MAKALAH

STATISTIK INFERENSIAL PENYEBARAN : KURTOSIS

DAN SKEWNES

Disusun Oleh :

Nama : Yenni Kristiwati Saragih

Nim : 042020023

PROGRAM STUDI NERS TAHAP AKADEMIK JALUR

TRANSFER

STIKes Santa Elisabeth Medan

2020/2021
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Statistika merupakan ilmu yang berkenaan dengan data, sedangkan
statistik adalah data, informasi, atau hasil penerapan algoritma statistika pada
suatu data. Sebagian besar konsep dasar statistika mengasumsikan teori
probabilitas. Beberapa istilah statistika antara lain: populasi, sampel, unit sampel,
dan probabilitas. Probabilitas adalah harga angka yang menunjukkan seberapa
besar kemungkinan suatu peristiwa terjadi, di antara keseluruhan peristiwa yang
mungkin terjadi.
Pada umumnya sebuah statistik dinyatakan dalam bentuk kurva. Baik
kurva yang simetris maupun tidak simetris. Pada kurva simetris yang berada pada
satu titik dapat dihitung rata – rata, median dan juga modus. Sedangkan pada
kurva tidak simetris bentuknya dapat miring ke kanan ataupun ke kiri Ukuran
kemiringan (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. Disamping itu,terdapat juga tingkat keruncingan
sebuah kurva (kurtosis). Jka kurva dalam distribusi normal, maka mempunyai
distribusi yang tidak mendatar dan tidak meruncing. Kurtosis dihitung dari
momen keempat terhadap mean. Rata-rata dan varians sebenarnya merupakan hal
istimewa dari kelompok ukuran lain yang disebut momen. Dari momen ini pula
beberapa ukuran lain dapat diturunkan. Bentuk-bentuk sederhana dari momen dan
ukuran-ukuran yang didapat akan diuraikan di dalam makalah ini.

1.2 Tujuan
Untuk mengetahui statistik inferensial penyebaran: kurtosis dan skewnes
 BAB II
PEMBAHASAN

2.1 Pengertian Statistika Inferensial

Statistika inferensial disebut pula statistika induktik adalah bagian dari
statistika yang mempelajari mengenai penafsiran dan penarikan kesimpulan yang
berlaku secara umum dari data sampel yang tersedia. Statistika inferensial
berhubungan dengan pendugaan populasi dan pengujian hipotesis dari suatu data
atau keadaan atau fenomena. Dengan kata lain, statistika inferensial berfungsi
meramalkan dan mengontrol keadaan atau kejadian. Berikut ini contoh-contoh
pernyataan yang mencakup pernyataan yang termasuk dalam cakupan statistika
inferensial.
a. Akibat penuruan produksi minyak oleh Negara-negara penghasilan minyak
dunia, diramalkan harga minyak akan menjadi 2 kali lipat pada tahun-tahun
yang akan datang.
b. Dengan mengansumsikan bahwa kerusakan tanaman kopi jenis Arabica
kurang dari 30 % akibat musin dingin yang lalu maka harga kopi jenis
tersebut diakhir tahun nanti tidak akan lebih dari Rp. 50.000 sen per satu
kilogram.
Penarikan kesimpulan pada statistika inferensial ini merupakan generalisasi
dari suatu populasi berdasarkan data (sampel) yang ada. Statistikla inferensial
biasanya untuk membuat generalisasi dari kaitan antara 2 (dua) atau lebih
fenomena atau variabel. Secara garis besar kaitan antara dua atau lebih fenomena
atau variabel dapat dibedakan atas dua bentuk kaitan, yaitu asosiasi ( hubungan)
dan komparasi (perbandingan).
Sedangkan ditinjau dari teknik uji statistika yang dapat digunakan, statistic
inferensial dapat dibedakan atas ; statiska parametrik dan statistika non
parametrik. Statistika parametric merupakan teknik uji statistika yang dilakukan
terhadaap parameter dari suatu variabel/objek secara langsung. Sedangkan
statistika non parametric merupakan teknik uji statistika dilakukan terhadap sisi
lain dari parameter suatu variabel / objek yang akan dikaji. Misalkan akan dikaji
tentang variabel “tinggi badan mahasiswa” , maka jika data yang dianalisis dalam
uji statistika adalah ukuran dari tinggi badan secara langsung, hal tersebut
merupakan ukuran parametric; sedangkan apabila kajian terhadap tinggi badan
mahasiswa tersebut, dilakukan dengan cara mengkaji urutan atau peringkat /
rangking dari tinggi badan mahasiswa, hal ini menunjukkan ukuran non
parametric. Karena peringkat tinggi badan merupakan “sisi lain” dari “ukuran”
tinggi badan.
Untuk itu , maka ruang lingkup bahasan statistika inferensial secara sederhana
dapat dikelompokkan atas :

1. Uji persyaratan analisi (uji pelanggaran klasik), seperti : uji normalitas,

uji homogenitas, uji kelinearan, uji multikolinealitas dan lainnya;

2. Uji hipotesis asosiasi,seperti : uji korelasi, uji regresi, uji analisis jalur
( path analysis ), dan uji kanonikal;

3. Uji hipotesis komperasi, seperti : uji-t untuk uji beda 2 kelompok data,
uji-Tukey, ANAVA (Analysis Varian), ANAKOVA ( Analysis
Kovarian), MANOVA (Mutivariat Analysis Of Varians), dan
MANCOVA ( Multivariat analysis of Covarians).

2.2 Pengertian Skewness (Kemiringan)

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).

Kemiringan sebuah diagram dari sebuah data bergantung kepada

penyebaran data yang merata atau tidak. Semakin banyak data yang besar dan
semakin sedikit data yang kecil maka kemiringan data tersebut akan condong
kesebelah kiri atau sering disebut kemiringan negatif. Sedangkan semakin banyak
data yang besar dan semakin sedikit data kecil maka kemiringan data tersebut
akan condong ke sebelah kanan atau sering disebut kemiringan negatif.
2.3 Macam – Macam Rumus Skewness

Untuk menentukan skweness atau kemiringan sebuah data ada 4 cara yang
dapat digunakan yaitu pearson, momen matematis, bowly, dan metode Andi
Supangat.

1. Metode Pearson
Metode pearson merupakan cara mencari skweness atau
kemiringan sebuah data yang diperoleh dari selisih rata – rata dengan
modus dan berbanding terbalik dengan simpangan baku atau standar
deviasi atau tiga kali dengan selisih rata – rata dengan median dan
berbanding terbalik dengan simpangan baku atau standar deviasi. Secara
matematis anda perhatikan perumusan sebagai berikut.

x́−Mo
Sk =
s

Modus dapat diganti menjadi median sehingga rumus menjadi

3( x́−Me)
Sk =
s

Keterangan:

Sk : skewness atau kemiringan

x́ : rata – rata
Mo : Modus
Me : Median
s : standar deviasi atau simpangan baku

Penyimpulan sebuah data dengan metode kemiringan

pearson adalah sebagai berikut :
 a. Dikatakan negatif apabila rata – rata < median < modus
b. Dikatakan positif apabila rata – rata > median > modus
c. Dikatakan normal atau uniform apabila rata – rata =
median = modus
Ilustrasi dari ketiga kesimpulan di atas lihat gambar kurva
berikut.

Gambar 2.5

2. Moment Matematis
Metode untuk menentukan kemiringan yang kedua adalah metode
moment matematis. Metode kemiringan moment matematis merupakan
metode kemiringan sebuah data bedasarkan jumlah dari perkalian
frekuensi ke-i dengan selisih niai ke-i dengan rata – rata yang
dipangkatkan tiga dan berbanding terbalik dengan perkalian jumlah data
atau jumlah frekuensi dengan simpangan baku yang dipangkatkan tiga.
Secara matematis anda dapat perhatikan perumusan sebagai berikut.

∑ f i ( x ¿¿ i− x́)3
Sk = ¿
N . s3
Keterangan :

Sk : kemiringan
fi : frekuensi data ke-i
xi : nilai atau data ke-i
 x́ : rata – rata
s : standar deviasi
N : banyaknya data atau jumlah frekuensi

Kriteria kemiringan dengan metode moment matematis yaitu :

1. Suatu kurva dikatakan condong ke kiri (positif), jika Sk > 0,01.
2. Suatu kurva dikataka normal jika Sk = 0,01.
3. Suatu kurva dikategorikan condong ke kanan (negatif),
jika Sk < 0,01.

3. Bowley
Metode untuk menentukan kemiringan kurva yang ketiga
adalah metode Bowley. Kemiringan menurut Bowley
merupakan koefisien yang yang diperoleh dari kuartil tiga yang
dikurangkan dengan dua kali kuartil dua dan dijumlahkan
dengan kuartil satu dan berbanding terbalik dengan selisih
kuartil tiga dengan kuartil satu. Secara matematis dapat
dirumuskan sebagai berikut.
Q 3−2 Q 2+Q 1
Sk =
Q 3 −Q 1

Keterangan:
Q3 : kuartil ketiga
Q2 : kuartil kedua
Q1 : kuartil kesatu
Sk : kemiringan sebuah data
Kriteria penyimpulan jika nilai dari kemiringan menurut metode
Bowley yaitu :
i. Jika Sk = ±0,1, maka kurva dikatakan cenderung
condong ke kiri, kanan dan atau normal
ii. Jika Sk > ±3, maka tingkat kecondongan semakin
berarti.
 4. Andi Supangat
Metode untuk menentukan kemiringan kurva yang
keempat yaitu metode Andi Supangat. Kemiringan sebuah data
dalam kurva menurut Andi Supangat merupakan selisih antara
paruh interval atau semi interval dengan modus berbanding
terbalik dengan titik tengah kurva. Secara matematis
dirumuskan sebagai berikut.
Sk = ¿ ¿ ¿

P∫ ¿ ¿ = batas ataskelas terakhir + batasbawah kelas pertama

2
P∫ ¿+ X
Tk =
m
¿
2
Keterangan:
P∫ ¿ ¿: paruh interval ( semi interval)

Mo: modus
T k : titik tengah kurva
Xm : nilai tengah pada kelas yang mempunyai frekuensi terbanyak.
Sk : kemiringan

Kriteria penyimpulan jika besarnya kemiringan sudah diketahui

yaitu :
1) Jika Sk > 0 , maka kurva dikatakan cenderung condong ke
kiri (positif).
2) Jika Sk = 0 , maka kurva dikatakan normal (uniform)
3) Jika Sk < 0 , maka kurva dikatakan cenderung condong ke
kanan (negatif).

2.4 Pengaplikasian Rumus Skewness Pada Contoh Soal

Diberikan data tunggal sebagai berikut

2, 3, 4, 5, 6, 7, 8, dan 5
 maka tentukanlah kemiringan data tersebut dengan metode pearson?
2+ 3+4 +5+6+7 +8+5
x́ =
8
40
x́ =
8
x́ = 5

Mo = 5

S=

(2−5)2 +(3−5)2+( 4−5)2 +(5−5)2 +(6−5)2+(7−5)2 +(8−5)2 +(5−5)2

√ 8

28
S=
√ 8

S = 1,871

Maka kemiringan dengan metode Pearson yang pertama yaitu:

x́−Mo
Sk =
s

5−5
Sk =
1,871

Sk = 0

Kemiringan data di atas sama dengan 0 yang artinya adalah data

termasuk adalam kategori normal atau uniform.

2.5 Pengertian Kurtosis

Kurtosis merupakan koefisien yang menentukan jenis kurva berbentuk
runcing atau normal atau tumpul. Kurtosis dapat ditentukan dengan cara
menjumlahkan perkalian antara frekuensi ke-i dengan nilai ke-i dikurangkan
dengan rata – rata yang di pangkatkan empat dan berbanding terbalik dengan
perkalian banyaknya data atau jumlah frekuensi dengan simpangan baku atau
standar deviasi dipangkatkan empat.
2.6 Macam – Macam Rumus Kurtosis

Kurtosis secara matematis dapat dirumuskan sebagai berikut.

∑ f i ( x i− x́ )4
K=
N . s4
Jika menggunakan nilai momen ke-4 maka perumusannya adalah

m4
K=
s4

Keterangan :
K : kurtosis atau
keruncingan
xi : nilai ke-i
N : jumlah data atau jumlah frekuensi
x́ : rata – rata
s : simpangan baku atau standar deviasi
f i : frekuensi ke-i

m4 : momen ke-4 disekitar rata – rata

Kriteria penyimpulan setelah nilai kurtosis atau K diketahui yaitu

1. Jika K > 3 , maka kurva dikategorikan runcing atau lepto kurtik
2. Jika K = 3 , maka kurva dikategorikan normal atau meso kurtik
3. Jika K < 3 , maka kurva dikategorikan datar atau plati kurtik
Keruncingan dari sebuah data kesimpulan di atas. Perhatikan
Gambar
 Gambar 2.8

2.7 Pengaplikasian Kurtosis Pada Contoh Soal

Tentukan keruncingan kurva dari data 2, 3 , 6, 8, 11! (Data Tunggal)
Jawab:

x = 6; s = 3,67

x x- x (x- x )4
2 -4 256
3 -3 81
6 0 0
8 2 16
11 5 625
Jumlah 0 978
 1
∝4 = ∑ ¿ ¿ ¿, karena nilainya 1,08(lebih kecil dari 3) maka distribunya adalah
n
distribusi platikurtik

1. Jika data tersebut merupakan data yang berbentuk kelompok maka, rumus yang
digunakan adalah sebagai berikut:
1
∝4 = ∑ ¿ ¿ ¿
n

atau

C 4 ∑fu 4 ∑ fu3 ∑ fu2 ∑ fu 2 4

∑ fu ∑ fu
∝4 = 4
n (n
−4
n( )( ) ( )( ) ( ) )
n
+6
n n
−3
n

2. Berikut ini disajikan table frekuensi dari tinggi 100 mahasiswa universitas XYZ
a. Tentukan koefisien kurtosis persentil (K) !
b. Apakah distribunya termasuk distribusi normal !

Tinggi Mahasiswa Universitas XYZ

Tinggi (inci) Frekuensi (f)

60 – 62 5
63 – 65 18
66 – 68 42
69 – 71 27
72 - 74 8
Jumlah 100

 Kelas Q1= kelas ke-3

1. n 1.100
−( ∑ f 1 ) ∘ −23
4 4
Q1=B1 + .C=65,5+ .3=65,64
f Q1 42
 Kelas Q3 = kelas ke-4
3. n 3.100
−( ∑ f 3 ) ∘ −65
4 4
Q3=B3 + . C=68,5+ .3=69,61
f Q3 27
 Kelas P10 = kelas ke-2
 10. n 10.100
−( ∑ f 10) ∘ −5
100 100
P10=B10 + . C=62,5+ .3=63,33
f P 10 18
 Kelas P90 = kelas ke-4
90. n 90.100
−( ∑ f 90 ) ∘ −65
100 100
P90=B90 + . C=68,5+ .3=71,28
f P 90 27
Koefisien kurtosis persentil (K) adalah :
1 1
( Q3−Q1 ) ( 69,61−65,64 )
2 2
K= = =0,25
P90−P10 71,28−63,33
Karena nilai K= 0,25(K<0,263) maka distribusinya bukan distribusi
normal

BAB III

PENUTUP

3.1 Kesimpulan

Statistika merupakan ilmu yang berkenaan dengan data, sedangkan statistik

adalah data, informasi, atau hasil penerapan algoritma statistika pada suatu data.
Statistika banyak digunakan, karena data merupakan hal yang sangat dibutuhkan
dalam berbagai bidang. Oleh karena itu berbagai macam cara mengolah data
sangat diperlukan, seperti rata-rata, nilai tengah, modus, momen, kurtosis, dan
skewness. Momen merupakan fungsi dalam statistik yang istimewa karena untuk
menurunkan fungsi sesudahnya yang lebih spesifik atau lebih sederhana lagi.
Skewness adalah derajat ketidaksimetrisan suatu distribusi. Kurtosis merupakan
koefisien yang menentukan jenis kurva berbentuk runcing atau normal atau
tumpul. Rumus dari momen, kurtosis, dan skewness ada bebaerapa macam,
tergantung input data yang digunakan. Oleh karena itu diperlukan analisis agar
dapat menentukan rumus mana yg harus digunakan untuk menyelesaikan suatu
permasalahan. Dalam melakukan analisis ketelitian dan pehamaman tentu saja
menjadi hal yang sangat diperlukan agar hasil yang diperoleh dapat maksimal.

DAFTAR PUSTAKA

Faturrahmi, Ismi. 2013. Probabilitas dan Statistik. (Online).

(http://ismimiitsme.blogspot.com/2013/08/probabilitas-dan-statistika.html.),
diakses 17 Februari 2020
Aden, dkk. 2019. Statistik Pengendalian Kualitas. (Online).
(http://eprints.unpam.ac.id/8089/), diakses 17 Februari 2020