Matakuliah : Statistika
Semester :V
Penyebaran data atau variabilitas digunakan untuk menggambarkan bagaimana menyebarnya atau
berpencarnya data. Beberapa ukuran penyebaran yang dikenal yaitu: rentang, rentang antar quartil,
simpangan quartil, rata-rata simpangan, simpangan baku, koefisien variasi, koefisien kemiringan, dan
koefisien kurtosis.
1. Data Tunggal
a. Range/rentang (R)
Sebagai dasar untuk memberikan gambaran kenapa pentingnya untuk memahami penyebaran
data tunggal, berikut diberikan data hasil panen tiga varietas padi (kp er petak), masing-masing
terdiri dari 5 petak.
Varietas I : 45 42 42 41 40
Varietas II : 54 48 42 36 30
Kita dapat melihat bahwa nilai mean varietas I dan II bernilai sama, 42 kg, namun apabila kita
perhatikan, keragaman kedua varietas tersebut berbeda. Varietas I mungkin lebih dipilih
karena lebih konsisten. Hal ini terlihat dari data hasil pada varietas I lebih seragam
dibandingkan dengan Varietas II. Pada Varietas I, hasilnya tidak terlalu jauh dari nilai pusatnya,
42 kg, sedangkan pada Varietas II, sebaran datanya sangat beragam (perhatikan gambar
berikut).
Range hanya memperhitungkan dua nilai, yaitu nilai maksimum dan nilai minimum dan tidak
memperhitungkan semua nilai, sehingga sangat tidak stabil atau tidak dapat diandalkan
sebagai indikator dari ukuran penyebaran. Hal ini terjadi karena range sangat dipengaruhi oleh
nilai-nilai ekstrim. Pada contoh di atas, jika hasil tertinggi varietas I adalah 60 kg/petak, bukan
45 kg/petak, maka range-nya = 60-40= 20 kg/petak.
Jelas, interpretasi kita akan berubah. Kita lebih sepakat mengatakan bahwa variasi hasil sangat
beragam. Benarkah demikian? Apabila kita perhatikan kembali, nilai hasil padi lainnya hampir
seragam, berkisar antara 40-44 kg/petak. Namun dengan adanya pencilan hasil, 60 kg/petak,
interpretasinya jadi lain, kita cenderung mengatakan bahwa hasil beragam, padahal
keragaman tersebut sebenarnya tidak mewakili semua nilai dalam sampel/populasinya.
Hasil sebesar 60 kg/petak merupakan contoh dari nilai ekstrem dan tidak biasa. Nilai tersebut
merupakan pencilan (outlier) dan sebaiknya di periksa kembali kebenaran datanya atau
dihilangkan dari data pengamatan, karena akan menghasilkan kesimpulan yang tidak tepat.
Dari contoh ini, kita tau bahwa harus ada alternatif lain untuk menjelaskan penyebaran data
atau variabilitas data.
Contoh lain untuk menunjukkan kegunaan Koefisien varians: Pada lampu taman yang memiliki
rata-rata 2.800 jam dan simpangan baku yakni 700 jam, Pada lampu kota akan dipakai dengan
rata-rata 3.500 jam dan memiliki simpangan 1.050 jam. Lalu, lampu manakah yang lebih baik
dari 2 lampu tersebut?
Koefisien variasi lampu taman:
700
𝐾𝑉 = × 100%
2800
= 25%
Koefisien variasi lampu kota:
1050
𝐾𝑉 = × 100%
3500
= 30%
Dari perbandingan koefisien variasi, lampu taman lebih baik dari pada lampu kota, karena KV
lampu taman < KV lampu kota.
g. Koefisien Kemiringan (𝜶𝟑 )
Sebuah distribusi simetris adalah satu di mana rata-rata, median, dan modus bertepatan
dengan satu sama lain, dan kedua bagian distribusi adalah bayangan cermin satu sama lain.
Secara praktis, sulit untuk menemukan distribusi simetris. Distribusi yang paling sering diamati
adalah distribusi asimetris atau miring.
Distribusi yang tidak simetris disebut miring (swekness). Distribusi miring ada dua yaitu miring
positif dan miring negatif. Distribusi miring positif atau landai kanan bila ekor kanan lebih
panjang dari ekor kiri. Sedangkan distribusi miring negatif atau landai kiri bila ekor kiri lebih
panjang dari ekor kanan.
Perhatikan bahwa gambar diatas hanya ditujukan untuk memberikan contoh data yang
simetris, miring positif, dan miring negatif dan berbeda dengan data yang kita gunakan pada
contoh modul ini.
Koefisien kemiringan pearson dihitung dengan rumus:
(𝑥̅ − 𝑚𝑒) 𝑥̅ − 𝑚𝑜
𝜎3 = atau 𝜎3 =
𝑠 𝑠
Sehingga untuk data 4, 5, 5, 6, 6, 7, 7, 7, 8, 8, 9 telah diperoleh 𝑥̅ = 6,55 dan mo = 7, sehingga
jika menggunakan rumus
𝑥̅ − 𝑚𝑜 6,55 − 7
𝜎3 = = ( ) = −2,98
𝑠 1,508
Karena berharga negatif, maka distribusi data miring negatif atau landai kiri.
1 1
2 (𝑄3 − 𝑄1 ) (8 − 5) 1,5
𝛼4 = = 2 = = 0,326 > 0,263
𝑃90 − 𝑃10 8,8 – 4,2 4,6
g. Koefisien Kemiringan
Koefisien kemiringan pearson dihitung dengan rumus:
(𝑥̅ − 𝑚𝑒) 𝑥̅ − 𝑚𝑜
𝜎3 = 𝑎𝑡𝑎𝑢 𝜎3 =
𝑠 𝑠
Berdasarkan hasil perhitungan pada Tabel 3 dan Tabel 5 dapat ditentukan nilai koefisien
kemiringan data distribusi frekuensi kemampuan koneksi matematis sebagai berikut.
𝑥̅ − 𝑚𝑜 68,68 − 69
𝜎3 = = ( ) = −0,039
𝑠 8,021
Jadi distribusi data miring negatif atau landai di sebelah kiri.
h. Koefisien Kurtosis
Ukuran keruncingan suatu distribusi dinyatakan dengan koefisien kurtosis, dengan rumus
sebagai berikut.
1
(𝑄3 − 𝑄1 )
𝛼4 = 2
𝑃90 − 𝑃10
Di mana :
Q1 = Quartil pertama
Q3 = Quartil ketiga
P90 = Persentil ke 90
P10 = Persentil ke 10
Kriteria untuk koefisien 𝛼4 sebagai berikut.
a. Jika 𝛼4 > 0,263 maka model kurva runcing (leptokurtis)
b. Jika 𝛼4 = 0,263 maka model kurva normal (mesokurtis)
c. Jika 𝛼4 < 0,263 maka model kurva datar (platikurtis)
Berdasarkan hasil perhitungan yang disajikan pada Tabel 3 diperoleh Q1 = 64,3, Q3 = 74,11, P10
= 58, P90 = 76,45. Sehingga nilai koefisien kurtosis:
1 1
(𝑄3 − 𝑄1 ) (74,11 − 64,30) 4,905
𝛼4 = 2 = 2 = = 0,266 > 0,263
𝑃90 − 𝑃10 76,45 – 58 18,45