Contoh:
Tentukan Q 1 Q 2 Q 3 dari data 12,12, 3, 5, 8, 4, 9, 10, 7!
Penyelesaian:
Data diurutkan: 3, 4, 5, 7, 8, 9, 10, 12, 12
n=9
1 ( 9+1 )
Q1=data ke
4
¿ data ke 2,5
¿ X 2 +0,5 ( X 3−X 2 )
¿ 4 +0,5 ( 5−4 )
¿ 4,5
2(9+1)
Q2=data ke
4
¿ data ke 5=8
3( 9+1)
Q3=data ke
4
¿ data ke 7,5
¿ X 7 +0,5 ( X 8− X 7 )
¿ 10+0,5 ( 12−10 )
¿ 11
Atau:
3 , 4⏟
,5 , 7 , 8⏟ , 9 ,10
⏟ , 12 ,12
Data yang telah diurutkan adalah:
Q1 Q2 Q3
2. Desil (D)
Desil adalah fraktil yang membagi seperangkat data yang telah
terurut menjadi sepuluh bagian yang sama. Terdapat sembilan jenis desil
yaitu desil pertama (D1) , desil kedua (D2) ,... dan desil kesembilan (D9).
Cara mencari desil dibedakan antara data tunggal dan data berkelompok.
Untuk mendapatkan desil-desil digunakan langkah sebagai berikut:
1) Susunlah data menurut urutan nilainya
2) Tentukan letak desilnya
3) Letak desil ke-i dapat ditentukan dengan rumus berikut:
i(n+1)
Di=datake , i=1 ,2 , 3 , … , 9
10
Contoh:
Tentukan desil ke-5 (Q5 ¿ dan desil ke-7 (Q7 ¿ dari data berikut ini:
13, 14, 14, 15, 16, 19, 20, 20, 21, 21, 22, 23, 24, 25
Penyelesaian:
5(14 +1)
D5=datake
10
¿ data ke 7,5
¿ X 7 +0,5 ( X 8− X 7 )
¿ 20+0,5 ( 20−20 )
¿ 20
7(14+1)
D7=datake
10
¿ data ke 10,5
¿ X 10 +0,5 ( X 11−X 10)
¿ 21+0,5 ( 22−21 )
¿ 21,5
3. Persentil (P)
Persentil adalah letak fraktil yang membagi seperangkat data yang
telah terurut menjadi seratus bagian yang sama. Terdapat sembilan puluh
sembilan jenis persentil yaitu persentil pertama (P1), persentil kedua (P
2)...,.. dan sembilan puluh sembilan (P99). Untuk mendapatkan persentil
digunakan langkah sebagai berikut:
1) Susunlah data menurut urutan nilainya.
2) Tentukan letak persentilnya.
3) Letak persentil ke-i dapat ditentukan dengan rumus berikut:
i(n+1)
Pi=datake , i=1 ,2 , … , 99
100
Contoh:
Tentukan persentil ke-10 ( P10 ¿ dan persentil ke-80( P¿¿ 80)¿ dari data
berikut!
20 20 21 24 25 25 26 27 27 28 29 30 32 33 34 36 37 38 39 40 41 42 45
45 45 46 46 47 47 47
Penyelesaian:
n=30
10 ( 30+1 )
P10=data ke
100
¿ X 3 +0,1 ( X 4− X 3 )
¿ 21+0,1 ( 24−21 )
¿ 21,3
80 ( 30+1 )
P80=data ke
100
¿ data ke 24,8
¿ X 24 +0,8 ( X 25−X 24 )
¿ 45+ 0,8 ( 45−45 )
¿ 45
B. Ukuran Letak Data Kelompok
Fraktil dapat berupa kuartil, desil dan persentil.
1. Kuartil
Untuk data berkelompok yang disajikan dalam bentuk tabel distribusi
frekuensi, digunakan rumus sebagai berikut:
Q i=T i + ¿ −¿¿
4
Keterengan:
T i=Tepi bawah kuartilke−i
¿
f Qi=Frekuensi kuartil ke−i dengani =1,2dan 3
n=Jumlah seluruh frekuensi
p=Panjang interval kelas
2. Desil
Data yang disajikan dalam bentuk tabel distribusi frekuensi dihitung
dengan rumus berikut:
D i=T i + ¿ −¿ ¿
10
Keterangan:
T i=Tepi bawahdesil ke−i ¿
fDi=Frekuensi kelas desil ke−i , dengani=1,2,3 … dan 9
n=Jumlah seluruh frekuensi p=Panjang interval kelas
Dalam mencari desil-desil tersebut, yang perlu dicari terlebih dahulu
adalah kelas tempat desil-desil itu berada yaitu:
1) Kelas ke D1, jika ¿
2) Kelas ke D2, jika ¿
3) Kelas ke D3, jika ¿
dan seterusnya sampai desil ke-10
4) Kelas ke D10, jika ¿
3. Persentil
Persentil dari data yang disajikan dalam bentuk tabel distribusi
frekuensi dihitung dengan rumus berikut:
Pi=T i + ¿ −¿¿
100
Keterangan:
T i=Tepi bawah persentil ke−i ¿
fpi =Frekuensi kelas persentil ke−i, dengan i=1,2,3. .dan 99
n=Jumlah seluruh frekuensi p=Panjang interval kelas
UKURAN PENYEBARAN (DISPRESI)
Contoh 4.2:
Jangkauan (JK) =
atau a Atau (
)
JK
Jangkauan antarkuartil di gunakan untuk menemukan
adanya data pencilan. Data pencilan adalah sebuah datum yang
menyimpang sangat jauh dari datum lainnya di dalam satu sampel
atau kumpulan datum (kumpulan datum disebut data). Data
pencilan adalah data yang kurang dari pagar dalam atau lebih dari
pagar luar.
L = 1,5 x JK
PD = -L
PL = +L
Keterangan:
L = Satu Langkah
PD == Pagar Dalam
PL = Pagar Luar
=
Ukuran penyebaran untuk rumus di atas hasilnya pasti sama
dengan nol. Oleh karena itu, selisih setiap bilangan dengan rata-
rata hitungnya harus dimutlakkan, maka dengan mengambil
harga mutlaknya diperoleh rata-rata simpangan.
DR =
DR =
4. Varians
σ 2=
∑ ( X −μ)2
n
a. Varians data tunggal
1) Metode biasa
a) Untuk sampel besar (n > 30)
2 ∑ (X− X́)2
s=
n
2
∑ X2 ∑ X
2
s= −
n ( ) n
2
∑ X 2− ∑ X
2
s=
n−1 ( n(n−1) )
b. Varians data berkelompok
1. Metode Biasa
a) Untuk sampel besar (n > 30)
2 ∑ f ( X − X́ )2
s=
n
s2=
∑ f ( X − X́ )2
n−1
2
∑ f X 2 ∑ fX
2
s=
n
− ( n )
b) Untuk sampel kecil (n ≤ 30)
2
∑ fX 2 ∑ fX
2
s=
n−1
− ( n (n−1) )
3. Metode Coding
a) Untuk sampel besar (n > 30)
2 2
∑ fc ∑ fc
2
s =p
2
( n ( ))
−
n
2 2
∑ fc ∑ fc
2
s =p
2
( n−1 (
−
n( n−1) ))
Keterangan :
d X−M
C= =
p p
c. Varians Gabungan
Misalkan, terdapat k buah sub sampel sebagai
berikut :
1. Sub sampel 1, berukuran n1 dengan varians s12
2. Sub sampel 2, berukuran n2 dengan varians s22
3. ....
4. Sub sampel k, berukuran n k dengan varians sk 2
2 ∑ (n−1)s2
s gab =¿
∑ n−k
5. Simpangan Baku (Standar Deviasi)
Akar dari varians adalah simpangan baku. Untuk sampel, simpangan
bakunya disimbolkan dengan s. Untuk populasi, simpangan bakunya
disimbolkan dengan σ .
∑ ( X− X)2
s=
√ n
Varian untuk
sampel
2
∑ (X −μ́)
σ=
√ n
Varian untuk populasi
∑ ( X− X́)2
Untuk estimasi σ digunakan rumus, s=
√ n−1
Jika nilai simpangan baku dari hasil perhitungan itu relative kecil
maka penyebaran data disekitar rata-rata itu kecil, sedangkan jika
relative besar penyebaran nya juga besar. Data yang nilai ukuran
penyebaran nya besar maka data tersebar luas dan data yang nilai
ukuran penyebaran nya kecil maka data itu lebih terkumpul.
Berikut ini rumus simpangan baku untuk data tunggal dan data
kelompok.
a. Simpangan baku data tunggal
1) Metode biasa
a) Untuk sampel besar (n 30)
∑ ( X− X́)2
s=
√ n
∑ ( X− X́)2
s=
√ n−1
s=
√ ∑ X2 − ∑ X
n ( )
n
b) Untuk sampel kecil (n 30)
2
∑ X2 − ∑ X
s=
√ n−1 ( n ( n−1 ) )
b. Simpangan baku data berkelompok
1) Metode biasa
a) Untuk sampel besar (n 30)
∑ f ( X − X́ )2
s=
√ n
∑ f ( X − X́ )2
s=
√ n−1
s=
√ ∑ fX 2 − ∑ fX
n ( n )
b) Untuk sampel kecil (n 30)
2
∑ fX 2 − ∑ fX
s=
√ n−1 ( n ( n−1 ) )
3) Metode coding
a) Untuk sampel besar (n 30)
2
s= p .
√ ∑ fc2 − ∑ fc
n ( ) n
s
KV = x 100 %
X́
Keterangan :
KV = koefisien varians
S = simpangan baku
X́ = rata-rata
C. Koefisien Kemiringan
Distribusi yang tidak simetris disebut miring (skewness).
Kemiringan dari suatu distribusi terbagi dua yaitu miring positif
dan miring negatif.
Untuk mengetahui bahwa konsentrasi distribusi miring positif atau
miring negatif dapat menggunaka metode-metode berikut :
1. Koefisien kemiringan pearson
Koefisien kemiringan pearson meripakan nilai selisih rata-rata
dengan mous dibagi simpangan baku, yang dirumuskan:
X́ −M o
sk=
s
Keterangan :
3( X́−M e )
sk=
s
Jika nilai sk dihubungkan dengan keadaan kurva maka :
1
(X − X́ )4
n∑
α 4=
s4
1
( X − X́ )4 f
n∑
α 4=
s4
Atau
4 3 2 4 4
c4
α 4= 4 =
s ( ∑ fu
n
−4 ( )( ) ( ) ( ) ( ) )
∑ fu ∑ fu
n n
+6
∑ fu ∑ fu
n n
−3
∑ fu
n
E. Angka – z (z - score)
Setiap data mentah dapat ditransformasikan kedalam skor baku. Skor baku
atau nilai baku atau angka-z (z-score) atau bilangan baru dapat dibentuk
dengan langkah-langkah sebagai berikut :
1. Dari sampel yang berukuran n, data X 1 , X 2 , X 3 , … … … , X ndengan rata-
rata X́ dan simpangan baku s, z 1 , z2 , z 3 , … … … , z n
2. Untuk nilai z dapat ditentukan dengan rumus :
´
X i− X́
z i= , dengan i=1,2,3 , … , n
s
Jika simpangan baku dari nilai z lebih besar dari nilai z yang lainnya
maka nilai z yang terbesar adalah nilai yang terbaik.
Data baru tersebut memiliki rata-rata 0 dan simpangan baku 1, dalam
penggunaannya data baru sering diubah menjadi distribusi yang baru
dengan rata-rata X́ 0
Dan simpangan baku s0 . Dari pengubah tersebut dapat menghasilkan
angka baku atau angka standar, dengan menggunakan rumus:
´
X 1− X́
z i=X 0+ s 0( n )
Dengan cara tersebut maka angka z menjadi bilangan standard
bilangan baku, atau angka-z (z-score).