu sisi yaitu sisi kanan atau sisi kiri. Hal ini yang menyebabkan bentuk kurva
akan miring ke kanan atau ke kiri. Jika kurva miring ke arah kanan (ekornya memanjang ke
arah kiri) disebut kemiringan positif, dan jika kurva miring ke arah kiri (ekornya memnjang
ke arah kanan) disebut kemiringan negatif.

Analisis kasus :
Tabel 2.1
Cara perhitungan koefisien kecondongan dengan metode
Pearson dari data penghasilan keluarga
penghasila keluarga X f U fU Fu2
10-22 16 5 -3 -15 225
23-35 29 6 -2 -12 144
36-48 42 13 -1 -13 169
49-61 55 19 0 0 0
62-74 68 11 1 11 121
75-87 81 11 2 22 484

88-100 94 5
Jumlah
70

15 225
fU = 8 fU2 = 1368

Sebelum menggunakan rumus terlebih dahulu dicari nilai , mean, median, dan standar
deviasinya berikut ini:
Mean :
X = A + (( f.U)/n) . i
X = 55 + (8/70) . 3
X = 56,485
Median :
Med = Tkbmd + ((1/2 n-fkb)/fmd) . i
Med = 48.5 + ((35-24)/19) . 13
Med = 48.5 + 7,526
Med = 56,026

Standar Deviasi :
S = i ((nf.U^2-(f.U^2))/(n(n-1)))
S = 13 (((70)-(1368)-(8)^2)/(70(70-1)))
S = 13 19,81
S = 57,86
Setelah kita dapatkan nilai-nilai diatas, kemudian dimasukan ke dalam rumus koefisein
skewness :
= 3/S (X - Med)
= 3/57,86 ( 56,485 56,026)
= 0,0238
dari hasil perhitungan menunjukan bahwa koefisien skewness menghasilkan nilai positif, itu

berarti distribusi frekuensi mempunyai bentuk kemiringan yang positif yaitu miring ke arah
kanan

2.1.3 Ukuran Keruncingan (kurtosis)

Merupakan derajat atau ukuran tinggi rendahnya puncak suatu distribusi data terhadap
distribusi normalnya data. Jika bentuk kurva runcingberarti nilai data terkonsentrasi terhadap
nilai rata-tata atau nilai penyebarannya kecil, sebaliknya jika bentuk kurva nya tumpul berarti
nilai data tersebar terhadap nilai rata-rata atau nilai penyebaran besar. Keruncingan distribusi
data ini disebut juga kurtosis.
Derajat keruncingan suatu distribusi frekuensi dapat dibedakan menjadi tiga, yaitu:
Leptokurtis
Distribusi data yang puncaknya relatif tinggi atau bentuk distribusi yang ujungnya sangat
runcing
Mesokurtis
Distribusi data yang puncaknya tidak terlalu runcing atau tidak terlalu tumpul
Platikurtis
Distribusi data yang puncaknya terlalu rendah atau terlalu mendatar

Mesokurtis

leptokurtis

platikurtis

Derajat keruncingan distribusi data 4 dapat dihitung berdasarkan rumus berikut

Data tidak berkelompok
4 = 1/(nS^4 ) ( Xi - X )4
Data berkelompok
4 = 1/(nS^4 ) fi ( mi - X )4

Keterangan :
4 = Derajat keruncingan
Xi = nilai data ke i
= nilai rata-rata hitung
fi = frekuensi kelas ke i
mi = nilai titik tengah ke i
S = simpangan baku
n = banyaknya data
dari penggunaan rumus diatas akan menghasilkan kemungkinan tiga nilai yaitu :
4 = 3 distribusi keruncingan data disebut mesokurtis
4 > 3 distribusi keruncingan data disebut leptokurtis
4 < 3 distribusi keruncingan data disebut platikurtis
Analisis kasus :
Tabel 2.2
Cara perhitungan koofisien keruncingan
Dari data penghasilan keluarga
Penghasilan keluarga Frekuensi U f.U
10-22 5 -3 -15 45 -135 405
23-35 6 -2 -12 24 -48 96
36-48 13 -1 -13 13 -13 13
49-61 19 0 0 0 0 0
62-74 11 1 11 11 11 11
75-87 11 2 22 44 88 176
88-100 5 3 15 45 135 405
jumlah 70
8 182 38 1106

f.U2

f.U3

f.U4

s = i ((nfU^2-(f.U)^2)/(n(n-1)))
s = 13 (((70)(1368)-(8)^2)/(70(70-1)))
s = 13 19,81
s = 57,86

Setelah kita dapatkan nilai diatas, kemudian dimasukan ke dalam rumus koefisein kurtosis :
4 = [(f.U^4)/n-4{(f.U^3)/n}{(f.U^ )/n}+6{(f.U^2)/n} {(f.U)/n}^2-

3{(f.U)/n}^4 ] i^4/s^4
4 = [1106/70-4{38/70}{8/70}+6{182/70} {8/70}^2-3{8/70}^4 ] 13^4/57.86^4
4 = (15.7557) (0,00255)
4 = 0.040