BAB III

UKURAN PENYEBARAN DATA (DISPERSI),

KEMIRINGAN DAN KURTOSIS

3.1. RATA – RATA SIMPANGAN (MEAN DEVIASI) UNTUK DATA TUNGGAL

Jika data hasil pengamatan : x1, x2, …, xn dengan rata – rata x . Selanjutnya jika
jarak antara tiap data dengan rata – rata x adalah |xi  x |, maka rata – rata
simpangan (mean deviasi)
Rumus :
n

x
i 1
i x
RS =
n
Contoh :
Jika diketahui data 4, 5, 6, 6, 7, 8, 8, 9 maka rata – rata simpangan nya
Jawab :
4  5  6  6  7  8  8  9 53
x = = = 6,625
8 8
n

x
i 1
i x
RS =
n

= 4  6,625  5  6,625  6  6,625  6  6,625  7  6,625  8  6,625  8  6,625  9  6,625

8
11
=
8
= 1,375

37
3.2. RATA – RATA SIMPANGAN UNTUK DATA BERKELOMPOK
Jika data hasil pengamatan : x1, x2, …, xn dengan rata – rata x , f sebagai frekuensi
dari tiap data, xi sebagai nilai tengan interval dan N merupakan jumlah dari
frekuensi. Selanjutnya jika jarak antara tiap data dengan rata – rata x adalah |xi 

x |, maka rata – rata simpangan (mean deviasi)

Rumus :
n
 f xi  x
RS = i 1
N
Contoh :
Jika diberikan tabel Distribusi Frekuensi :
No Nilai Ujian Frekuensi (fi)
1 31 – 40 1
2 41 – 50 2
3 51 – 60 5
4 61 – 70 15
5 71 – 80 25
6 81 – 90 20
7 91 – 100 12
Jumlah 80
Maka tentukan Rata – rata Simpangannya

38
 Jawab :
Nilai Frekuensi
No xi fi.xi xi  x |xi  x | f |xi  x |
Ujian (fi)

1 31 – 40 35,5 1 35,5 41,125 41,125 41,125

2 41 – 50 45,5 2 91 31,125 31,125 62,25
3 51 – 60 55,5 5 277,5 21,125 21,125 105,625
4 61 – 70 65,5 15 982,5 11,125 11,125 166,875
5 71 – 80 75,5 25 1887,5 1,125 1,125 28,125
6 81 – 90 85,5 20 1710 8,875 8,875 177,5
7 91 – 100 95,5 12 1146 18,875 18,875 226,5

Jumlah N = 80 6130 808

Untuk menghitung rata – rata :

n
 fi x i
6130
x = i 1 = = 76,625
n 80
 fi
i 1

n
 f xi  x
RS = i 1
N
808
=
80
= 10,1

3.3. SIMPANGAN BAKU (STANDAR DEVIASI) DAN VARIANS UNTUK DATA

TUNGGAL
Simpangan baku (deviasi standar) adalah ukuran sebaran statistic yang paling
umum atau rata – rata jarak penyimpangan titik – titik data diukur dari nilai rata –
rata data tersebut.
Simbol : s

39
Rumus deviasi standar yang pertama :

 x 
n
2
i x
i 1
s=
n  1
atau
Rumus deviasi standar yang kedua :
2
n
 n 
n x    x i 
2
i

s= i 1  i 1 
n n  1

Contoh :
Diberikan sampel data : 8, 7, 10, 11, 4

Jawab :
xi xi  x (xi  x )2 xi2

8 0 0 64
7 1 1 49
10 2 4 100
11 3 9 121
4 4 16 16

xi = 40 (xi  x ) = 0 (xi  x )2 = 30  xi2 = 350

 x 
n
2
i x
i 1 30
s= = = 2,74
n  1 4

atau jika menggunakan rumus kedua, dengan n = 5 (banyaknya data) dan (xi)2 =
(40)2 = 1600, sehingga :
2
n
 n 
n x    x i 
2

5 (350 )  (40) 2
i

s= i 1  i 1  = =
150
=
30
= 2,74
n n  1 5(5  1) 5.4 4

40
 hasil yang didapat dengan menggunakan rumus pertama dengan rumus kedua
sama.
Varian adalah kuadrat dari simpangan baku. Simbol : s2
Rumus varian yang pertama :

 x 
n
2
i x
i 1
s2 =
n  1
Rumus varian yang kedua :
2
n
 n 
n  x i2    x i 
s2 = i 1  i 1 
n n  1

selanjutnya jika di hitung varians dengan menggunakan rumus varians yang

pertama :

 x 
n
2
i x
i 1 30
s2 = = = 7,5
n  1 4
Dan jika menggunakan rumus varians yang kedua didapat :
2
n
 n 
n x    x i  2
i

s2 = i 1  i 1  = 150 = 7,5
n n  1 20
hasilnya juga sama.

3.4. SIMPANGAN BAKU (STANDARD DEVIASI) DAN VARIANS UNTUK DATA DALAM
TABEL DISTRIBUSI FREKUENSI
Rumus Deviasi Standar :
2
 n 
 
n
n f i .x    f i x i 
2
i

S= i 1  i 1 
n(n  1)

41
Rumus Varians :
2
 n 
 
n
n f i .x    f i x i 
2
i
2
s = i 1  i 1 
n(n  1)

Contoh :
Tentukan deviasi standard dan varian dari :
Nilai Ujian Frekuensi (fi)
31 – 40 1
41 – 50 2
51 – 60 5
61 – 70 15
71 – 80 25
81 – 90 20
91 – 100 12
Jumlah 80

Jawab :
Frekuensi
Nilai Ujian xi xi2 fixi fixi2
(fi)
31 – 40 1 35,5 1260,25 35,5 1260,25
41 – 50 2 45,5 2070,25 90 4140,50
51 – 60 5 55,5 3080,25 227,5 15401,25
61 – 70 15 65,5 4290,25 982,5 64353,75
71 – 80 25 75,5 5700,25 1887,5 142506,25
81 – 90 20 85,5 7310,25 1710 146205
91 – 100 12 95,5 9120,25 1146 109443
Jumlah fi = 80 fixi = fixi2 = 483310
6130

42
 Deviasi Standar :
2
 n 
 
n
n f i .x    f i x i 
2

80.(483310 )  (6130 ) 2
i

S= i 1  i 1  = =
1087900
= 172,14 =13,12
n(n  1) 80(80  1) 80(79)

Varian :
2
 n 
 
n
n f i .x    f i x i 
2

 = 80.(483310 )  (6130 ) = 172,14

i
 i 1
2
2 i 1
s =
n(n  1) 80(80  1)
Ket : n = fi = 80

3.5. KOEFISIEN VARIANS (KV)

Koefisien varians biasanya digunakan untuk membandingkan dua data dari sumber
yang berbeda, misalkan data dari hasil ujian Statistic dan hasil ujian Kalkulus.
Koefisien varians biasanya dinyatakan dalam persen dengan rumus :
Standard Deviasi
KV = x 100%
Rata  Rata
Contoh :
1) Jika terdapat 2 jenis lampu yaitu lampu pijar dan lampu led. Lampu Pijar dapat
digunakan selama 3500 jam, dengan simpangan baku 1050 jam, sementara
Lampu Led dapat digunakan selama 10000 jam dengan simpangan bakunya
sebesar 2000 jam. Maka tentukan koefisien varians dari masing – masing lampu
tersebut. (contoh untuk data tunggal)
Jawab :
Standard Deviasi 1050 3
KV (Lampu Pijar) = x 100 % = x 100% = = 30 %
Rata  Rata 3500 10
Standard Deviasi 2000 2
KV (Lampu Led) = x 100 % = x 100% = = 20 %
Rata  Rata 10000 10

43
 2) Jika diberikan data :
Nilai Ujian Frekuensi (fi)
31 – 40 1
41 – 50 2
51 – 60 5
61 – 70 15
71 – 80 25
81 – 90 20
91 – 100 12
Jumlah 80
Tentukan Koefisien Varians (KV untuk data berkelompok)
Jawab :
Berdasarkan perhitungan sebelumnya, SD (Standard Deviasi) dari data diatas
adalah 13,12 dan rata–ratanya adalah 76,625, sehingga KV bisa di tentukan :
Standard Deviasi 13,12
KV = x 100 % = x 100 % = 17,12 %
Rata  Rata 76,625

3.6. KOEFISIEN KEMIRINGAN (SKEWNESS)

Distribusi yang tidak simetris di sebut miring (Skewness). Distribusi miring ini
terbagi 2, yaitu :
a. Distribusi miring positif
Distribusi ini disebut positif jika bagian ekor kanan lebih panjang dari ekor bagian
kiri.

mo me 

44
b. Distribusi miring negatif
Distribusi ini disebut negatif jika bagian ekor kiri lebih panjang dari ekor bagian
kanan.

 me mo

Untuk menghitung kemiringan (skewness) pearson ini, kita gunakan rumus :

(Rata - Rata  Modus) ( x  mo)
Kemiringan = =
Simpangan Baku s
Atau bisa juga menggunakan rumus :
3(Rata - Rata  Media) 3( x  me)
Kemiringan = =
Simpangan Baku s
Contoh :
1. Diberikan data sebagai berikut : 4, 5, 5, 6, 6, 7, 7, 7, 8, 9 tentukan kemiringan
(Skewness). Soal ini untuk data tunggal
Jawab :
Pertama yang di hitung adalah rata – ratanya, diketahui banyaknya data n = 10,
maka :
4556677789
x = = 6,4
10
Selanjutnya kita hitung simpangan bakunya, dengan rumus :

 x 
n
2
i x
i 1
s=
n  1
2 2 2 2 2 2 2 2 2 2
( 4  6, 4)  (5  6, 4)  (5  6, 4)  (6  6, 4)  (6  6, 4)  (7  6, 4)  (7  6, 4)  (7  6, 4)  (8  6,4)  (9  6, 4)
=
10

45
 51
= = 1,43
5
Dari data tersebut dapat di lihat bahwa angka yang paling banyak keluar adalah
angka 7, maka mo = 7. Sehingga koefisien kemiringan dapat dihitung :
( x  mo) (6,4  7)
Koefisien kemiringan = = =  0,42
s 1,43
Karena Koefisien kemiringannya bernilai negative, maka Distribusi data miring
negatif
2. Jika di berikan data :
Nilai Ujian Frekuensi (fi)
31 – 40 1
41 – 50 2
51 – 60 5
61 – 70 15
71 – 80 25
81 – 90 20
91 – 100 12
Jumlah 80
Tentukan kemiringannya. Soal ini untuk data berkelompok
Jawab :
Berdasarkan perhitungan sebelumnya di dapat :
 Rata - rata
n
 fi x i
6130
x = i 1 = = 76,625
n 80
 fi
i 1

 Modus
 10 
Mo = 70,5 + (10)   = 77,17
 10  5 

46
  Simpangan bakunya
2
 n 
 
n
n f i .x    f i x i 
2

80.(483310 )  (6130 ) 2
i

S= i 1  i 1  = =
1087900
n(n  1) 80(80  1) 80(79)

= 172,14 =13,12

Sehingga
( x  mo) (7,625  77,17)
Koefisien kemiringan = = =  5,342
s 13,12

3.7. KOEFISIEN KURTOSIS

Koefisien Kurtosis adalah ukuran keruncingan suatu kurva. Makin runcing suatu
kurva maka makin kecil simpangan bakunya, sehingga data makin mengelompok
atau homogen.
1 (Q  Q )
3 1
= 2
(P90  P10 )

Keterangan :
Q1 = Kuartil pertama
Q3 = Kuartil ke-3
P10 = Persentil ke-10
P90 = Persentil ke-90
Selanjutnya untuk koefisien Kurtosis () terbagi dalam 3 kategori :
 Jika  > 0,263 ; maka model kurva Runcing (Leptokurtis)
 Jika  = 0,263 ; maka model kurva normal (Mesokurtis)
 Jika  < 0,263 ; maka model kurva datar (Platikurtis)

Leptokurtis Platikurtis Mesokurtis

47
Contoh :
Jika di berikan data dalam Distribusi Frekuensi :
Nilai Ujian Frekuensi (fi)
31 – 40 1
41 – 50 2
51 – 60 5
61 – 70 15
71 – 80 25
81 – 90 20
91 – 100 12
Jumlah 80
Tentukan Kurtosis dari tabel tersebut
90Jawab :
 1 x 80 
 8
Q1 = 60,5 + 10  4 
 15 
 
 
= 68,5
 3 x 80 
  48 
Q3 = 80,5 + 10  4 
 20 
 
 
= 86,5
 10 x 80 
 8
P10 = 60,5 + 10  100 
 15 
 
 
= 60,5
 90 x 80 
  68 
P90 = 90,5 + 10  100 
 12 
 
 
= 93,83

48
Sehingga didapat nilai kurtosis :
1 (Q  Q ) 1 (86,5  68,5)
3 1
= 2 = 2 = 0,27
(P90  P10 ) (93,83  60,5)

Karena  = 0,27 > 0,263, maka kurvanya berbentuk Platikurtis, yang artinya
datanya menyebar dan tidak homogen.

49