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:
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
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.
4
∑ f i (x i−x )
K= 4
N .s
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
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