2

ANALISIS DATA EKSPLORATIF

A. PENGERTIAN ANALISIS DATA EKSPLORATIF

Analisis data eksploratif adalah sebuah kemampuan dalam mengeksplorasi data dengan
mengetahui pola sebaran data, meringkas data, menggambarkan data dalam berbagai macam
plot, grafik, chart, dan tabel, sebelum data tersebut dilakukan analisis lebih lanjut dengan
menggunakan analisis inferensia. Alasan kita mempelajari analisis data eksploratif karena
munculnya masalah berupa banyak orang terkait data adalah buta angka atau kesulitan dalam
membaca data. Oleh karena itu, dalam mempelajari analisis data eksplorasi, kita harus mampu
mengeksplorasi data dengan mengetahui pola sebaran data, meringkas data, menggambarkan
data dalam berbagai macam plot, grafik, chart, ataupun tabel.

B. MANFAAT ANALISIS DATA EKSPLORATIF

1. Memperoleh pemahaman tentang karakteristik/perilaku data dengan lebih baik sehingga
membantu menentukan metode analisis yang sesuai
2. Dapat mendiagnosa ada/tidak pelanggaran asumsi
3. Dapat mendeteksi pencilan atau anomali
4. Dapat diperkirakan secara kasar hubungan variabel
5. Memperkirakan arah dan ukuran kasar dari hubungan variabel bebas dan terikat

C. PERBEDAAN ANALISIS DATA EKSPLORATORI DENGAN KONFIRMATORI

1. Analisis Data Eksploratori
a. Menggunakan statistik dskriptif
b. Pendekatan secara deduktif untuk mengorganisasi dan meringkas data
c. Kelebihan:
 Cara yang fleksibel untuk menghasilkan hipotesis
 Mencoba untuk mengevaluasi validitas asumsi
 Sangat bergantung pada tampilan grafis
 Tidak perlu data dukung terlalu banyak
 Fokus pada indikasi dan perkiraan besarnya kesalahan
d. Kekurangan:
 Biasanya tidak memberikan jawaban yang pasti
 Sulit untuk menghindari perkiraan yang bias
 Sulit untuk menghindari opini
 Tidak bisa menganalisis adanya error atau jawaban yang salah
2. Analisis Data Konfirmatori
a. Menggunakan statistik inferensia
b. Pendekatan secara induktif
c. Sangat bergantung pada model peluang
d. Harus menerima asumsi yang tidak dapat diuji
e. Hipotesis ditentukan sejak awal
f. Memberikan informasi yang tepat jika semua informai dipenuhi
g. Mengutamakan perhitungan angka
h. Mencari jawaban pasti dari soal spesifik
i. Kelebihan:
 Memberikan informasi yang tepat saat asumsi terpenuhi
 Unggul dalam teori dan metode
 3
j. Kekurangan:
 Sulit untuk melihat hasil yang tak terduga
 Analisis didasarkan pada perkiraan awal
 Kesan tidak baik pada ketelitian dibawah standar

D. BEBERAPA TEKNIK GRAFIS YANG DIGUNAKAN DALAM ANALISIS DATA EKSPLORATIF

1. Membuat plot data mentah (raw data), misal:
a. Stem-and-Leaf plot: untuk mengurutkan data, melihat pola/bentuk distribusi data
(simetris, menceng kiri/kanan), dan membandingkan distribusi 2 atau lebih kelompok
data
b. Histogram: untuk menggambarkan bentuk distribusi data (dimana data memusat,
bagaimana data menyebar, ada/tidak outlier)
c. Probability Plot: untuk melihatapakah data mengikuti suatu distribusi tertentu atau
tidak, misal Normal
d. Scatter Plot: untuk melihat pola hubungan antar 2 variabel
2. Membuat plot statistik sederhana, misal:
a. Box (and whisker) plot adalah alat yang sangat baik untuk menggambarkan lokasi dan
informasi variasi sekumpulan data, terutama untuk mendeteksi dan menggambarkan
lokasi dan variasi perubahan antara kelompok data yang berbeda. Menggunakan 5
statistik sederhana, yaitu nilai minimum (L), maksimum (U), Q1, Q2, dan Q3.
b. Plot rata-rata (mean plot): untuk melihatapakah ada perbedaan rata-rata dari
beberapa kelompok data. Perbandingan juga dapat dilakukan antarwaktu (tahun,
bulan, minggu, dan sebagainya).
c. Plot simpangan baku (standard deviation plot): untuk melihat apakah ada perbedaan
keragaman (variasi) dari beberapa kelompok data. Perbandingan juga dapat dilakukan
antarwaktu (tahun, bulan, minggu, dsb).

STEM AND LEAF DIAGRAM

A. PENGERTIAN
Steam and leaf digram adalah penyajian data dalam bentuk diagram dengan cara
menyusun/menata data menjadi dua bagian, yaitu batang (stem) dan daun (leaf). Pembagian
batang dan daun mengikuti aturan tertentu (key). Misalkan batang berisi digit pertama atau
beberapa digit pertama, dan daun berisi digit terakhir. Sebuah kunci (key) dari diagram batang
dan daun menunjukkan kekhususan apa yang direpresentasikan oleh data (cara penyusunan
data). Key juga bisa menunjukkan satuan pengukuran (persen, kaki, inci, dll).
Diagram batang daun menyajikan penyebaran dari suatu data sehingga secara
keseluruhan data individu-individu dapat terlihat apakah ada kecendrungan data tersebut
menyebar atau memusat pada suatu nilai tertentu, atau nilai manakah yang paling sering
muncul dan yang jarang muncul. Penyajian data dengan diagram batang daun, selain dapat
memperoleh informasi mengenai distribusi dari gugus data juga dapat dilihat nilai-nilai
pengamatan aslinya.
Tujuan penggunaan diagram batang daun yaitu:
1. Mengurutkan data
2. Mengetahui pola/bentuk distribusi data (simetris, menceng, bimodal, uniform)
3. Membandingkan distribusi dua atau lebih kelompok data
4. Mengetahui penyebaran atau variasi dari data pengamatan
4
5. Mendeteksi adanya pencilan (outlier)
6. Mengetahui titik pemusatan data
7. Mengetahui lokasi yang merupakan gap (kesenjangan dalam data)

B. KELEBIHAN DAN KEKURANGAN STEM AND LEAF DIAGRAM

1. Kelebihan:
a. Mudah membuatnya
b. Membolehkan kita untuk merekonstruksi kumpulan data
c. Mudah untuk mengidentifikasi pengamatan yang berurutan
2. Kekurangan:
a. Hanya cocok untuk menggambarkan kumpulan data kecil
b. Kurang fleksibel dalam pemilihan batang
c. Tidak menyampaikan pembacaan frekuensi kelas secara cepat

C. MEMBUAT STEM AND LEAF DIAGRAM

1. Data diurutkan terlebih dahulu
2. Pisahkan data dalam dua komponen stem and leaf diagram
3. Pisahkan antara stem dan leaf dengan tanda |
4. Berikan kunci pembacaan stem and leaf diagram, agar bisa dibaca juga oleh orang lain

D. BACK-TO-BACK STEM AND LEAF DIAGRAM

Back-to-back stem and leaf diagram digunakan untuk menyajikan antara dua jenis data
yang dapat diperbandingkan. Back-to-back stem and leaf diagram disajikan dalam bentuk
diagram batang daun yang saling membelakangi dengan satu buah batang yang sama.
Berikut adalah jumlah denyut jantung per menit orang dewasa antara pasien laki-laki dan
perempuan di suatu rumah sakit.
Laki-laki : 99, 95, 97, 120, 115, 135, 140, 121, 119, 132, 100, 94, 95, 112, 114
Perempuan : 100, 89, 80, 120, 125, 105, 110, 98, 119, 102, 100, 99, 86, 88, 123
Laki-laki Perempuan
8 0 6 8 9
9 7 5 5 4 9 8 9
0 10 0 0 2 5
9 5 4 2 11 0 9
1 0 12 0 3 5
5 2 13
0 14
Key: 8 0 = 80

E. BENTUK DISTRIBUSI DATA

1 1 5 1 3 1 5 5 1 2 1 3 3 6 5 5
2 4 7 2 5 6 2 5 6 6 6 6 2 2 2 2 0 1 1 4
3 8 9 3 0 2 6 3 1 3 3 8 3 6 6 3 2 3 5
4 3 6 4 3 7 9 9 4 2 5 5 7 4 5 7 8 8 4 0 0
5 2 7 5 2 2 3 5 1 1 4 5 0 0 6 8 8 5 3 4 4
6 0 2 6 4 6 6 0 0 6 7 7 8 8 6 1 1 1 3
7 0 9 7 0 7 8 7 3 4 7 4 4 5 9 9
UNIFORM NORMAL MENCENG KANAN MENCENG KIRI MENCENG KIRI
 5
CONTOH SOAL:
1. Buatlah stem and leaf diagram dari data berikut.
65, 68, 50, 59, 53, 75, 77, 89, 92, 50, 64, 66, 74, 73, 89, 86, 80, 55, 65, 90

2. Berikut adalah jumlah pendapatan pengemudi ojek online A dan B per hari selama 20 hari
dalam ribuan rupiah.
A: 89, 90, 95, 78, 132, 120, 119, 128, 130, 120, 80, 97, 100, 105, 85, 96, 87, 125, 110, 92
B: 105, 110, 98, 90, 130, 128, 130, 143, 148, 156, 95, 120, 110, 105, 125, 95, 134, 120, 95, 100
Buatlah diagram batang dan daun dari data di atas.

3. Berikut adalah jumlah produksi kecap dan saos dari suatu pabrik (puluhan botol).
No. Kecap Saos
1. 56 60
2. 43 76
3. 44 77
4. 55 65
5. 60 54
6. 67 55
7. 45 70
8. 56 70
9. 50 62
10. 65 51
Buatlah back-to-back stem and leaf diagram dari data di atas.

4. Berikut adalah hasil tes IQ (Intelligent Quotient) yang dilakukan sebuah perusahaan kepada 40
karyawannya: 139 114 121 123 118 104 97 105 101 117 128 115 104 119 120 122 132 107
116 104 112 109 113 127 114 120 117 122 98 100 108 103 119 109 124 101 112 106 102
105
Buatlah diagram dteam and leaf nya.

JAWABAN:
1. Pertama kali yaitu mengurutkan data dari terkecil ke terbesar
50, 50, 53, 59, 65, 68, 75, 77, 89, 92
Kemudian, buat diagram stem and leaf. Batang dimulai dari 5 sampai ke 9.
5 0 0 3 9
6 5 8
7 5 7
8 9
9 2

Key: 5 0 = 50

2. Pertama kali yaitu mengurutkan data dari terkecil ke terbesar

Pengemudi A: 78, 80, 85, 87, 89, 90, 92, 95, 96, 97, 100, 105, 110, 119, 120, 120, 125, 128,
130, 132
Pengemudi B: 90, 95, 95, 95, 98, 100, 105, 105, 110, 110, 120, 120, 125, 128, 130, 130, 134,
143, 148, 156
6
Kemudian, buat back-to-back stem and leaf diagram. Batang dimulai dari angka terkecil dari
kedua data yaitu 7 sampai yang terbesar yaitu 15

PENGEMUDI A PENGEMUDI B
8 7
9 7 5 0 8
7 6 5 2 0 9 0 5 5 5 8
5 0 10 0 5 5
9 0 11 0 0
8 5 0 0 12 0 0 5 8
2 0 13 0 0 4
14 3 8
15 6
Key:
7 8 = 78

3. Pertama kali yaitu mengurutkan data dari terkecil ke terbesar.

Kecap : 43, 44, 45, 50, 55, 56, 56, 60, 65, 67
Saos : 51, 54, 55, 60, 62, 65, 70, 70, 76, 77

KECAP SAOS
5 4 3 4
6 6 5 0 5 1 4 5
7 5 0 6 0 2 5
7 0 0 6 7
Key: 4 3 = 430

4. Urutkan data dari terkecil ke terbesar.

97, 98, 100, 101, 101, 102, 103, 104, 104, 104, 105, 105, 106, 107, 108, 109, 109, 112, 112, 113,
114, 114, 115, 116, 117, 117, 118, 119, 119, 120, 120, 121, 122, 122, 123, 124, 127, 128, 132,
139.

9 7 8
10 0 1 1 2 3 4 4 4 5 5 6 7 8 9 9
11 2 2 3 4 4 5 6 7 7 8 9 9
12 0 0 1 2 2 3 4 7 8
13 2 9

Key: 9 7 = 97

RINGKASAN DATA NUMERIK

A. UKURAN PEMUSATAN DATA

Ukuran tendensi pusat adalah suatu bilangan yang menunjukkan kecenderungan
(tendency) sekumpulan data untuk berkelompok atau berkumpul di pusat (central). Nilai
dianggap representatif sebagai gambaran hasil pengukuran nilai-nilai suatu data yang
dikumpulkan. Ukuran pemusatan yang akan dibahas disini adalah mean, median, dan modus.
 7
Contoh:
90, 25, 89, 11, 69, 59, 51, 25, 25, 80
Rata-rata = 52,4
Median = 55
Modus = 25

1. Median
Median adalah nilai yang ada di tengah dari suatu agregat dimana nilai-nilai yang
diobservasi disusun dalam suatu array (diurutkan dari nilai terendah sampai nilai yang
tertinggi). Hal ini berarti bahwa separuh (50%) pengamatan mempunyai nilai di
bawahnya median dan separuhnya lagi (50%) berada di atasnya. Beberapa sifat median
yang harus diketahui:
 Median mudah dihitung dan mudah dimengerti dan dipengaruhi oleh jumlah
pengamatan.
Contoh: 2 4 4 6 7 8 8 9 9; median: 7
2 4 4 6 7 8 8 9 9 9; median: 7,5
 Tidak dipengaruhi oleh nilai observasi
Contoh: 2 4 4 6 7 8 8 9 9; median: 7
2 4 4 6 7 8 8 9 1000; median: 7,5
 Median digunakan untuk distribusi frekuensi yang miring
 Cocok untuk data yang heterogen
 Hanya ada satu median di dalam data

2. Mean
Mean atau rata-rata hitung dari suatu agregat adalah jumlah semua nilai agregat dibagi
dengan jumlah observasi dalam agregat tersebut atau secara sederhana mean adalah
jumlah seluruh nilai observasi dibagi dengan banyaknya observasi tersebut. Beberapa sifat
mean yang perlu diketahui:
 Notasi untuk mean populasi adalah m (baca: myu) dan untuk mean sampel digunakan
notasi 𝑥̅ (baca: x-bar)
 Hanya dapat digunakan dalam data yang berskala rasio atau memiliki data numerik,
misalnya: umur, tinggi badan, lama sekolah, tekanan darah.
 Penggunaan rata-rata lebih popular di masyarakat dan lebih mudah digunakan
 Rata-rata selalu ada dan nilainya hanya ada satu
 Tidak peka dengan penambahan jumlah data
 Mean cocok digunakan untuk data yang bersifat homogen
 Kelemahan mean adalah nilainya sangat bergantung dengan nilai data sehingga sangat
dipengaruhi oleh data-data yang bersifat ekstrem, baik terlalu rendah maupun terlalu
tinggi. Setiap ada perubahan pada setiap nilai data, sangat mempengaruhi nilai mean.
 Sangat tidak disarankan digunakan untuk mencari nilai pemusatan data dari data
yang heterogen dengan menggunakan mean karena sifatnya yang sangat peka
terhadap nilai data.

3. Modus
Modus dapat didefinisikan sebagai nilai pengamatan yang memiliki frekuensi paling
tinggi atau dengan kata lain yang paling sering muncul. Beberapa sifat modus yang
sebagai berikut.
8
 Modus kurang dikenal di masyarakat dibandingkan mean dan median
 Dalam suatu distribusi frekuensi bias jadi terdapat lebih dari satu modus ataupun tidak
terdapat modus sama sekali
 Modus tidak dapat dipengaruhi oleh adanya suatu nilai ekstrem dari suatu kelompok
data
 Modus dapat digunakan baik pada data yang bersifat kualitatif maupun kuantitatif, dan
berskala nominal, ordinal, interval, rasio.
 Bila suatu distribusi frekuensi memiliki satu modus disebut unimodal, dua modus
disebut bimodal, dan tiga modus atau lebih disebut multimodal.

Hubungan Mean, Median, dan Modus

1. Mean pada umumnya dipilih untuk mengukur tendensi sentral terutama bilamana
distribusi mendekati normal, sebab mean mempunyai stabilitas variasi yang baik dan
dapat digunakan sebagai dasar statistik selanjutnya
2. Median adalah nilai tengah dan umumnya paling tepat menggambarkan tendensi sentral
bila distribusi menunjukkan keistimewaan, seperti miring ke kanan atau ke kiri, dsb. Pada
distribusi yang miring ini lebih tepat digunakan nilai median, karena nilai median berada
diantara nilai modus dan mean
3. Modus merupakan alat yang paling sederhana untuk menafsirkan tendensi sentral dalam
waktu cepat atau waktu terbatas

B. UKURAN PENYEBARAN DATA

1. Jarak/Range
Jarak atau range merupakan ukuran variasi yang paling sederhana dan paling mudah
dihitung. Jarak merupakan selisih antara nilai terbesar dan terkecil dari suatu kelompok
nilai (data).
2. IQR
IQR merupakan selisih atara nilai kuartil 3 dan kuartil 1. IQR banyak digunakan dalam
analisis data eksploratif untuk menghitung sebaran data dan untuk mendeteksi ada atau
tidaknya pencilan. IQR cocok digunakan Bersama-sama dengan median sebagai ukuran
pemusatannya.
3. Standar Deviasi atau Simpangan Baku
Di antara ukuran dispersi atau variasi, simpangan baku adalah yang paling banyak
digunakan, sebab mempunyai sifat-sifat matematis yang sangat penting dan berguna sekali
untuk pembahasan teori dan analisis.
Simpangan baku merupakan salah satu ukuran dispersi yang diperoleh dari akar
kuadrat positif varians. Varians adalah rata-rata hitung dari kuadrat simpangan setiap
pengamatan terhadap rata-rata hitungnya. Simpangan baku sangat cocok digunakan
bersama-sama dengan mean sebagai ukuran pemusatannya.

C. HINGES
Hinges merupakan cara mencari nilai yang membagi sekelompok data menjadi dua bagian
sama besar antara nilai minimum dengan median dan antara nilai median dengan nilai
maksimum. Hinges identic dengan kuartil, tetapi berbeda dari cara mencarinya. Hinges dicari
menggunakan lipatan data yaitu menampilkan data dari minimum ke maksimum menjadi
seperti huruf “W”. hinges terdiri atas hinges bawah (lower hinges) − nilai yang membagi data
 9
dari nilai maksimum sampai median menjadi sama besar − serta hinges atas (high
hinges) – nilai yang membagi data dari median sampai nilai maksimum menjadi
sama besar.
Cara membuat Hinges:
1. Siapkan data
5, 45, 60, 34, 54, 66, 23, 45, 31, 20, 17, 10, 48, 39, 6, 15, 32
2. Mengurutkan data dari nilai terkecil ke terbesar
5, 6, 10, 15, 17, 20, 23, 31, 32, 34, 39, 45, 45, 48, 54, 60, 66
Setelah data diurutkan, maka data pertama menjadi data minimum dan yang terakhir
menjadi data minimum.
3. Menghitung letak Median, Hinges atas, dan Hinges bawah
Untuk menghitung letak median, hinges atas, dan hinges bawah, maka kita mengikuti
perhitungan Tukey dengan membulatkan bilangan-bilangannya. Untuk median banyaknya
data dibagi 2 dan untuk hinges banyak data dibagi 4. Lihat angka di belakang koma hasil
pembagian, letaknya dibulatkan mengikuti aturan di bawah ini.
 Jika ,00 bulatkan menjadi ,50 ke atas
 Jika ,25 bulatkan menjadi ,00 ke atas
 Jika ,50 bulatkan menjadi ,00 ke atas
 Jika ,75 bulatkan menjadi ,50 ke atas.
Jumlah Data: 17
17
Letak median= = 8,5 dibulatkan ke atas menjadi 9,00
2
17
Letak Hinges= = 4,25 dibulatkan ke atas menjadi 5,00
4
Jadi, median terletak pada data ke-9, hinges bawah terletak pada data ke-5, dan hinges atas
terletak pada data ke-5 dihitung dari nilai maksimum.
𝑚𝑒𝑑𝑖𝑎𝑛 = 32
ℎ𝑖𝑛𝑔𝑒𝑠 𝑏𝑎𝑤𝑎ℎ = 17
ℎ𝑖𝑛𝑔𝑒𝑠 𝑎𝑡𝑎𝑠 = 45
4. Menyusun Hinges
Dari data yang diperoleh yaitu:
𝑚𝑖𝑛 = 5
𝑚𝑎𝑘𝑠 = 66
𝑚𝑒𝑑𝑖𝑎𝑛 = 32
ℎ𝑖𝑛𝑔𝑒𝑠 𝑏𝑎𝑤𝑎ℎ = 17
ℎ𝑖𝑛𝑔𝑒𝑠 𝑎𝑡𝑎𝑠 = 45
Akan disusun menjadi bentuk seperti berikut:

5 32 66
6 31 34 60
10 23 39 54
15 20 45 48
17 45

D. 5 NUMBER SUMMARIES
Ringkasan lima angka adalah statistik deskriptif yang menyediakan informasi tentang
kumpulan pengamatan yang terdiri atas nilai maksimum, minimum, kuartil 1, median, dan
kuartil 3. Selain itu, terdapat juga banyaknya data.
10
#N
𝑀𝑖 Med
𝐻𝑖 Q1 Q3
1 Min Maks

Dengan hinges yang telah dibuat pada pembahasan hinges di atas, dapat dibuat 5 Number
Summary sebagai berikut.
#17
M9 32
H5 17 45
1 5 66

E. MENDETEKSI OUTLIER DENGAN IQR (INTER QUARTILE RANGE)

Inter Quartile Range adalah ukuran yang menunjukkan dimana 50% dari sebaran data berada.

𝐼𝑄𝑅 = 𝑄3 − 𝑄1

Outiler: Outlier disebut juga dengan data pencilan. Outlier adalah data observasi yang muncul
dengan nilai-nilai ekstrem, baik ekstrem atas maupun ekstrem bawah. Yang dimaksud dengan
nilai ekstrem dalam observasi adalah nilai yang jauh atau beda sama sekali dengan sebagian
besar nilai lain dalam kelompoknya.
Cara menghitung outlier dengan IQR:
1. Urutkanlah data observasi
2. Tentukan median, kuartil 1, dan kuartil 3.
3. Hitunglah nilai IQR
4. Hitunglah Lower Outlier dan Higher Outlier dengan cara;
𝑙𝑜𝑤𝑒𝑟 𝑜𝑢𝑡𝑙𝑖𝑒𝑟 = 𝑄1 − 1,5 𝐼𝑄𝑅
ℎ𝑖𝑔ℎ𝑒𝑟 𝑜𝑢𝑡𝑙𝑖𝑒𝑟 = 𝑄3 + 1,5 𝐼𝑄𝑅
5. Kriteria suatu data disebut outlier, yaitu:
 𝐿𝑜𝑤𝑒𝑟 𝑂𝑢𝑡𝑙𝑖𝑒𝑟: 𝑠𝑒𝑡𝑖𝑎𝑝 𝑑𝑎𝑡𝑎 < 𝑄1 − 1,5 𝐼𝑄𝑅
 𝐻𝑖𝑔ℎ𝑒𝑟 𝑂𝑢𝑡𝑙𝑖𝑒𝑟: 𝑠𝑒𝑡𝑖𝑎𝑝 𝑑𝑎𝑡𝑎 > 𝑄3 + 1,5 𝐼𝑄𝑅

CONTOH SOAL:
Buatlah hinges dari data berikut!
1. 63, 83, 34, 81, 92, 72, 75, 65, 46, 63, 64, 82, 84, 68, 53, 55, 51, 62, 59
2. 75, 93, 41, 77, 64, 68, 51, 72, 74, 37, 74, 63, 89, 52, 73, 57, 56, 79, 53, 49, 34, 66, 63, 39

JAWABAN:
1. Dilakukan pengurutan data
34, 46, 51, 53, 55, 59, 62, 63, 63, 64, 65, 68, 72, 75, 81, 82, 83, 84, 92

Menghitung letak median dan hinges

19
𝑙𝑒𝑡𝑎𝑘 𝑚𝑒𝑑𝑖𝑎𝑛 = = 9,5 → 𝑑𝑎𝑡𝑎 𝑘𝑒 − 10
2
19
ℎ𝑖𝑛𝑔𝑒𝑠 = 4
= 4,75 → 5,5 → 𝑑𝑎𝑡𝑎 𝑘𝑒 − 5 𝑑𝑎𝑛 𝑘𝑒 − 6
Menyusun hinges
 11
34 64 92
46 63 65 84
51 63 68 83
53 62 72 82
55 59 75 81

2. Dilakukan pengurutan data

34, 37, 39, 41, 49, 51, 52, 53, 56, 57, 63, 63, 64, 66, 68, 72, 73, 74, 74, 75, 77, 79, 89, 93

Menghitung letak median dan hinges

24
𝑙𝑒𝑡𝑎𝑘 𝑚𝑒𝑑𝑖𝑎𝑛 = = 12 → 12,5 → 𝑑𝑎𝑡𝑎 𝑘𝑒 − 12 𝑑𝑎𝑛 𝑘𝑒 − 13
2
24
ℎ𝑖𝑛𝑔𝑒𝑠 = = 6 → 6,5 → 𝑑𝑎𝑡𝑎 𝑘𝑒 − 6 𝑑𝑎𝑛 𝑘𝑒 − 7
4
Menyusun hinges

34 63 64 93
37 63 66 89
39 57 68 79
41 56 72 77
49 53 73 75
51 52 74 74

DOT PLOT DAN BOX PLOT

A. DOT PLOT
Dot plot adalah jenis tampilan grafis yang digunakan untuk membandingkan frekuensi
dalam kategori atau kelompok. Dot plot berbentuk seperti diagram batang dengan titik-titik
sebagai gambaran dari frekuensi data pada tiap kategori. Bentuk lain dari dot plot adalah
seperti diagram kartesius dengan sumbu-x adalah frekuensi dan sumbu-y adalah kategori. Dot
plot cocok untuk data yang memiliki sedikit observasi dan jangkauan yang tidak terlalu besar.
Informasi yang dapat diperoleh dari dot plot adalah nilai setiap observasi, sebaran data,
bentuk distribusi, kandidat pencilan.

Bentuk lain,
10
8
6
4
2
0
10 15 20
12
Langkah-langkah dalam membuat dot-plot, yaitu:
1. Gambarkan garis horizontal dan tandai dengan skala yang sesuai
2. Gambarkan setiap observasi dalam bentuk titik di atas garis horizontal pada skala yang
sesuai. Jika dua atau lebih observasi bernilai sama, tempatkan titik-titik secara vertikal.

B. BOX PLOT
Box plot (atau juga disebut diagram whisker) adalah cara menampilakn distribusi data
berdasarkan ringkasan numerik, yaitu: nilai minimum, kuartil bawah, median, kuartil atas, dan
nilai maksimum.
Box plot kita menggambarkan ringkasan numerik secara visual, memberikan gambaran
pusat data, sebaran data, bentuk distribusi data, dan dapat membandingkan antar data.
Dengan membaca box plot, dapat diketahui nilai minimum, nilai maksimum, Q1, median, Q3,
ada tidaknya nilai outlier (pencilan) dan nilai ekstrim (pencilan jauh), serta distribusi dari
data pengamatan.
1. Bagian-bagian Box Plot
 Bagian utama kotak berbentuk persegi merupakan bidang menyajikan IQR dimana
50% dari nilai data pengamatan terletak di sana. IQR menggambarkan ukuran
penyebaran data. Semakin Panjang bidang IQR menunjukkan data semakin menyebar.
 Garis bawah kotak (LQ) = Q1 (kuartil pertama), dimana 25% data pengamatan lebih
kecil atau sama dengan Q1.
 Garis tengah kotak = Q2 (median), dimana 50% data pengamatan lebih kecil atau sama
dengan nilai ini.
 Garis atas kotak (UQ) = Q3 (kuartil ketiga) dimana 75% data pengamatan lebih kecil
atau sama dengan nilai Q3.
 Garis yang merupajan perpanjangan dari box (baik kea rah atas ataupun kea rah
bawah) dinamakan dengan whisker.
 Whisker bawah menunjukkan nilai yang lebih rendah dari kumpulan data yang berada
dalam IQR
 Whisker atas menunjukkan nilai yang lebih tinggi dari kumpulan data yang berada
dalam IQR.
 Panjang whisker ≤ 1,5 × 𝐼𝑄𝑅. Garis whisker dimulai dari ujung kotak IQR dan
berakhir pada nilai data yang bukan dikategorikan sebagai outlier. Dengan demikian,
nilai terbesar dan terkecil dari data pengamatan (tanpa termasuk outlier) masih
merupaan bagian dari box plot yang terletak tepat di ujung garis tepi whisker.
 Panjang boxplot dapat digunakan untuk menggambarkan tingkat penyebaran atau
keragaman data pengamatan
 Letak median dan panjang whisker menggambarkan tingkat kesimetrisannya.
2. Kelebihan Box Plot
 Secara visual menggambarkan lokasi dari data
 Menunjukkan sebaran data tersebut simetri atau tidak
 Tidak seperti metode yang lain, box plot memperlihatkan outlier
 Dapat cepat digunakan untuk membandingkan lebih dari satu distribusi data pada satu
tampilan secara bersamaan.
3. Kekurangan Box Plot
 Cenderung memperhatikan outlier, yang mungkin tidak diperlukan dalam suatu data.
 Selain itu bentuk distribusi terpengaruh pula adanya outlier.
 Cenderung menyembunyikan detail dari distribusi data.
 13
4. Pembuatan Box Plot
 Median adalah nilai yang terletak di tengah setelah data diurutkan. Untuk
menentukan posisi nilai median suatu data tunggal dapat menggunakan rumus:
𝑛+1
𝑀𝑒 = 2
 Kuartil adalah nilai yang membagi data menjadi 4 bagian. Kuartil dinotasikan dengan
Q. Rumus untuk menentukan kuartil untuk data tunggal adalah
𝑖(𝑛+1)
𝑄𝑖 = 4
 Interquartile Range (IQR) adalah selisih 𝑄3 dan 𝑄1 .
 Nilai outlier atau pencilan adalah nilai data yang letaknya lebih dari 1.5 x panjang kotak
(IQR), diukur dari UQ (atas kotak) atau LQ (bawah kotak).
 Q3 + (1.5 x IQR) < outlier atas ≤ Q3 + (3 x IQR)
 Q1 – (1.5 x IQR) > outlier bawah ≥ Q1 – (3 x IQR)
 Nilai ekstrim atau pencilan jauh adalah nilai-nilai yang letaknya lebih dari 3 x panjang
kotak (IQR), diukur dari UQ (atas kotak) atau LQ (bawah kotak).
 Ekstrim bagian atas apabila nilainya berada di atas Q3 + (3 x IQR) dan
 Ekstrim bagian bawah apabila nilainya lebih rendah dari Q1 – (3 x IQR)
 Panjang whisker maksimal adalah 1,5 x IQR dari kotak dan digambarkan hingga nilai
maksimum atau minimum data yang terletak diantara Q1-1,5 x IQR dan Q3+1,5 x IQR.

5. Menginterpretasikan Box Plot

 Identifikasi Five Number summary
Pada dasarnya, box plot merupakan grafik yang mempresntasikan 5 number summary.
Maka dari itu, sangat perlu diidentifikasi 5 number summary dari box plot yang ada.
14
Dari nilai-nilai 5 number summary tersebut, dapat dilakukan analisis lebih lanjut
mengenai persebaran/distribusi data.
 Melihat distribusi data atau kemencengan
Pemusatan diwakili median dan rentangan penyebaran dapat dilihat dari panjangnya
kotak, yang merupakan rentangan Q1 dan Q3 atau Inter Quartile Range. Kemencengan
dapat dilihat dari posisi median dalam kotak. Jika median mendekati Q1, maka
distribusi data menceng kanan. Jika median mendekati Q3, maka distribusi data
menceng kiri. Apabila posisi median berada di tengah dapat dikatakan bahwa
distribusi data normal.
 Membandingkan data
Box plot dapat mempermudah dalam membandingkan dua atau lebih data. Dua data
yang diletakkan secara bersama sama dalam satu diagram kartesius dapat
dibandingkan bentuk kemencengannya.

CONTOH SOAL:
1. Berikut ini adalah data APK dan APM SD provinsi di Indonesia tahun 2018/2019

Provinsi APK APM

DKI Jakarta 103,63 95,39
Jawa Barat 103,25 94,36
Banten 103,92 92,76
Jawa Tengah 101,28 90,38
D.I. Yogyakarta 97,53 90,17
Jawa Timur 102,77 93,81
Aceh 103,39 91,01
Sumatera Utara 105,09 90,94
Sumatera Barat 103,98 91,28
Riau 107,74 95,08
Kepulauan Riau 96,10 86,04
Jambi 107,36 92,88
Sumatera Selatan 108,38 92,60
Bangka Belitung 108,42 94,34
Bengkulu 106,76 92,42
Lampung 102,79 91,58
Kalimantan Barat 108,43 91,08
Kalimantan Tengah 106,64 93,53
Kalimantan Selatan 104,25 91,96
Kalimantan Timur 105,39 95,02
Kalimantan Utara 106,15 94,31
Sulawesi Utara 100,89 86,74
Gorontalo 106,45 91,98
Sulawesi Tengah 104,08 91,31
Sulawesi Selatan 102,55 90,28
Sulawesi Barat 102,17 88,80
Sulawesi Tenggara 102,75 88,61
Maluku 98,50 83,59
 15
Maluku Utara 109,14 93,22
Bali 101,20 91,55
Nusa Tenggara Barat 106,18 92,12
Nusa Tenggara Timur 107,20 89,02
Papua 94,28 74,80
Papua Barat 104,94 84,30
Indonesia 103,54 91,94

Buatlah box plot dari data APK dan APM provinsi di Indonesia yang diletakkan dalam satu
diagram kartesius, kemudian berikan analisisnya (Periksa pencilan)!

JAWABAN:
1. Urutkan data terlebih dahulu !!!
Untuk APK SD:
↔ Buat 5-Number Summary terlebih dahulu
𝑛 = 34
34
𝑚𝑒𝑑 = = 17 → 17,5
2
34
𝐻= 4
= 8,5 = 9

#34
M17,5 90.335
H9 84.66 97.47
1 56.7 104.03

↔ Hitung pencilan
𝐼𝑄𝑅 = 𝑄3 − 𝑄1 = 97,47 − 84,66 = 12,81
𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ 𝑝𝑒𝑛𝑐𝑖𝑙𝑎𝑛 = 𝑄1 − 1,5 (𝐼𝑄𝑅) = 84,66 − 1,5 (12,81) = 65,445
𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠 𝑝𝑒𝑛𝑐𝑖𝑙𝑎𝑛 = 𝑄3 + 1,5 (𝐼𝑄𝑅) = 97,47 + 1,5 (12,81) = 116,685
Ada pencilan bawah

↔Membuat 5-Number Summary tanpa pencilan

𝑛 = 33
33
𝑚𝑒𝑑 = 2
= 16,5 → 17
33
𝐻= 4
= 8,25 → 9

#33
M17 90.63
H9 86.18 97.47
1 82.23 104.03

Untuk APM SD:

↔ Buat 5-Number Summary terlebih dahulu
𝑛 = 34
34
𝑚𝑒𝑑 = 2
= 17 → 17,5
34
𝐻= = 8,5 = 9
4
16
#34
M17,5 65.96
H9 63.92 71.19
1 42.78 83.05

↔ Hitung pencilan
𝐼𝑄𝑅 = 𝑄3 − 𝑄1 = 71,19 − 63,92 = 7,27
𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ 𝑝𝑒𝑛𝑐𝑖𝑙𝑎𝑛 = 𝑄1 − 1,5 (𝐼𝑄𝑅) = 63,92 − 1,5 (7,27) = 53,015
𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠 𝑝𝑒𝑛𝑐𝑖𝑙𝑎𝑛 = 𝑄3 + 1,5 (𝐼𝑄𝑅) = 71,19 + 1,5 (7,27) = 82,095
Ada pencilan atas dan bawah.

↔ Membuat 5-Number Summary tanpa pencilan

𝑛 = 32
32
𝑚𝑒𝑑 = 2
= 16 → 16,5
32
𝐻= 4
= 8 → 8,5

#32
M16,5 65.96
H8,5 64.025 69.775
1 59.76 79.94

Box plot yang lebih kiri menunjukkan APK SD. Dapat terlihat bahwa sebaran data APK
SD lebih tersebar dibandingkan dengan APM SD, ditunjukkan dengan lebih panjangnya box
yang dimiliki APK SD. Selain itu juga terlihat bahwa APK dan APM SD cenderung menceng
kanan, yang menunjukkan banyak data yang terpusat pada nilai nilai yang rendah. Untuk APK
terdapat satu pencilan bawah dan APM SD memiliki satu pencilan atas dan satu pencilan
bawah. Untuk nilai-nilai datanya sendiri, nilai-nilai data APK cenderung lebih tinggi
dibandingkan nilai-nilai data APM SD.
 17

TRANSFORMASI DATA

A. DEFINISI TRANSFORMASI DATA

Transformasi data adalah upaya yang dilakukan dengan tujuan utama untuk mengubah
skala pengukuran data asli menjadi bentuk lain sehingga data memenuhi asumsi-asumsi yang
mendsari analisis ragam.

B. TUJUAN TRANSFORMASI DATA

Berikut ini adalah tujuan dialkukan transofrmasi pada sekelompok data.
1. Mengubah nilai data asli menjadi data baru mengunakan suatu formula atau fungsi atau
operasi matematika dengan tujuan tertentu. 𝒚 → 𝒚′
2. Membuat pola sebaran data menjadi simetris sesuai pola dengan anggapan normalitas
pada berbagai prosedur pengujian hipotesis.
3. Membuat pola hubunggan antar variabel menjadi linier.
4. Membuat pasangan box-plot yang berdampingan dalam satu diagram menjadi lebih mirip
sehingga lebih mudah untuk dianalisis.
5. Membuat sebaran data di scatterplot menjadi lebih merata.

C. CARA TRANSFORMASI DATA

Untuk membuat pola sebaran data menjadi lebih simetris, transformasi bisa dilakukan dengan
cara sebagai berikut.
1. Coba-coba sampai diperoleh bentuk/hasil yang sesuai, misal:
 Logaritma (log)→ 𝒚′ = 𝐥𝐨𝐠(𝒚)
 Akar pangkat 2 (√… ) → 𝒚′ = √𝒚
 Kuadrat (…2 ) → 𝒚′ = 𝒚𝟐
 Pangkat tiga (…3 ) → 𝒚′ = 𝒚𝟑
 Dan seterusnya sampai diperoleh bentuk yang simetris.
2. Menggunakan tangga transformasi Tukey
3. Transformasi Box-Cox.

D. TANGGA TRANSFORMASI TUKEY

Tangga transformasi Tukey pertama kali dikemukakan oleh Tukey pada tahun 1957. Tukey
(1957) memaparkan pendekatan sederhana bagaimana melakukan transformasi
menggunakan pangkat. Tangga transformasi Tukey dapat digunakan untuk (1) mengubah pola
sebaran data menjadi simetris dan (2) mengubah hubungan antar variabel menjadi linier.
Transformasi dituliskan dalam bentuk 𝒚′ = 𝒚𝝀 . 𝜆 disebut dengan parameter transformasi. Nilai
𝜆 ditentukan secara bebas dapat bernilai negatif atau positif. Pada tahun 1977, Tukey
mengusulkan log 𝑦 untuk transformasi dengan 𝜆 = 0. Berikut tangga transformasi Tukey:
1 1
𝜆 −2 −1 − 0 1 2
2 2
1 1 1
𝑦′ log 𝑦 √𝑦 𝑦 𝑦2
𝑦2 𝑦 √𝑦
Jika 𝜆 = 0, maka bentuk transformasi dilakukan penyesuaian (modiikasi) seperti berikut ini:
1 1
𝜆 −2 −1 − 0 1 2
2 2
1 1 1
𝑦′ − 2 − − log 𝑦 √𝑦 𝑦 𝑦2
𝑦 𝑦 √𝑦
18
Bentuk transformasi Tukey
𝑦𝜆, 𝑗𝑖𝑘𝑎 𝜆 > 0
𝑦′ = { 𝑙𝑜𝑔 𝑦, 𝑗𝑖𝑘𝑎 𝜆 = 0
𝜆
−(𝑦 ), 𝑗𝑖𝑘𝑎 𝜆 < 0
Tangga transformasi Tukey untuk membuat pola sebaran data menjadi simteris (Normal
shape):

1 1
− 2
− log 𝑦 √𝑦 𝑦 𝑦2 𝑦3 𝑎𝑛𝑡𝑖 log(𝑦)
𝑦 𝑦
lebih kuat sedang tetap sedang lebih kuat

Catatan :
 𝜆 < 1 digunakan ketika data menceng kanan dan 𝜆 > 1 digunakan ketika data menceng
kiri.
 𝑦′ yang bernilai negatif saat 𝜆 < 0 berguna untuk mempertahankan urutan data, agar data
yang minimum tetap menjadi minimum, dan data yang maksimum tetap menjadi
maksimum.

E. TRANSORMASI BOX-COX
Teknik transformasi pangkat lain yang dapat digunakan untuk memperbaiki kenormalan data
adalah teknik yang dikenal dengan transformasi Box-Cox. Box dan Cox (1964) mengusulkan
prosedur transformasi
𝑦𝜆 − 1
𝑦′ = { 𝜆 ; 𝜆≠0
𝑙𝑜𝑔 𝑦 ; 𝜆 = 0

Nilai 𝜆 berkisar diantara −5 hingga 5. Nilai 𝜆 yang optimal didapat dengan menggunakan
perhitungan profile likelihood. Nilai 𝜆 ditentukan sedemikian rupa sehingga meminimumkan:

𝑣 𝑣
𝐿=− 𝑙𝑛 𝑆𝑇2 + (𝜆 − 1) ∑ ln(𝑦)
2 𝑛
Dengan 𝑆𝑇2 adalah ragam dari data yang ditransformasi dan 𝑣 adalah derajat bebas.
Bentuk Transormasi Box-Cox yang Umum Digunakan
𝜆 𝑦′
1
−2 𝑦 −2 = 2
𝑦
1
−1 𝑦 −1 = 1
𝑦
1
−0,5 𝑦 −0,5 =
√𝑦
0 log 𝑦
0,5 𝑦 0,5 = √𝑦
1 𝑦1 = 𝑦
2 𝑦2

F. TAHAP TRANSFORMASI DENGAN TANGGA TRANSFORMASI TUKEY

1. Siapkan data dan pahami datanya.
 19
2. Tentukan 5 number summary.
3. Tentukan nilai-nilai 𝜆 yang akan digunakan, kemudian lakukanlah transformasi.
4. Buatlah Box plot hasil transformasi beberapa nilai 𝜆 dan bandingkan.
5. Pilih hasil box-plot yang mendekati kesimetrisan atau persis simetris.

CONTOH SOAL:
1. Berikut adalah data persentase balita yang mendapat imunisasi DPT dan Polio di Papua Tahun
2016.
Kabupaten/Kota DPT Polio Kabupaten/Kota DPT (y) Polio
Dogiyai 9.05 9.09 Waropen 68.59 71.88
Intan Jaya 10.49 10.07 Nduga 68.75 77.47
Yahukimo 14.99 13.46 Kep. Yapen 72.07 78.9
Puncak Jaya 17.56 19.44 Sarmi 72.57 80.47
Puncak Jaya 19.09 20.78 Blak Numfor 74.55 82.7
Tolikara 20.35 26.29 Mamberamo Raya 79.58 84.08
Pegunungan Bintang 23.93 33.42 Keerom 79.64 85.58
Yalimo 33.42 43.34 Boven Digoel 83.42 85.72
Lanny Jaya 40.36 46.96 Supiori 84 86.18
Panial 44.05 47.46 Kota Jayapura 87.58 86.26
Mappi 47.24 57.85 Mimika 89.92 91.71
Asmat 58.89 61.02 Merauke 90.75 92.59
Jayapura 65.21 65.71 Jawawijaya 93 93.23
Nabire 65.45 66.2 Mamberamo Tengah 100 100
Lakukan transformasi pada di atas sehingga didapatkan data yang simetris.

2. Berikut ini adalah data jarak rumah beberapa mahasiswa dari kampus. Lakukanlah transomasi
dari data tersebut agar menjadi data yang simetris.
0.3 0.7 0.9 0.9 1.2 1.5 1.6 2.3 3.9
0.6 0.8 0.9 1 1.2 1.5 1.6 2.9 4.2

3. Lakukan transormasi agar data berikut ini menjadi simetris

2566 1866 1699 1236 2117
1588 1451 1410 1523 1879

JAWABAN:
1. Penghitungan akan dibagi menjadi dua bagian, yaitu untuk imunisasi DPT dan untuk imunisasi
Polio
 Imunisasi DPT
Kabupaten/Kota 𝑦 𝑦2 𝑦3
Dogiyai 9.05 81.9025 741.2176
Intan Jaya 10.49 110.0401 1154.321
Yahukimo 14.99 224.70 3368.254
Puncak Jaya 17.56 308.35 5414.689
Puncak Jaya 19.09 364.42 6956.932
Tolikara 20.35 414.12 8427.393
Pegunungan Bintang 23.93 572.64 13703.39
20
Yalimo 33.42 1116.89 37326.68
Lanny Jaya 40.36 1628.92 65743.6
Panial 44.05 1940.40 85474.73
Mappi 47.24 2231.61 105421.6
Asmat 58.89 3468.03 204232.4
Jayapura 65.21 4252.34 277295.4
Nabire 65.45 4283.70 280368.3
Waropen 68.59 4704.58 322687.7
Nduga 68.75 4726.56 324951.2
Kep. Yapen 72.07 5194.08 374337.7
Sarmi 72.57 5266.40 382183
Blak Numfor 74.55 5557.70 414326.7
Mamberamo Raya 79.58 6332.97 503978.3
Keerom 79.64 6342.52 505119.1
Boven Digoel 83.42 6958.89 580511.1
Supiori 84 7056 592704
Kota Jayapura 87.58 7670.25 671761.1
Mimika 89.92 8085.60 727057.7
Merauke 90.75 8235.56 747377.3
Jawawijaya 93 8649 804357
Mamberamo Tengah 100 10000 1000000

Berdasarkan box plot yang terbentuk maka dapat dilihat bahwa data awal berdistribusi
menceng kiri sehingga dilakukan transormasi ke pangkat 2, pangkat 2.5, dan pangkat 3. Pada
awalnya, dilakukan transformasi dengan 𝜆 = 2 dapat dilihat bahwa data masih cenderung
menceng kiri, namun sudah dapat dilihat mulai menuju ke bentuk yang simetris.
Kemudian dilakukan transformasi dengan 𝜆 = 3, disini dapat terlihat bahwa data sudah
 21
menunjukkan kesimetrisan. Oleh karena itu, dapat disimpulkan bahwa 𝜆 = 3
melakukan transformasi data menjadi bentuk yang simetris.

 Imunisasi Polio
Kabupaten/Kota 𝑦 𝑦2 𝑦3
Intan Jaya 9.09 82.6281 751.0894
Dogiyai 10.07 101.4049 1021.147
Puncak Jaya 13.46 181.1716 2438.57
Yahukimo 19.44 377.9136 7346.64
Puncak Jaya 20.78 431.8084 8972.979
Tolikara 26.29 691.1641 18170.7
Yalimo 33.42 1116.896 37326.68
Lanny Jaya 43.34 1878.356 81407.93
Panial 46.96 2205.242 103558.1
Pegunungan Bintang 47.46 2252.452 106901.4
Mappi 57.85 3346.623 193602.1
Nduga 61.02 3723.44 227204.3
Asmat 65.71 4317.804 283722.9
Nabire 66.2 4382.44 290117.5
Waropen 71.88 5166.734 371384.9
Jayapura 77.47 6001.601 464944
Sarmi 78.9 6225.21 491169.1
Blak Numfor 80.47 6475.421 521077.1
Mamberamo Raya 82.7 6839.29 565609.3
Mimika 84.08 7069.446 594399.1
Kota Jayapura 85.58 7323.936 626782.5
Keerom 85.72 7347.918 629863.6
Kep. Yapen 86.18 7426.992 640058.2
Boven Digoel 86.26 7440.788 641842.3
Supiori 91.71 8410.724 771347.5
Merauke 92.59 8572.908 793765.6
Jawawijaya 93.23 8691.833 810339.6
Mamberamo Tengah 100 10000 1000000
22
Berdasarkan diagram box plot yang dibentuk, maka untuk data imunisasi polio disimpulkan
bahwa data tersebut menceng kiri. Oleh karena itu, dilakukan transformasi dengan nilai 𝜆 = 2.
Diagram box plot menunjukkan bahwa data masih cenderung menceng kiri. Kemudian diambil
nilai nilai 𝜆 = 3 menunjukkan sebaran data yang sudah simetris.

1
2. Berikut ini adalah tabel dengan nilai 𝜆 = 2 dan 𝜆 = 0
𝑦 √𝑦 log 𝑦
0.3 0.547723 -0.52288
0.6 0.774597 -0.22185
0.7 0.83666 -0.1549
0.8 0.894427 -0.09691
0.9 0.948683 -0.04576
0.9 0.948683 -0.04576
0.9 0.948683 -0.04576
1 1 0
1.2 1.095445 0.079181
1.2 1.095445 0.079181
1.5 1.224745 0.176091
1.5 1.224745 0.176091
1.6 1.264911 0.20412
1.6 1.264911 0.20412
2.3 1.516575 0.361728
2.9 1.702939 0.462398
3.9 1.974842 0.591065
4.2 2.04939 0.623249

Berdasarkan box plot yang digambarkan, data awal menunjukkan data cenderung menceng
kanan. Kemudian dilakukan transformasi sehingga didapatkan nilai 𝜆 = 0, 𝑦 ′ = log 𝑦,
memberikan bentuk box plot yang simetris.
 23
3. Berikut ini tabel data yang telah dilakukan transformasi
1
𝑦 √𝑦 log 𝑦 −
𝑦
2566 50.6557 3.409257 -0.00039
1866 43.19722 3.270912 -0.00054
1699 41.21893 3.230193 -0.00059
1588 39.84972 3.20085 -0.00063
1451 38.09199 3.161667 -0.00069
1410 37.54997 3.149219 -0.00071
1236 35.15679 3.092018 -0.00081
1523 39.02563 3.1827 -0.00066
2117 46.01087 3.325721 -0.00047
1879 43.34743 3.273927 -0.00053

STANDARDISASI DATA

A. PENGERTIAN
“Waaah udah belajar sampai standardisasi aja nih. Semangat ya hehhe, ngomong ngomong IP
mu semester 1 berapa?” pertanyaan nilai IP merupakan salah satu hal yang harus kamu
hindari karena hal itu bisa jadi membuat insecure orang-orang terhadap dirinya sendiri, nah
tau gak kalian bahwa membandingkan IP antar kelas yang berbeda juga merupakan salah satu
hal menurut pakar data itu perbuatan anak bocah heheh, maaf nih alasannya karena setiap
dosen di masing- masing kelas berbeda jadi patokan penilaian-nya pun berbeda , nah pakar
data memberikan tips nih jika kalian mau membandingkan nilai IP kalian ke teman kalian yang
beda kelas yakni dengan melakukan standarisasi terlebih dahulu, ehm btw apasih itu
standarisasi. Standardisasi Data adalah mengubah nilai data asli menjadi bentuk z, yaitu data
yang berdistribusi normal standar.

B. TUJUAN
Dari contoh membandingkan nilai IP yang pakar data berikan sebenarnya ada tujuan
tersendiri dari melakukan standarisasi data mau tau? skuy kita bahas bersama
1. Membandingkan beberapa angkatan data:
 Satuan data yang berbeda
24

 Satuan data yang sama namun varians berbeda

2. Melihat posisi relatif nilai observasi
3. Memeriksa pencilan

C. CARA MENSTANDARDISASI DATA

1. Cari nilai pemusatan data.
2. Kurangi setiap nilai observasi dengan pusat data (note: hal ini tidak akan mengubah
sebaran data). Proses ini membuat pusat data menjadi nol atau memusatkan data.
3. Bagi hasilnya dengan sebaran data. Proses ini membuat sebaran data menjadi atau
membakukan data sehingga nilai relative nilai ekstem menjadi sama dan bentuk umum
angkatan sama.
𝑥𝑖 − 𝑥̅
𝑍=
𝑠
Keterangan:
𝑥𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑥̅ = 𝑟𝑎𝑡𝑎𝑎𝑛 𝑆 = 𝑠𝑖𝑚𝑝𝑎𝑛𝑔𝑎𝑛 𝑏𝑎𝑘𝑢

D. PRINSIP STANDARDISASI
1. Hanya mengubah pusat dan sebaran data
2. Menghindari sifat pengukuran yang berlainan

E. MEMBUAT BOX-PLOT DATA ASLI DAN DATA YANG TERSTANDARDISASI

1. Cari terlebih dahulu rataan dan standar deviasi untuk masing-masing variable
2. Kemudian cari nilai Z untuk masing-masing variable
3. Gambarkan box-plot data awal dan standardisasi
4. Sebuah data dikatakan pencilan, apabila nilai Z yang didapat lebih besar dari angka +2,5
atau lebih kecil dari angka −2,5 (−2,5 ≤ 𝑍 ≤ +2,5).

F. PERBANDINGAN NILAI PENGAMATAN Z SCORE

Salah satu manfaat z score adalah bisa digunakan untuk membandingkan posisi suatu
pengamatan dibandingkan pengamatan lain dari kelompok yang berbeda. Untuk
membandingkan posisi pengamatan mana yang lebih baik dikelompoknya dapat dilakukan
secara sederhana dengan menghitung z score dari pengamatan yang dibandingkan. z score
yang lebih besar memiliki arti bahwa pengamatan tersebut memiliki posisi yang lebih baik di
kelompoknya.

G. MENGHITUNG SKOR STANDAR

Skor standar bermanfaat untuk melihat nilai pengamatan dari suatu kelompok jika berada
pada kelompok lain. Skor standar dapat dihitung dengan formula sebagai berikut:
𝑆𝑘𝑜𝑟 𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜇𝑎𝑐𝑢𝑎𝑛 + (𝜎𝑎𝑐𝑢𝑎𝑛 × 𝑍)

H. PERBANDINGAN KESIMETRISAN DATA ANTAR VARIABEL SECARA VISUAL

Dalam melakukan perbandingan kesimeterisan antar variabel secara visual, perlu
diperhatikan satuan dari tiap variabel, Satuan yang berbeda antar variabel bisa menyulitkan
pengambilan kesimpulan dalam membandingkan pola data antar variabel secara visual, jika
peneliti ingin membandingkan kesimetrisan data antara harga mobil dengan harga motor
secara visual, maka gambar yang menunjukan kesimetrisan data harga motor tidak akan
terlihat jika disandingkan dengan gambar yang menunjukan kesimetrisan harga mobil. Dengan
melakukan standarisasi data maka masalah perbedaan satuan dapat diatasi.
 25
CONTOH SOAL
1. Berikut adalah data 20 mahasiswa Universitas “BIMBEL CERIA” yang dipilih secara
acak. Carilah nilai/ bentuk normal standar dari data sampel berikut:
Nama Berat (Kg) Tinggi (Cm) Nama Berat (Kg) Tinggi (Cm)
Andi Heru
Bayu Hiro
Cici Iksan
Cika Indra
Desi Jaka
Eko Jefri
Eli Jeny
Eni Kadir
Fina Kisman
Ghina Lili

2. Dalam makalah ‘Influence of Physical Restraint and Restraint-Facilitating Drugs on Blood

Measuraments of White-tailed Deer and Other Selected Mammals’, Virginia Polytechnic
Institute and State University (1976), J. A. Wesson memeriksa pengaruh obat succinylcholine
terhadap kadar peredaran androgen dalam darah. Sampel darah dari rusa liar yang hidup
bebeas diambil melalui urat nadi leher segera setelah suntikan succinylcholine pada otot
menggunakan panah dan senapan penangkap, Rusa kemudian diambil lagi lagi darahnya kira-
kira 30 menit setelah suntikan dan kemudian dilepaskan. Kadar androgen pada waktu
ditangkap dan 30 menit kemudian diukur dalam nanogram per ml (ng/ml) untuk 15 rusa
adalah sebagai berikut. (Walpole, Ronald E., dan Myers, Raymond H. 1995. Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuwan, ed. ke-4. Terjemahan: Dr. RK Sembiring. Suntingan: dra.
Telet Sutomo. Penerbit ITB, Bandung. 865 hal.) Tentukanlah nilai/bentuk normal standar dari
data berikut !

Adrogen (ng/ml)
Rusa
Waktu suntikan 30 menit setelah suntikan
1 2.76 7.02
2 5.18 3.1
3 2.68 5.44
4 3.05 3.99
5 4.1 5.21
6 7.05 10.26
7 6.6 13.91
8 4.79 18.53
9 7.39 7.91
10 7.3 4.85
11 11.78 11.1
12 3.9 3.74
13 26 94,03
14 67.48 94,03
15 17.04 41,7
26
3. Pada UAS Metode Statistik 2 Raka mendapatkan nilai 80 di kelasnya. Sedangkan pada
mata kuliah Statistik Matematik Raka mendapatkan nilai UAS 60. Rata-rata dan standar
deviasi nilai UAS teman sekelas Raka untuk mata kuliah Metode Statistik 2 secara berurut
adalah 70 dan 5. Sedangkan rata-rata dan standar deviasi nilai UAS teman sekelas Raka
untuk mata kuliah Statistik Matematik secara berurut adalah 40 dan 2. Pada mata kuliah
apa posisi nilai UAS Raka lebih baik dibandingkan teman-temannya?

4. Seorang apoteker mempunyai gaji Rp5.000.000 dan seorang dokter mempunyai gaji
Rp7.000.000. Jika diketahui rata-rata dan standar deviasi gaji apoteker adalah Rp4.000.000
dan Rp4.000 serta rata-rata dan standar deviasi gaji dokter adalah Rp6.000.000 dan Rp8.000,
maka gaji siapakah yang lebih besar menurut kelompoknya?

JAWABAN:
1. Karena data yang akan dicari bentuk normal standarnya adalah data sampel, maka rata-rata
dan standar deviasi yang digunakan adalah ukuran statistiknya.
∑ 𝑥𝑖 𝑏𝑒𝑟𝑎𝑡 57 + 53 + ⋯ + 48
𝑋̅𝑏𝑒𝑟𝑎𝑡 = = = 57,105
𝑛 20
∑(𝑥𝑖 𝑏𝑒𝑟𝑎𝑡 − 𝑋̅𝑏𝑒𝑟𝑎𝑡 )2
𝑠𝑏𝑒𝑟𝑎𝑡 = √ = 5,405
𝑛−1
57 − 57,105
𝑧𝑏𝑒𝑟𝑎𝑡 𝐴𝑛𝑑𝑖 = = −0,019
5,405
53 − 57,105
𝑧𝑏𝑒𝑟𝑎𝑡 𝐵𝑎𝑦𝑢 = = −0,760
5,405
.dst
48 − 57,105
𝑧𝑏𝑒𝑟𝑎𝑡 𝐿𝑖𝑙𝑖 = = −1,684
5,405

∑ 𝑥𝑖 𝑡𝑖𝑛𝑔𝑔𝑖 166 + 172 + ⋯ + 168

𝑋̅𝑡𝑖𝑛𝑔𝑔𝑖 = = = 171,84
𝑛 20
∑(𝑥𝑖 𝑡𝑖𝑛𝑔𝑔𝑖 − 𝑋̅𝑡𝑖𝑛𝑔𝑔𝑖 )2
𝑠𝑡𝑖𝑛𝑔𝑔𝑖 = √ = 4,879
𝑛−1
166 − 171,84
𝑧𝑡𝑖𝑛𝑔𝑔𝑖 𝐴𝑛𝑑𝑖 = = −1,197
4,879
172 − 171,84
𝑧𝑡𝑖𝑛𝑔𝑔𝑖 𝐵𝑎𝑦𝑢 = = 0,032
4,879
.dst
168 − 171,84
𝑧𝑡𝑖𝑛𝑔𝑔𝑖 𝐿𝑖𝑙𝑖 = = −0,787
4,879
Nama Z Berat Z Tinggi Nama Z Berat Z Tinggi
Andi -0.01948 -119.734 Heru -112.963 0.85216
Bayu -0.75958 0.03236 Hiro 0.165549 0.64721
Cici 0.350574 -0.78744 Iksan -0.75958 -119.734
Cika 1.460.723 0.64721 Indra -0.38953 -119.734
Desi -112.963 -119.734 Jaka -131.465 1.262.059
Eko -0.2045 0.64721 Jefri 2.015.798 0.44226
Eli 2.200.823 1.467.009 Jeny -0.38953 -0.58249
Eni -0.38953 -0.99239 Kadir -0.57455 -140.229
 27
Fina 0.720624 105.711 Kisman -0.01948 0.44226
Ghina 0.165549 105.711 Lili -1,684 -0,787

2. Ayo berlatih ikuti cara penyelesaian no 1 dan selesaikan pengerjaan no 2 berikut kunci
jawaban no 2 nya semingit 
Z standar
Rusa
Waktu suntikan 30 menit setelah suntikan
1 -0.54379 -0.4733
2 -0.39832 -0.60007
3 -0.5486 -0.5244
4 -0.52636 -0.57129
5 -0.46324 -0.53183
6 -0.28592 -0.36851
7 -0.31297 -0.25047
8 -0.42177 -0.10105
9 -0.26548 -0.44451
10 -0.27089 -0.54348
11 -0.0016 -0.34135
12 -0.47526 -0.57937
13 0.853149 2.340676
14 3.346475 2.340676
15 0.314571 0.648282

3. 𝑆𝑚𝑒𝑡𝑜𝑑𝑒 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 = 5
𝑆𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖𝑘𝑎 = 2
𝑥̅𝑀𝑒𝑡𝑜𝑑𝑒 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖𝑘𝑎 = 70
𝑥̅𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖𝑘𝑎 = 40
80 − 70
𝑍𝑚𝑒𝑡𝑜𝑑𝑒 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 = =2
5
60 − 40
𝑍𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖𝑘𝑎 = = 10
2
Karena nilai 𝑍𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 𝑚𝑎𝑡𝑒𝑚𝑎𝑡𝑖𝑘𝑎 lebih tinggi dari 𝑍𝑚𝑒𝑡𝑜𝑑𝑒 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘𝑎 maka dapat disimpulkan
bahwa posisi nilai uas RAKA lebih baik pada mata kuliah Statistik Matematika dibandingkan
Metode Statistik 2.

4. Ayo berlatih ikuti cara penyelesaian no 3 dan selesaikan pengerjaan no 4 berikut kunci
jawaban no 4 nya semingit 
Karena 𝑧𝑎𝑝𝑜𝑡𝑒𝑘𝑒𝑟 lebih besar daripada 𝑧𝑑𝑜𝑘𝑡𝑒𝑟 maka dapat disimpulkan bahwa gaji apoteker
lebih tinggi daripada gaji dokter di kelompoknya masing-masing.

PEMULUSAN DATA

A. PENGERTIAN
Pemulusan Data (Smoothing) adalah proses untuk menghilangkan fluktuasi data
random dari data time series. Hal ini memungkinakn setiap tren pokok terlihat jelas, agar
sesuai garis dan dapat untuk membuat prediksi. Terdapat dua macam teknik pemulusan
data, yaitu Moving Average dan Moving Median. Penggunaan keduanya akan terlihat lebih
jelas apabila digunakan untuk data yang sangat fluktuatif.
28
a. Moving Average/Mean Smoothing
Moving average merupakan metode peramalan yang menghitung nilai rata-rata suatu nilai
runtut waktu dan kemudian digunakan untuk memperkirakan nilai pada periode
selanjutnya. Diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah
periode tertentu, kemudian menghilangkan nilai terlamanya dan menambahkan nilai yang
baru. Moving average lebih baik digunakan untuk menghitung data yang bersiat stabil atau
data yang tidak berfluktuasi tajam.
 Cocok untuk data yang stasioner
 Datanya harus memiliki variasi konstan

b. Moving Median Smoothing

Konsep yang digunakan pada moving median smoothing adalah sama dengan
konsep yang digunakan pada moving average. Perbedaannya terletak pada penggunaan
median sebagai pengganti rata-rata. Sesuai dengan sifat median yang tidak peka terhadap
nilai yang menyimpang, penggunaan median disini juga dimaksudkan agar hasil smoothing
nantinya tidak terpengaruh oleh data yang bersiat pencilan.
 Tidak dipengaruhi oleh single outlier, sehingga tiap-tiap nilai data tidak biasa akan
dieliminasi dengan cepat.
 Merapikan data time series yang akan dibuat grafiknya.

B. TUJUAN PEMULUSAN DATA

1. Untuk meningkatkan dan menekankan trend dalam data dengan menghilangkan
komponen-komponen tidak biasa.
2. Memuungkinakn untuk membuat garis maupun kurva yang menunjukkan garis trend dari
data time series.

C. TAHAPAN PEMULUSAN DATA

1. Urutkan data berdasarkakn waktu
2. Buatlah tabel untuk mempermudah penghitungan
3. Tentukan orde yang dipilih
Misal ordenya adalah 3
Maka untuk setiap data 𝑥1 ≤ 𝑥2 ≤ 𝑥3 mediannya terdapat di 𝑥2
Misal ordenya adalah 5
Maka untuk setiap data 𝑥1 ≤ 𝑥2 ≤ 𝑥3 ≤ 𝑥4 ≤ 𝑥5 , mediannya terdapat di 𝑥3

CONTOH SOAL:
1. Berikut ini adalah data Tingkat Pengangguran Terbuka Provinsi Aceh

Tahun TPT Tahun TPT Tahun TPT

1986 2.4 2003 8.97 2012 7.94
1987 1.67 2004 9.35 2012 9.06
1988 2.09 2005 12.5 2013 8.34
1989 3.21 2005 14 2013 10.12
1990 2.28 2006 12.08 2014 6.75
1991 2.44 2006 10.43 2014 9.02
1992 1.96 2007 10.27 2015 7.73
1993 4.01 2007 9.84 2015 9.93
 29
1994 5.51 2008 9.2 2016 8.13
1996 6.47 2008 9.56 2016 7.57
1997 5.24 2009 9.31 2017 7.39
1998 6.21 2009 8.71 2017 6.57
1999 7.56 2010 8.6 2018 6.55
2000 4.8 2010 8.37 2018 6.36
2001 7.71 2011 8.62 2019 5.53
2002 9.34 2011 9

Lakukan pemulusan pada data di atas menggunakan 3-median smoothing dan 5-median
smoothing!

2. Disajikan data kurs tengah mata uang Dolllar Australia terhadap Rupiah. Lakukan pemulusan
data berikut menggunakan 3-median smoothing dan 5-median smoothing!

Kurs Kurs Kurs Kurs

Tahun Tahun Tahun Tahun
Tengah Tengah Tengah Tengah
2000 5318 2005 7207 2010 9143 2015 10064
2001 5309 2006 7133 2011 9203 2016 9724
2002 5065 2007 8229 2012 10025 2017 10557
2003 6347 2008 7556 2013 10876 2018 10211
2004 7242 2009 8432 2014 10218 2019 9739

JAWABAN:
1.
Tahun TPT 3 median 5 median Tahun TPT 3 median 5 median
1986 2.4 2008 9.2 9.56 9.56
1987 1.67 2.09 2008 9.56 9.31 9.31
1988 2.09 2.09 2.28 2009 9.31 9.31 9.2
1989 3.21 2.28 2.28 2009 8.71 8.71 8.71
1990 2.28 2.44 2.28 2010 8.6 8.6 8.62
1991 2.44 2.28 2.44 2010 8.37 8.6 8.62
1992 1.96 2.44 2.44 2011 8.62 8.62 8.6
1993 4.01 4.01 4.01 2011 9 8.62 8.62
1994 5.51 5.51 5.24 2012 7.94 9 8.62
1996 6.47 5.51 5.51 2012 9.06 8.34 9
1997 5.24 6.21 6.21 2013 8.34 9.06 8.34
1998 6.21 6.21 6.21 2013 10.12 8.34 9.02
1999 7.56 6.21 6.21 2014 6.75 9.02 8.34
2000 4.8 7.56 7.56 2014 9.02 7.73 9.02
2001 7.71 7.71 7.71 2015 7.73 9.02 8.13
2002 9.34 8.97 8.97 2015 9.93 8.13 8.13
2003 8.97 9.34 9.34 2016 8.13 8.13 7.73
2004 9.35 9.35 9.35 2016 7.57 7.57 7.57
2005 12.5 12.5 12.08 2017 7.39 7.39 7.39
2005 14 12.5 12.08 2017 6.57 6.57 6.57
2006 12.08 12.08 12.08 2018 6.55 6.55 6.55
30
2006 10.43 10.43 10.43 2018 6.36 6.36
2007 10.27 10.27 10.27 2019 5.53
2007 9.84 9.84 9.84

Angka Tingkat Pengangguran Terbuka Provinsi

Aceh
15

10

0
1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

2006

2008

2010

2012

2014

2016

2018
3 median
15

10

5 median
15

10

2.
Tahun Kurs 3-median 5-median Tahun Kurs 3-median 5-median
2000 5318 2010 9143 9143 9143
2001 5309 5309 2011 9203 9203 9203
2002 5065 5309 5318 2012 10025 10025 10025
2003 6347 6347 6347 2013 10876 10218 10064
2004 7242 7207 7133 2014 10218 10218 10064
2005 7207 7207 7207 2015 10064 10064 10218
2006 7133 7207 7242 2016 9724 10064 10211
2007 8229 7556 7556 2017 10557 10211 10064
2008 7556 8229 8229 2018 10211 10211
2009 8432 8432 8432 2019 9739
 31

Data Asli
12000

10000

8000

6000

4000

2000

3-Median Smoothing
12000
10000
8000
6000
4000
2000
0
200120032005200720092011201320152017

5-Median Smoothing
12000

10000

8000

6000

4000

2000

0
2002

2004

2006

2008

2010

2012

2014

2016

LATIHAN SOAL:
1. Buatlah diagram batang dan daun dari data berikut ini:
a. 83, 79, 94, 88, 81, 80, 90, 75, 77, 84, 94
b. 543, 596, 552, 579, 562, 522, 548, 559, 566, 539, 590, 561, 596, 554, 590

2. Berikut perolehan nilai pada ujian sesi 1 dan sesi 2. Anda diminta untuk membuat back-
to-back stem and leaf diagram.
Sesi 1 96 84 43 95 83 32 33 67 49 76
Sesi 2 79 67 55 53 77 77 53 33 86 70
32
3. Karena kekurangan pegawai, Perusahaan XX ingin mengadakan tes penerimaan pegawai
baru. Pihak HRD perusahaan mengadakan sebuah tes IQ dilakukan pada 50 calon pegawai
di kota A dan kota B dengan hasil sebagai berikut.
KOTA A KOTA B
144 131 108 83 99 122
139 130 107 86 104 123
137 121 104 88 109 123
136 118 101 88 112 128
134 116 101 91 114 129
134 114 97 96 115 130
132 113 96 97 116 141
132 112 91 99 120 142
a. Buatlah diagram batang dan daun.
b. Jika Perusahaan XX hanya menerima calon pegawai yang memiliki IQ lebih dari 125,
berapakah jumlah pegawai yang diterima oleh perusahaan XX?

4. Buatlah hinges dari data berikut

194 184 198 133 95 115 158 188 87 84 193 174 81 120 95
132 90 168 191 182 133 169 141 98 100 76 194 128 138 137

Data proporsi remaja dan dewasa usia 15-59 tahun dengan keterampilan teknologi informasi dan
komputer (TIK) menurut provinsi (persen). Data di bawah ini untuk menjawab soal nomor 5, 6, dan 7.
Provinsi 2017 2018 2019
Aceh 30.56 40.47 46.77
Bali 48.33 57.71 65.48
Bangka Belitung 45.49 57.86 66.96
Banten 32.9 40.42 48.7
Bengkulu 57.37 68.82 75.04
D.I. Yogyakarta 71.39 77.14 85.17
D.K.I. Jakarta 34.39 42.71 50.62
Gorontalo 32.8 43.42 50.83
Jambi 46.09 55.91 65.37
Jawa Barat 38.75 48.63 58.75
Jawa Tengah 38.76 48.07 57.23
Jawa Timur 30.38 38.92 47.04
Kalimantan Barat 37.37 49.32 57.82
Kalimantan Selatan 35.43 43.17 54.54
Kalimantan Tengah 50.56 60.85 69.44
Kalimantan Timur 45.68 58.42 65.36
Kalimantan Utara 35.31 45.45 54.93
Kepulauan Riau 58.87 65.6 77.18
Lampung 28.36 40.23 48.37
Maluku 31.55 39.2 44.02
Maluku Utara 25.1 34.24 38.11
Nusa Tenggara Barat 30.04 37.11 47.85
Nusa Tenggara Timur 25.3 29.65 36.33
 33
Papua 21.29 24.23 26.45
Papua Barat 34.68 45.41 52.37
Riau 39.78 49.45 55.37
Sulawesi Barat 26.24 33.95 40.95
Sulawesi Selatan 38.74 47.07 54.85
Sulawesi Tengah 31.7 37.02 44.13
Sulawesi Tenggara 35.14 43.94 53.36
Sulawesi Utara 44.7 51.22 57.48
Sumatera Barat 38.03 47.49 52.85
Sumatera Selatan 32.03 41.33 46.5
Sumatera Utara 35.11 43.65 51.78

5. Buatlah box plot berdasarkan data di atas tanpa adanya pencilan.

6. Buatlah box plot berdasarkan data di atas setelah dilakukan analisis pencilan.

7. Lakukan analisis mengenai box plot yang dibentuk.

8. Rasio Angka Partisipasi Kasar (APK) Perempuan/Laki-Laki di Tingkat Perguruan Tinggi

Menurut Provinsi. Bandingkan data tersebut Ketika sebelum dan setelah di transformasi
kuadrat.
Provinsi APK Provinsi APK
ACEH 119.55 NUSA TENGGARA BARAT 104.8
SUMATERA UTARA 124.15 NUSA TENGGARA TIMUR 122.41
SUMATERA BARAT 117.78 KALIMANTAN BARAT 87.48
RIAU 100.31 KALIMANTAN TENGAH 111.47
JAMBI 118.32 KALIMANTAN SELATAN 92.21
SUMATERA SELATAN 124.26 KALIMANTAN TIMUR 104.09
BENGKULU 142.45 KALIMANTAN UTARA 195.63
LAMPUNG 128.53 SULAWESI UTARA 129.71
KEP. BANGKA BELITUNG 153.04 SULAWESI TENGAH 132.27
KEP. RIAU 88.63 SULAWESI SELATAN 126.5
DKI JAKARTA 94.42 SULAWESI TENGGARA 106.72
JAWA BARAT 106.81 GORONTALO 136.66
JAWA TENGAH 110.7 SULAWESI BARAT 123.3
DI YOGYAKARTA 110.16 MALUKU 119.62
JAWA TIMUR 119.35 MALUKU UTARA 105.49
BANTEN 112.69 PAPUA BARAT 126.51
BALI 110.48 PAPUA 97.78

9. Jika dilakukan transformasi akar kuadrat pada data nomor 8, jelaskan apa yang terjadi?

10. Lakukan pemulusan data dengan menggunakan 3 median smoothing dan 5 median
smoothing pada data jumlah impor beras dari Vietnam (dalam ton).
Tahun Jumlah Tahun Jumlah
2000 369 546.8 2010 467 369.6
2001 142 511.8 2011 1 778 480.6
34
2002 561 728.9 2012 1 084 782.8
2003 506 012.8 2013 171 286.6
2004 58 810.1 2014 306 418.1
2005 44 772.5 2015 509 374.2
2006 272 832.7 2016 535 577.0
2007 1 022 834.6 2017 16 599.9
2008 125 070.5 2018 767 180.9
2009 20 970.5 2019 33 133.1

JAWABAN:
1. a. b.
7 5 7 9 2 2
0 1 3 3 9
8 4 8 4 3 8
9 0 4 4 5 2 4 9
6 1 2 6
Key: 7 5 = 75 7 9
8
0 0 6
9 6

SESI 2 SESI 1
2=
3 3 2 3
Key: 2 522
4 3 9
2. 5 3 3 5
7 6 7
9 7 7 0 7 6
6 8 3 4
9 5 6

Key: 3 2 = 32

3.
Kota A Kota B
6 8 3 6 8 8
7 6 1 9 1 6 7 9 9
8 7 4 1 1 10 4 9
8 6 4 3 2 11 2 4 5 6
1 12 0 2 3 3 8 9
9 7 6 4 4 2 2 1 0 13 0
4 14 1 2 3

Key: 12 3 = 123
 35
76 133
81 133
4.
84 132
137 87 128 198
138 90 120 194
141 95 115 194
158 95 100 193
168 98 191
169 188
174 184
182

5.
90
80
70
60
50
40
30
20
10
0
Tahun 2017 Tahun 2018 Tahun 2019

6.

7. Pada box plot sebelum dilakukan analisis pencilan, data cenderung menceng kanan
semuanya pada tahun 2017, 2018, dan 2019. Setelah dilakukan analisis pencilan,
distribusi data tidak berubah, tetapi terdeteksi satu pencilan atas pada tahun 2017, satu
pencilan atas pada tahun 2018, dan satu pencilan atas dan satu pencilan bawah pada
tahun 2019.
36
8.

Data setelah ditransformasi kuadrat menjadi lebih simetris (:jika kurang dapat dilihat, dapat
dilakukan penghitungan rasio jarak antara kuartil 3 ke median dan jarak median ke kuartil 1).
Setelah dilakukan transformasi, muncul tambahan satu buah pencilan, dari sebelumn
dilakukan transformasi terdapat satu buah pencilan dan setelah dilakukan transformasi
menjadi dua buah pencilan.

9. Karena data awal menceng kiri, apabila dilakukan transformasi akar kuadrat maka akan
menjadi semakin menceng kiri atau dengan kata lain semakin tidak simetris.

10.

Jumlah Impor Beras dari Vietnam (ton)

1 500 000.0
1 000 000.0
500 000.0 3 median smoothing
0.0
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018

Jumlah Impor Beras dari Vietnam (ton)

2 000 000.0
1 500 000.0
1 000 000.0
500 000.0
0.0

Jumlah Impor Beras dari Vietnam (ton)

600 000.0
400 000.0
200 000.0 5 median smoothing
0.0
2005

2016
2002
2003
2004

2006
2007
2008
2009
2010
2011
2012
2013
2014
2015

2017