MODUL 2

STATISTIKA DESKRIPTIF

BAB I TUJUAN PRAKTIKUM

1. Praktikan dapat melakukan penyajian data dalam bentuk grafik.

2. Praktikan dapat menghitung ukuran pemusatan, ukuran penyebaran, ukuran lokasi dan
ukuran pola distribusi data dengan menggunakan rumus data tunggal dan data
kelompok.

BAB II LANDASAN TEORI

2.2.1 Pengertian Statistik Deskriptif

Istilah statistik berasal dari bahasa latin “status” yang artinya suatu negara. Suatu
kegiatan pengumpulan data yang ada hubungannya dengan kenegaraan, misalnya data
mengenai penduduk, data mengenai penghasilan dan sebagainya, yang lebih berfungsi untuk
melayani keperluan administrasi.Secara kebahasaan, statistik berarti catatan angka-angka
(bilangan)perangkaiandata yang berupa angka-angka yang dikumpulkan, ditabulasi,
dikelompokkan, sehingga dapat memberi informasi yang berarti mengenai suatu masalah,
gejala atau peristiwa (depdikbud, 1994).Menurut Sutrisno Hadi (1995) statistik adalah untuk
menunjukkan kepada pencatatan angka-angka dari suatu kejadian atau kasus tertentu.
Selaras dengan apa yang didefinisikan oleh Sudjana (1995:2) bahwa statistik adalah
kumpulan fakta berbentuk angka yang disusun dalam daftar atau tabel dan atau diagram,
yang melukiskan atau menggambarkan suatu persoalan.Dengan demikian, didalamnya
terdiri dari sekumpulan prosedur mengenai bagaimana cara :
1. Mengumpulkan data
2. Meringkas data
3. Mengolah data
4. Menyajikan data
5. Menarik kesimpulan dan interpretasi data berdasarkan kumpulan data dan hasil
analisisnya
A. Tabel
Pada pembahasan ini akan dibahas terlebih dahulu mengenai penyajian data dengan
menggunakan tabel. Tabel adalah kumpulan data yang disusun berdasarkan baris dan
kolom. Baris dan kolom ini berfungsi untuk menunjukkan data terkait keduanya.
Dimana titik temu antara baris dan kolom adalah data yang dimaksud.
 Tabel Distribusi Frekuensi.
Pengelompokan data ke dalam beberapa kategori yang menunjukkan banyaknya data
dalam setiap kategori, dan setiap data tidak dapat dimasukkan ke dalam dua atau lebih
kategori

B. Grafik
Ketika kita menyajikan suatu data, seringkali kita ingin menemukan pola atau
hubungan antara variabel-variabel dalam data tersebut. Agar dapat mencari atau
menemukan pola dan hubungan antar variabel tersebut, maka dapat digunakan grafik
untuk memvisualisasikan data.
Jenis visualisasi yang dipilih tergantung pada penekanan yang ingin kita temukan
dalam suatu data. Contoh grafik yang sering digunakan antara lain grafik garis, grafik
batang, diagram lingkaran, dan grafik gambar
a) Grafik Garis (Polygon) Poligon menggunakan garis yang menghubungkan titik-titik
yang merupakan koordinat antara nilai tengah kelas dengan jumlah frekuensi pada
kelas tersebut. Titik tengah kelas merupakan representasi dari karakter kelas dan
nilai tengah ini menggantikan posisi interval kelas pada ddiagram histogram.
b) Grafik Batang adalah lukisan Naik turunnya data berupa batang atau balok dan
dipakai untuk menekan kan adanya perbedaan tingkatan nilai berupa aspek.data
pada grafik batang di sajikan dalam bentuk persegi panjang horizontal yang
panjangnya sesuai dengan nilai masing-masing.dengan begitu kita bisa melihat
dengan cepat dan mudah data mana yang memiliki kinerja atau nilai yang lebih
tinggi di bandingkan dengan data lain.
c) Diagram Lingkaran (Pie Chart) Cara lain untuk menyajikan data hasil penelitian
adalah dengan diagram lingkaran atau piechart. Diagram lingkaran digunakan
untuk membandingkan data dari berbagai kelompok.
d) Grafik Gambar (Pictogram) Ada kalanya supaya data yang disajikan lebih
komunikatif disesuaikan dengan keterangan nama tabel, maka penyajian data dibuat
dalam bentuk pictogram.

Mencari central tendency (kecenderungan terpusat) seperti mean, median, modus dan
lainnya.Sembarang ukuran yang menunujukkan pusat segugus data yang telah diurutkan
dari yang terkecil sampai terbesar atau sebaliknya dari terbesar sampai terkecil, disebut
ukuran lokasi pusat atau ukuran pemusatan. Ukuran pemusatan yang paling banyak
digunakan adalah mean, median dan modus.
1. Rumus Rataan Hitung (Mean)
Rata-rata hitung atau mean memiliki perhitungan dengan cara membagi jumlah
nilai data dengan banyaknya data. Rata-rata hitung disebut dengan
mean.Rumusmeanuntuk data yang disajikan dalam distribusi frekuensi.
Dengan:
∑𝑘𝑖=𝑙 𝐹𝑖𝑋𝑖
𝑋̅ =
∑𝑘𝑖=𝑘 𝐹𝑖

fi xi = frekuensi untuk nilai xi yang bersesuaian

xi = data ke-i

2. Rumus Modus
a. Data yang belum dikelompokkan :
Modus dari data yang belum dikelompokkan adalah ukuran yang
memilikifrekuensi tertinggi. Modus dilambangkan mo.
b. Data yang telah dikelompokkan
Rumus Modus dari data yang telah dikelompokkan dihitung dengan rumus:

Dengan :
𝑑1
𝑀𝑜 = 𝑡𝑏 + 𝑐 ( )
𝑑1 + 𝑑2

Mo = Modus
tb = Tepi bawah kelas yang memiliki frekuensi tertinggi
(kelas modus) i = Interval kelas
d1 = Frekuensi kelas modus dikurangi frekuensi kelas
interval terdekat sebelumnya
d2 = frekuensi kelas modus dikurangi frekuensi kelas
interval terdekat sesudahnya
3. Rumus Median (Nilai Tengah)
a. Data yang belum dikelompokkan
Untuk mencari nilai median, data harus dikelompokan terlebih dahulu dari
yang terkecil sampai yang terbesar.
b. Rumus Data yang Dikelompokkan

Dengan :
𝑛⁄ − 𝐹𝑘
𝑀𝑒𝑑 = 𝑡𝑏 + 𝑐 ( 2 )
𝑓

Tb = tepi bawah yang memuat kelas median

C = kelas interval
 Fk = frekuensi komulatif sebelum kelas yang memuat
median.
F = frekuensi yang memuat median
4. Rumus Simpangan Quartil (Qd). Rumus simpangan quartil yaitu:

𝑖⁄ . 𝑛 − 𝐹𝑘𝑖
𝑄𝑖 = 𝑡𝑏 + 𝑐 ( 4 )
𝑓𝑖

Dengan :

Tb = tepi bawah kelas Qi

Fki = frekuensi komulatif sebelum kelas Qi.

Fi = frekuensi kelas Qi.
n = banyaknya data
5. Rumus Desil (Di). Rumus simpangan desil adalah

𝑖⁄ . 𝑛 − 𝐹𝑘𝑖
𝐷𝑖 = 𝑡𝑏 + 𝑐 ( 10 )
𝑓𝑖

Dengan :

Tb = tepi bawah kelas Di

Fki = frekuensi komulatif sebelum kelas Di.

Fi = frekuensi kelas Di.
n = banyaknya data
6. Rumus persentil (Pi). Rumus simpangan persentil adalah

𝑖⁄ . 𝑛 − 𝐹𝑘𝑖
𝑃𝑖 = 𝑡𝑏 + 𝑐 ( 100 )
𝑓𝑖

Dengan :

Tb = tepi bawah kelas Pi

Fki = frekuensi komulatif sebelum kelas Pi.

Fi = frekuensi kelas Pi.
n = banyaknya data

sumber : Walpole, Ronald E, Raynond H. Myers : Probability and Statistic

forEngeenering and scientist, 3rd ED, Macmillan Publ. Co, New York, 1985
2.2.2 Variabel Komutatif
1. Variabel Kuantitatif. Pengukuran variabel kuantitatif dapat juga ditafsirkan dengan
istilah jarak antara berbagai observasi tanpa adanya pengurutan yang alami.
2. Skala Interval. Jika jarak antara pengukuran ditafsirkan lebih mendalam, maka
variabel tersebut diukur pada skala interval. Berlawanan dengan skala rasio, rasio
pengukuran tidak mempunyai pengertian yang mendasar, dan untuk skala ordinal
tidak memiliki nilai nol. Sebagai contoh, suhu yang diukur dalam derajat celsius bisa
ditafsirkan dalam urutan kelas-kelas yang lebih tinggi atau lebih rendah. Namun
demikian, tinggi suhu bertemperatur 20 derajat celsius tidak bisa dikatakan dua kali
tinggi suhu bertemperatur 10 derajat. Ingat kembali temperatur ekuivalensi dalam
fahrenheit. Dengan mengkonversikan temperatur dari celsius ke fahrenheit atau
sebaliknya akan mengikutsertakan pertukaran titik nol.
3. Skala rasio (nisbah). Nilai-nilai variabel yang terukur pada skala rasio dapat
ditafsirkan baik dengan istilah jarak ataupunrasio. Skala rasio atau nisbah ini
membawa informasi yang lebih daripada skala interval, namun hanya interval-
interval (jarak diantara observasi) yang memiliki arti kuantitatif.Fenomena yang
diukur pada skala rasio mempunyai elemen nol alami, yang menunjukkan
kekurangan total dari atributnya. Namun adanya satuan pengukuran alami tidak
begitu diperlukan. Contohnya adalah berat, tinggi, usia, dan lain sebagainya.
4. Skala absolutSkala absolut merupakan skala metrik yang memiliki satuan
pengukuran alami. Pengukuran skala absolut sendiri adalah pengukuran, satu-
satunya pengukuran tanpa alternatif. Contoh: Semua fenomena yang dapat dihitung
seperti jumlah orang dalam sebuah ruangan atau jumlah bola dalam sebuah
keranjang.
5. Variabel diskritSebuah variabel diskrit yang mengambil himpunan nilai-nilai
berhingga atau tak hingga disebut diskrit.Contoh: Produksi mobil perbulan atau
jumlah bintang di ruang angkasa.
6. Variabel kontinyuSuatu variabel matrik dikatakan kontinyu jika mempunyai
sejumlah tak hingga nilai-nilai pada sembarang interval. Contoh: Petrol yang terjual
pada periode waktu tertentu. Namun dalam prakteknya banyak variabelkontinyu
diukur secara diskrit dikarenakan terbatasnya tingkat ketelitian peralatan ukur
fisik. Untuk mengetahui usia seseorang dapat dilakukan, tetapi tidak terlalu tepat.
7. Skala nominalSkala yang paling primitif, yaitu yang hanya bisa menyatakan apakah
dua buah nilai sama atau tidak, adalah skala nominal dan murni kualitatif. Jika
sebuah ruang sampel eksperimen terdiri dari kategori tanpa urutan yang alami,
maka variabel acak yang berkaitan terskala secara nominal.Sebagai contoh,
seseorang bisa menerima kualifikasi kategori profesional yang berbeda. Tapi hanya
bisa satu pekerjaan sajayangfulltime (menurut definisi).
 8. Skala ordinalJika jumlah yang ditentukan untuk pengukuran memperlihatkan
suatu ranking alami, maka variabel tersebut diukur dengan skala ordinal. Pada
skala ordinal, jarak antara nilai-nilai yang berbeda tidak dapatditafsirkan sebuah
variabel yang diukur pada skala ordinal bagaimanapun bukan kuantitatif. Sebagai
contoh, nilai sekolah merefleksikan tingkatan prestasi yang berbeda-beda.Walaupun
demikian tidak ada alasan untuk menyatakan bahwa pekerjaan yang memperoleh
nilai "4" dua kali lebih baik dari pekerjaanyang beroleh nilai "2". Karena jumlah
yang ditentukan pada pengukuran tersebut merefleksikan ranking secara relatif
antara satu dengan lainnya, maka nilai tersebut dinamakan nilai rank. Terdapat
banyak contoh variabel yang terskala ordinal dalam bidang psikologi, sosiologi, studi
bisnis dan lain sebagainya. Skala dapat ditentukan dengan mengusahakan
mengukur semacam konsep seperti status sosial, intelegensia, tingkatan agresi atau
tingkat kepuasan. (Suparyanto, 2010).
2.2.3 Skala Pengukuran
Perbedaan tajam antara variabel kuantitatif dan variabel kualitatif terletak pada sifat-
sifat pengukuran skalaaktual, terutama pada kemampuannya untuk digunakan sebagai
input pada suatu metode statistik.Dalam mengembangkan peralatan baru, ahli statistik
membuat asumsi tentang skala-skala pengukuran yangdiperbolehkan.
Sebuah pengukuran adalah suatu penentuan/penugasan pada sebuah observasi.
Beberapapengukuran muncul lebih alami dibandingkan yang lainnya. Sebagai contoh,
dengan mengukur tinggi seseorang, kita menggunakan yardstick atau alat ukur yang
meyakinkan kemampuan perbandingan antara observasi-observasi hingga ketelitian satuan-
satuan yang digunakan (misalnya inci atau sentimeter).
Sebaliknya, nilai sekolah menunjukkan klasifikasi yang relatif kasar yang
mengindikasikan ranking tertentu tetapi dengan memasukkan para siswa kedalam kategori
yang sama. Nilai yang ditentukan untuk pernyataan kualitatif semisal 'sangat baik', 'sedang'
dan sebagainya adalah nilai sembarang namun singkat dan praktis dalam menilai prestasi
seseorang. Dikarenakan tidak adanya alasan konseptual pada skala penilaian di sekolah,
maka tidak diperlukan penafsiran 'jarak' antara nilai-nilai tersebut. Jelasnya, pengukuran
yang cermat memberikan informasi yang lebih banyak daripada hanya sekedar nilai sekolah,
sebagaimana halnya jarak-jarak antara pengukuran bisa dibandingkan dengan konsisten.
III. PENGOLAHAN DAN PENGUMPULAN DATA
3.1 Tabel Pengamatan
Tabel 1.1 Hasil Pengamatan Data Acak Sederhana
No Urut Berat No Urut Berat No Urut Berat No Urut Berat
1 157 21 378 41 471 61 575
2 184 22 390 42 478 62 578
3 219 23 397 43 483 63 581
4 253 24 398 44 484 64 582
5 264 25 403 45 500 65 590
6 290 26 408 46 502 66 590
7 308 27 410 47 518 67 600
8 311 28 415 48 521 68 610
9 313 29 415 49 526 69 625
10 319 30 425 50 531 70 641
11 320 31 426 51 533 71 641
12 326 32 429 52 537 72 645
13 331 33 430 53 540 73 692
14 332 34 431 54 554 74 708
15 346 35 435 55 558 75 719
16 350 36 436 56 562 76 720
17 352 37 449 57 562 77 759
18 364 38 460 58 562 78 772
19 372 39 460 59 564 79 773
20 374 40 462 60 573 80 863
IV. ANALISA dan PEMBAHASAN
4.1 Langkah Software MINITAB
4.1.1 Langkah Software MINITAB data Tunggal
A. MemasukandanMenyimpan Data
1. Buka program MINITAB.
Klikpada worksheet danisinama worksheet nyadengan diameter danisikan data
menurunkebawahmenjadi 1 kolom.
2. Klik Save as. Berikannamadansimpan file padadirektori yang dikehendaki.

B. Pengolahan data
1. Berdasarkan data yang telah diketikkan tadi kemudian klik
Start > Basic Statistic >Store Display Deskripstive Statistic >Statistic

Gambar 1.1 Langkah – langkah input data

Gambar 1.2 Hasil data Tunggal

2. Untuk memunculkan grafik histogram dan boxplot, yaitu berdasarkan data yang telah
diketikan tadi kemudian klik Stat > Basic Statistic > Display Deskriptive Statistic

Gambar 1.3 Langkah – langkah input data

Grafik yang diinginkan telah muncul, dari grafik boxplot di bawah, dapat diketahui tidak ada
data yang out of control.

Boxplot of Berat tepung

800

700

600
Berat tepung

500

400

300

200

100

Gambar 1.4 Boxplot dan histogram Data Tunggal

Histogram of Berat Tepung

Normal

Mean 479.6
12
StDev 143.7
N 80

10

8
Frequency

0
200 300 400 500 600 700 800
Berat Tepung

Gambar 1.5 histogram Data Tunggal

Mean = 479.8
Median = 466.5
Varian = 20651.0
Kuartil 1 = 375
Kuartil 3 = 574.5

Interpretasi
Hasil pengolahan software MINITAB dari 80 data yang dimasuk kan diperoleh hasil
rata-rata dari 80 data tersebut sebesar 479.563, nilait engah dari 80 data tersebut sebesar 466.5.
Kuartil atau nilai yang membagi seluruh distribusi frekuensi keempat bagian yang sama besar
yaitu Q1, Q2 dan Q3 dari 80 data tersebut, untuk Q1 sebesar 375 dan untuk Q3 sebesar 574.5 .
sedangkan Q2 sama dengan median atau nilai tengah. Varian atau ukuran persebaran data yang
terdapat dalam 80 data tersebut sebesar 20651.0

4.2 Perhitungan Data

4.2.1 Perhitungan Data Tunggal
 Ukuran Pemusatan
1. Rata-rata hitung
n

X
i 1
i
X
n
157+184+219+253+264+..…………….+863

X= 80

38365
X= = 479.5625
80

2. Modus
Nilai data yang paling sering muncul = 562
3. Median
𝑛𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑘𝑒 40+𝑛𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑘𝑒 41
Nilai tengah dari data,
2
972
= = 486
2
 Ukuran Letak
1. Kuartil (Q)
𝑥 𝑥
⁄𝑖 𝑛 + ⁄𝑖 𝑛+1
o Qi = 4 4
2

o Qi :kuartilke-i
o n :jumlah data
𝑥 𝑥
⁄80 + ⁄80+1
𝑥 20+𝑥 21 390+410
o Q1 = 4 4
= = = 400
2 2 2
𝑥 𝑥
⁄80 + ⁄80+1
𝑥 40+𝑥 41 485+487
o Q2 = 2 2
= = = 486
2 2 2
 𝑥 𝑥
⁄380 + ⁄380+1
𝑥 60+𝑥 61 571+571
o Q3 = 4 4
= = = 571
2 2 2

1. Desil (D)
Di = [i/10] x n
a. D1 = [1/10] x 80 = 8
Data ke 8 yaitu 311
b. D5 = [5/10] x 80 =40
Data ke 40 yaitu 462
c. D9 = [9/10] x 80 =72
Data ke 72 yaitu 645
2. Persentil (P)
Pi = [i/100] x n
a. P10 = [10/100] x 80 = 8
Data ke 8 yaitu 311
b. P25 = [25/100] x 80 = 20
Data ke 20 yaitu 374
c. P50 = [50/100] x 80 = 40
Data ke 40 yaitu 462
d. P75 = [75/100] x 80 = 60
Data ke 60 yaitu 573
e. P90= [90/100] x 80 = 72
Data ke 72 yaitu 645

 Ukuran Penyebaran
1. Variansi Populasi
n

(X i   )2
2 i 1
n
(142−477.95)2 +(198−477.5)2 + (267−477.95)2 + ……………….+(742−477.95)2

2= 80

1631426
= 20392.82
2 = 80

2. Variasi Sampel
n

(X  X ) 2

2 i 1
n 1
 (142−477.95)2 +(198−477.95)2 + (267−477.95)2 + ………….+(742−477.95)2

2= 80−1

1631426
= 20650.96
2 = 79

3. Range

R  xmax  xmin
R = 863 – 157
R = 706

1/2 ( Q3 – Q1 )
Skewness(Kemiringan) =
P90 – P10
1/2 ( 571 – 40 )
=
612 – 300

= 0.2397
(𝑥̅ −𝑚𝑒𝑑𝑖𝑎𝑛)
Kurtosis (Keruncingan) =
𝑆3
(479.5625−486)
=
142.803

= -0.103576
S : simpangan baku
n : ∑fi
M1 : nilai tengah kelas ke – i
Xrata-rata
Fi : Frekuensi data ke-i
4.2 Tabel Pengamatan

Tabel 1.2 Data Berat Tepung Untuk Data kelompok

Berat Berat Berat Berat Berat Berat Berat Berat
Tepung Tepung Tepung Tepung Tepung Tepung Tepung Tepung
157 320 378 426 471 533 575 641
184 326 390 429 478 537 578 645
219 331 397 430 483 540 581 692
253 332 398 431 484 554 582 708
264 346 403 435 500 558 590 719
290 350 408 436 502 562 590 720
308 352 410 449 518 562 600 759
311 364 415 460 521 562 610 772
313 372 415 460 526 564 625 773
319 374 425 462 531 573 641 863

4.2.1 Perhitungan Data Kelompok

 Menyusun data tersebut kedalam suatu distribusi frekuensi dan kemudian
menghitung ukuran pemusatan data, ukuran penyebaran data, dan ukuran
variansinya
1. Rentang

R = nilai terbesar – nilai terkecil

= 863 - 157

= 706

2. Jumlah kelas
K = 1 + 3.3 log n

= 1 + 3.3 log 80

= 7.28

= dibulatkan menjadi 7

3. Panjang kelas
𝑅
P=
𝐾

706
= = 100.86 = dibulatkan = 100 atau 101
7

Tabel 1.3 Distribusi Frekuensi

Interval Frekuensi Frekuensi Frekuensi Frekuensi Nilai
Data Kelas (f) Relatif Kumulatif Komulatif Tengah
Kelas Kurang dari Lebih dari (Xi)
1 157-257 4 0.05 0 80 207.5
2 258-358 13 0.1625 4 76 308.5
3 359-459 20 0.25 17 63 409.5
4 460-560 18 0.225 37 43 510.5
5 561-661 17 0.2125 55 25 611.5
6 662-762 5 0.0625 72 8 712.5
7 763-863 3 0.0375 77 3 813.5
80 0
Jumlah 80 1 342 298 3573.5

 Ukuran Pemusatan
 2. Rata-rata Hitung

X
( f x X
i i )
f i

(4𝑥207.5)+(13𝑥308.5)+(20𝑥409.5)+(18𝑥510.5)+(17𝑥611.5)+(5𝑥712.5)+(3𝑥813.5)
X=
80

38168
X= = 482.725
80

3. Modus

 d1 
Mo  tb  c  
 d1  d 2 
7
Mo = 358.5 + 101
7+2

Mo = 437.055
4. Median

 n  fk 
Med  tb  c  2 
 f 
 
80
− 20
Med = 358.5 + 101 2
20

Med= 459.5
 Ukuran Letak
1. Kuartil (Qi)
a. Q1
- Letak nya : Qi = (i/4) x n
Q1 = (1/4) x 80 = 20

 i .n  f ki 
 
- Nilainya : Qi  tb  c  4 
 fi
 
1
80−17
Qi = 358.5 + 101 4
20

Qi = 545.35
b. Q2
Nilai Q2 sama dengan nilai Median yaitu 459.5

c. Q3
- Letaknya : Qi = (i/4) x n
Q3= (3/4) x 80 = 60

 i .n  f ki 
- Nilainya : Qi  tb  c  4 

 f
 i

 3
80−37
Q3 = 459.5 + 101 4
18

Q3 = 588.56
2. Desil (D)
a. D1
- Letaknya : Di = (i/10) x n
D1 = (1/10) x 80 = 8

 i .n  f ki 
- Nilainya : Di  tb  c  10 

 f
 i

1
80−4
D1 = 257.5 + 101 10
13

D1 = 288.5769
b. D5
Nilai D5 sama dengan nilai Median yaitu 459.5
c. D9
- Letaknya : Di = (i/10) x n
D1 = (9/10) x 80 = 72

 i .n  f ki 
- Nilainya : Di  tb  c  10 

 fi
 
9
80−55
D1 = 560.5 + 101 10
17

D1 = 661.5
3. Persentil (P)
a. P10
- Letaknya : Pi = (i/100) x n
P = (10/100) x 80 = 8

 i .n  f ki 
- Nilainya : Pi  tb  c  100 
 fi
 
10
80−4
P = 257.5 + 101 100
13

P = 316.546
b. P25
- Letaknya : Pi = (i/100) x n
P = (25/100) x 80 = 20

 i .n  f ki 
- Nilainya : Pi  tb  c  100 
 fi
 
 25
80−17
P = 358.5 + 101 100
20

P = 438.0375
c. P50
Nilai P50 sama dengan nilai Median yaitu 459.5
d. P75
- Letaknya : Pi = (i/100) x n
P = (75/100) x 80 = 60

 i .n  f ki 
- Nilainya :

Pi  tb  c  100
 fi 
 
75
80−55ℎ
P = 560.5 + 101 100
17

P = 671.897
e. P90
- Letaknya : Pi = (i/100) x n
P = (90/100) x 80 = 72

 i .n  f ki 
- Nilainya : Pi  tb  c  100 
 fi
 
90
80−55
P = 560.5 + 101 100
17

P =694.176

 Ukuran Penyebaran
1. Variansi

 f X X
2


2 i i
S
n
4(207.5−482.725)2 + 13(308.5−482.725)2 + …………………….+3(813.5−482.725)2
S2 =
80

S2 = 21160.7
2. Simpangan Baku

S  Variansi  S 2

√21160.7
S=
S = 145.4672

 Ukuran Pola Distribusi Data

1. Skewness ( Kemiringan)
 1 .  f i .( X i  X ) 3
3 
fi

S3
1
80
𝑥(4(207.5−482.725)3 + 13(712.5−482.725)3 + …………….+3(813.5−482.725)3
145.46723
α3 =

α3 =41.67143752
2. Kurtosis (Keruncingan)
1 .  f i .( X i  X ) 4
4 
fi

S4
1
𝑥(4(207.5−482.725)4 + 13(712.5−482.725)4 + …………………….+3(813.5−482.725)4
80
145.46724
α4 =

α4 = 150.4681831

4. 3 Penyajian Data kelompok dalam bentuk Grafik

( Histogram,polygon,ogive dan Steam and leaf)
4.3.1 Grafik polygon

POLIGON
25

20

15

10 data kelompok
frekuensi
5

Gambar 1.7 Grafik Poligon

Interpretasi :
Pada grafik diatas sumbu X menjelaskan tentang data kelompok dan sumbu Y
menjelaskan tentang frekuensi. Data 157-257 memiliki frekuensi 4, data 258-358
memiliki frekuensi 13, data 359–459 memiliki frekuensi 20, data 460-560 memiliki
frekuensi 18, data 561-661 memiliki frekuensi 17, data 662-762 memiliki frekuensi
5, data 763-863 memiliki frekuesi 3.

4.3.2 Grafik Histogram

 Histogram of Berat tepung
Normal

Mean 479.6
12
StDev 143.7
N 80
10

8
Frequency

0
200 300 400 500 600 700 800
Berat tepung

Gambar 1.8 Histogram

Interpretasi

Dari Grafik diatas jika sumbu X menjelaskan tentang data kelompok dan sumbu Y
menjelaskan tentang frekuensi. Hasil pengolahan software MINITAB dari 80 data yang
dimasukkan diperoleh hasil rata-rata dari 80 data tersebut sebesar 479,6. Dengan
melihat grafik dapat disimpulkan bahwa grafik histogram memberikan pola kemiringan /
skeweness sebesar 0.2397 dengan standart deviasi 143,7.

. 4.3.3 Grafik Histogram

Tabel 1.4 Data Gravik Ogive

X F FR Fk > Fk <
157-257 4 0.05 0 80
258-358 13 0.1625 4 76
359-459 20 0.25 17 63
460-560 18 0.225 37 43
561-661 17 0.2125 55 25
662-762 5 0.0625 72 8
763-863 3 0.0375 77 3
80 0
 GRAFIK OGIVE
90
80
70
60
50
Series1
40
Series2
30
20
10
0
0 2 4 6 8

Gambar 1.9 Gravik Ogive

Interpretasi
Dari grafik di atas jika fk> berada pada sumbu X ke 1 maka Y nya 80, pada sumbu X ke 2
maka Y nya 76, pada sumbu X ke 3 maka Y nya 63, pada sumbu X ke 4 maka Y nya 43,
pada sumbu X ke 5 maka Y nya 25, pada sumbu X ke 6 maka Y nya 8, pada sumbu X ke 7
maka Y nya 3, pada sumbu X ke 8 maka Y nya 0.
Sedangkan fk < berada pada sumbu X ke 1 maka Y nya 0, pada sumbu X ke 2
maka Y nya 4, pada sumbu X ke 3 maka Y nya 17, pada sumbu X ke 4 maka Y nya 37,
pada sumbu X ke 5 maka Y nya 55, pada sumbu X ke 6 maka Y nya 72, pada sumbu X ke
7 maka Y nya 77, dan pada sumbu X ke 8 maka Y nya 80
4.3.4 Grafik Steam and Leaf
Tabel 1.5 Steam and Leaf

Frekuensi Steam Leaf

1 15 7
1 18 4
1 21 9
1 25 3
1 26 4
1 29 0
1 30 8
3 31 1,3,9
2 32 0,6
2 33 1,2
1 34 6
3 35 0,0,2
1 36 4
3 37 2,4,8
4 39 0,4,7,8
2 40 3,8
3 41 0,5,5
3 42 5,6,9
4 43 0,1,5,6
1 44 9
3 46 0,0,2
2 47 1,8
2 48 3,4
2 50 0,2
1 51 8
2 52 1,6
1 54 0
3 53 1,3,7
3 55 4,4,8
3 56 2,2,4
3 57 3,5,8
2 58 1,2
1 59 0
1 60 0
1 61 0
1 62 5
3 64 1,1,5
1 69 2
1 70 6
1 71 9
1 72 0
1 75 9
2 77 2,3
1 86 5
Interpretasi

Apabila kita lihat output bagian pertama adalah Steam (kiri) dan terakhir leaf (kanan).
Nilai data pada steam dan leaf plot sudah di urutkan dengan urutan meningkat, di mulai
dari terkecil 157, 184, 219, 253,……….863, Nilai pertama 157 di pisah menjadi dua
bagian terpisah , 15 di masukan ke dalam steam, dan 7 di masukan ke dalam leaf.
Demikian juga nilai 184, 18 (steam) dan 5 (leaf). Dan langkah selanjutnya sama seperti
contoh di atas.
V. KESIMPULAN
1. Dari praktikum yang sudah dilakukan, ada 4 data dalam bentuk grafik yang dapat
diperoleh yaitu grafik poligon, grafik histogram, tabel steam and leaf dan grafik ogive.
Penyajian data dalam grafik ogive dapat dilihat pada grafik 1, penyajian data dalam
bentuk grafik poligon bisa dilihat pada grafik 2, penyajian data dalam bentuk histogram
bisa dilihat pada grafik 3, dan penyajian data dalam bentuk steam and leaf dapat
dilihat pada grafik 4.
2. Pada peraktikum ini dapat disimpulkan bahwa dalam menyajikan data dapat
dilakukan dengan aplikasi minitab yang di hitung manual menggunakan perhitungan
data tunggal, dan juga menggunakan perhitungan manual distribusi frekuensi. Kami
melakukan pengambilan sampel tepung dengan metode purposive sampling yaitu
melakukan pengambilan sampel dengan data yang dibutuhkan yaitu N = 350 dan n =
80 sampel dengan berat tepung antara 157 gram sampai dengan 863 gram. Dari data
tersebut kelompok kami dapat menghitung ukuran pemusatan, ukuran penyebaran,
ukuran lokasi dan ukuran pola distribusi data secara manual dan MINITAB serta
memperoleh hasil perhitungannya sebagai berikut:

Tabel 1.6 Data Hasil perhitungan manual data tunggal dan data kelompok
Data Tunggal Data Kelompok
Ukuran Ukuran Ukuran Ukuran Ukuran Ukuran Ukuran Ukuran
gejala letak penyebaran pola gejala letak penyebara pola
pusat distribu pusat n distribusi
si data data

Mean P 10 Simpangan Skewne Mean P10 Modus Skewness

= 477.95 = 300 Baku ss = = =316.546 =437.055 =
=122.7790 0,2397 482.725 41.67143

752
Median P 25 Varians Kurtosi Median P25 Varians Kurtosis
= 486 = 390 =20392.82 s = -0, = 459.5 = =15008 =150.468
103576 438.0375 1831
Modus P 75 P75 Simpangan
=562 = 571 = 671.897 baku
=
145.4672
 DAFTAR PUSTAKA

Nidan. 2012 Statistika Deskriptif Distribusi Frekuensi Grafik

(http://nidannss.wordpress.com/2013/09/23/statistika-deskriptif-i-distribusi-frekuensi-dan-
grafik/) diakses pada 23 Oktober 2014 jam 14.00WIB)

Vebriana. 2013 Statistika Deskriptif(http://vebrianaparmita.wordpress.com/2013/09/10/statistika-

deskriptif-1-pendahuluan/) diakses pada 23 Oktober 2014 jam 14.20WIB)

Walpole, Ronald E, Raynond H. Myers : Probability and Statistic for Engeenering and scientist,
3rd ED, Macmillan Publ. Co, New York, 1985