UKURAN PENYEBARAN DATA

MATERI

PEMBAHASAN

A. Pengertian Ukuran Penyebaran Data

Penyebaran atau dispersi adalah pergerakan dari nilai observasi terhadap nilai rata-
ratanya.Nilai rata rata adalah suatu bilangan yang mewakili sekumpulan data. Rata-rata dari
serangkaian nilai observasi tidak dapat diinterpretasikan secara terpisah dari hasil dispersi nilai-
nilai tersebut sekitar rata-ratanya. Hal tersebut mempengaruhi variasi tersebut .Makin besar
variasi nilai, maka makin kurang representatif rata-rata distribusinya.

Ukuran penyebaran data adalah suatu ukuran yang menyatakan seberapa besar nilai-nilai
data berbeda atau bervariasi dengan nilai ukuran pusatnya atau seberapa besar penyimpangan
nilai-nilai data dengan nilai pusatnya. Dalam ukuran penyebaran data dilakukan pada
perhitungan :

a. Range (Jangkauan)
b. Deviation (Simpangan)
c. Varian (Ragam)
d. Kurtosis (keruncingan)
e. Skewness (kemiringan)

B. Range (Jangkauan )
Range yang biasa disebut jangkauan atau rentang adalah selisih antara nilai maksimum
(tertinggi) dengan nilai minimum (terendah) dalam suatu kelompok data statistik. Range
merupakan landasan awal dalam melakukan suatu perhitungan penyebaran data pada data
kelompok. Dalam pengaplikasian range berfungsi untuk memperkirakan ukuran lain seperti
simpangan,variansi, dan lain-lain. Pengaplikasiaan range dirumuskan sebagai berikut

R=Xmax− Xmin
Keterangan :
R = Range (jangkauan)
Xmax = nilai maksimum
Xmin = nilai minimum
Contoh kasus :

Berikut nilai nilai ujian matematika siswa kelas 12 : 50,70,80,70,30,90,95,75,85. Dari

data tersebut maka tentukan jangkauan dari data tersebut:

Penyelesaian :

Berdasarkan rumusR=Xmax− Xmin

Maka dapat diketahui

Xmax (nilai maksimum) = 95

Xmin ( nilai minimum) = 30

R=Xmax− Xmin
R=95−30
R=65

Dapat disimpulkan range nilai ujian matematika siswa kelas 12 adalah 65

C. Deviation (Simpangan)
Deviasi (Simpangan) adalah suatu perbedaan ukuran antara nilai data yang diamati dari
suatu variable dengan nilai nilai lainnya, terkhusunya nilai rata rata dari variable. Tanda deviasi
menunjukkan arah suatu perbedaan (simpangan akan positif ketika nilai yang diamati melebihi
nilai referensi). Simpangan terbagi menjadi beberapa bentuk yaitu Standard Deviasi (Simpangan
Baku ) dan Deviasi Mean (Simpangan Rata rata)

a. Standar Deviasi (Simpangan Baku)

Standard deviasi (Simpangan Baku ) adalah sebuah teknik statistic yang dipakai dalam
menjelaskan homogenitas di dalam suatu kelompok. Homogenitas alah suatu persamaan macam,
jenis, watak dari suatu anggota suatu kelompok. Simpangan baku digunakan untuk menentukan
bagaimana sebaran data pada sampel dan seberapa dekat titik data individu ke rata rata dari nilai
sampel tersebut. Berdasarkan fungsinya, pengaplikasian simpangan baku dibagi menjadi
bebarapa bagian yakti :

 Simpangan baku untuk sampel

S=
√ ∑ ( xi - ¿ 2
i=1
¿
n−1

Keterangan :

S= Simpangan baku untuk sampel

Xi = nilai x ke i

x = rata rata ukuran sampel

n = nilai ukuran sampel

 Simpangan baku untuk Populasi

n

σ=
√∑
i=1
( xi - μ ¿
2

¿
n
keterangan
σ = Simpangan baku untuk populasi
Xi = nilai x ke i
μ = nilai rata rata populasi
n = nilai ukuran populasi

Contoh kasus
1. Di UMRAH terkhususnya di FKIP Pendidikan Matematika melakukan ujian pada mata
kuliah statistik. Beberapa hasil ujian dari mahasiswa tersebut akan dijadikan sebagai sampel,
didapatkan data sebagai berikut :
70, 75,68,81,90, 85,65,87,92,95
Tentukan simpangan baku pada data sampel hasil ujian mahasiswa UMRAH
Penyelesaian
Dikarenakan diminta simpangan baku pada data sampel maka akan diterapkan rumus

S=
√∑i=1
( xi - ¿
2

¿
n−1

Diketahui

Xi = 70, 75,68,81,90, 85,65,87,92,95

N = 10
n
1
¿ ∑x
n i=1 i
10
1
¿ ∑x
10 i=1 i
¿80,8
Dimasukkan komponen tersebut dalam persamaan

S=
√∑i=1
( xi - ¿
2

¿
n−1

10

S=
√∑i=1
( x i -80,8 ¿
2

¿
10−1

10

S=
√∑i=1
( x i -80,8 ¿
2

¿
9

S= 10,70617683

2. Hitunglah simpangan baku dari nilai ulangan matematika dari 40 siswa kelas 6 SDN 013
Bukit bestari sesuai dengan data yang tertera di table
 Nilai Banyak siswa
50 3
65 4
70 10
75 8
80 10
90 3
95 2

Penyelesaian

Karena dari data tersebut terdapat data nilai dari semua murid maka berlakulah rumus simpangan
baku populasi yaiutu

σ=
√ ∑ ( xi - μ ¿2
i=1
¿
n
diketahui

xi = data tabel

n = 40

n
1
μ= ∑ x i
n i=1

40
1
¿ ∑x
40 i =1 i
40
1
¿ ∑ xi
40 i =1
¿ 74,25

Dimasukkan komponen tersebut dalam persamaan

σ=
√∑ i=1
( xi - μ ¿
2

¿
n
 40

σ=
√∑
i=1
( x i - 74,25 ¿
2

¿
40

40

σ=
√∑
i=1
( x i - 74,25 ¿
2

¿
40

σ= 10,2804426

b. Deviasi rata-rata
Deviasi rata-rata (mean deviation) merupakan rata-rata dari harga mutlak semua
penyimpangan suatu nilai terhadap rata rata kelompok (Mean Group). dalam perhitungan deviasi
rata rata tidak memandang nilai negatif sebagai pengurangan semua dianggap positif. tanda
negatif hanya menandakan nilai suatu data lebih kecil dari pada rata rata kelompok.
1. data yang tidak dikelompokan
misalkan kita mempunyai data X1, X2, X3, X4,........ Xn . kemudian dihitung rata rata
kelompoknya terdiri semua data. rumus deviasi rata rata data yang tidak dikelompokan :
n
1
¿ ∑ xi
n i=1
Rumus deviasi rata rata (DR)

n
1
DR= ∑ ¿¿
n i =1
Contoh Kasus
diadakan ujian nasional untuk nasional tingkatan SD. diambil data data berikut:
65,85,70,60,75,80,90,95,50,55
dari data tersebut tentukan Simpangan rata rata
penyelesaian
diketahui
x i = 65,85,70,60,75,80,90,95,50,55
10
1
¿ ∑ x ¿72,5
10 i=1 i
Masukkan kedalam persamaan rumus simpangan rata rata
n
1
DR= ∑ ¿ ¿
n i =1
10
1
DR= ∑ [ x i−72,5 ]
10 i=1
DR = 12.5

2. data yang dikelompokkan

Ukuran deviasi/penyimpangan rata rata untuk data yang dikelompokkan memerlukan
table distribusi frekuensi untuk mengetahui jumlah frekuensi dan titk tengah kelas setiap kelas
interval. Misal diketahui frekuensi F1 ,F2 ,F3,……, Fn, titik tengah M1 ,M2 , M3 ……, Mn dan rata

rata yang dikelompokkan x Maka rumusnya :

n
1
DR= ∑ f ¿¿
n i =1 i
Contoh Kasus
Berikut ini table distribusi frekuensi untuk nilai nilai ujian matematika pada ulangan tengah
semester 1 kelas 5 SDN 013 Bukit Bestari. Tentukan deviasi rata rata nya
Nilai 31-40 41-50 51-60 61-70 71-80 81-90 91-100
Banyak 3 1 5 8 10 1 2
siswa

Penyelesaian

Nilai Banyak Siswa Mi FiMi f i¿

(Fi)
31-40 3 35,5 106,5 -92,001
41-50 1 45,5 45,5 -20,667
51-60 5 55,5 277,5 -53,335
61-70 8 65,5 524 -5,336
71-80 10 75,5 755 93,33
81-90 1 85,5 85,5 19,333
 91-100 2 95,5 191 58,666
Jumlah 30 - 1985 342,668

n
1
¿ ∑F M
n i=1 i i
1985
¿
30
¿ 66,16666667

n
1
DR= ∑ f i ¿ ¿
n i =1
342,668
DR=
30
DR=11,42226667

D. Ragam (Varian)
Varians atau ragam suatu peubah acak (atau distribusi probabilitas) adalah ukuran
seberapa jauh sebuah kumpulan bilangan tersebar. Varians nol mengindikasikan bahwa semua
nilai sama. Varians selalu bernilai non-negatif: varians yang rendah mengindikasikan bahwa titik
data condong sangat dekat dengan nilai rerata (nilai ekspektasi) dan antara satu sama lainnya,
sementara varians yang tinggi mengindikasikan bahwa titik data sangat tersebar disekitar rerata
dan dari satu sama lainnya.

Pengukuran yang sama yaitu akar kuadrat dari varians, disebut juga simpangan baku.
Simpangan baku memiliki dimensi dan data yang sama, oleh karena itu bisa dibandingkan
dengan deviasi dari rerata.

Rumus dari varians yaitu

n
2 ¿
S = ∑ ( xi - ¿ 2 n−1
i=1

Keterangan
 S2= varians

Xi = nilai x ke i

x = rata rata ukuran sampel

n = nilai ukuran sampel

Contoh Kasus

Misalkan dalam suatu kelas, tinggi badan beberapa siswa yang dijadikan sampel adalah sebagai
berikut :

172,167,180,170,169,160,179,165,173,170

Dari data tersebut tentukan varians data tersebut

Penyelesaian
Xi = 172,167,180,170,169,160,179,165,173,170

N = 10
n
1
¿ ∑x
n i=1 i
10
1
¿ ∑ xi
10 i=1
¿ 170,5
Dimasukkan dalam rumus varians
n
S2 = ¿
∑ ( xi - ¿ 2 n−1
i=1

10
S2 = ¿
∑ ( xi - 170,5 ¿ 2 10−1
i=1

10

∑ ( x i - 170,5) 2
S2 = i=1
9

S2 = 36,27778
 E. Koefisien Variasi
Koefisien variasi dinyatakan dalam bentuk persentase, maka ukuran ini dapat digunakan
untuk perbandingan suatu data yang mempunyai satuan berbeda. Semakin besar koefisien variasi
berate semakin besar risiko penyimpangan. Sebaliknya jika koefisien variasi semakin kecil,
maka semakin kecil pula tingkat risiko penyimpangan. Berarti dipilih tingkat risiko
penyimpangan terkecil. Rumus statistic koefisien variasi adalah :

S
KV = ×100 %
❑

Keterangan
S = Simpangan baku

= Rata rata

Contoh Kasus

Seorang mahasiswa melakukan pengukuran tingkat variabilitas terhadap daya nyala 2 merek
lampu yang nantinya akan dipilih satu merek dijadikan langganan untuk dipasarkan, yaitu merek
sinar, pancar, dan terang dimana masing-masing diambil 5 lampu sebagai sampel hasil sebagai
berikut

Daya Nyala (hari)

Lampu Ke
Sinar Pancar Terang
1 25 15 31
2 20 21 25
3 35 30 19
4 31 42 17
5 47 50 28

Mahasiswa tersebut sebaiknya harus memilih merek yang mana untuk berlangganan guna
dipasarkan?

Penyelesaian
  Perhitungan untuk merek sinar

Xi = 25,20,35,31,47

n=5

5
1
¿ ∑x
5 i=1 i
158
¿
5
¿ 31,6

S=
√∑ i=1
( xi - ¿
2

¿
n−1

S=
√∑ i=1
( x i -31,6 ¿
2

¿
5−1

S= 10,33440855

S = 10,33

S
KV = ×100 %
❑

10,33
KV = ×100 %
31,6

KV =32,70 %

 Perhitungan untuk merek pancar

Xi = 15,21,30,42,50

n=5

5
1
¿ ∑x
5 i=1 i
 158
¿
5
¿ 31,6

S=
√∑ i=1
( xi - ¿
2

¿
n−1

S=
√ ∑ ( x i -31,6 ¿ 2
i=1
¿
5−1

S= 14,46720429

S = 10,47

S
KV = ×100 %
❑

10,47
KV = × 100 %
31,6

KV =45,78 %

 Perhitungan untuk merek Terang

Xi = 31,25, 19,17,28

n=5

5
1
¿ ∑x
5 i=1 i
120
¿
5
¿ 24
 n

S=
√∑i=1
( xi - ¿
2

¿
n−1

S=
√∑i=1
( x i -24 ¿
2

¿
5−1

S= 5,916079783

S = 5,91

S
KV = ×100 %
❑

5,91
KV = ×100 %V= 5,91/24 ×100%
24

KV =24,65 %

Perbandingan koefisien variasi lampu = merek sinar : merek Pancar : merek Terang

= 32,70% :45,78%:24,65%

Dengan demikian mahasiswa tersebut lebih baik memilih tingkat variabilitas yang terkecil yaitu
merek sinar

F. Kemiringan
Kemiringan (skewness) dari suattu distribusi adalah derajat kesetangkupan (derajat
simetris) dari distribusi tersebut (Sartono, 1997). Adapun ukuran kemiringan adalah ukuran yang
menyatakan derajat ketidaksimetrisan suatu lengkungan halus (kurva) dari suatu distribusi
frekuensi. Dapat pula dikatakan bahwa ukuran kemiringan adalah harga yangmenunjukkan
seberapa jauh distribusi itu menyimpang dari simetris. Jika kita tinjau berdasarkan kemiringan,
suatu kurva distribusi dapat dikelompokkan menjadi tiga bagian, yaitu sebagai berikut:
Distribusi Positif Distribusi Simetrik Distribusi Negatif

Menurut Pearson, dari hasil koefisien kemiringan diatas ada tiga kriteria untuk mengetahui
model distribusi dari sekumpulandata (baik data tidak berkelompok maupun data berkelompok),
yaitu:

1. Jika koefisien kemiringannya (<0), model distribusinya negatif.

2. Jika koefisien kemiringannya (=0), model distribusinya simetrik.
3. Jika koefisien kemiringannya (>0), model distribusinya positif.

Beberapa rumus untuk menghitung koefisien kemiringan, yaitu:

1. Koefisien kemiringan pertama dari Pearson

x−Mo
Koefisien kemiringan =
S
Keterangan: x = rata-rata
Mo = modus
S = simpanan baku
2. Koefisien kemiringan keduadari Parson
3(x−Me)
Koefisien kemiringan =
S
Keterangan: x = rata-rata
Me = median
S = simpangan baku
3. Koefiseien kemiringan menggunakan nilai kuartil
Q3−2.Q 2+Q 3
Koefisien kemiringan =
Q 3−Q 1

4. Koefisien kemiringan menggunakan nilai persentil

P 90−2. P50+ P 10
Koefisien kemiringan =
P 90−P10
Contoh:
Misalkan berat badan bayi (dicatat dalam kg) yang baru lahihr selama seminggu tertentu
di rumah sakit bersalin “sehat” dapat dilihat dalam tabel berikut:

Berat badan (kg) Banyak bayi

2,5-2,6 2
2,7-2,8 3
2,9-3,0 5
3,1-3,2 7
3,3-3,4 6
3,5-3,6 5
Jumlah 28

Hiitunglah koefisien kemiringan dengan menggunakan nilai kuartil.

Penyelesaiannya:

Berat Banyak Nilai Fi.xi Fk μ d F.d F.d2

badan bayi tengah
(kg) (F1) (xi)
2,5-2,6 2 2,55 5,1 2 -0,6 -3 -6 36
2,7-2,8 3 2,75 8,25 5 -0,4 -2 -6 36
2,9-3,0 5 2,95 14,75 10 -0,2 -1 -5 25
3,1-3,2 7 3,15 22,05 17 0 0 0 0
3,3-3,4 6 3,35 20,1 23 0,2 1 6 36
3,5-3,6 5 3,55 17,75 28 0,4 2 10 100
Jumlah 28 88 19 233

x−Mo
Koefisien kemiringan pertama dari Pearson =
S
∑ F . xi 88
X= = = 3,14
∑F 28
Modus= tbm + p ¿ ¿)
Ket: tbm = tebi bawah kelas modus
P = panjang kelas
d1= selisih frekuensi kelas modus dengan kelas sesudahnya
d2= selisih frekuensi kelas modus dengan keals sesudahnya
beerdasarkan frekuensi kelas modus terletak di kelas ke empat.jadi tbm = 3,1-0,05= 3,05 ;
p=0,2 ; d1=7-5=2 ; d2= 7-6=1.
Modus= tbm + p ¿ ¿)
2
= 3,05 + 0,2 ( )
3
= 3,05 + 0,13
= 3,18

S=P √∑ F 1.d 2 – √(∑ F 1. d)2

n n

S = 0,2
√ 61 – √ (−1)2
28 28

S = 0,2
√1708 – √ 1
784 784

S = 0,2
√ 1707
784
S = 0,2 √ 2,17
S = 0,2 . 1,47
S = 0,294

x−Mo 3,14−3,18 −0,04

Koefisien kemiringan pertama dari pearson = = = = -0,13
S 0,294 0,294
Karena koefisien kemiringannya (< 0), maka model distribusinya negatif.

2. koefisien kemiringan kedua dari pearson

3(x−Me)
Koefisien kemiringan =
S
Sebelumnya kita sudah ketahui x=3,14 dan s= 0,294
n 28
Median = = = 14, terletak di kelas interval ke 4.
2 2
Jadi, tbm = 3,1 – 0,05 = 3,05 ;P = 3,1-2,9=0,2 ;F= 7
n
−F
Me = TbMe + P p
Fme
 28
−10
= 3,05+0,2 2
7
4
= 3,05 + 0,2
7
= 3,05 + 0,11
= 3,16

3(x−Me) 3(3,14−3,16) −0,06

Koefisien kemiringan = = = = -0,204
S 0,294 0,294

Karena koefisien kemiringannya (< 0) maka model disitribusinya negatif.

3.koefisien kemiringan menggunakan nilai kuartil

Rumus yang digunakan:
Q3−2.Q 2+Q 3
Koefisien kemiringan =
Q 3−Q 1
Sebelum memasukkan ke rumus kita harus tau dahulu nila-nilai dari Q1, Q2, dan Q3.

Untuk Q1.
Kelas kuartil pertama adalah sebuah keals interval yang frekuensinya apabila
dijumlahkan dari frekuensi kelas interval pertama paling sedikit ¼ n. yaitu ¼ x 28 orang
= 7 orang.
Ternyata keals interval pertama terletak pada kelas ketiga, karena jumlah frekuensinya
(2+3+5) = 10 orang. Sehingga kita bisa menghitung besar-besaran yang di perlukan
dalam rumus kuartil pertama, yaitu:
TbQ1= 2,9-0,05= 2,85
P = 0,2
F= 2+3=5
fQ1 = 5
1
n−F
Q1 = TbQ1 + P 4
FQ 1
7−5
= 2,85 + 0,2
5
 = 2,85+0,08
= 2,93

Untuk Q2.

Letak Q2 ada pada data ke ½ = ½ x 28 = 14 orang, yayitu pada keals ke4, interval 3,1-3,2
sehingga:

TbQ2 = 3,1 – 0,05= 3,05

P=0,2

F=10

fQ2= 7

1
n−F
Q2 = TbQ2 + P 2
fQ 2

14−10
= 3,05+ 0,2
7

=3,05+0,11

= 3,16

Untuk Q3.

Letak q3 ada pada data ke ¾ n = ¾ x28 orang = 21, yaitu pada kelas ke 5, interval 3,3-3,4
sehingga:

TbQ3

3
n−F
Q3 = TbQ3 + P 4
fQ 3

21−17
= 3,25 + 0,2
6
 = 3,25 + 0,13

= 3,38

Q3−2.Q 2+Q 3 3,38 – 2.3,26 +2,93

Sehingga diperoleh koefisien kemiringan = = =
Q 3−Q 1 3,38−2,93

−0,01
= -0,022
0,45

Karena koefisien kemiringannya (< 0), maka model distribusinya negatif

4.koefisien kemiringan menggunakan parsentil

P 90−2. P50+ P 10
Koefisien kemiringan =
P 90−P10

Untuk P90.

90/100 x 28 orang = 25,2 orang.

Teletak pada interval ke-6, karena jumlah frekuensinya mencapai ( 2+3+5+7+6+5) orang
= 28 orang. Sehingga kita dapat menghitung besar besaran yang diperlukan, yaitu:

b=3,5-0,05=3,45

p=0,2

F= 2+3+5+7+6=23

F90= 5

90
n−F
Jadi: P90 = TbP90 + P 100
fp 90

25,2−23
= 3,45+0,2
5

= 3,45 + 0,088

= 3,538
Untuk P50.

50/100 x 28= 14 orang.

Teletak pada interval ke-4, karena jumlah frekuensinya mencapai ( 2+3+5+7) orang = 17
orang. Sehingga kita dapat menghitung besar besaran yang diperlukan, yaitu:

b= 3,1-0,05= 3,05

p= 0,2

F= 10

Fp50= 7

50
n−F
Jadi: P50 = TbP50 + P 100
fp 50

14−0
= 3,05 + 0,2
7

= 3,15+0,11

= 3,16

Untuk P10.

10/100 x 28 = 28 orang.

Teletak pada interval ke-10, karena jumlah frekuensinya mencapai ( 2+3) orang = 5
orang. Sehingga kita dapat menghitung besar besaran yang diperlukan, yaitu:

b=2,7-0,05=2,65

p=2,9-2,7=0,2

F=2

fP10=3
 10
n−F
Jadi: P10 = TbP10 + P 100
fp 10

2,8−2
= 2,65 + o,2
3

= 2,65 + 0,053

= 2,703

P 90−2. P50+ P 10 3,538−2.3 .16+2,703 −0,079

Koefisien kemiringannya = = = =
P 90−P10 3,538−2,703 0,835
-0,094

Karena koefisien kemiringannya (< 0) maka model distribusinya negatif.

G. Kurtosis (Keruncingan)
Kurtosis dari suatu distribusi adalah derajat kelancipan dari distribusi tersebut
dibandingkan terhadap distribusi normal (kurva normal). Ditinjau dari segi kealncipanya, suatu
distribusi dapat di bedakan menjadi tiga:

Leptokurtik platikurtik mesokurtik

(lancip/ramping) (normal) (landai/tumpul)

Dari hasil koefisien kurtosius diatas, ada tiga jenis unttuk mengetahui model distribusi
dari sekumpulan data, yaitu:

1. Jika koefisien kurtosisnya (< 0,263) maka distribusinya adalah platikurtis.

 2. Jika koefisien kurtosisnya (= 0,263) maka distribusinya adalah mesokurtis.
3. Jika koefisien kurtosisnya (> 0,263) maka distribusinya adalah leptokurtis.

Untuk mengetahui apakah sekumpulan data mengikuti distribusi leptokurtik,

platikurtik,dan mesokurtik, hal ini dapat dilihat berdasarkakn koefisien kurtosisnya. Rumus
untuk menghitungnya:

1
(Q 3−Q 1)
K= 2
P 90−P10

Contoh:

Lihat data dalam daftar (1) di atas, yaitu mengenai berat badan bayi yang barru lahir
selama seminggu dari rumah sakit bersalin “sehat”.hittung koefisien kurtosisnya

Penyelesaian:

Kita tadi sudah menhitung: Q1=2,93 ;Q3=3,38 ;P10=2,703 dan P90= 3,538

1
(Q 3−Q 1)
Berarti: K = 2
P 90−P10

1
(3,38−2,93) 0,225
= 2 = = 0,269
0,835
3,538−2,703

Karena koefisien keruncingannya (>0,263), maka distribusinya adalah leptokurtis.

 DAFTAR PUSTAKA

Sunyoto,Danang.2016.STATISTIKA DESKRIPTIF DAN PROBABILITAS.Jakarta:CAPS

https://www.academia.edu/36649171/Materi_Statistika_Dasar_-_Ukuran_Penyebaran_Data

https://www.academia.edu/11735793/momen_kemiringan_dan_kurtosis

https://www.academia.edu/

https://id.wikipedia.org/wiki/