UKURAN

PENYEBARAN
YUSTINA CHRISMARDANI
 UKURAN PENYEBARAN

• Suatu ukuran baik parameter atau statistik untuk

mengetahui seberapa besar penyimpangan data
dengan nilai rata-rata hitungnya.
• Untuk mengetahui ukuran pemusatan, akan dibahas :
range (jarak), deviasi rata-rata, varians dan standard
deviasi, ukuran keruncingan, ukuran kecondongan
 UKURAN PENYEBARAN UNTUK
DATA YANG TIDAK
DIKELOMPOKKAN

1. RANGE (JARAK)
perbedaan antara nilai terbesar dengan nilai
terkecil dalam suatu kelompok data baik data
populasi maupun data sampel
Semakin kecil range menunjukkan karakter yang
baik karena data mendekati pada nilai pusat dan
kompak
Range = nilai terbesar – nilai terkecil
2. DEVIASI RATA-RATA
adalah rata-rata hitung dari nilai mutlak deviasi
antara nilai data pengamatan dengan rata-rata
hitungnya.
X X
MD 
N
Populasi
 X 
MD 
N
Dimana:
MD = mean deviation / deviasi rata-rata
X = nilai setiap data pengamatan
X = x bar = nilai rata-rata hitung dari seluruh nilai pengamatan
N = jumlah data atau pengamatan
3. VARIANS DAN STANDARD DEVIASI
Varians adalah rata-rata hitung deviasi kuadrat
setiap data terhadap rata-rata hitungnya
Varians populasi:
 ( X   ) 2
X
 
2
bahwa  
N N
Varians sampel :
 ( X  X ) 2
s2 
n 1
Standar deviasi adalah akar kuadrat dari varians
dan menunjukkan standar penyimpangan data
terhadap nilai rata-ratanya.
populasi :
( X   ) 2

N
sampel :
( X  X ) 2
S
n 1
 CONTOH SOAL

• DATA:
• 10 20 30 40 50 60 70

• Hitunglah:
• 1. Range
• 2. Deviasi rata-rata
• 3. Varians
• 4. Standard deviasi
DATA |x-μ| (x-μ) (x-μ)2
10 30 -30 900
20 20 -20 400
30 10 -10 100
40 0 0 0
50 10 10 100
60 20 20 400
70 30 30 900
∑=280 ∑=120 ∑=2800

μ = 280/7 = 40
1. Range = 70 – 10 = 60
2. Deviasi rata-rata
 X  120
MD    17,143
N 7

3. Varians
 ( X   ) 2
2800
 
2
  400
N 7
4. Standard deviasi

( X   ) 2
   2  400  20
N
 UKURAN PENYEBARAN
UNTUK DATA YANG
DIKELOMPOKKAN

1. RANGE (JARAK)
range = batas atas kelas tertinggi – batas bawah
kelas terendah
2. DEVIASI RATA-
RATA
 f X X
MD 
N
 fX
X
n
Dimana:
MD = mean deviation
f = jumlah frekuensi tiap kelas
X = nilai setiap data pengamatan
X = x bar = nilai rata-rata hitung dari seluruh nilai pengamatan
N = jumlah data atau pengamatan
3. VARIANS DAN STANDARD
DEVIASI
 f ( X  X ) 2
s2 
n 1

 f ( X  X )2
S
n 1
 CONTOH SOAL

FREKUENS
KELAS INTERVAL I X |X - X̅| f . |X - X̅| (X - X̅) (X - X̅)2 f.(X - X̅)2

1 118 - 1888 5 1.003 1.594 7.970 1.594 2.540.517 12.702.586

2 1889 - 3659 3 2.774 177 531 177 31.364 94.093

3 3660 - 5430 0 4.545 1.948 - 1.948 3.795.094 -

4 5431 - 7201 2 6.316 3.719 7.438 3.719 13.831.705 27.663.410

∑=15.939 ∑=40.460.089

X̅ =2.596,9
1. Range = 7.201 – 118 = 7.083
2. Deviasi rata-rata
 f X X 15.939
MD    1.593,9
N 10

3. Varians
 f ( X  X ) 2
40.460.089
s2    4.495.565,44
n 1 9

4. Standar deviasi

 f ( X  X )2
S  4.495.565,44  2.120,27
n 1
 UKURAN KEMENJULURAN
(SKEWNESS)

  Mo 3(   Md )
Sk  atau Sk 
 
Dimana :
SK = koefisien kecondongan
μ = nilai rata-rata hitung
Mo = nilai modus
Md = nilai median
σ = standar deviasi

Nilai Sk akan berkisar dari -3 sampai +3. jika nilai Sk positif

maka disebut menjulur positif. Jika nilai Sk negatif maka
disebut menjulur negatif
 UKURAN KERUNCINGAN
(KURTOSIS)

• Untuk mengukur keruncingan dari suatu

kurva dapat dilakukan melalui perbandingan
dengan kurva normal (simetris)
• Kurva normal yaitu mempunyai distribusi
yang tidak mendatar dan tidak meruncing,
disebut mesokurtic
• Kurva dengan distribusi puncak yang
mendatar disebut platykurtic
• Kurva dengan distribusi puncak yang tinggi
disebut leptokurtic.
Koefisien kurtosis untuk data tidak dikelompokkan :
1 / n ( X   ) 4
4 
4
Koefisien kurtosis untuk data dikelompokkan :
1/ n  f ( X   )4
 
4

4
Dimana :
σ4 = koefisien kurtosis
n = jumlah data
f = frekuensi kelas

Bila σ4 = 3 maka kurva mesokurtic, σ4 > 3 maka kurva leptokurtic,

σ4 < 3 maka kurva platykurtic