TUGAS MANDIRI

PENERAPAN QC DI PURCHASING
STATISTIK DESKRIPTIF

DI Susun Oleh:
Nama : Charlendo Februar Lee
NPM : 220910003
Dosen : Welly Sugianto. S.T,.M.M.

Program Studi Manajemen

Fakultas Ilmu Sosial Dan Humaniora
Universitas Putera Batam 2022
i
 KATA PENGANTAR

Segala Puji dan Syukur penulis panjatkan kehadapan Allah SWT/Tuhan Yang
Maha Esa, karena Berkat Rahmat dan Karunia-Nya, penulis dapat menyelesaikan
tugas makalah dengan judul “Penerapan QC Di Purchasing”.
Makalah ini dibuat dengan memiliki maksud dan tujuan untuk memenuhi
tugas mata kuliah Matematika Dasar yang diamanahkan oleh Dosen. Dalam proses
penyusunanya, penulis menyadari bahwa makalah ini masih terdapat kesalahan dan
belum sempurna mengingat bahan-bahan dari isi pembahasan berasal dari internet,
khususnya pada sumber-sumber kredibel seperti e-book dan e-journal dan tidak lupa
penulis untuk mencantumkan sumber referensi penyusun makalah ini.
Dari kekurangan yang dapat ditemukan nantinya, penulis memohon maaf
yang sebesar-besarnya dan berharap kritik dan saran dari pembaca akan membangun
semangat penulis kedepan untuk lebih menyempurnakan penyusunan makalah
berikutnya. 
Semoga, makalah ini dapat diterima dengan baik dan memberikan manfaat
kepada para pembaca secara umum, dan untuk penulis secara khusus dalam
menambah wawasan mengenai Matematika Dasar.

Batam, 6 November 2022

Penulis
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan
dan penyajian data sehingga memberikan informasi yang berguna. 

Statistika deskriptif digunakan untuk mendeskripsikan, meringkas dan membuat

summary data agar lebih mudah dibaca dan digunakan.

Statistika deskriptif dibedakan dengan statistik inferensial. Statistika deskriptif

bertujuan untuk memberikan ringkasan dari sampel data dan tidak menggunakan data
untuk membuat kesimpulan atas populasi.

Di dalam tulisan ini, akan dijelaskan mengenai statistika deskriptif, meliputi

pengertian, perbedaannya dengan statistika inferensial, fungsi statistika deskriptif,
hingga bagaimana melakukan analisis statistika deskriptif menggunakan tabel, grafis
dan numerik, berikut contohnya.

Pengertian statistika

Statistika adalah cabang dari ilmu matematika yang berhubungan dengan

bagaimana cara merencanakan, mengumpulkan, menganalisis,
menginterpretasikan, dan mempresentasikan data.

Statistika sangat bermanfaat untuk banyak hal.

Memahami statistika sangat membantu kita memahami banyak informasi yang

semakin ke sini semakin banyak ditampilkan menggunakan statistika.

Memahami statistika membuat pemahaman kita terhadap data dan informasi lebih
terstruktur.

Kita juga bisa memanfaatkan statistika dalam berbagai hal, misalnya, kita bisa
menyampaikan informasi dengan lebih jelas dengan menggunakan statistika
deskriptif terutama menggunakan grafik.

Statistika digunakan untuk mengukur parameter dari populasi berdasarkan sampel

dan menghitung ketidakpatian dalam pengukuran tersebut. 
Dengan menghitung aspek ketidakpastian ini, statistik memungkinkan kita untuk
melihat seberapa jauh hasil pengukuran kita jika dibandingkan dengan keadaan
aslinya.

Perhitungan-perhitungan ini dapat dimanfaatkan untuk menyelesaikan masalah dalam

sebuah penelitian, pengembangan bisnis, manajemen resiko dan berbagai hal lainnya.

Statistika sendiri dapat dibedakan menjadi dua jenis yaitu statistika deskriptif dan
statistika inferensial.

Perbedaan statistika deskriptif vs statistika inferensial

Sesuai namanya, statistika deskriptif merupakan proses melakukan kategorisasi dan

pendeskripsian informasi. Sedangkan statistika inferensial mencakup proses analisis
pada data yang diperoleh dari proses sampling dan digunakan untuk membuat
pendugaan populasi di mana sampel diambil. Contoh dari proses statistika inferensial
adalah pengujian hipotesis.

Statistika deskriptif kurang lebih merupakan metode untuk merangkum informasi

yang telah kita kumpulkan. Rangkuman informasi biasa ditampilkan dalam bentuk
grafik atau dalam bentuk nilai rata-rata, persentase dan yang lainnya.

Statistika inferensial dilakukan dengan membuat kesimpulan tentang suatu populasi

berdasarkan sampel yang terbatas. Proses ini berkaitan erat dengan proses pendugaan
estimasi terhadap parameter.

Statistika inferensial adalah bagian statistika yang membahas cara melakukan analisi
data, menaksir, meramalkan, dan menarik kesimpulan terhadap data, fenomena,
persoalan yang lebih luas atau populasi dari data.

Kegiatan statistika inferensial meliputi: pengujian hipotesis, estimasi dan mengambil

keputusan. Ruang lingkup statistika inferensial meliputi analisis korelasi, regresi,
analisis varians, kovarians dan uji statistik lainnya.

Statistika deskriptif bertujuan untuk memberikan ringkasan dari sampel data dan
tidak menggunakan data untuk membuat kesimpulan atas populasi.
Berikut ringkasan perbedaan statistika deskriptif dan statistika inferensial:

Tabel perbedaan statistika deskriptif dan statistika inferensial

Kunci Deskriptif Inferensial

Menarik kesimpulan dari populasi berdasarkan
Tujuan Menyajikan data
data
Bentuk hasil Tabel, grafik,
Kemungkinan/ probabilitas
akhir koefisien
Tabel perbedaan statistika deskriptif dan statistika inferensial
Statistika deskriptif vs inferensial
Adapun dalam tulisan ini, sesuai judul, akan dibahas lebih lanjut mengenasi statistika
deskriptif.

Pengertian statistika deskriptif

Secara ringkas, statistika deskriptif merupakan cara-cara untuk mendeskripsikan data

kita.

Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan

dan penyajian data sehingga memberikan informasi yang berguna.

Statistika deskriptif

Statistika deskriptif memberikan ringkasan sederhana dari sampel dan pengamatan

yang kita sudah lakukan.

Ringkasan ini dapat berbentuk angka (kuantitatif) seperti ringkasan statistik (mean,
median, dll) dan secara visual misalnya dengan diagram batang atau diagram garis.

Saya berikan contoh.

Bayangkan kita punya dataset yang berisi nilai Ujian Nasional dari semua siswa kelas
6 di sebuah sekolah dasar A.
Daripada kita menyebutkan nilai setiap siswa satu per satu, untuk menceritakan
datanya, kita dapat menyebutkan statistiknya saja, misal nilai tertinggi, nilai terendah
dan nilai rata-rata.

Alternatif yang lain, kita dapat menggunakan diagram batang untuk menampilkan
distribusi nilai UN, atau menggunakan pie diagram untuk melihat proporsi datanya.

Nah, sesuai dengan penjelasan-penjelasan sebelumnya, angka-angka dan grafik yang

dibuat hanya untuk mendeskripsikan data dari siswa kelas 6 di SD A, dan tidak boleh
digunakan untuk menyimpulkan nilai UN untuk populasi yang lebih besar, misal
untuk tingkat provinsi.

Dari contoh tersebut, kumpulan data kita akan tersaji dengan ringkas dan rapi serta
dapat memberikan informasi inti dari data yang kita miliki dengan menggunakan
statistika deskriptif.

Fungsi statistika deskriptif

Pertanyaan selanjutnya adalah, apa pentingnya statistika deskriptif dan

mengapa kita memerlukannya?

Statistika deskriptif sangat bermanfaat untuk dua hal:

1. menyediakan informasi dasar tentang variabel dalam dataset, dan

2. menonjolkan potensi hubungan antar variabel.
Statistika deskriptif sangat penting karena jika kita hanya memunculkan data asli
yang kita miliki, informasi dan insight dari data tersebut sangat sulit didapatkan,
apalagi jika datanya memiliki record yang sangat besar.

Dalam hal ini, statistika deskriptif memungkinkan kita untuk menampilkan data
dengan lebih jelas dan bermakna, sehingga interpretasi terhadap data tersebut mudah
dilakukan.

Sebagai contoh, kita memiliki data tentang nilai UN matematika dari pelajar SMU di
Provinsi Aceh. Kita akan lebih tertarik dengan nilai rata-rata, nilai tertinggi, dan
distribusi datanya.
Dalam konteks data science dan machine learning, setelah mendapatkan data, kita
tidak bisa langsung menerapkan algoritma dan membuat prediksi begitu saja.

Tentu, pertama kali kita perlu memahami data yang kita miliki. Tahap ini biasa
disebut dengan Exploratory Data Analysis (EDA). Dalam EDA, pengetahuan
mengenai statistika deskriptif akan sangat membantu.

Analisis deskriptif

Analisis deskriptif adalah statistik yang digunakan untuk menganalisis data dengan

cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana
adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau
generalisasi.

Analisis deskriptif dilakukan dengan menggunakan alat bantu seperti Microsoft

Excel 2013, SPSS, atau R. Hasilnya berupa diagram seperti diagram lingkaran dan
diagram batang beserta tabel perhitungan analisis data. Keluaran yang dihasilkan
berupa tabel dan grafik sehingga pembaca dapat segera mengetahui informasi yang
telah diolah dari data tersebut.

Untuk melakukan analisis deskriptif, hal yang pertama yang harus kita ketahui adalah
tipe atau jenis datanya.

Setelah itu, kita bisa lakukan analisis deskriptif meliputi beberapa hal, yakni

distribusi frekuensi, pengukuran tendensi pusat, dan pengukuran variabilitas. Analisis
deskriptif dapat berupa angka seperti mean, median, standar deviasi, jangkauan,
variansi. Hasil analisis deskriptif juga dapat disajikan melalui bentuk grafik.

Untuk lebih jelasnya, baca penjelasan berikutnya.

Tipe atau jenis data

Data dapat kita bagi menjadi:

 data kategorikal
 data numerikal
Data kategorikal
Data kategorikal merupakan data yang menggambarkan data yang terklasifikasi
berdasarkan kategori atau kelas tertentu.

Data kategorikal tidak bisa dihitung secara kuantitatif sehingga tidak dapat menerima
operasi matematik seperti penjumlahan dan perkalian.

Contoh data kategorikal:

 jenis kelamin
 pendapat setuju vs tidak setuju
 warna
Data numerikal
Data numerikal adalah kelompok data yang menunjukkan nilai atau kuantitas.

Data ini dapat menerima operasi matematik.

Kelompok data numerikal memiliki dua sub kelompok yaitu:

 Data diskrit (discrete)

 Data kontinyu (continue)

Data Numerikal Diskrit

Data diskret merupakan data dengan nilai bilangan bulat, biasanya didapatkan dari
proses pencacahan (pembilangan).

Contoh dari data diskrit:

 Jumlah penduduk
 Jumlah kejadian kecelakan lalu lintas
 Jumlah temuan jejak harimau

Data Numerikal Kontinyu

Data kontinyu adalah kumpulan data yang didapatkan melalui proses pengukuran,
sehingga memungkinkan adanya nilai negatif dan bilangan pecahan.
Contoh data kontinu:

 Panjang jalan
 Berat badan
 Tinggi badan

Penyajian data

Data yang sudah kita kumpulkan atau yang kita dapatkan dari sumber lain biasanya
berupa matriks data.

Atau bahasa sederhananya, dalam bentuk tabel.

Mari kita ingat kembali, matriks data terdiri atas variabel, case, observation

Data dalam matriks data, biasanya berupa data yang sangat banyak sehingga sulit
dibaca.

Data tersebut perlu dirangkum dan ditampilkan dalam bentuk yang lebih sederhana.

Penyajian data dapat dibagi menjadi

1. Tabel
2. Grafis
3. Numerik
Untuk memahami penyajian data menggunakan statistik deskriptif, setelah ini kita
akan gunakan contoh data di bawah ini.

Dengan menggunakan contoh data ini, kita akan membedah penyajian dan visualisasi
data, mulai dari penjelasannya, hingga perhitungan dan cara membuatnya.

Perlu dicatat bahwa metode penyajian data statistika deskriptif pada tulisan ini hanya
dasar saja, dan tentu masih ada metode-metode turunannya.
1. Penyajian data: tabel

Kunci dalam membuat tabel adalah tabel harus memberikan informasi yang dapat
dimengerti oleh pembaca. Informasi dalam tabel ini harus diusahakan seringkas
mungkin.

Terdapat perbedaan penyajian berdasarkan jenis datanya: kategorik vs numerik.

a. Tabel: kategorikal

Tabel frekuensi

Tabel frekuensi memuat data kualitatif (kategorikal) dalam bentuk frekuensi. Jika
jumlah data banyak, biasanya ditampilkan pula frekuensi dalam persen.

Menggunakan contoh data yang sudah diberikan, berikut adalah contoh tabel
frekuensi yang menunjukkan frekuensi siswa berdasarkan jenis kelamin.

Tabel Kontingensi

Tabel kontingensi digunakan untuk melihat distribusi dari dua data kategorikal atau
lebih.

Nilai yang ditampilkan dapat berupa persen baris, persen kolom, sesuai kebutuhan.

Menggunakan contoh data yang sudah diberikan, berikut adalah contoh tabel
frekuensi yang menunjukkan frekuensi siswa berdasarkan jenis kelamin dan desa
asal.

b. Tabel: numerikal
Tabel distribusi frekuensi kelompok

Tabel distribusi frekuensi kelompok digunakan untuk membuat pengelompokkan data

numerik.

Tabel ini berisi nilai yang telah dikelaskan, frekuensi masing-masing kelas, serta
frekuensi relatif masing-masing kelas.

Cara membuat tabel distribusi frekuensi kelompok

 Tentukan jumlah kelas (misal gunakan Sturges’ rule ): k =3.3 log (n)
+1)
 Tentukan lebar kelas : l = (Xmax- Xmin)/k
 Tentukan batas atas dan batas bawah dari masing-masing kelas
 Tentukan tepi batas kelas
 List jumlah pengamatan pada masing-masing kelas
 Frekuensi Relatif : cari proporsi dari masing-masing kelas

Tabel Ringkasan

Tabel ringkasan statistik memuat statistik data, diantaranya jumlah data, rataan,
median, simpangan baku, minimum, dan maksimum.

Selalu hindari memberikan terlalu banyak informasi dalam tabel ringkasan ini.

2. Penyajian data: grafis

Grafik lebih cepat mengungkapkan informasi dibandingkan

dengan tulisan dan tabel.
Penyajian data dengan grafik juga dibagi berdasarkan tipe datanya.

a. Grafis: kategorikal

Pie Chart

Pie chart atau diagram pie digunakan untuk menampilkan data kategorik khususnya
data nominal.

Penyajian ini menunjukkan distribusi data dalam group (total 100%).

Setiap kelas data disajikan dalam bentuk %, terkadang perlu menyajikan pula jumlah
data.

Cara membuatnya adalah membuat tabel frekuensi terlebih dahulu, lalu membuat
diagramnya.

Contoh: Grafik siswa berdasarkan jenis kelamin

Informasi mengenai pie chart dapat dibaca di sini dan di sana.

Jika jumlah kelas terlalu banyak, pie chart dihindari karena akan sangat sulit dibaca.

Ketika jumlah kelas banyak, jangan gunakan pie chart.

Gunakan bar chart.

Bar Chart

Bar chart berguna untuk menampilkan data kategorikal.

Meskipun demikian, dapat pula digunakan untuk menyajikan data dari tabel
kontingensi / tabel ringkasan data
Contoh: Grafik siswa berdasarkan jenis kelamin

Informasi mengenai bar chart dapat dibaca di sini dan di sana.

b. Grafis: numerikal

Histogram

Histogram digunakan untuk menunjukkan sebaran frekuensi dari data numerikal. Bisa
distribusi dari frekuensi-nya atau frekuensi relatif-nya

Histogram dapat digunakan untuk melihat:

 Ukuran penyebaran dan ukuran pemusatan data

 Adanya data outlier
 Mendeteksi ada bimodus/tidak
Contoh: Histogram untuk nilai B. Inggris

Oke mungkin datanya kurang ideal untuk contoh.

Hal yang dapat dimodifikasi dalam pembuatan histogram adalah ukuran bin atau
ukuran interval yang digunakan dalam klasifikasi nilai di sumbu x.

Perbedaan bin size dapat membuat perbedaan histogram seperti ini.

Lebih lanjut mengenai histogram dapat dibaca di sini dan di sana.

Boxplot

Boxplot digunakan untuk menunjukkan pemusatan dan penyebaran data dengan

menggunakan kuartil, bentuk sebaran, dan outlier atau data ekstrim.
Anatomi boxplot adalah sebagai berikut: (sumber)

Jika kita gunakan data contoh kita:

Contoh:

Lebih lanjut mengenai boxplot dapat dibaca di sini dan di sana.

Sebelum melanjutkan membaca, saya menulis mengenai penyajian data secara lebih
lengkap pada tulisan

Penyajian data: numerik

Penyajian data secara numerik dilakukan dengan menggunakan ringkasan dari data.

Hal ini bertujuan untuk mendeskripsikan data dan mengetahui karakteristik data
secara sesederhana tetapi memiliki tetap
dapat menjelaskan data secara keseluruhan

Penyajian data secara numerik secara umum dapat dibagu menjadi dua yaitu:

1. Ukuran pemusatan (measurement of central tendency)

2. Ukuran penyebaran (measurement of spread)
Namun, ada juga yang melakukan pengelompokan dengan lebih rinci, meliputi:

1. Ukuran frekuensi (measurement of frequency)

2. Ukuran pemusatan (measurement of central tendency)
3. Ukuran penyebaran (measurement of spread)
4. Ukuran posisi (measurement of position)
Mari kita bedah satu-persatu.

Ukuran frekuensi
Ukuran frekuensi menunjukkan seberapa sering suatu kejadian terjadi.
Frekuensi biasa ditunjukkan dengan jumlah rekaman dan persentase.

Cara menghitung presentase adalah jumlah rekaman/ jumlah keseluruhan data x

100%.

Data frekuensi sering ditampilkan menggunakan tabel frekuensi, juga diagram baik
diagram batang maupun pie.

Ukuran pemusatan
Ukuran pemusatan merupakan gambaran (informasi) yang menunjukkan bahwa data
mungkin memiliki satu (atau lebih) titik di mana data-data terkumpul atau
terpusat.Ukuran pemusatan digunakan untuk menunjukkan suatu nilai

Ukuran pemusatan dinyatakan dalam bentuk:

mean (rata-rata)
modus (mode)
median
Sumber gambar

Mean (rata-rata)

Mean merupakan nilai rata-rata dari dataset kita.

Cara menghitungnya adalah dengan menjumlahkan semua data yang terdapat dalam
dataset, dibagi dengan banyaknya data.

Misal kita hitung rata-rata nilai B.Ing dari data contoh kita.

Caranya seperti ini:

 Jumlahkan semua data= 3+8+8+9+9+6+7+8+9+4= 71.

 Lalu bagi dengan total pengamatan = 71/10 = 7.1
Hasilnya, mean dari nilai B.Ing = 7.1

Modus (mode)
Modus atau mode merupakan nilai pengamatan yang paling sering muncul.

Dalam satu dataset, dapat pula terdapat lebih dari satu modus.

Cara mencarinya dapat dengan menggunakan tabel frekuensi.

Misal kita hitung modus dari data nilai Mtk = 5 (4 kali muncul).

Median

Median merupakan nilai yang membagi dua sama banyak kumpulan data yang sudah
diurutkan.

Untuk penjelasan cara menghitungnya, kita gunakan data nilai Mtk dari data contoh
kita.

Caranya seperti ini.

 Urutkan data dari kecil ke besar

3, 5, 5, 5, 6, 6, 7, 8, 9, 9

 Lihat banyak data (ganjil vs genap) –> 10

 Cari posisi median ((n+1)/2) — > 6 dan 6
 Tentukan nilai median
Karena nilainya tidak bulat (5,5) maka kita gunakan rata-rata data uurtan no 5 (X5=
6) dan 6 (X6= 6).

Berarti nilai median adalah = (6+6)/2 = 6.

Ukuran penyebaran
Ukuran penyebaran menyatakan sebaran dataset.

Ukuran penyebaran dinyatakan dengan:

 Jangkauan/Rentang (range)
  Variansi (variance)
 Standar deviasi (standard deviation)

Jangkauan

Jangkauan menunjukkan interval dari data kita.

Jangkauan merupakan suatu ukuran yang dihitung dari selisih pengamatan terkecil
dengan pengamatan terbesar.

Jangkauan merupakan ukuran untuk mengukur penyebaran data yang simetris, di

mana nilai pengamatannya menyebar merata.

Namun, ukuran ini dapat menjadi tidak relevan jika pengataman maksimum dan
minimum merupakan outlier atau data-data yang ekstrim.

Contoh perhitungan jangkauan kita lakukan dengan menggunakan kolom nilai MTK.

Jangkauan dapat dihitung dengan mudah yaitu:

 Pertama, urutkan data dari kecil ke yang paling besar.

3, 5, 5, 5, 6, 6, 7, 8, 9, 9

 Ambil nilai minimum (3) dan nilai maksimum (9).

 Kemudian hitung jangkauan dengan rumus nilai maksimum-nilai
minimum.
9-3=6

Ragam/ Variansi

Ragam menunjukkan perbedaan antara data dengan rata-ratanya.

Ragam atau variansi merupakan ukuran penyebaran data yang

mengukur rata-rata jarak kuadrat semua titik pengamatan
terhadap titik rata-rata.
Kita menggunakan nilai ragam untuk menunjukkan bagaimana persebaran data. Nilai
ini berguna untuk melihat bagaimana penyebaran data mempengaruhi nilai rata-rata
(mean).

Standar deviasi

Standar deviasi atau simpangan baku merupakan akar dari ragam.

Standar deviasi biasa digunakan untuk mengukur sebaran dari distribusi.

Seperti ragam, standar deviasi menunjukkan seberapa jauh data dengan rata-ratanya.

Standar deviasi semakin besar jika jarak antar pengamatan dengan rata-ratanya
semakin besar. Sebaliknya, standar deviasi semakin kecil jika jarak antara
pengamatan dengan rata-ratanya semakin kecil.

Standar deviasi lebih sering digunakan daripada variansi (ragam), meskipun pada
beberapa kasus, ragam lebih berguna.

Cara menghitung ragam dan simpangan baku

Contoh data
Kita akan hitung ragam dan simpangan baku untuk kolom nilai B,Ing.

Pertama, kita hitung mean. Mean atau rata-rata nilai B.Ing adalah 7,1 (lihat contoh
perhitungan mean di atas).

Selanjutnya, kita hitung simpangan (deviasi). Simpangan merupakan perbedaan

antara pengamatan dengan rata-rata.

Angka ini didapatkan dengan menghitung nilai pengamatan-nilai rata-rata.

Kemudian, kita hitung nilai kuadrat (pangkat dua) dari setiap simpangan.
Maka ragam dari data kita adalah= 40,90/(10-1) = 40,90/9 = 4,54.

Sedangkan simpangan baku merupakan akar dari ragam. Sehingga nilai akar dari 4,54
= 2,13.

Ukuran posisi

Persentil

Persentil adalah pembagian data terurut menjadi 100 buah bagian sama banyak.

Dari 100 buah bagian yang dibagi sama banyak tersebut, dibatasi oleh 99 buah nilai
persentil.

Kuartil

Kuartil adalah membagi data terurut menjadi empat sama banyak.

Dari 4 buah bagian yang dibagi sama banyak tersebut, dibatasi oleh 3 buah nilai
persentil.

Jarak antar kuartil (Interquartile

Range)

Jarak antar kuartil mengukur penyebaran 50% data

di tengah-tengah setelah data diurut.

Ukuran penyebaran ini merupakan ukuran penyebaran data

yang terpangkas 25% yaitu dengan membuang 25% data yang
terbesar dan 25% data terkecil.

Cara menghitung jarak antar kuartil

Langkah-langkah ini diambil:

 Mengurutkan data dari terkecil hingga tertinggi, lalu membaginya

menjadi dua sama besar, atau pada mediannya.
  Cari median dari bagian 50% bawah. Nilai ini disebut kuartil pertama
(Q1). Q1 membagi data menjadi 2, yaitu 25% pertama dan 25% kedua.

 Ulangi langkah kedua pada bagian 50% atas. Nilai ini disebut kuartil
ketiga (Q3). Q3 membagi data menjadi 2, yaitu 25% ketiga dan 25%
keempat.

 Sejumlah 50% data antara Q1 hingga Q3 merupakan jarak antar

kuartil.

Cara terbaik untuk menampilkan IQR adalah dengan menggunakan boxplot.

Contoh penggunaan statistika deskriptif

Pada penjelasan dan contoh perhitungan statistika deskriptif di atas, saya memberikan
contoh penggunaan statistika deskriptif untuk menyajikan nilai UN siswa.

Untuk lebih jelas lagi, berikut akan dijelaskan satu contoh lagi.

Sebagai contoh analisis statistika deskriptif, mari kita bayangkan perusahaan asuransi
yang menganalisis data pelanggannya.

Perusahaan asuransi memiliki banyak data tentang pelanggannya, seperti jenis

kelamin, usia, dan pekerjaan mereka.

Nah, untuk mendapatkan profil nasabah yang lebih baik, perusahaan asuransi dapat
menerapkan analisis menggunakan statistika deskriptif.

Misal, ukuran frekuensi dapat digunakan untuk mengidentifikasi berapa banyak

pelanggan di bawah usia 30 tahun. Hal ini dapat dicapai dengan membuat tabel
frekuensi, dan menyajikannya dalam bentuk diagram batang.

Lalu ukuran pemusatan atau tendensi sentral dapat digunakan untuk mengidentifikasi
bagaimana karakteristik terbesar pelanggan mereka.

Ukuran dispersi dapat digunakan untuk mengidentifikasi variasi, misalnya, usia

pelanggan mereka.
Akhirnya, ukuran posisi dapat digunakan untuk membandingkan segmen pelanggan
berdasarkan ciri-ciri tertentu.

Mean, median, atau modus?

Nilai ukuran pusat yang tepat untuk digunakan tergantung pada sifat data, sifat
distribusi frekuensi dan tujuan.

Jika data kualitatif, hanya modus yang dapat digunakan.

Sebagai contoh, apabila kita tertarik untuk mengetahui jenis tanah yang khas di suatu
lokasi, atau pola tanam di suatu daerah, kita dapat menggunakan modus.

Di sisi lain, jika data bersifat kuantitatif, kita dapat menggunakan salah satu dari
ukuran nilai pusat tersebut. Jika data bersifat kuantitatif, kita harus
mempertimbangkan sifat distribusi frekuensi gugus data tersebut.

Apabila distribusi data normal, semua dapat digunakan.

Namun, mean lebih sering digunakan dibanding yang lainnya.

Bila distribusi frekuensi data tidak normal, median atau modus merupakan ukuran
pusat yang tepat.

Demikian juga jika terdapat nilai-nilai ekstrim, maka nilai mean tidak tepat
digunakan, sehingga bisa menggunakan nilai modus atau median.

Standar deviasi vs Jarak antar kuartil

Standar deviasi dihitung menggunakan kuadrat dari simpangan, sehingga standar
deviasi lebih sensitif terhadap data ekstrim (outlier) daripada nilai mean.

Jika terdapat nilai ekstrim, atau terdapat kemencengan baik menceng ke kiri maupun
ke kanan, maka jarak antar kuartil lebih tepat untuk digunakan.

Wrap up
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan
dan penyajian data sehingga memberikan informasi yang berguna. Statistika
deskriptif digunakan untuk mendeskripsikan, meringkas dan membuat summary data
agar lebih mudah dibaca dan digunakan.

Statistika deskriptif sangat penting karena jika kita hanya memunculkan data asli
yang kita miliki, informasi dan insight dari data tersebut sangat sulit didapatkan,
apalagi jika datanya memiliki record yang sangat besar.

Statistika deskriptif kurang lebih merupakan metode untuk merangkum informasi

yang telah kita kumpulkan. Rangkuman informasi biasa ditampilkan dalam bentuk
grafik atau dalam bentuk nilai rata-rata, persentase dan yang lainnya.

Statistika deskriptif bertujuan untuk memberikan ringkasan dari sampel data dan
tidak menggunakan data untuk membuat kesimpulan atas populasi.