UKURAN PEMUSATAN DATA

4
OBJEKTIF :
1. Mahasiswa dapat mengetahui penyelesaian rata-rata
2. Mahasiswa dapat mengetahui penyelesaian median
3. Mahasiswa dapat mengetahui penyelesaian modus
4. Mahasiswa dapat mengetahui penyelesaian kuartil, desil, persentil, skewness dan
kurtosis
5. Mahasiswa dapat mengetahui penyelesaian rata-rata tertimbang
6. Mahasiswa dapat mengetahui penyelesaian rata-rata geometrik

PENDAHULUAN
Pada bab ini akan dijelaskan ukuran deskripsi data yaitu ukuran pusat data, baik dari
data mentah (data yang belum dikelompokkan dan termasuk data yang terurut) maupun
data yang telah diringkas menjadi distribusi frekuensi (data yang telah dikelompokkan).
Ukuran deskripsi data ini sangat bermanfaat dalam analisis dan interpretasi data. Ada tiga
bentuk ukuran deskripsi data, yaitu: ukuran pusat data, ukuran variabilitas data, dan ukuran
bentuk distribusi data. Berkaitan dengan ketiga ukuran deskripsi data tersebut di atas, jika
ukuran tersebut dihitung dari data sampel, ukuran-ukuran tersebut disebut statistik dan
jika dihitung dari data populasi disebut parameter. Pada bab ini akan banyak ditekankan
pada statistik daripada parameter. Alasannya, bahwa dalam praktik, hampir keseluruhan
data yang dihimpun adalah data sampel. Di samping itu, perbedaan pokok dalam
menghitung statistik dan parameter tidak ada. Perbedaan yang ada hanya menyangkut
penggunaan simbol dan beberapa hal yang tidak prinsip. (Badrudin, 1994. Page: 56)
Ukuran pemusatan (central tendendency) adalah suatu nilai tunggal yang mewakili
keseluruhan distribusi (Nurhasanah, Siti. 2019. Page: 35). Ada tiga ukuran pusat data yang
banyak digunakan, yaitu: rata-rata hitung (rata-rata), median, dan modus. Sebagai
tambahan, akan dijelaskan pula mengenai kuartil, desil, persentil, rata-rata tertimbang, dan
rata-rata geometrik.

4.1 Rata-Rata Hitung

Rata-rata hitung, atau lebih dikenal dengan rata-rata, yaitu suatu nilai yang
bersifat tipikal atau representatif dari suatu himpunan atau kumpulan data (Spiegel
dan Stephens, 2004. Page: 49).
Sedangkan menurut (Nurhasanah, Siti. 2019. Page: 36) Rata-rata hitung
merupakan nilai yang menunjukkan pusat dari nilai data dan merupakan nilai yang
dapat mewakili dari sekumpulan data yang ada. Mean atau rata-rata hitung
 diperoleh dengan menjumlahkan seluruh nilai data dan membagi dengan jumlah
data. Mean dibagi menjadi dua, yaitu rata-rata hitung untuk data yang
dikelompokkan dan rata-rata hitung untuk data yang belum dikelompokkan. Rata-
rata yang dihitung dari data sampel atau sebagai statistik sampel disimbolkan
dengan ̅X (baca: X-bar) dan jika dihitung dari data populasi atau sebagai parameter
populasi disimbolkan dengan huruf Yunani µx (baca: myu x). (Badrudin, 1994. Page:
56).

A. Rata-rata dari Data yang Belum Dikelompokkan

Rata-rata dihitung dengan menjumlahkan seluruh angka data yang
selanjutnya dibagi dengan banyaknya (jumlah) data. Jumlah data, untuk data
sampel disebut sebagai ukuran sampel yang disimbolkan dengan n dan untuk data
populasi disebut sebagai ukuran populasi yang disimbolkan dengan N.
Jika X1, X2, X3, .... , Xn adalah angka-angka data yang banyaknya (jumlahnya)
n, maka rata-ratanya dihitung: (Badrudin, 1994. Page: 57).

X1 + X 2 + X 3 + ⋯ + X n
̅
X=
n

atau dirumuskan sebagai berikut:

∑𝑛𝑖=1 Xi
̅
X=
n
Keterangan:
̅
X : Rata-rata sampel
Xi : Data ke-i variabel acak X; i = 1, 2, …., n
n : Ukuran sampel (banyaknya anggota sampel)

Sedangkan untuk populasi dirumuskan dengan:

∑𝑛𝑖=1 Xi
µx =
N
Keterangan:
µx : Rata-rata populasi
Xi : Data ke-i variabel acak X; i = 1, 2, …., N
N : Ukuran populasi (banyaknya anggota populasi)

Contoh Soal:
Misalkan dimiliki data tinggi badan 10 orang mahasiswa (dalam cm):
162, 161, 157, 154, 164, 170, 162, 165, 162, 161.
Data contoh soal diambil dari: (Harlan, 2004, Page 37)
Penyelesaian:
n = 10
∑Xi = 162 + 161 + 157 + 154 + 164 + 170 + 162 + 165 + 162 + 161 = 1618

sehingga:
∑𝑛𝑖=1 Xi 1618
̅
X= = = 𝟏𝟔𝟏, 𝟖
n 10
LANGKAH-LANGKAH PENGERJAAN SOFTWARE
1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan
seperti gambar di bawah ini.

2. Pilih menu Data, New Data Set. Masukkan nama dari data set adalah
TinggiBadan, lalu tekan tombol OK.

3. Masukkan data tinggi badan 10 orang mahasiswa. Jika data editor tidak aktif
maka dapat diaktifkan dengan menekan RGui di taskbar windows pada bagian
 bawah layar monitor. Jika sudah selesai dalam pengisian data tekan tombol
Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara
Double Click pada variabel yang ingin di setting. Untuk tipe variable pilih
numeric apabila data yang diketahui berbentuk angka atau bilangan, dan pilih
character apabila data yang diketahui berbentuk huruf/kalimat/karakter.

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View
data set maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data
yang salah, tekan tombol Edit Data Set, lalu perbaiki data yang salah.
5. Jika data sudah benar, pilih menu Statistics, Summaries, Active Data Set.

6. Akan muncul tampilan :

Rata-rata Hitung
B. Rata-rata dari Data yang Telah Dikelompokkan
Menghitung rata-rata memang lebih menguntungkan jika dihitung dari data
yang belum dikelompokkan, karena hasil hitungannya lebih mencerminkan fakta
yang sebenarnya. Apakah rata-rata dari data yang telah dikelompokkan tidak
mencerminkan data yang sebenarnya? Dalam kehidupan sehari-hari, data yang
dibutuhkan seringkali sudah disajikan dalam bentuk distribusi frekuensi, seperti
yang banyak disajikan dalam berbagai terbitan maupun laporan-laporan. Sehingga,
perhitungan rata-rata dari data yang telah dikelompokkan harus dilakukan
walaupun hasilnya tidak mencerminkan fakta yang sebenarnya. Namun, paling
tidak mendekati fakta yang sebenarnya.
Rata-rata dihitung dengan melibatkan seluruh data observasi, baik dari
sampel maupun dari populasi. Untuk data observasi yang telah disajikan dalam
bentuk distribusi frekuensi atau yang telah dikelompokkan, sifat keaslian data
observasi telah hilang. Dengan demikian, untuk keperluan penghitungan rata-rata.
diperlukan angka-angka data yang dapat digunakan untuk mengestimasi atau
menaksir data observasi yang asli. Dalam hal ini, titik-titik tengah dapat dijadikan
sebagai penaksir data asli yang tersebar di masing-masing kelasnya.
Adapun rata -rata memiliki keunggulan dan kelemahan, yaitu :
 Keunggulan rata-rata:
1. Lebih dikenal, sehingga penggunaannya pun lebih mudah.
2. Dapat digunakan pada data kuantitatif dan hanya memiliki satu rata-
rata.
3. Karena kumpulan data hanya memiliki satu rata-rata, maka ukuran
pusat data ini dapat digunakan dengan baik dalam prosedur
statistika, seperti perbandingan dua atau lebih kumpulan data.
 Kelemahan rata-rata:
1. Sangat peka terhadap data ekstrem.
2. Tidak dapat digunakan untuk menentukan ukuran pusat data
kualitatif.
3. Untuk data berkelompok, hasil perhitungan tidak mencerminkan
rata-rata sesungguhnya.
4. Untuk data berkelompok dengan kelas terbuka, rata-ratanya tidak
dapat dihitung. (Harlan, 2004. Page: 39).
Ada dua cara yang dapat digunakan untuk menghitung rata-rata data yang
telah dikelompokkan, yaitu metode defisional dan metode pengkodean.
A. Metode Defisional
Untuk menghitung rata-rata, titik-titik tengah masing-masing kelas,
sebagai penaksir data asli, dikali dengan frekuensi masing-masing kelas. Hasil
perkalian pada masing-masing kelas tersebut selanjutnya dijumlah dan
kemudian hasil penjumlahan tersebut dibagi dengan jumlah data atau jumlah
frekuensi seluruh kelas. Metode defisional dapat dirumuskan sebagai berikut:
Xf
̅= ii
X
n
Keterangan :
̅ : Rata-rata sampel
X
Xi : Titik tengah kelas ke-i
fi : Frekuensi kelas ke-i
n : Ukuran sampel (jumlah frekuensi data sampel)
Xi fi
µx =
N
µx : Rata-rata populasi
Xi : Titik tengah kelas ke-i
fi : Frekuensi kelas ke-i
N : Ukuran populasi (jumlah frekuensi data populasi)
Contoh soal :
Selama tahun 1993, PT Asuransi Jiwa Jagat Raya telah berhasil menarik nasabah
baru sebanyak 60 orang yang usianya dapat didistribusikan sebagai berikut:
Tabel 4.1
Distribusi Usia 60 Nasabah Baru PT. Asuransi Jagat Raya
Usia Frekuensi
25 – 29 8
30 – 34 14
35 – 39 10
40 – 44 18
45 – 49 7
50 – 54 3
Jumlah 60

Penyelesaian:
Rata-rata usia para nasabah baru tersebut dapat dihitung sebagai berikut:
𝑏𝑎𝑡𝑎𝑠 𝑎𝑡𝑎𝑠+𝑏𝑎𝑡𝑎𝑠 𝑏𝑎𝑤𝑎ℎ
Titik tengah dapat dicari menggunakan rumus: .
2
Tabel 4.2
Perhitungan Rata-rata dengan Menggunakan Metode Defisional
Titik Tengah (Xi) Frekuensi (fi) Xi.fi
27 8 216
32 14 448
37 10 370
42 18 756
47 7 329
52 3 156
 Jumlah 60 2.275

2.275
̅
X= = 37,92
60
̅
X = 37,92 atau 38 tahun.
B. Metode Pengkodean
Seringkali data yang akan dihitung rata-ratanya berbentuk angka-angka
yang besar seperti nilai penjualan, pembelian, piutang, dan lain sebagainya.
Interval kelas sebuah distribusi frekuensi, secara umum senantiasa sama. Hanya
dalam keadaan tertentu, interval kelas dimungkinkan tidak sama. Interval kelas
yang sama ini, salah satunya dapat dilihat beda antar titik tengah senantiasa
sama. Angka-angka berikut menunjukkan titik tengah yang dikutip dari Tabel
4.2.
Titik Tengah : 27 32 37 42 47 52
Interval Kelas : 5 5 5 5 5

Dengan interval kelas yang sama ini, sebenarnya, angka-angka titik

tengah dapat diubah menjadi suatu skala dengan interval yang sama. Skala titik
tengah ini lebih sering disebut sebagai kode titik tengah.
Langkah pertama dalam memberi kode titik tengah adalah menetapkan
kelas yang nantinya diberi kode atau skala nol. Dalam menentukan kelas yang
berkode nol ini sebenarnya tidak ada pedoman yang baku. Akan tetapi,
sebaiknya kelas yang akan diberi kode nol adalah kelas yang berfrekuensi
tertinggi. Langkah berikutnya adalah menetapkan kode-kode untuk kelas-kelas
yang lain dengan mengurutkan mulai dari kelas berkode nol dengan interval
yang sama. Interval kelas ini umumnya adalah satu. Dari Tabel 4.2 di atas, kelas
yang akan diberi kode nol adalah kelas ke-4. Dengan demikian, titik tengah,
frekuensi, dan kodenya adalah sebagai berikut:

Titik tengah: 27 32 37 42 47 52
Frekuensi: 8 14 10 18 7 3
Kode: -3 -2 -1 0 1 2

Dalam literatur-literatur statistika, kode tersebut sering disimbolkan

dengan huruf U. Selanjutnya, menghitung rata-rata. dengan menggunakan
metoda pengkodean dapat dirumuskan sebagai berikut:
Uf
̅ = X a + i. i i
X
n
Keterangan :
̅ : Rata-rata sampel (µx jika populasi)
X
Xa : Titik tengah pada kelas yang berkode nol
I : Interval kelas
Ui : Kode titik tengah pada kelas ke-i
fi : Frekuensi kelas ke-i
n : Ukuran sampel (N jika populasi)
Contoh soal :
Selama tahun 1993, PT Asuransi Jiwa Jagat Raya telah berhasil menarik nasabah
baru sebanyak 60 orang yang usianya dapat didistribusikan sebagai berikut:
Tabel 4.3
Distribusi Usia 60 Nasabah Baru PT. Asuransi Jagat Raya
Usia Frekuensi
25 – 29 8
30 – 34 14
35 – 39 10
40 – 44 18
45 – 49 7
50 – 54 3
Jumlah 60

Penyelesaian:
Tabel 4.4
Perhitungan Rata-rata Distribusi Usia 60 Nasabah Baru
PT. Asuransi Jagat Raya dengan Metode Defisional
Titik Tengah (Xi) Frekuensi (fi) Xi.fi
27 8 216
32 14 448
37 10 370
42 18 756
47 7 329
52 3 156
Jumlah 60 2.275

2.275
̅=
X = 37,92
60
Dengan menggunakan metode "pengkodean" penghitungannya
disajikan pada tabel di bawah.
Tabel 4.5
Perhitungan Rata-rata Distribusi Usia 60 Nasabah Baru
PT. Asuransi Jagat Raya dengan Metode Pengkodean
Xi Ui fi Ui.fi
27 -3 8 -24
32 -2 14 -28
 37 -1 10 -10
42 0 18 0
47 1 7 7
52 2 3 6
60 -49

Penyelesaian :
Uf
̅
X = Xa + i. ni i

̅ = 42 + 5 (−49)
X 60
̅
X = 37,92
Dapat dibandingkan bahwa perhitungan rata-rata dengan metode
defisional ternyata memerlukan waktu lebih banyak, khususnya dalam proses
perkalian, daripada dengan menggunakan metode pengkodean. Akan tetapi
metode pengkodean hanya dapat digunakan untuk distribusi frekuensi dengan
interval kelas yang sama. Sedangkan untuk distribusi frekuensi dengan kelas
yang tidak sama, metode defisional lah yang dapat digunakan.
Bagaimana proses perhitungan rata-rata untuk distribusi frekuensi
dengan interval kelas yang tidak sama? Proses penghitungan rata-rata untuk
distribusi frekuensi dengan interval kelas yang tidak sama tidak memiliki
perbedaan dengan penghitungan rata-rata dari distrbusi frekuensi yang
memiliki interval kelas yang sama. (Kustituanto dan Badrudin, 1994. Page: 63-
68).

4.2 Median
Berbeda dengan rata-rata, penghitungan median tidak dilaksanakan dengan
melibatkan seluruh angka data, namun lebih menekankan pada posisi atau letak
data. Median adalah ukuran pusat data yang nilainya terletak di tengah-tengah
rangkaian data yang terurut.
Terletak di tengah-tengah artinya bahwa letak median tersebut membagi
deretan data menjadi dua bagian yang sama. Jika X1, X2, X3, X4, X5, X6, X7 adalah
variabel-variabel acak sekelompok data kuantitatif yang terurut, maka mediannya
adalah X4. Letak X4 ini membagi ketujuh data tersebut menjadi dua bagian yang
sama; jumlah angka data sebelum median sama dengan jumlah angka data sesudah
median.
Sama halnya dengan mean, median pun dibagi menjadi dua, yaitu median
untuk data yang belum dikelompokkan dan median untuk data yang sudah
dikelompokkan. (Kustituanto dan Badrudin, 1994. Page: 69).

A. Median dari Data yang Belum Dikelompokkan

Dalam menentukan median dari data yang belum dikelompokkan, yang
dapat dilakukan hanya menentukan letak mediannya saja, yaitu data atau suatu titik
angka yang letaknya berada di tengah-tengah rangkaian data yang terurut (data
diurutkan dari yang terkecil sampai dengan yang terbesar). (Kustituanto dan
Badrudin, 1994. Page: 69).
Posisi median adalah:
n+1
Pmed =
2
Sehingga median adalah:
Med = X(n+1) (n ganjil)
2
X n +X n
( ) ( +1)
2 2
Med = (n genap)
2

Contoh soal :
Data tinggi badan 10 orang mahasiswa:
162, 161, 157, 154, 164, 170, 162, 165, 162, 161. Data diurutkan dalam bentuk Array
(dibaca: er-rei), sebagai berikut : (Harlan, 2004. Page: 42-43)

X(1) = 154 X(6) = 162

X(2) = 157 X(7) = 162
X(3) = 161 X(8) = 164
X(4) = 161 X(9) = 165
X(5) = 162 X(10) = 170

n = 10, sehingga posisi median adalah Pmed = (10 + 1) / 2 = 5,5.

Karena n genap, maka median adalah:
X(5) + X(6) 162 + 162
Med = = = 162
2 2
Seandainya n = 9 dan X(10) = 170 tidak ada, maka posisi median adalah Pmed = (9 + 1)
/ 2 = 5 dan median adalah Med = X(5) = 162.

Tabel 4.6
Omzet Penjualan 7 Supermarket “Mataram Raya”
selama Bulan Desember 1993
Supermarket Omset
“Mataram Raya 1” Rp 65.000.000
“Mataram Raya 2” Rp 80.000.000
“Mataram Raya 3” Rp 85.000.000
“Mataram Raya 4” Rp 90.000.000 Median
“Mataram Raya 5” Rp 95.000.000
“Mataram Raya 6” Rp 115.000.000
“Mataram Raya 7” Rp 170.000.000
 Untuk data ganjil, letak median dapat ditentukan dengan mudah. Berbeda
dengan jumlah data genap, maka penentuan letak median tidak dapat ditetapkan
begitu saja. Jika jumlah datanya 10, maka letak mediannya adalah data ke 5,5 yang
dihitung dengan (10 + 1) / 2. (Kustituanto dan Badrudin, 1994. Page: 70).

LANGKAH-LANGKAH PENGERJAAN SOFTWARE

1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan
seperti gambar di bawah ini.

2. Pilih menu Data, New Data Set. Masukkan nama dari data set adalah
TinggiBadan, lalu tekan tombol OK.
3. Masukkan data tinggi badan 10 orang mahasiswa. Jika data editor tidak aktif
maka dapat diaktifkan dengan menekan Rgui di taskbar windows pada bagian
bawah layar monitor. Jika sudah selesai dalam pengisian data tekan tombol
Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara
Double Click pada variabel yang ingin di setting.

4. Untuk mengecek kebenaran data yang sudah dimasukkan, tekan tombol View
data set maka akan muncul tampilan seperti gambar di bawah ini. Jika ada data
yang salah, tekan tombol Edit Data Set, lalu perbaiki data yang salah.
5. Jika data sudah benar, pilih menu Statistics, Summaries, Active Data Set.

6. Akan muncul tampilan :

Median
B. Median untuk Data yang Telah Dikelompokkan
Langkah pertama dalam menetapkan median dari data yang telah
dikelompokkan adalah menentukan letak sebuah titik yang nilainya akan menjadi
median. Titik ini, seperti pada uraian sebelumnya, membagi deretan angka data
yang terurut menjadi dua bagian yang sama banyak. Jika pada data yang belum
diurutkan digunakan perumusan (n+1)/2, maka untuk data yang telah
dikelompokkan, banyak penulis menggunakan perumusan yang lebih sederhana
yaitu n/2. Akan tetapi, dengan menggunakan perumusan sebelumnya pun bukanlah
suatu kesalahan.
Setelah diketahui posisi titik tersebut, langkah berikutnya adalah
menentukan kelas yang didalamnya terdapat titik tersebut. (Kustituanto dan
Badrudin, 1994. Page: 72).
(n/2) − fk med
Med = Bmed + [ ]i
fmed
Keterangan :
Med : Median
Bmed : Tepi batas kelas bawah pada kelas median (Lower Class Boundary)
i : Interval kelas
n : Ukuran sampel
fkmed : Frekuensi kumulatif sebelum kelas median
fmed : Frekuensi pada kelas median

Adapun median memiliki keunggulan dan kelemahan yaitu :

1. Keunggulan median:
a. Tidak dipengaruhi oleh data ekstrem.
b. Mudah dimengerti dan mudah dihitung, baik dari data tidak
berkelompok maupun data berkelompok. Juga dapat dihitung untuk
data berkelompok dengan kelas terbuka.
c. Dapat digunakan untuk data kuantitatif maupun data kualitatif.

2. Kelemahan median:
a. Hanya dapat ditentukan dari data yang telah diurutkan sehingga
membutuhkan waktu yang tidak sedikit.
b. Dihitung bukan berdasarkan nilai data, tetapi berdasarkan jumlah data,
sehingga sulit dijadikan sebagai ukuran pusat data untuk
menggambarkan kumpulan datanya. (Harlan, 2004. Page: 43-44).
 Contoh soal :
Data berat badan 64 mahasiswa Psikologi Gunadarma:
Tabel 4.7
Distribusi Frekuensi Berat Badan 64 Mahasiswa
Psikologi Gunadarma 2003
Berat badan (kg) Frekuensi Frekuensi Kumulatif
36-44 20 20
45-53 19 39
54-62 17 56
63-71 5 61
72-80 1 62
81-89 1 63
90-98 1 64
Jumlah 64
(Data diambil dari Harlan, 2004. Page: 43-44).

Titik posisi median = 32. Kelas posisi median yaitu kelas ke-2.
Bmed = 45 – 0,5 = 44,5
I =9
fkmed = 20
fmed = 19

(n/2) − fk med
Med = Bmed + [ ]i
fmed
32 − 20
Med = 44,5 + [ ] 9 = 50,18
19

LANGKAH-LANGKAH PENGERJAAN SOFTWARE

1. Tekan icon R pada desktop, kemudian akan muncul tampilan seperti gambar di bawah
ini.
2. Ketik tabel=edit(data.frame()) kemudian enter,

3. Setelah itu masukan Batas Kelas, Titik Tengah, serta Frekuensi pada masing-masing
kelas. Maka akan muncul tampilan layar data editor sbb:

4. Tutup jendela Data Editor Table, selanjutnya untuk menampilkan tabel yang selesai
kita buat pada R Console cukup dengan cara mengetik nama variabel tabel, kemudian
enter, maka tampilan layar sebagai berikut:
5. Selanjutnya, untuk mencari median. Ketikkan seperti di bawah ini:

4.3 Modus
Modus, sebagai ukuran pusat data, berbeda dengan rata-rata hitung dalam
penentuannya. Modus lebih mirip median dalam penentuannya yang tidak melalui
proses aritmatik seperti halnya penentuan rata-rata. Modus adalah suatu nilai yang
terdapat dalam serangkaian data yang memiliki frekuensi tertinggi. (Kustituanto
dan Badrudin, 1994. Page: 74).
Suatu himpunan bilangan tidak selalu memiliki modus, dengan kata lain
modus dari suatu himpunan bilangan tidak selalu muncul. Jikalaupun terdapat
modus dari suatu himpunan bilangan, modus ini tidaklah selalu bersifat unik.
(Spiegel dan Stephens, 2004. Page: 51).
Modus dibagi menjadi dua, yaitu modus untuk data yang belum
dikelompokkan dan modus untuk data yang sudah dikelompokkan, yaitu :
A. Modus dari Data yang Belum Dikelompokkan
Untuk data yang belum dikelompokkan, modus lebih mudah ditentukan jika
data yang tersedia telah disajikan dalam keadaan terurut. (Kustituanto dan
Badrudin, 1994. Page: 74).

Contoh soal :
Data tinggi badan 10 orang mahasiswa: 162, 161, 157, 154, 164, 170, 162, 165, 170,
161. Modus akan lebih mudah ditentukan jika data tersusun dalam distribusi
frekuensi seperti di bawah ini:
Tabel 4.8
Distribusi frekuensi tinggi badan 10 mahasiswa
Tinggi Badan (cm) Frekuensi
154 1
157 1
161 2
162 3
164 1
165 1
170 1
(Data diambil dari Harlan, 2004. Page: 45)

Maka, tampak bahwa modus dari data tersebut adalah Mo = 162

B. Modus dari Data yang Telah Dikelompokkan

Modus untuk data yang telah dikelompokkan diperkirakan berada pada
kelas yang memiliki frekuensi tertinggi. Sekali lagi, sifatnya hanya estimasi. Kendati
demikian, sifat estimasi modus data yang telah dikelompokkan agak berbeda
dengan sifat estimasi untuk rata-rata dan median. Modus data yang telah
dikelompokkan dapat berbeda jauh dari data yang sebenarnya. (Kustituanto dan
Badrudin, 1994. Page: 75-76).
d1
Mo = Bmo + [ ]i
d1 + d2
Keterangan :
Mo : Modus
Bmo : Tepi batas kelas bawah pada kelas modus
I : Intervasl kelas
d1 : Frekuensi kelas modus dikurangi frekuensi kelas sebelum kelas modus
d2 : Frekuensi kelas modus dikurangi frekuensi kelas sesudah kelas modus

Adapun median memiliki keunggulan dan kelemahan yaitu :

1. Keunggulan modus:
a. Dapat digunakan untuk data kualitatif maupun kuantitatif.
b. Tidak dipengaruhi oleh data ekstrim.
c. Dapat dihitung untuk data berkelompok dengan kelas terbuka.

2. Kelemahan modus:
a. Dalam kasus-kasus tertentu, kumpulan data tidak memiliki modus.
b. Jika modus justru lebih daripada satu, tidak dapat digunakan sebagai
ukuran pusat data. (Harlan, 2004. Page: 45-46).

Contoh soal:
Data berat badan 64 mahasiswa Psikologi Gunadarma dan distribusi frekuensi
beserta frekuensi kumulatifnya pada Tabel 4.9. Kelas posisi modus yaitu kelas
pertama.
Tabel 4.9
Distribusi Frekuensi Berat Badan 64 Mahasiswa
Psikologi Gunadarma 2003
Berat badan (kg) Frekuensi Frekuensi Kumulatif
36-44 20 20
45-53 19 39
54-62 17 56
63-71 5 61
72-80 1 62
81-89 1 63
90-98 1 64
Jumlah 64
(Data diambil dari Harlan, 2004. Page: 45-46)

Frekuensi Terbesar adalah 20, sehingga Kelas posisi modus yaitu kelas ke-1.
Bmo = 36-0,5=35,5
I =9
d1 = 20 - 0 = 20
d2 = 20 - 19 = 1
d1
Mo = Bmo + [ ]i
d1 + d2
20
Mo = 35,5 + [ ] 9 = 44,07
20 + 1
LANGKAH-LANGKAH PENGERJAAN SOFTWARE
1. Tekan icon R pada desktop, kemudian akan muncul tampilan seperti gambar di bawah
ini.

2. Ketik tabel=edit(data.frame()) kemudian enter,

3. Setelah itu masukan Batas Kelas, Titik Tengah, serta Frekuensi pada masing-masing
kelas. Maka akan muncul tampilan layar data editor sbb:

4. Tutup jendela Data Editor Table, selanjutnya untuk menampilkan tabel yang selesai
kita buat pada R Console cukup dengan cara mengetik nama variabel tabel, kemudian
enter, maka tampilan layar sebagai berikut:
5. Selanjutnya, untuk mencari modus. Ketikkan seperti di bawah ini:

4.4 Kuartil, Desil, Persentil, Skewness, Kurtosis

Jika tiga ukuran di atas merupakan ukuran lokasi yang cenderung bertindak
sebagai ukuran pusat data, maka ketiga ukuran ini hanya merupakan ukuran lokasi.
Kendati bukan sebagai ukuran pusat data, ukuran ini banyak bermanfaat bagi para
pengambil keputusan. Tiga ukuran tersebut adalah kuartil, desil, dan persentil.
Untuk ketiga-tiganya, pembahasan akan ditekankan untuk data yang telah
dikelompokkan saja. Dalam perhitungan nanti, ketiga ukuran ini tidak berbeda
dengan perhitungan median.
4.4.1 Kuartil
Jika dalam menentukan titik letak median sederetan data terurut dibagi
menjadi dua, maka kuartil membagi sederetan data terutut menjadi empat bagian
yang sama. Dengan demikian, nantinya akan terdapat tiga kuartil yaitu kuartil
pertama (Q1), kuartil kedua atau median (Q2), dan kuartil ketiga (Q3). (Kustituanto
dan Badrudin, 1994. Page: 83-84).

 Kuartil dari Data yang Belum Dikelompokkan

Posisi kuartil (n < 30):
n+2
Posisi Q1 =
4

2n + 2 n + 1
Posisi Q2 = = = posisi median
4 2
3n + 2
Posisi Q3 =
4
 Kuartil dari Data yang Telah Dikelompokkan
Titik lokasi ketiga kuartil (untuk data yang telah dikelompokkan) secara
sederhana dapat dirumuskan sebagai berikut:

Q1 = n/4
Q2 = 2n/4 = n/2 = med
Q3 = 3n/4
Selanjutnya, dengan memperhatikan perumusan di atas, kuartil
pertama dan kuartil ketiga (kuartil kedua sama dengan median) dapat
dirumuskan sebagai berikut:
n
− fkq
Q1 = Bq + i. [4 ]
fq
3n
− fkq
Q3 = Bq + i. [ 4 ]
fq
Keterangan :
Q1 : Kuartil pertama
Q3 : Kuartil ketiga
Bq : Tepi batas kelas bawah pada kelas kuartil
i : Interval kelas
n : Ukuran sampel
fkq : Frekuensi kumulatif sebelum kelas kuartil
fq : Frekuensi pada kelas kuartil

Contoh soal :
Lihat tabel di bawah ini dan tentukanlah kuartil pertama dan kuartil ketiga!
(Kustituanto dan Badrudin, 1994. Page: 83-84).

Kelas Frekuensi
20 - < 30 7
30 - < 40 8
40 - < 50 10
50 - < 60 15
60 - < 70 25
70 - < 80 10
80 - < 90 5
Jumlah 80
Penyelesaian:

Kelas Frekuensi Frekuensi Kumulatif

20 - < 30 7 7
30 - < 40 8 15
40 - < 50 10 25
50 - < 60 15 40
60 - < 70 25 65
70 - < 80 10 75
80 - < 90 5 80
Jumlah 80

Kuartil pertama:
Titik kuartil pertama: 80/4 = 20
Bq : 40 - 0,5 = 39,5
i : 10
fkq : 15
fq : 10
𝑛
4
− 𝑓𝑘𝑞
𝑄1 = 𝐵𝑞 + 𝑖 [ ]
𝑓𝑞
20−15
𝑄1 = 39,5 + 10 [ 10
] = 44,5
Kuartil ketiga:
Titik kuartil ketiga : 3n/4 = 240/4 = 60
Bq : 60-0,5=59,5
i : 10
fkq : 40
fq : 25
3𝑛
−𝑓𝑘𝑞
𝑄3 = 𝐵𝑞 + 𝑖 [ 4 𝑓𝑞
]

60−40
𝑄3 = 59,5 + 10 [ 25
] = 67,5
LANGKAH-LANGKAH PENGERJAAN SOFTWARE
1. Tekan icon R pada desktop, kemudian akan muncul tampilan seperti gambar di
bawah ini.

2. Untuk mencari nilai kuartil pertama. Ketikkan seperti di bawah ini:

Integrated Laboratory Universitas Gunadarma-Statistika 1 26

BAB 4. UKURAN PEMUSATAN DATA

3. Untuk mencari nilai kuartil ketiga. Ketikkan seperti di bawah ini:

4.4.2 Desil dan Persentil

Jika pada kuartil deretan data terurut dibagi menjadi 4, maka pada desil,
deretan data terurut dibagi menjadi 10 bagian yang sama. Perumusan yang
digunakan pun tidak jauh berbeda, yang berbeda hanya bagian rumus yang
menentukan titik-titik desil. Berikut tabel yang memuat bagian rumus yang
menentukan 9 titik desil:

Desil ke-1: n/10

Desil ke-2: 2n/10
Desil ke-3: 3n/10
Desil ke-4: 4n/10
Desil ke-5: 5n/10 Median
Desil ke-6: 6n/10
Desil ke-7: 7n/10
Desil ke-8: 8n/10
Desil ke-9: 9n/10

Adapun bagian-bagian lainnya menyesuaikan letak titik desil yang bersangkutan.

Integrated Laboratory Universitas Gunadarma-Statistika 1 27

BAB 4. UKURAN PEMUSATAN DATA

Contoh soal:

Kelas Frekuensi Frekuensi Kumulatif

20 - < 30 7 7
30 - < 40 8 15
40 - < 50 10 25
50 - < 60 15 40
60 - < 70 25 65
70 - < 80 10 75
80 - < 90 5 80
Jumlah 80

Tentukanlah desil ke-7!

Letak titik desil ke-7 = (80 x 7) / 10 = 56
Bd (tepi batas bawah kelas desil) = 60-0,5=59,5
fkd (frekuensi kumulatif sebelum kelas desil) = 40
fd (frekuensi pada kelas desil) = 25
7n
−f
10 kd
D7 = Bd + i. [ ]
fd
7𝑛
− 𝑓𝑘𝑑
𝐷7 = 𝐵𝑑 + 𝑖 [10 ]
𝑓𝑑
56 − 40
𝐷7 = 59,5 + 10 [ ] = 65,9
25

LANGKAH-LANGKAH PENGERJAAN SOFTWARE

1. Tekan icon R pada desktop, kemudian akan muncul tampilan seperti gambar di
bawah ini.

Integrated Laboratory Universitas Gunadarma-Statistika 1 28

BAB 4. UKURAN PEMUSATAN DATA

2. Untuk mencari nilai desil. Ketikkan seperti di bawah ini:

Demikian pula dalam menentukan persentil. Bagian rumus yang berubah

hanyalah bagian yang menentukan letak titik persentil, dan bagian-bagian yang
lainnya menyesuaikan persentil yang dimaksud.

Posisi beberapa titik persentil:

Persentil ke-1 n/100

Persentil ke-12 12n/100
Persentil ke-27 27n/100
Persentil ke-87 87n/100
Persentil ke-99 99n/100

Integrated Laboratory Universitas Gunadarma-Statistika 1 29

BAB 4. UKURAN PEMUSATAN DATA

Contoh soal:
Lihat tabel di bawah ini. Tentukan persentil ke-67! (Kustituanto dan Badrudin,
1994. Page: 83-86).

Frekuensi
Kelas Frekuensi
Kumulatif
20 - < 30 7 7
30 - < 40 8 15
40 - < 50 10 25
50 - < 60 15 40
60 - < 70 25 65
70 - < 80 10 75
80 - < 90 5 80
Jumlah 80

Letak titik persentil ke-67 = (80 x 67) / 100 = 53,6

Bp (tepi batas bawah kelas persentil) = 60-0,5=59,5
Interval = 10
fkp (frekuensi kumulatif sebelum kelas persentil) = 40
fp (frekuensi pada kelas persentil) = 25
67n
− fkp
P67 = BP + i. [100 ]
fP
53,6 − 40
𝑃67 = 59,5 + 10 [ ] = 64,94
25

LANGKAH-LANGKAH PENGERJAAN SOFTWARE

1. Tekan icon R pada desktop, kemudian akan muncul tampilan seperti gambar di
bawah ini.

Integrated Laboratory Universitas Gunadarma-Statistika 1 30

BAB 4. UKURAN PEMUSATAN DATA

2. Untuk mencari nilai persentil. Ketikkan seperti di bawah ini:

4.4.3 Ukuran Kecondongan (Skewness)

Sebelumnya telah dijelaskan mengenai ukuran pemusatan data dengan
menggunakan rata-rata hitung, median, dan modus.
Karakteristik lain dari suatu distribusi adalah bentuknya. Ada empat
bentuk yang umum diamati: simetris, condong positif, condong negatif, dan
bimodal. Dalam distribusi simetris, rata-rata dan median adalah sama dan nilai-
nilai data tersebar merata di sekitar nilai-nilai ini. Bentuk distribusi di bawah rata-
rata dan median adalah bayangan cermin dari distribusi di atas rata-rata dan
median. Distribusi nilai condong ke kanan atau condong positif, jika ada puncak
tunggal, tetapi nilainya lebih jauh ke kanan puncak daripada ke kiri puncak.
Dalam hal ini, rata-rata lebih besar dari median. Dalam distribusi condong
negatif, ada puncak tunggal, tetapi pengamatan meluas lebih jauh ke kiri, ke arah
negatif, daripada ke kanan. Dalam distribusi condong negatif, rata-rata lebih
kecil dari median. Distribusi condong positif lebih umum digunakan. Pembagian
gaji sering mengikuti pola ini. Misalkan, gaji karyawan yang bekerja di sebuah
perusahaan kecil dengan sekitar 100 orang. Direktur dan beberapa eksekutif
puncak akan memiliki gaji yang sangat besar dibandingkan dengan pekerja lain.
Oleh karena itu distribusi gaji akan menunjukkan kecondongan positif. Distribusi

Integrated Laboratory Universitas Gunadarma-Statistika 1 31

BAB 4. UKURAN PEMUSATAN DATA

bimodal akan memiliki dua atau lebih puncak. Ini sering terjadi ketika nilai-nilai
berasal dari dua atau lebih populasi. Informasi ini dirangkum dalam Gambar 4.1.

Gambar 4.1
Bentuk Poligon Frekuensi
Ada beberapa rumus dalam literatur statistik yang digunakan untuk
menghitung kecondongan (skewness).
Yang paling sederhana, dikembangkan oleh Profesor Karl Pearson (1857-
1936), didasarkan pada perbedaan antara rata-rata dan median.

̅ − Median)
3 (X
sk =
s
s merupakan standar deviasi, dapat dicari menggunakan rumus:

∑(X − ̅
X)2
s=√
n−1

Dengan menggunakan hubungan ini, koefisien skewness dapat berkisar

dari -3 hingga 3. Nilai yang mendekati -3, seperti -2,57, menunjukkan
kecondongan negatif yang cukup besar. Nilai seperti 1,63 menunjukkan
kecondongan positif sedang. Nilai 0 yang akan terjadi jika rata-rata dan median
sama, menunjukkan distribusi simetris dan tidak terjadi kecondongan.

Contoh:
Berikut adalah laba per saham untuk sampel 15 perusahaan perangkat lunak
tahun 2020. Laba per saham diurutkan dari data terkecil ke terbesar:

$0,09 $0,13 $0,41 $0,51 $1,12 $1,20 $1,49 $3,18

$3,50 $6,36 $7,83 $8,92 $10,13 $12,99 $16,40

Integrated Laboratory Universitas Gunadarma-Statistika 1 32

BAB 4. UKURAN PEMUSATAN DATA

Hitunglah rata-rata, median, dan standar deviasi. Temukan koefisien

kecondongan menggunakan estimasi Pearson. Apa kesimpulan Anda tentang
bentuk distribusi?
Penyelesaian:
Rata-rata:
∑X $74,26
̅
X= = = $4,95
n 15
Median:
Median adalah nilai tengah dalam kumpulan data, disusun dari terkecil hingga
terbesar. Dalam hal ini, jumlah observasinya ganjil, jadi nilai tengahnya atau
median yaitu $3,18.
Standar Deviasi:

̅)2
∑(X − X ($0,09 − $4,95)2 + ⋯ + ($16,40 − $4,95)2
s=√ =√ = $𝟓, 𝟐𝟐
n−1 15 − 1
Koefisien Pearson:
3 (X̅ − Median) 3($4,95 − $3,18)
sk = = = 𝟏, 𝟎𝟏𝟕
s $5,22
Hal ini menunjukkan adanya kecondongan positif pada data laba per saham.
(Lind, Marchal, dan Wathen, 2021. Page: 106-108).

4.4.4 Ukuran Keruncingan (Kurtosis)

Kurtosis ialah derajat ketinggian puncak atau keruncingan suatu
distribusi. Nilainya biasanya merupakan nilai relatif terhadap distribusi normal.
Sebuah distribusi yang mempunyai puncak yang relatif tinggi, seperti contohnya
kurva pada Gambar 4.2 di bawah ini (a) disebut leptokurtik, sementara kurva (b)
yang memiliki puncak rata atau datar disebut platikurtik. Distribusi normal yang
ditunjukkan pada Gambar 4.2 (c) dengan puncak yang tidak terlalu runcing
ataupun terlalu datar disebut sebagai mesokurtik.

Gambar 4.2
Salah satu ukuran yang digunakan untuk menyatakan derajat
keruncingan kurva distribusi atau kurtosis ini menggunakan momen keempat di

Integrated Laboratory Universitas Gunadarma-Statistika 1 33

BAB 4. UKURAN PEMUSATAN DATA

sekitar nilai mean yang dinyatakan dalam bentuk tanpa dimensi dan dirumuskan
sebagai:
m4 m4
Koefisien momen kurtosis = α4 = 4 = 2
s s2
yang seringkali dinyatakan juga sebagai b2. Untuk distribusi normal, b2 =
α4 = 3. Atas dasar alasan inilah maka kurtosis sering pula didefinisikan sebagai
(b2 – 3), yang bernilai positif untuk distibusi leptokurtik, negatif untuk distribusi
platikurtik, serta nol untuk distribusi normal. Ukuran kurtosis yang lain
didasarkan pada kuartil dan persentil dan dinyatakan sebagai:
Q
𝜅=
P90 − P10
1
di mana Q = 2 (Q3 − Q1 ) adalah jangkauan semi-interkuartil. P90
merupakan persentil ke-90 dan P10 merupakan persentil ke-10. Di sini kita
menggunakan κ (huruf kecil kappa dalam abjad Yunani) sebagai simbol untuk
koefisien persentil kurtosis di mana untuk distribusi normal κ bernilai 0,262.
(Spiegel dan Stephens, 2004. Page: 95-96).

Contoh:
Hitunglah koefisien persentil kurtosis, untuk distribusi yang telah diberikan dan
seberapa baikkah distribusi ini mendekati distribusi normal? (Spiegel dan
Stephens, 2004, Page 101)
Q1 = $268,25 P10 = D1 = $258,12
Q2 = P50 = $279,06 P90 = D9 = $301,00
Q3 = $290,75

Penyelesaian:
1 1
Q = (Q3 − Q1 ) = ($290,75 − $268,25) = $𝟏𝟏, 𝟐𝟓
2 2
P90 − P10 = $301,00 − $258,12 = $𝟒𝟐, 𝟖𝟖

Jadi,
Q $11,25
𝜅= = = 𝟎, 𝟐𝟔𝟐
P90 − P10 $42,88

Oleh karena κ untuk distribusi normal adalah 0,262 maka distribusi yang
dikaji dalam soal ini berjenis mesokurtik (hampir sama/menyerupai distribusi
normal). Jadi kurtosis distribusi hampir sama dengan kurtosis distribusi normal
sehingga membuat kita yakin bahwa distribusi ini mendekati distribusi normal
dengan sangat baik, sepanjang yang menjadi tinjauannya adalah nilai kurtosis
dan distribusi yang bersangkutan.

Integrated Laboratory Universitas Gunadarma-Statistika 1 34

BAB 4. UKURAN PEMUSATAN DATA

4.5 Rata-rata Tertimbang

Adakalanya, perumusan rata-rata hitung yang sudah dibahas sebelumnya
tidak dapat memberikan hasil yang tepat (Kustituanto dan Badrudin, 1994, Page
87). Terkadang kita mengasosiakan bilangan-bilangan X1, X2, . . . , Xn dengan
faktor penimbang (bobot) W1, W2, . . . , Wn bergantung pada signifikansi yang
melekat pada bilangan tersebut (Spiegel dan Stephens, 2004, Page 49). Maka
rata-rata tertimbang adalah:
∑ni=1 Wi Xi
W= n
∑i=1 Wi

Keterangan:
W = Rata-rata tertimbang/berbobot
Wi = Timbangan/bobot ke-i
Xi = Data ke-I dari variabel acak X

Jika penimbang dinyatakan dalam proporsi (atau persentase), maka ∑Wi = 1,

sehingga:
n

W = ∑ Wi X i
i=1

Contoh 1 :
Nilai akhir dari seorang mahasiswa untuk mata kuliah Matematika, Fisika, Bahasa
Inggris, dan Ilmu Kesehatan masing-masing adalah 82, 86, 90, dan 70. Jika mata
kuliah ini masing-masing memiliki bobot sebesar 3, 5, 3, dan 1 maka tentukan
nilai rata-rata tertimbangnya!
Wi Xi
W=
Wi
(3)(82) + (5)(86) + (3)(90) + (1)(70) 1016
W= = = 𝟖𝟓
3+5+3+1 12

Contoh 2:
Misalkan mahasiswa Y mendapatkan nilai 90 untuk tugas harian mata
kuliah Statistika, 80 untuk Ujian Tengah Semester, dan 60 untuk Ujian Akhir
Semester. Jika bobot tugas harian, UTS, dan UAS masing-masing adalah
10%, 60%, dan 30%, maka nilai akhirnya (dihitung sebagai rata-rata
tertimbang) adalah: (Data diambil dari Harlan, 2004. Page: 41)
n

W = ∑ Wi Xi
i=1

W = (0.10)(90) + (0.60)(80) + (0.30)(60) = 75

Integrated Laboratory Universitas Gunadarma-Statistika 1 35

BAB 4. UKURAN PEMUSATAN DATA

4.6 Rata – Rata Geometrik

Tidak jarang, seseorang harus menghitung rata-rata pertumbuhan suatu
kualitas atau nilai sesuatu, misalnya rata-rata pertumbuhan nilai penjualan, rata-
rata pertumbuhan jumlah penduduk, dan lain sebagainya. Untuk menghitungnya,
penggunaan rata-rata hitung tidak dapat digunakan lagi dan tentunya diperlukan
cara lain, yaitu rata-rata geometrik atau rata-rata ukur.
Cara perhitungannya dilakukan dengan menarik akar hasil kali rasio faktor
pertumbuhan dari data yang satu ke data lainnya. Rasio ini dihitung dengan
membagi suatu nilai pada suatu periode dengan nilai pada periode sebelumnya.

Misalkan G menyatakan rata-rata geometrik untuk data X1 , X2 , . . . , Xn , maka:

Gn = X1.X2........Xn = ∐ni=1 Xi

Log Gn = log (X1*X2* ........,* Xn) = log X1 + log X2 + ..... + log Xn

n log G = ∑ni=1 logXi

sehingga ∑n
i=1 logXi
Log G = n

atau G = n√X1 X2 … Xn = n√∐ni=1 Xi

Contoh:
Misalkan jumlah kasus DBD (Demam Berdarah Dengue) di kota B pada
tahun 2000, 2001, 2002, dan 2003 masing-masing adalah 124, 130, 143, dan 158.
Rata-rata geometriknya adalah: (Data diambil dari Harlan, 2004. Page: 40).

G = n√X1 X2 … Xn =
G = 4√(124)(130)(143)(158) = 138,15

Integrated Laboratory Universitas Gunadarma-Statistika 1 36

BAB 4. UKURAN PEMUSATAN DATA

DAFTAR PUSTAKA
Harlan, Johan. 2004. Metode Statistika 1. Jakarta: Gunadarma.
Kustituanto, Bambang., dan Rudy Badrudin. 1994. Buku Statistika I (Deskriptif). Jakarta:
Gunadarma.
Spiegel, Murray R., dan Stephens, Larry J. 2004. Statistik. Edisi ketiga. Jakarta: PT
Erlangga.

Integrated Laboratory Universitas Gunadarma-Statistika 1 37