2.

1 Cara Memenutukan Koefisien Skeweness

Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi

suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari meannya)
maka dikatakan menceng kanan (positif) dan jika sebaliknya maka menceng kiri (negatif).
Secara perhitungan, skewness adalah momen ketiga terhadap mean. Distribusi normal
(dan distribusi simetris lainnya, misalnya distribusi t atau Cauchy) memiliki skewness 0
(nol).

Kemiringan sebuah diagram dari sebuah data bergantung kepada penyebaran data
yang merata atau tidak. Semakin banyak data yang besar dan semakin sedikit data yang
kecil maka kemiringan data tersebut akan condong kesebelah kiri atau sering disebut
kemiringan negatif. Sedangkan semakin banyak data yang besar dan semakin sedikit data
kecil maka kemiringan data tersebut akan condong ke sebelah kanan atau sering disebut
kemiringan negatif.

Dari Gambar 2.3 di atas tampak bahwa untuk distribusi miring, mean(ra)
akan cenderung berada pada sisi yang sama dengan modus berada di ekor kurva
yang lebih panjang. Jadi ukuran dari kesimetrisan dapat diperoleh dari selisih atau
perbedaan nilai mean dan modus : mean – modus. Ukuran ini dapat dibuat menjadi
ukuran tanpa dimensi atau satuan. Jika ukuran dari kesimetrisan ini dibagi dengan
suatu ukuran dispersi, misalnya standar deviasi atau simpangan baku. Dengan
demikian dapat definisikan ukuran kesimetrisan tanpa dimensi ini sebagai:
Atau untuk menghindari penggunaan modus dapat pula menggunakan rumus berikut:

Persamaan (2.8) dan (2.9) di atas berturut-turut disebut sebagai koefisien pertama
dan kedua pada kemiringan pearson. Salah satu ukuran kemiringan lain yang penting
ialah dengan menggunakan momen ketiga di sekitar nilai mean dan dinyatakan
dalam bntuk tanpa dimensi, yaitu:

Ukuran kemiringan yang lain lagi kadang dinyatakan oleh persamaan.2

31 ab  Untuk kurva simetris sempurna, misalnya kurva normal,3a dan1b masing-
masing sama dengan nol.

 Pengaplikasian Rumus Skewness Pada Contoh Soal

Diberikan data tunggal sebagai berikut

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

Mo = 5

S=
√ (2−5)2 +(3−5)2+( 4−5)2 +(5−5)2 +(6−5)2+(7−5)2 +(8−5)2 +(5−5)2
8

S=
√ 28
8
 S = 1,871

Maka kemiringan dengan metode Pearson yang pertama yaitu:

x−Mo
Sk =
s

5−5
Sk =
1,871

Sk = 0

Kemiringan data di atas sama dengan 0 yang artinya adalah data termasuk
adalam kategori normal atau uniform.

2.2 Pengertian Kurtosis

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

 Macam – Macam Rumus Kurtosis

Kurtosis secara matematis dapat dirumuskan sebagai berikut.

4
∑ f i (x i−x )
K= 4
N .s

Jika menggunakan nilai momen ke-4 maka perumusannya adalah

m4
K= 4
s

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

m4 : momen ke-4 disekitar rata – rata

Kriteria penyimpulan setelah nilai kurtosis atau K diketahui yaitu

1. Jika K > 3 , maka kurva dikategorikan runcing atau lepto kurtik
2. Jika K = 3 , maka kurva dikategorikan normal atau meso kurtik
3. Jika K < 3 , maka kurva dikategorikan datar atau plati kurtik

Keruncingan dari sebuah data kesimpulan di atas. Perhatikan Gambar

Gambar 2.8

Muray. R Spigel dan Larry. J Stephens. Scaum’s Outlines Teori dan Soal-Soal Statistik,
Edisi 3 (Jakarta: Erlangga, 2007), h.93-95

Aden, dkk. 2019. Statistik Pengendalian Kualitas. (Online).

(http://eprints.unpam.ac.id/8089/), diakses 17 Februari 2020