BAB VII

UKURAN VARIASI ATAU DISPERSI

Tujuan Pembelajaran
Mahasiswa diharapkan dapat:
1. Menghitung varians, Simpangan rata-rata, simpangan baku, dan koefisein variasi
untuk data tunggal dan data berkelompok
2. Memaknai hubungan simpangan baku dengan mean dan kenormalan data
3. Memaknai hubungan koefisien variasi dengan homogenitas data
4. Menghitung Nilai Baku
5. Menentukan Ukuran Kemiringan dan Keruncingan dari suatu data

Sebelum mempelajari tentang ukuran penyebaran, perhatikan contoh berikut ini:

Contoh 7.1
Dua perusahaan lampu LCD Proyektor menuliskan spesifikasi lampu sebagai berikut:
Perusahaan A: Waktu hidup rata-rata lampu 5000 jam.
Perusahaan B: waktu hidup rata-rata lampu 4000 jam.
Perusahaan manakah yang mempunyai waktu hidup lebih lama?
Sepintas, kita akan memilih lampu dari perusahaan A, karena mempunyai waktu hidup
yang lebih lama. Akan tetapi, pada waktu uji kualitas diperoleh data, semua lampu B
mempunyai waktu hidup tidak jauh dari angka 5000 jam (nilai rata-ratanya), sedangkan
lampu A waktu hidupnya sangat bervariasi. Beberapa lampu A bahkan mempunyai waktu
hidup 2000 jam di bawah waktu hidup rata-ratanya. Riwayat informasi data ini
menyimpulkan bahwa lampu A dapat mempunyai waktu hidup sampai serendah 5000 –
2000 = 3000 jam, sedangkan lampu B waktu hidupnya paling rendah adalah 3500 jam.
Dengan demikian kita akan memilih lampu B.
Contoh 7.1 ini memberikan pengertian bahwa meskipun nilai rata-rata diambil dari
distribusi data, tetapi tidak dapat menjelaskan riwayat data. Dengan demikian, kita perlu
mengembangkan suatu ukuran untuk mengukur sebaran dari suatu data.

72
Contoh 7.2
Dua orang mahasiswa A dan B disurvei tentang waktu (dalam jam) yang
digunakannya untuk olahraga setiap pekan. Diperoleh data survei sebagai berikut:
Tabel 7.1
Pekan 1 2 3 4 5 Mean Median
ke-
Mhs A 5 6 7 8 9 7 7
Mhs B 1 2 7 12 13 7 7

Jika dilihat mean dan median dari kedua mahasiswa, maka diambil kesimpulan keduanya
menghabiskan waktu rata-rata yang sama untuk olahraga, yaitu 7 jam per pekan . Tetapi
jika dilihat dari sebaran data di Tabel 7.1, mahasiswa A lebih konsisten dalam berolahraga
mingguan dibandingkan dengan mahasiswa B. Sebaran data menunjukkan jam per pekan
dari mahasiswa B sangat bervariasi jauh dari nilai rata-ratanya.

Berdasarkan contoh 7.1 dan 7.2 maka diperlukan ukuran yang lain di samping ukuran
pemusatan data yang telah dipelajari. Ukuran tersebut adalah ukuran variasi atau dispersi.

Ukuran Variasi adalah ukuran yang menyatakan seberapa jauh penyimpangan nilai-nilai
data dari nilai-nilai pusatnya atau Ukuran yang menyatakan seberapa banyak nilai-nilai
data yang berbeda dengan nilai-nilai pusatnya. Ukuran variasi digunakan untuk
mengetahui luas penyimpangan data atau homogenitas data. Dua variabel data yang
memiliki mean yang sama belum tentu memiliki kualitas yang sama, tergantung dari besar
atau kecil ukuran penyebaran datanya.
Berdasarkan ukuran variasi atau dispersi, terdapat 3 kelompok nilai yaitu:
1. Kelompok nilai homogen (tidak bervariasi)
2. Kelompok nilai relatif homogen (tidak begitu bervariasi)
3. Kelompok nilai heterogen (sangat bervariasi)

Untuk mengelompokan data ke dalam tidak kelompok di atas, maka perlu dihitung
beberapa ukuran variasi atau dispersi, antara lain:

73
 1. Jangkauan/Rentang (range)
2. Simpangan rata-rata (mean deviation)
3. Simpangan baku (Standard deviation)
4. Varians (Variance)
5. Koefisien Variasi (Coefficient of variation)

A. Rentang
Rentang adalah perbedaan antara data terbesar dengan data terkecil yang terdapat
pada sekelompok data. Rentang adalah salah satu ukuran statistik yang menunjukan jarak
penyebaran data antara nilai terendah (Xmin) dengan nilai tertinggi (Xmaks). Ukuran ini
sudah digunakan pada pembahasan daftar distribusi frekuensi. Jarak atau kisaran nilai
(rentang) merupakan ukuran paling sederhana dari ukuran penyebaran. Jarak merupakan
perbedaan antara nilai terbesar dan nilai terkecil dalam suatu kelompok data baik data
populasi atau sampel. Semakin kecil ukuran jarak menunjukkan karakter yang lebih baik,
karena berarti data mendekati nilai pusat dan kompak.Secara singkat, rentang dapat
ditentukan dengan rumus:
Rentang (R) = Nilai Terbesar – Nilai Terkecil

Contoh 7.3
Berikut ini nilai ujian dari 3 mahasiswa
A = 60 55 70 65 50 80 40
B = 50 55 60 65 70 65 55
C = 60 60 60 60 60 60 60
Dari data di atas dapat diketahui bahwa:
Mahasiswa A memiliki Xmax = 80; Xmin = 40, R = 40; mean 60
Mahasiswa B memiliki Xmax = 70; Xmin = 50, R = 40; mean 60
Mahasiswa C memiliki Xmax = 60; Xmin = 60, R = 0; mean 60

Dari contoh 7.3 dapat disimpulkan bahwa:

a. Semakin kecil range, semakin homogen distribusinya

74
 b. Semakin besar range, semakin heterogen distribusinya
c. Semakin kecil range, mean merupakan wakil yang representatif
d. Semakin besar range, mean semakin kurang representatif

Selain rentang antara dua nilai ekstrim dalam suatu kelompok data, dikenal juga rentang
antar kuartil (RAK). Telah diketahui bahwa dalam sebuah data terdapat tiga nilai kuartil
dengan kuartil terbesar adalah K3 dan kuartil terkecil adalah K1. RAK adalah selisih K3
dengan dan K1, ditulis:
RAK =K 3−K 1
Selain RAK, terdapat disepersi lain yang disebut Rentang Semi antar Kuartil (RSK) atau
sering disebut juga Semi Kuartil (SK). Nilai SK adalah setengah dari RAK, dan ditulis:
1 1
SK= RAK = ( K 3−K 1 )
2 2

Contoh 7.4
Perhatikan Tabel 7.2 berikut:
Tabel 7.2 Nilai Ujian Tengah Semester
Nilai (Xi) Titik Tengah (Xi) Frekuensi
50-54 52 4
55-59 57 6
60-64 62 8
65-69 67 16
70-74 72 10
75-79 77 3
80-84 82 2
85-89 87 1
50

Dapat ditunjukkan bahwa

75
 K 1=69,5+ 5 ( 12,5−10
8 )=61,06
K 1=69,5+ 5 ( 37,5−34
10 )
=71,25

Sehingga
RAK =71,25−61,06=10,19 dan
1
RK = ( 10,19 )=5,09
2

Rentang adalah ukuran penyebaran data yang kasar sehingga harus berhati-hati. Rentang
dapat menjerumuskan jika tidak ditafsirkan secara bijak. Perhatikan contoh berikut:

Contoh 7.5
Pada kontes menyelam diperoleh data waktu selam (menit) dari dua peserta (A dan B),
sebagai berikut:
Tabel 7.3 Data Waktu Selam 2 Siswa
Penyelaman 1 2 3 4 5 Mean Median Rentang
ke-
Peserta A 28 22 21 26 18 23 22 10
Peserta B 27 27 28 6 27 23 27 22

Jika dilihat nilai rentangnya, peserta A (rentang = 10) lebih konsisten karena rangenya lebih
kecil dibandingkan peserta B (range = 22). Bagaimanapun kenyataanya peserta B lebih
konsisten. Sebaran data menunjukkan waktu selam B lebih seragam kecuali ada satu item
data, yaitu 6 yang ekstrem. Angka 6 ini mungkin disebabkan ada kesalahan teknis saat
menyelam atau ada kesalahan lainnya. Perhatikan pula: Data B mediannya tidak
terpengaruh oleh nilai ekstrem. Contoh ini menuntut kita untuk mencari cara yang lebih
baik dalam mengukur sebaran data.

76
B. Simpangan Rata-rata (mean deviation)
Simpangan rata-rata merupakan penyimpangan nilai-nilai individu dari nilai rata-ratanya.
Rata-rata bisa berupa mean, atau median. Untuk data mentah simpangan rata-rata dari
median cukup kecil sehingga simpangan ini dianggap paling sesuai untuk data mentah.
Namun, pada umumnya, simpangan rata-rata yang dihitung dari mean yang sering
digunakan untuk nilai simpangan rata-rata.
Jika kita mempunyai data x 1 , x 2 , x 3 ,… , x ndan nilai rata ratanya x maka selisih antara
masing-masing data dengan nilai rata-rata ( x ¿ adalah:
x 1−x , x 2−x , x 3− x , … , x n−x
Selisih antara data dengan nilai rata-rata dapat bernilai negatif jika nilai x kurang dari x .
Tetapi jarak, rentang ataupun selisih tidak bernilai negatif. Oleh karena itu, diambil harga
mutlaknya menjadi:
|x 1−x|,|x 2−x| ,|x 3− x|, … ,|x n−x|
Seperti yang telah diketahui, rata-rata adalah jumlah semua data dibagi dengan banyaknya
data, maka rata-rata dari selisih antara data dengan x yang telah dimutlakkan juga dapat
ditentukan rata-ratanya. Rata-rata antara data dengan x yang telah dimutlakkan inilah yang
disebut Simpangan Rata-rata (SR). Dengan demikian, rumus SR adalah:

|x 1−x|+|x 2−x|+|x 3−x|+ …+|x n−x|

SR=
n
Atau dengan menggunakan notasi sigma
n

∑|x i−x|
i=1
SR=
n
Jika data memiliki sebagian atau seluruh nilainya berfrekuensi lebih dari satu maka:
n

∑ f i|x i−x|
SR= i=1 n

∑f i
i=1

77
Rumus yang terkahir dapat digunakan untuk data berkelompok, dengan x i adalah titik
tengah kelas interval.
Simpangan rata-rata memiliki kelemahan sebagai akibat bekerja dengan bilangan mutlak.

Contoh 7.6
|−4|+|−6|+|3| 1
=4
3 2
Sebenarnya terdapat rentang antara nilai maksimum 3 dan nilai minimum −6 sebesar 9.
Tetapi lain halnya dengan
4+ 6+3 1
=4
2 2
Rentang antara nilai maksimum dan minimum sebesar 3, padahal mempunyai simpangan
rata-rata yang sama. Oleh sebab itulah nilai simpangan rata-rata tidak dapat membedakan
antara rentang yang lebih besar dengan rentang yang lebih kecil, padahal rentang berguna
untuk mengetahui penyimpangan data dengan rata-rata.

C. Varian dan Standar Deviasi

Untuk mengatasi kelemahan simpangan rata-rata ini, masing-masing nilai
simpangan dikuadratkan dan menghasilkan Varian (s¿¿ 2)¿ . Akar dari varian
disebut Simpangan Baku (Standar Deviasi) dan disimbolkan s. Ukuran penyimpangan
inilah yang sering dipakai secara umum. Simbol simpangan baku untuk sampel adalah
s dan untuk populasi adalah σ . Dengan demikian,
2 2 2 2
2 ( x 1−x ) + ( x 2−x ) +( x 3−x ) +…+ ( x n− x )
s=
n−1
Atau
n

∑ ( x i−x )2
2 i=1
s=
n−1
Dan simpangan bakunya:

78
 √
n

∑ ( x i−x )2
i=1
s=
n−1
Mengapa dibagi n−1 bukan dibagi oleh n saja? Sebab seandainya kita hanya mengadakan
pengukuran dua kali, artinya hanya terdapat satu selisih pengukuran, yaitu selisih
perbedaan antara pengukuran pertama dengan pengukuran kedua. Tidak dapat dicari nilai
rata-ratanya karena belum meyakinkan.
Langkah-langkah menghitung simpangan baku:
1) menghitung nilai rata-rata x ,
2) Menghitung selisih x 1−x , x 2−x , x 3− x , … , x n−x
2 2 2 2
3) Tentukan kuadrat selisih tersebut ( x 1−x ) , ( x2− x ) , ( x 3−x ) , … , ( x n− x )
4) Kuadrat-kuadrat tersebut dijumlahkan
5) Jumlah tersebut dibagi dengan n−1

Contoh 7.7
Diberikan sampel dengan data: 8 , 7 , 10 ,11 , 4
Untuk membuat simpangan baku, pertama ditentukan dahulu rata-ratanya yaitu 8.
Kemudian dibuat Tabel 7.4 berikut:
Tabel 7.4 Tabel Bantu Untuk Menghitung Simpangan Baku
xi x i−x 2
( x i−x )
4 −4 16
7 −1 1
8 0 0
10 2 4
11 3 9

∑ ( xi −x ) 2=30

Dengan menggunakan rumus, diperoleh:

79
 s=
∑
2
2
( x i−x ) 30
= =7,5
5−1 4
sehingga s= √7,5=2,74
Jika rumus varians dikembangkan lagi menggunakan sifat-sifat notasi sigma maka kita
akan peroleh bentuk yang lebih sederhana
n n

∑ ( x i−x ) 2
∑ ( x i2−2 x i x + x 2)
2 i=1 i=1
s= =
n−1 n−1
n n n

∑ x i2−x ∑ x i + ∑ x
2 i=1 i =1 i=1
s=
n−1
Jika proses ini dilanjutkan, maka akan diperoleh rumus varian yang lain

(∑ )
n n 2

n ∑ xi − 2
xi
2 i=1 i=1
s=
n(n−1)
dan

√ (∑ )
n n 2
n ∑ xi −
2
xi
i=1 i=1
s=
n(n−1)
Dengan demikian, untuk menghitung varian dan simpangan baku akan dibutuhkan tabel
yang lebih sederhana tanpa harus menghitung nilai rata-rata terlebih dahulu.
Sangat dianjurkan untuk menghitung simpangan baku lebih baik menggunakan rumus yang
terakhir karena kekeliruannya lebih kecil.
Untuk contoh 7.7, diperoleh:

Tabel 7.5 Tabel Bantu Untuk Menghitung Simpangan Baku ( x i2)

xi xi
2

4 16
7 49
8 64

80
 10 100
11 121
∑ x i=40 ∑ x i2=350
Dengan n=5 diperoleh:
2
5(350)−40
s2= =7,5
5( 4)
dan
s= √ 7,5=2,74
Jika data disajikan dalam bentuk berbobot yaitu setiap atau nilai data memiliki frekuensi
yang lebih dari satu, maka dapat digunakan rumus:

√
n

∑ f i ( x i−x )2
i=1
s=
n−1
Sehingga membutuhkan tabel
xi fi ( x i−x ) ( x i−x )
2
f i ( x i−x )2

atau

√ (∑ )
n n 2
n ∑ f i xi − 2
f i xi
i=1 i=1
s=
n(n−1)
Sehingga diperlukan tabel:
xi fi xi
2
f i xi f i xi
2

Contoh 7.8
Perhatikan data pada Tabel 7.6 berikut:
Tabel 7.6 Data Hasil Tes 16 Siswa
Nilai ( x i ¿ Frekuensi ( f i ¿
70 5

81
 69 6
45 3
80 1
56 1
16

Untuk menghitung simpangan baku, pertama kita menghitung rata-rata yang telah diperoleh
pada Bab V yaitu 64,6875yang dibulatkan menjadi 64,69. Kemudian kita membuat Tabel
7.7 sebagai tabel bantu

Tabel 7.6 Tabel Bantu untuk Menghitung Simpangan Baku (1)

Nilai ( Frekuensi ( ( x i−x ) ( x i−x )
2
f i ( x i−x )2
xi ¿ f i¿
70 5 5,31 28,1961 140,9805
69 6 4,31 18,5761 111,4566
45 3 -19,69 387,6961 1163,088
80 1 15,31 234,3961 234,3961
56 1 -8,69 75,5161 75,5161

1725,438

√
n

∑ f i ( x i−x )2
s=
i=1
n−1
=
√ 1725,438
15
= √115,0292=10,73

Jika kita akan menggunakan rumus simpangan baku tanpa menghitung rata-rata maka kita
membutuhkan Tabel 7.7

Tabel 7.7 Tabel Bantu untuk Menghitung Simpangan Baku Tanpa Rata-rata

82
 Nilai ( x i ¿ Frekuensi ( f i xi xi
2
f i xi
2

f i¿
70 5 350 4900 24500
69 6 414 4761 28566
45 3 135 2025 6075
80 1 80 6400 6400
56 1 56 3136 3136
16 1035 68677

√ ( )
n n 2
n ∑ f i x i2− ∑ f i xi
√
2
i=1 i=1 16 ( 68677 )−( 1035 )
s= =
n(n−1) 16(15)

s=
√ 1098832−1071225
240
=
27607
240 √
=√ 115,0295=10.73

Semua rumus simpangan baku dapat digunakan untuk data berkelompok, dengan
mengingat bahwa x i pada data berkelompok adalah titik tengah dari setiap kelas interval.

Contoh 7.9
Perhatikan Tabel 7.8 berikut
Tabel 7.8 Hasil Tes 40 Mahasiswa Pendidikan Matematika
Hasil Ujian Frekuensi ( f i ¿
61−65 4
66−70 9
71−75 11
76−80 2
81−85 4
86−90 7
91−95 3
Jumlah 40

83
Untuk menghitung simpangan baku dengan menggunakan nilai rata-rata, maka kita harus
mengetahui nilai rata-rata dari data pada Tabel 7.8 yaitu 76,25 . Kemudian kita membuat
Tabel Tabel 7.9 sebagai Tabel Bantu

Tabel 7.9 Tabel Bantu Untuk Menghitung Simpangan Baku Data berkelompok
Hasil Frekuensi Titik ( x i−x ) 2
( x i−x )
2
f i ( x i−x )
Ujian (f i ¿ Tengah (
xi¿
61−65 4 63 -13,25 175,5625 702,25
66−70 9 68 -8,25 68,0625 612,5625
71−75 11 73 -3,25 10,5625 116,1875
76−80 2 78 1,75 3,0625 6,125
81−85 4 83 6,75 45,5625 182,25
86−90 7 88 11,75 138,0625 966,4375
91−95 3 93 16,75 280,5625 841,6875
Jumlah 40 33427,5

√
n

∑ f i ( x i−x )2
s= i=1
n−1
=
√ 33427,5
39
= √ 87,8846=9,37

Jika kita akan menggunakan rumus simpangan baku tanpa menghitung rata-rata maka kita
membutuhkan Tabel 7.10

Tabel 7.10 Tabel bantu Menghitung Simpangan Baku Data BerkelompokTanpa Rata-rata
Hasil Frekuensi Titik Tengah ( f i xi xi
2
f i xi
2

Ujian (f i ¿ xi¿
61−65 4 63 252 3969 15876
66−70 9 68 512 4624 41616
71−75 11 73 803 5329 58619
76−80 2 78 156 6084 12168

84
 81−85 4 83 332 6889 27556
86−90 7 88 616 7744 54208
91−95 3 93 279 8649 25947
Jumlah 40 3050 235990

√ ( )
n n 2
n ∑ f i xi − ∑ f i xi
2

s=
i=1

n(n−1)
i=1
=
√ 9439600−9302500
40(39)

s=
√ 137100
1560
=√ 87,8846=9,37

Aktivitas 7.1
1. Hitunglah simpangan baku (dengan nilai rata-rata dan tanpa nilai rata-rata) untuk
data berikut:
a. 4,3,5,4,6,3,6,7,8,7,8,8
b. 70,65,80,70,60,70,65,60,80,85,80

2. Jika data berat badan siswa SD sebagai berikut:

Berat Badan Jumlah Siswa
20 24
22 5
25 12
28 2
30 15
33 10
35 6
38 18
40 8
Hitunglah simpangan baku dari data berat badan siswa di sekolah tersebut (dengan
kedua cara)!

85
 3. Tentukanlah simpangan baku menggunakan kedua cara untuk data nilai siswa
berkut:
Nilai Frekuensi
31-40 3
41-50 5
51-60 10
61-70 11
71-80 8
81-90 3

4. Diberikan tabel distribusi frekuensi seperti di bawah ini:

Kelas Interval Frekuensi (f)
10-19 2
20-29 3
30-39 5
40-49 8
50-59 10
60-69 9
70-79 7
80-89 4
90-99 2
Jumlah 50
Hitunglah s dengan menggunakan rumus simpangan baku yang berbeda!

D. Makna Simpangan Baku dan Rata-rata Suatu Data

Satu set data dapat diwakili oleh nilai rata-rata dan simpangan baku. Nilai rata-rata x
menunjukkan akurasi dari data tersebut, sedangkan simpangan baku (s) menunjukkan
sebaran (konsistensi) datanya.

Contoh 7.10

86
Perusahaan cat mengisikan cairan cat sebayak 1 liter ke dalam kaleng dengan keran
otomatis. Perusahaan ini menggunakan dua keran A dan B secara bergantian. Hasil
pengukuran berulang pada volume cat dalam kaleng, untuk keran A dan B adalah:
Nilai Rata-rata A = 1,05 liter, Simpangan Baku A = 0,20 liter;
Nilai Rata-rata B = 1,20 liter, Simpangan Baku B = 0,05 liter
Kesimpulan: Keran A mempunyai nilai mean (1,05) yang baik/akurat karena dekat dengan
nilai 1 liter, tetapi konsistensinya tidak baik, sebab simpangan baku besar (0,25). Keran B
mempunyai masalah dengan akurasi, karena meannya (1,20) jauh dari nilai 1 liter,
walaupun demikian, konsistensi keran baik, sebab simpangan bakunya kecil (0,05). Hasil
ini dapat digambarkan sebagai berikut:

Bagaimana cara membandingkan dua distribusi data yang berbeda?

Walaupun satu set data dapat diwakili oleh nilai rata-rata dan simpangan bakunyanya,
tetapi ketika kita ingin membandingkan dua set (atau lebih) data, nilai simpangan baku
tidaklah cukup untuk menentukan kualitas suatu data.

Contoh 7.11
Seandainya dua keran A dan B seperti contoh sebelumnya dites berulang pada daerah
ukuran yang berbeda dan diperoleh datanya, keran mana yang mempunyai kualitas lebih
baik?
Data: Keran A: 12,13,16,18,18, 20 ml; Keran B: 125, 131, 114, 158, 168, 193 ml.
Penyelesaian: Setelah dihitung:
Nilai rata-rata A = 16,167 ml, Simpangan Baku A= 3,125 ml ;
Nilai rata-rata B = 153,167ml, Simpangan Baku B = 25,294 ml
Berdasarkan hasil hitungan simpangan baku, keran A mempunyai nilai simpangan yang
jauh lebih kecil dibandingkan dengan keran B. Tetapi karena nilai rata-rata kedua keran
mempunyai daerah ukuran yang berbeda, maka kualitas keran tidak dapat ditentukan secara

87
langsung dengan besar atau kecilnya nilai simpangan baku. Oleh karena itu diperlukan cara
lain untuk membandingkan dua kumpulan data yang mempunyai nilai rata-rata yang
berbeda daerah ukurannya, yaitu koefisien variasi.

E. Koefisien Variasi
Kelemahan dari simpangan baku yang baru saja kita bahas adalah mempunyai satuan yang
sama dengan satuan data aslinya sehingga jika kita ingin membandingkan dua kelompok
data dengan satuan yang berbeda maka akan memberi hasil yang tidak valid. Misalnya kita
akan membandingkan modal 10 perusahaan besar di Amerika dengan yang di Indonesia
atau harga 10 mobil (dalam jutaan rupiah) dengan harga 10 ekor ayam (dalam ribuan
rupiah) atau berat 10 ekor gajah dengan 10 ekor semut. Walaupun nilai simpangan baku
untuk berat gajah atau berat mobil lebih besar, tidak berarti nilai ini lebih heterogen atau
lebih bervariasi daripada berat semut dan harga ayam. Di sinilah pentingnya penggunaan
nilai koefisien variasi (KV) yang bebas dari data asli.
KV merupakan ukuran variasi yang bersifat relatif yang dapat digunakan untuk
membandingkan beberapa kelompok data yang berbeda. Koefisien variasi dipakai jika kita
akan membandingkan simpangan baku (s) dari dua distribusi frekuensi yang tidak
mempunyai satuan pengukuran yang sama; tidak mempunyai x yang sama. Koefisien
variasi berguna untuk mengamati variasi data atau sebaran data dari rata-rata hitungnya.
Semakin kecil nilai koefisien variasi, semakin homogen data; sebaliknya, jika koefisien
variasi semakin besar maka data semakin heterogen.
Koefisien Variasi (KV) adalah perbandingan simpangan baku dengan nilai rata-rata
yang dinyatakan dengan persentase
s
KV = ×100 %
x
dengan KV = Koefisien Variasi, s=¿ standar deviasi dan x = nilai rata-rata
Jika ada dua kelompok data dengan koefisien variansi KV 1 dan KV 2 dan KV 1> KV 2 maka
kelompok pertama lebih bervariasi daripada kelompok kedua atau kelompok kedua lebih
homogen daripada kelompok kedua

88
Contoh 7.12
Harga 5 motor bekas masing-masing adalah Rp. 4.000.000,-; Rp. 4.500.000,-; Rp.
5.000.000,-; Rp. 4.750.000,- dan Rp. 4.250.000,- ; sedangkan harga 5 ayam masing-,masing
adalah Rp. 600.000,-; Rp. 800.000,-; Rp. 900.000,-; Rp. 550.000,-; dan 1.000.000,-.
Hitunglah simpangan baku harga mobil ( sm ) dan harga ayam ( sa ). Manakah yang lebih
bervariasi (heterogen), harga mobil atau harga ayam?
x m=4.500 .000 dan sm =¿ 395.285

x a=770.000 dan sa =¿ 192.354

(silahkan diuji sesuai dengan apa yang telah dijelaskan di awal)

395.285
KV m= × 100 %=9 %
4.500 .000

192.354
KV a= × 100 %=25 %
770.000
Karena KV a > KV m maka harga ayam lebih bervariasi atau heterogen daripada harga mobil
atau harga mobil lebih homogen daripada harga ayam

Contoh 7.13

Lampu di rumah Nanda rata-rata dapat dipakai 3.800 jam dengan simpangan baku 800 jam,
sedangkan lampu di rumah Zalika dapat dipakai rata-rata selama 4.500 jam dengan
simpangan baku 1.200 jam. Dari data di atas, lampu di rumah siapakah yang lebih baik

Koefisien variasi pemakaian lampu di rumah Nanda ( KV n):

800
KV n= ×100 %=21 %
3.800

Koefisien variasi pemakaian lampu di rumah Zalika ( KV z ):

1.200
KV z = × 100 %=27 %
4.500

89
Lampu di rumah Nanda lebih baik dari lampu di rumah Zalika karena koefisien variasi
lampu di rumah Nanda kurang dari koefisien variasi di rumah Zalika

Aktivitas 7.2

1. Nilai rata-rata Statistika Kelas A adalah 80 dengan simpangan standar 4,5 dan nilai
rata-rata Kelas B adalah 70 dengan simpangan standar 5,2. Hitunglah koefisien variasi
masing-masing dan tentukan manakah kelas yang homogen
2. Tentukan Koefisien Variansi untuk soal-soal pada Aktivitas 7.1
3. Seorang pengamat ekonomi ingin meneliti dampak krisis ekonomi akibat wabah
Covid-19. Untuk itu diambil data sampel secara acak dari 16 orang kepala keluarga di
dua desa tentang pendapatan perminggu (dalam puluhan ribu rupiah)

Penduduk Desa I
19 18 18 19 18 19 19 18
18 19 17 20 16 17 22 18

Penduduk Desa II
18 17 17 18 18 17 18 17
17 18 18 19 20 21 20 17
Penduduk desa manakah yang mempunyai pendapatan lebih merata (gunakan koefisien
Variasi)

F. Angka Baku atau Nilai Baku (Z-skor)

Nilai baku adalah angka yang menunjukkan seberapa jauh suatu nilai (X) menyimpang dari
rata-ratanya dalam satuan SD, merupakan indeks durasi suatu nilai. Nilai baku dapat
dihitung dengan menggunakan rumus:

90
 x −x
Z=
s

dengan Z = Nilai baku, X = Nilai (skor), x = Rata - rata dan s = Simpangan baku

Perbedaannya dengan range (R) dan standar deviasi (s) adalah bahwa Z-score tidak lagi
menggunakan angka kasar dan satuan pengukurannya, melainkan dalam satuan s.

Nilai Baku digunakan untuk mengetahui kedudukan suatu objek yang sedang diselidiki
dibandingkan terhadap keadaan pada umumnya (nilai rata-rata) kumpulan objek tersebut.

Semakin besar nilai baku, maka data tersebut semakin baik

Contoh 7.14

Si A mendapatkan nilai matematika 50. Rata-rata kelompoknya adalah 40 dan Simpangan

Baku = 5. Nilai baku si A adalah:

x −x 50−40
Z= = =2
s 5

Contoh 7.15

Seorang mahasiwa mendapat nilai Statistik 70 dengan rata-rata kelas 60 dan standar deviasi
12, nilai Bahasa Inggris 80 dengan rata-rata kelas 75 dan standar deviasi 15, manakah
kedudukan nilai yang paling baik.

70−60
Z s= =0,83
12

80−75
Z b= =0,33
15
Jadi kedudukan nilai statistika lebih baik dari pada nilai Bahasa Inggris walaupun nilai
bahasa Inggrisnya lebih dari nilai statistika

Contoh 7.16

91
Rata-rata dan standar deviasi upah pesuruh kantor masing-masing adalah Rp.65.000,- dan
Rp. 1.500,00. Jika Pak Darmawan salah seorang pesuruh yang upahnya Rp. 67.250,- nilai
standar upah Pak Darmawan adalah….

x −x 67.250−65.000
Z= = =1,5
s 1.500

Jadi nilai standar upah pak Darmawan adalah 1,5

G. Ukuran Kemiringan (SK)

Ukuran kemiringan adalah ukuran yang menyatakan derajat ketidaksimetrian suatu
lengkungan halus (kurva) dari suatu distribusi frekuensi. Ada beberapa cara menghitung
kemiringan kurva
a. Koefisien Pearson, dengan rumus:
x−Mo
SK=
s

atau
3 ( x−Me )
SK =
s

b. Koefisien Bowley, dengan rumus:

Q3+ Q1−2 Q2
SK =
Q 3−Q1

atau
P90+ P 10 −2 P50
SK=
P 90−P10

Jika SK > 0 maka kurva positif atau kurva condong ke kanan

Jika SK < 0 maka kurva negatif atau kurva condong ke kiri
Jika SK = 0 maka kurva simetris

92
Contoh 7.17
Koefisien kemiringan kurva distribusi frekuensi dari hasil penjualan suatubarang yang
mempunyai nilai rata-rata = Rp. 516.000,- modus = Rp. 435.000,- dan standar deviasi = Rp.
150.000,- adalah….

x−Mo 516.000−435.000
SK = = =0,54
s 150.000

H. Ukuran Keruncingan (Kurtosis)

Ukuran keruncingan / kurtosis (k) adalah ukuran mengenai tinggi rendahnya atau
runcingnya suatu kurva.

Kurva leptokurtik adalah kurva distribusi yang sangat runcing dan nilai-nilai datanya sangat
terpusat di sekitar rata-rata

Kurva leptokurtik
Kurva Mesokurtik adalah kurva yang kemiringannya sedang dan merupakan
penggambaran dari suatu distribusi normal

93
 Kurva Mesokurtik

Kurva Platikurtik adalah kurva yang bentuknya mendatar dan nilai-nilai datanya
tersebar secara merata sampai jauh dari rata-ratanya

Kurva Platikurtik
Untuk mengetahui apakah suatu kurva distribusi merupakan Kurva leptokurtik,
Mesokurtik atau Platikurtik dapat menggunakan ukuran teruncing atau koefisien
kurtosis.

Untuk menghitung tingkat keruncingan suatu kurva (koefisien kurtosis) digunakan

rumus:

Q3 −Q1
k=
2 ( P90 −P 10)

Jika nilai k > 0,263 maka kurva leptokurtis (puncaknya runcing sekali)
Jika k <0,253 maka kurva platikurtis (puncaknya agak mendatar)
Jika k =0 maka kurva mesokurtis (puncaknya tidak begitu runcing atau distribusi
normal)

Contoh 7.18
Dari sekelompok data yang disusun dalam tabel distribusi frekuensi diketahui nilai

94
 Q1 = 55,24; Q3 = 73,64 ; P10 = 44,5 ;P90 = 82,5.

Besarnya koefisien kurtosis kurva data tersebut adalah….

Q3 −Q1 73,64−55,24
k= = =0,242
2 ( P90 −P 10 ) 2(82,5−44,5)

Karena k < 0,263 maka kurva distribusi tersebut platikurtik.

Aktivitas 7.3
Seorang pengamat ekonomi ingin meneliti dampak krisis ekonomi akibat wabah Covid-19.
Untuk itu diambil data sampel secara acak dari 16 orang kepala keluarga di dua desa
tentang pendapatan perminggu (dalam puluhan ribu rupiah)

Penduduk Desa I
19 18 18 19 18 19 19 18
18 19 17 20 16 17 22 18

Penduduk Desa II
18 17 17 18 18 17 18 17
17 18 18 19 20 21 20 17
a. Tentukan derajat kemiringan distribusi data tersebut dan jenis kemiringan
b. Tentukan derajat keruncingan dan buatlah kesimpulannya!!

95