Anda di halaman 1dari 16

Dari Wikipedia bahasa Indonesia, ensiklopedia bebas

Gambar distribusi normal , tiap warna mewakili 1 simpangan baku

Dalam statistika dan probabilitas, simpangan baku atau deviasi standar adalah ukuran sebaran
statistik yang paling lazim. Singkatnya, ia mengukur bagaimana nilai-nilai data tersebar. Bisa juga
didefinisikan sebagai, rata-rata jarak penyimpangan titik-titik data diukur dari nilai rata-rata data
tersebut.

Simpangan baku didefinisikan sebagai akar kuadrat varians. Simpangan baku merupakan bilangan
tak-negatif, dan memiliki satuan yang sama dengan data. Misalnya jika suatu data diukur dalam
satuan meter, maka simpangan baku juga diukur dalam meter pula.

Istilah simpangan baku pertama kali diperkenakan oleh Karl Pearson pada tahun 1894, dalam
bukunya On the dissection of asymmetrical frequency curves.

Dalam Statistik, wilayah data yang berada di antara +/- 1 simpangan baku akan berkisar 68.2%,
wilayah data yang berada di antara +/- 2 simpangan baku akan berkisar 95.4%, dan wilayah data
yang berada di antara +/- 3 simpangan baku akan berkisar 99.7%,

1. SE atau Standard Error


istilah lainnya Standard Error of the Mean
yakni deviasi standar (Standard Deviation) dari Mean tiap-tiap sample (Sampling Means) dengan Mean
Populasi.
intinya..Standard Error itu seberapa besar nilai baku simpangan tiap-tiap sample mean terhadap
mean populasinya?
cara ngitung SE = ({(tiap-tiap sampling mean dikurangi population mean utk tahu selisih masing-masing)
masing-masing selisih tadi dikuadratkan dulu karena yang kita pengin tahu nilai bakunya aja}
baru dijumlahkan utk memperoleh nilai baku total selisihnya} kemudian dibagi banyaknya item sampling
mean yang ada) kemudian pembilang (yakni total selisih semua sampling mean dgn population mean) &
penyebut (jumlah item sampling mean) diakar pangkat dua lagi.
untuk mengingat lagi rumusnya:

Standard Deviation (simpangan untuk 1 kelompok sample)


Standard Error (simpangan untuk banyak kelompok sample)

Semakin Kecil SE semakin Akurat sample kita mewakili populasi…semakin bagus sample
kita…….karena SE yang kecil menunjukkan semakin mirip sampling means kita dengan population mean
(asumsi disini population mean sama dengan mean jika tiap-tiap item data dalam populasi di Survey semua
dan dicari mean nya).
Semakin besar SE kita berarti menunjukkan semakin banyak penyimpangan sampling means kita dengan
population mean..artinya semakin jelek sampling kita.
***********

2. Variance atau lambangnya S kuadrat


sama dengan standard deviation yang belum dikembalikan ke nilai tunggalnya (belum di akar-
kuadratkan)

“Variance” itu ya ‘variety’ data saya…artinya seberapa bervariasi data saya dari acuan nilai sebenarnya
dalam model saya (dalam hal ini biasanya nilai acuannya adalah nilai mean).

Semakin KECIL Variance kita semakin akurat Model kita (disini Mean) mewakili nilai sebenarnya
semakin Besar Variance semakin Tidak Akurat model kita mewakili nilai sebenarnya.
Jadi sekali lagi: Variance, Standard Deviation atau Standard Error (standard deviation untuk populasi)
dapat dipakai sebagai acuan seberapa akurat model kita mewakili nilai sebenarnya.
Semakin besar Variance atau Standard Deviation atau Standard Error semakin tidak akurat model kita,
Semakin KECIL Variance atau Standard Deviation atau Standard Error semakin AKURAT model
kita.
******************************************************************

3. Factor Loading atau sering disebut juga Regression Weight

Bab VI : Pengukuran Penyimpangan (Range,


Deviasi, Varian)
Posted by vebriana parmita on October 6, 2013
Posted in: Statistika Ekonomi. 2 Comments
PENGUKURAN PENYIMPANGAN

Pengukuran penyimpangan adalah suatu ukuran yang menunjukkan tinggi rendahnya perbedaan
data yang diperoleh dari rata-ratanya. Ukuran penyimpangan digunakan untuk mengetahui luas
penyimpangan data atau homogenitas data. Dua variabel data yang memiliki mean sama belum
tentu memiliki kualitas yang sama, tergantung dari besar atau kecil ukuran
penyebaran datanya. Ada bebarapa macam ukuran penyebaran data, namun yang umum
digunakan adalah standar deviasi.

Macam-macam ukuran penyimpangan data adalah :

1. Jangkauan (range)
2. Simpangan rata-rata (mean deviation)
3. Simpangan baku (standard deviation)
4. Varians (variance)
5. Koefisien variasi (Coefficient of variation)

1. Jangkauan (range)

Range adalah salah satu ukuran statistik yang menunjukan jarak penyebaran data antara nilai
terendah (Xmin) dengan nilai tertinggi (Xmax). Ukuran ini sudah digunakan pada pembahasan
daftar distribusi frekuensi. Adapun rumusnya adalah
Contoh :

Berikut ini nilai ujian semester dari 3 mahasiswa


A = 60 55 70 65 50 80 40
B = 50 55 60 65 70 65 55
C = 60 60 60 60 60 60 60

Dari data diatas dapat diketahui bahwa


A = memiliki Xmax=80, Xmin= 40 , R = 40 , meanya 60
B = memiliki Xmax=70, Xmin= 50 , R = 20 , meanya 60
C = memiliki Xmax=60, Xmin= 60 , R = 0 , meanya 60

Dari contoh di atas dapat disimpulkan bahwa :


a. Semakin kecil rangenya maka semakin homogen distribusinya
b. Semakin besar rangenya maka semakin heterogen distribusinya
c. Semakin kecil rangenya, maka meannya merupakan wakil yang representatif
d. Semakin besar rangenya maka meannya semakin kurang representatif

2. Simpangan Rata-rata (mean deviation)

Simpangan rata-rata merupakan penyimpangan nilai-nilai individu dari nilai rata-ratanya. Rata-
rata bisa berupa mean atau median. Untuk data mentah simpangan rata-rata dari median cukup
kecil sehingga simpangan ini dianggap paling sesuai untuk data mentah. Namun pada umumnya,
simpangan rata-rata yang dihitung dari mean yang sering digunakan untuk nilai simpangan rata-
rata.

 Data tunggal dengan seluruh skornya berfrekuensi satu

dimana xi merupakan nilai data


 Data tunggal sebagian atau seluluh skornya berfrekuensi lebih dari satu

dimana xi merupakan nilai data

 Data kelompok ( dalam distribusi frekuensi)

dimana xi merupakan tanda kelas dari interval ke-i dan fi merupakan frekuensi interval ke-i

Contoh :

Dari tabel diperoleh

3. Simpangan Baku (standard deviation)


Standar deviasi merupakan ukuran penyebaran yang paling banyak digunakan. Semua gugus data
dipertimbangkan sehingga lebih stabil dibandingkan dengan ukuran lainnya. Namun, apabila
dalam gugus data tersebut terdapat nilai ekstrem, standar deviasi menjadi tidak sensitif lagi, sama
halnya seperti mean.

Standar Deviasi memiliki beberapa karakteristik khusus lainnya. SD tidak berubah apabila setiap
unsur pada gugus datanya di tambahkan atau dikurangkan dengan nilai konstan tertentu. SD
berubah apabila setiap unsur pada gugus datanya dikali/dibagi dengan nilai konstan tertentu. Bila
dikalikan dengan nilai konstan, standar deviasi yang dihasilkan akan setara dengan hasilkali dari
nilai standar deviasi aktual dengan konstan.

Rumus Simpangan Baku untuk Data Tunggal

 untuk data sample menggunakan rumus

 untuk data populasi menggunkan rumus

Contoh :
Selama 10 kali ulangan semester ini sobat mendapat nilai 91, 79, 86, 80, 75, 100, 87, 93, 90,dan
88. Berapa simpangan baku dari nilai ulangan sobat?

Jawab
Soal di atas menanyakan simpangan baku dari data populasi jadi menggunakan rumus simpangan
baku untuk populasi.
Kita cari dulu rata-ratanya
rata-rata = (91+79+86+80+75+100+87+93+90+88)/10 = 869/10 = 85,9
Kita masukkan ke rumus

Rumus Simpangan Baku Untuk Data Kelompok

 untuk sample menggunakan rumus

 untuk populasi menggunakan rumus


Contoh :
Diketahui data tinggi badan 50 siswa samapta kelas c adalah sebagai berikut

hitunglah berapa simpangan bakunya

1. Kita cari dulu rata-rata data kelompok tersebut

2. Setelah ketemu rata-rata dari data kelompok tersebut kita bikin tabel untuk memasukkannya
ke rumus simpangan baku
4. Varians (variance)

Varians adalah salah satu ukuran dispersi atau ukuran variasi. Varians dapat menggambarkan
bagaimana berpencarnya suatu data kuantitatif. Varians diberi simbol σ2 (baca: sigma kuadrat)
untuk populasi dan untuk s2 sampel.

Selanjutnya kita akan menggunakan simbol s2 untuk varians karena umumnya kita hampir selalu
berkutat dengan sampel dan jarang sekali berkecimpung dengan populasi.

Rumus varian atau ragam data tunggal untuk populasi

Rumus varian atau ragam data tunggal untuk sampel


Rumus varian atau ragam data kelompok untuk populasi

Rumus varian atau ragam data kelompok untuk sampel

Keterangan:
σ2 = varians atau ragam untuk populasi
S2 = varians atau ragam untuk sampel
fi = Frekuensi
xi = Titik tengah
x¯ = Rata-rata (mean) sampel dan μ = rata-rata populasi
n = Jumlah data

5. Koefisien variasi (Coefficient of variation)

Koefisien variasi merupakan suatu ukuran variansi yang dapat digunakan untuk membandingkan
suatu distribusi data yang mempunyai satuan yang berbeda. Kalau kita membandingkan berbagai
variansi atau dua variabel yang mempunyai satuan yang berbeda maka tidak dapat dilakukan
dengan menghitung ukuran penyebaran yang sifatnya absolut.

Koefisien variasi adalah suatu perbandingan antara simpangan baku dengan nilai rata-rata dan
dinyatakan dengan persentase.
Besarnya koefisien variasi akan berpengaruh terhadap kualitas sebaran data. Jadi jika koefisien
variasi semakin kecil maka datanya semakin homogen dan jika koefisien korelasi semakin besar
maka datanya semakin heterogen.

Daftas Pustaka :

Suharyadi, & Purwanto. (2009). In Statistika untuk Ekonomi dan Keuangan Modern. Jakarta:
Salemba Empat.

Sudjana. (1991). In Statistika. Bandung: Tarsito.

http://www.smartstat.info/statistika/statisika-deskriptif/ukuran-penyebaran-measures-of-
dispersion.html

http://rumushitung.com/2013/04/05/rumus-simpangan-baku/

http://digensia.wordpress.com/2012/03/15/statistik-deskriptif/

http://okemath.com/?page_id=394

Advertisements
kewness Dan Kurtosis
Tuesday, January 8, 2008

Sebelum dilakukan pemodelan, ada baiknya data return diuji terlebih dahulu apakah memenuhi asumsi
ini ataukah tidak, sehingga pemodelan yang dilakukan akan lebih valid. Ada banyak cara untuk menguji
normalitas data, baik yang bersifat eksploratif (deskriptif) maupun konfirmatif (inferensi). Salah satu
cara yang bersifat eksploratif adalah dengan melihat bentuk kurva pendekatan distribusi empirisnya,
yaitu dengan menghitung nilai skewness (kemencengan) dan kurtosis (keruncingan) kemudian
membandingkan dengan distribusi normal.
Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi
memiliki ekor yang lebih memanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan
(positif) dan jika sebaliknya maka menceng kiri (negatif). Secara perhitungan, skewness adalah momen
ketiga terhadap mean. Distribusi normal (dan distribusi simetris lainnya, misalnya distribusi t atau
Cauchy) memiliki skewness 0 (nol).
Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap distribusi normal).
Kurva yang lebih lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar platikurtik
dan distribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat terhadap mean.
Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanya kurtosisnya > 3
dan platikurtik <>

dengan :

Untuk memberikan gambaran visual, berikut ini diberikan ilustrasi Skewness (Gambar 1) dan Kurtosis
(Gambar 2) :

Gambar 1
Gambar 2

v Kurtosis dan Skewnes

v Kurtosis dan Skewnes

Pengertian SkewnessSkewness atau disebut juga ukuran kemiringan yaitu suatu bilangan yang dapat
menunjukanmiring atau tidaknya bentuk kurva suatu distribusi frekuensi. Skewness adalah
derajatketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi memiliki ekor yang
lebihmemanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan (positif) dan
jikasebaliknya maka menceng kiri (negatif). Secara perhitungan, skewness adalah momen
ketigaterhadap mean. Distribusi normal (dan distribusi simetris lainnya, misalnya distribusi t atauCauchy)
memiliki skewness 0 (nol).

Batas – Batas nilai ukuran kemiringan

0 ≤ | Sk = α3 | < 0,1 artinya bentuk kurva DF dianggap normal .

0,1 ≤ | Sk = α3 | < 0,3 artinya bentuk kurva DF miring ke kiri atau kanan.

0,3 ≤ | Sk = α3 | artinya bentuk kurva DF sangat miring ke kiri atau kanan.

Rumus Skewness :

Pearson

Populasi : Sk = α3 = µ - Mo/ atau Sk = α3 = 3(µ - Mo)/

Sampel : Sk = α3 = - Mo/S atau Sk = α3 = 3( - Mo)/S

Bowley

Sk = α3 = Q3 – 2Q3 + Q1 / Q3-Q1
Matematis / Moment

populasi : Sk = α3 = Σf(x-µ)3 / N – 3

Sampel : Sk = α3 = Σf(x-)3 / N – S3

Pengertian Kurtosis

Ukuran keruncingan atau yang disebut juga kurtosis adalah

suatu bilangan yang dapatmenunjukan runcing tidaknya bentuk kurva distribusi frekuensi.

Kurtosis adalah derajatkeruncingan suatu distribusi (biasanya diukur relatif terhadap distribusi normal).
Kurva yanglebih lebih runcing dari distribusi normal dinamakan leptokurtik, yang lebih datar platikurtik
dandistribusi normal disebut mesokurtik. Kurtosis dihitung dari momen keempat terhadap mean.Distribusi
normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanyakurtosisnya > 3 dan platikurtik
<>dengan :

Rumus matematika / moment populasi : Kt = α4 = Σf(x-µ)4 / N – 4

sampel : Kt = α4 = Σf(x-)4 / N – S4

Untuk memberikan gambaran visual, berikut ini diberikan ilustrasi Skewness (Gambar 1) danKurtosis
(Gambar 2) :

1. PENDAHULUAN Metoda-metoda konvensional yang digunakan di dalam perhitungan cadangan adalah :


1. Metoda trianguler 2. Metoda daerah pengaruh 3. Metoda penampang 4. Metoda isoline Parameter-
parameter yang penting adalah antara lain : - kadar bijih - ketebalan dan luas - porositas dan kandungan
air - berat jenis 1.1. KADAR BIJIH Di dalam perhitungan cadangan dari bijih merupakan faktor yang
menentukan (yang sangat penting) yang digunakan di dalam perhitungan (hal ini) adalah kadar rata-rata
dari bijih. 1.2. KETEBALAN DAN LUAS Kedua parameter ini mempunyai hubungan dengan geometri
endapan dan penyebaran bijih. Keterangan : ts = tebal yang sebenarnya dari endapan th = ketebalan
dalam arah horisontal tv = ketebalan dalam arah vertikal ts = th sin b = tv cos b Untuk luas (S) -
relasinya menjadi : Sv = Ss sin b Sv = Ss cos b Sh = luas horisontal Sv = luas vertikal Ss = luas yang
sebenarnya 1.3. BERAT JENIS Beberapa hubungan yang penting adalah
: Gm = berat jenis dari mineral tanpa pori, tanpa
kandungan air (moisture) Gd = berat jenis dari rock (kering) - tanpa kandungan air, hanya pori
Gn = berat jenis dari rock (natural) dengan pori dan kandungan air P = porositas M = kandungan air
(moisture content) Gambar tersebut di bawah ini menjelaskan pengertian-pengertian dasar yang ada.
1.3.1. Penentuan Kadar Air dari Bijih Untuk menentukan kadar air dari bijih di laboratorium cara bekerjanya
adalah sebagai berikut : Bijih yang berasal dari lapangan terlebih dahulu ditimbang untuk diketahui berat
aslinya. Selanjutnya bijih dikeringkan pada temperatur 100O C selama dua belas jam atau hingga beratnya
konstan. Kadar air dari bijih dapat dihitung sebagai berikut : W1 = berat sample sebelum dikeringkan
W2 = berat sample sesudah dikeringkan 1.3.2. Tonnage Factor Di dalam perhitungan cadangan tonnage
factor juga digunakan. Tonnage factor dapat ditentukan untuk bijih kering ataupun basah (natural).
1. Tonnage factor untuk bijih kering (inplace) 2. Tonnage factor untuk bijih basah (natural) 2. MACAM
MACAM METODA PERHITUNGAN CADANGAN 2.1. METODA TRIANGULER Layout dari segitiga-
segitiga Prisma-prisma trianguler Volume = 1/3(t1 + t2 + t3) S S = luas segitiga 123 t1 , t2 ,
t3 = ketebalan endapan pada masing-masing titik Jumlah volume seluruh prisma trianguler sama
dengan volume seluruh blok (lihat gambar). Catatan : Di dalam perhitungan cadangan, metoda trianguler
dapat dianggap sebagai metoda standard. Meskipun demikian kesalahan yang muncul di dalam penggunaan
metoda ini perlu diperhatikan, sebab terjadinya kesalahan tersebut adalah akibat dari cara
mengelompokkan segitiga-segitiga prisma di dalam suatu poligon. Lihat empat persegi panjang ABCD. Ada
dua cara untuk mengkonstruksi prisma-prisma trianguler dari prisma empat persegi panjang. Kesalahan
relatif dari volume suatu blok yang dibatasi oleh empat lubang bor dengan ketebalan t1 , t2 , t3 , dan
t4 dapat dijelaskan sebagai berikut : Volume dari prisma dapat dihitung dari V1 dengan prisma-prisma
trianguler ABD dan BDC atau V2 dengan prisma-prisma trianguler ABC dan ADC. Di
dalam perhitungan V1, t2 , dan t4 dihitung dua kali sedangkan di dalam perhitungan V2 , t2 ,
dan t3 yang dihitung dua kali. Volume dari prisma dapat diperoleh dengan membagi dua jumlah V1 dan
V2. Kesalahan relatif antara V1 dan V2 adalah : Bila ∆v = 0, maka V1 = V2 dan t1 + t3 = t2
+ t4 Dengan demikian, maka metoda trianguler hanya teliti bila jumlah t1 dan t3 untuk setiap prisma
sama dengan jumlah t2 dan t4. Andaikan (t1 + t3) dua kali lebih kecil dari (t2 + t4), yakni 2 (t1 + t3)
= (t2 + t4), maka volume V1 lebih besar dari V2 dan kesalahan relatif adalah sebesar 20%.
2.2. METODA DAERAH PENGARUH l = titik bor/sumur uji = daerah pengaruh/daerah yang
diarsir Konstruksi daerah pengaruh pada segitiga tumpul Blok bijih dengan 4 daerah
pengaruh yaitu 1, 2, 3, dan 4. = daerah pengaruh dari titik 1 - Pola bujur sangkar Menghitung
cadangan dengan cara mempergunakan metoda daerah pengaruh : = daerah pengaruh
titik satu dapat diukur (S1) Andaikan ketebalan endapan bijih pada titik 1 adalah t1 dengan
kadar rata-rata k1, maka volume - assay - produk (V%) = S1 x t1 x k1 (volume pengaruh). Bila spec.
gravity dari bijih = g , maka : tonnage bijih = S1 x t1 x k1 x g (tonnage %) Metoda included dan
extended area. Metoda included area - cadangan dihitung di dalam batas-batas yang ada. Metoda extended
area - cadangan dihitung melampaui batas-batas yang ada. 2.3. METODA PENAMPANG (1) Rumus Luas
Rata-Rata (Mean Area) Rumus luas rata-rata dipakai untuk endapan yang mempunyai penampang
yang uniform. (2) Rumus Prismoida (3) Rumus Kerucut Terpancung (4) Rumus Obelisk Rumus ini
merupakan suatu modifikasi dari rumus Prismoida dengan mengsubstitusi
: Rumus obelisk dipakai untuk endapan yang membaji 2.4. METODA
ISOLINE Metoda ini dipakai untuk digunakan pada endapan bijih dimana ketebalan dan kadar mengecil dari
tengah ke tepi endapan. Volume dapat dihitung dengan cara menghitung luas daerah yang terdapat di
dalam batas kontur, kemudian mempergunakan prosedur-prosedur yang umum dikenal. Kadar rata-rata
dapat dihitung dengan cara membuat peta kontur, kemudian mengadakan weighting dari masing-masing
luas daerah dengan contour grade. go = kadar minimum dari bijih g = interval kadar
yang konstan antara dua kontur Ao = luas endapan dengan kadar go dan lebih
tinggi A1 = luas endapan bijih dengan kadar go + g dan lebih tinggi A2 = luas
endapan bijih dengan kadar go + 2g dan lebih tinggi, dst. Bila kondisi mineralisasi tidak teratur maka akan
muncul masalah. Hal ini dapat dijelaskan melalui contoh berikut ini. Di dalam hal ini : 3. KLASIFIKASI
CADANGAN USGS / USBM UMUM FORRESTER HOOVER Measured Proven Developed Proved Indicated
Probable Probable Probable Inferred Possible Possible Prospective 3.1. PETA PENYEBARAN KADAR Proyeksi
kadar bijih (penampang) pada suatu tambang bawah tanah. Skala peta untuk kebutuhan ini adalah 1 : 500
- 1 : 100. a : kadar yang paling tinggi e : kadar yang paling rendah a > b > c > d > e 3.2. PENENTUAN
BATAS ENDAPAN BIJIH Untuk menentukan batas dan endapan bijih digunakan cut off grade. Ada
beberapa metoda yang dapat digunakan, yaitu : 1. Metoda cross 2. Metoda network 3. Metoda vektor
(1) Metoda Cross (2) Metoda Network Keterangan : l = lubang bor / sumur uji yang mengandung bijih m
= lubang bor / sumur uji yang tidak mengandung bijih (3) Metoda Vektor Keterangan : I = vektor-
vektor primer II = vektor-vektor sekunder l = mengandung bijih m = tidak mengandung bijih
¶ = titik-titik penyelidikan yang akan datang DAFTAR PUSTAKA 1. Jean, Bernard Chaussier and Jean
Morer, Mineral Prospecting Manual, 1987. 2. Kenneth F. Lane, The Economic Definition of Ore Cut Off
Grades in Theory and Practice, 1991 3. Popoff, Constantine C., Computing Reserves of Mineral Deposits :
Principles and Conventional Methods, United States Department of the Interior, Bureau of Mines, 1986.
4. Reedman J.H., Techniques in Mineral Exploration, 1979. 5. Spero Carras, Sampling Evaluation and
Basic Principles of Ore Reserve Estimation. 6. William C. Peters, Exploration and Mining Geology,
1978. Dukung aku ya Dalam Kontes SEO Adira Asuransi Kendaraan Terbaik Indonesia Perhitungan
Cadangan

Make Google view image button visible again: https://goo.gl/DYGbub