MAKALAH STATISTIKA 

DESKRIPTIF
Posted on April 18, 2013 by yeniprahana

BAB I

PENDAHULUAN

A. Latar Belakang

Statistika adalah cabang ilmu yang mempelajari tentang bagaimana mengumpulkan,

menganalisis dan menginterpretasikan data. Atau dengan kata lain, statistika menjadi
semacam alat dalam melakukan suatu riset empiris.Dalam menganalisis data, para ilmuwan
menggambarkan persepsinya tentang suatu fenomena. Deskripsi yang sudah stabil tentang
suatu fenomena seringkali mampu menjelaskan suatu teori. (Walaupun demikian, orang dapat
sajaberargumentasi bahwa ilmu biasanya menggambarkan bagaimana sesuatu itu terjadi,
bukannya mengapa). Penemuan teori baru merupakan suatu proses kreatif yang didapat
dengan cara mereka ulang informasi pada teori yang telah ada atau mengesktrak informasi
yang diperoleh dari dunia nyata. Pendekatan awal yang umumnya digunakan untuk
menjelaskan suatu fenomena adalah statistika deskriptif.

Penggunaan Statistika sudah dikenal sebelum abad 18, pada saat itu negara-negara

Babilon, Mesir dan Roma mengeluarkan catatan tentang nama usia dan jenis kelamin,
pekerjaan dan jumlah anggota keluarga. Kemudian pada tahun 1500, pemerintahan Inggris
mengeluarkan catatan mingguan tentang kematian dan tahun 1662, dikembangkan catatan
kelahiran dan kematian. Baru pada tahun 1772-1791, G. Achenwall menggunakan istilah
statistika sebagai kumpulan data tentang negara. Tahun 1791-1799, Dr.E.A.W Zimmesman
mengenalkan kata statistika dalam bukunya Statistical Account Of Scotland. Tahun 1981-
1935 R.Fisher mengenalkan analisa varians dalam literatur statistiknya.

Di Indonesia Pengantar Statistika telah dicantumkan dalam kurikulum Matematika Sekolah

Dasar sejak tahun1975. Hal itu disebabkan karena sekitar lingkungan kita berada selalu
berkaitan dengan Statistik. Misalnya di kantor kelurahan kita mengenal statistik desa, di
dalamnya memuat keadaan penduduk mulai dari banyak penduduk, pekerjaanya, banyak
anak, dan sebagainya.

B. Rumusan Masalah
 

Dalam penulisan makalah ini, penulis mencoba menguraikan sedikit rumusan permasalahan
yang akan dibahas dari materi yang berkaitan dengan tema penulisan makalah. Diantara lain:

1) Pengertian Statistika Deskriptif.

2) Manfaat mempelajari Statistika Deskriptif.

3) Pengertian Dispersi Data.

4) Menganalisa Ukuran Penyebaran Data (Kemringan dan Keruncingan)

5) Pengujian Normalitas Kemiringan dan Keruncingan (Kurtosis dan

Skewnees)

C. Tujuan dan Manfaat Penulisan

Tujuan

1)      Tujuan dari penulisan ini guna melengkapi dan memenuhi salah satu syarat untuk

memperoleh nilai UAS (Ujian Akhir Semester) mata kuliah STATISTIKA DESKRIPTIF.

2)      Dengan dibuatnya makalah ini dapat membantu kita dalam memahami

penganalisaan tentang data-data statistik dengan menggunakan Software Ms.Excel dan SPSS.

3)      Belajar membuat makalah tentang STATISTIKA DESKRIPTIF dalam materi Ukuran
Penyebaran Data.

Manfaat

 
Kami mengharapkan agar makalah ini dapat dimengerti oleh teman-teman dan dapat
memahami seberapa pentingnya materi Ukuran Penyebaran.Ukuran Penyebaran Data
(Kemiringan dan Keruncingan Data)

D. Metode Pengumpulan Data

1. Metode Browsing Internet.

Dalam pembuatan Makalah ini penulis melakukan penelitian melalui browsing ke internet
supaya Makalah ini dapat menjelaskan secara terperinci atau penambahan wawasan dalam
materi yang bersangkutan yaitu Ukuran Penyebaran Data.

2. Metode Kepustakaan.

Pengumpulan data dengan cara membaca buku-buku yang berhubungan dengan masalah
yang berkenaan dengan penulisan tugas makalah ini dapat disajikan sebagai bahan
pertimbangan untuk mendekati dan meneliti kebenaran antara teori dengan praktek yang ada.

E. Sistematika Penulisan

Untuk mempermudah teman-teman mengerti akan maksud dan isi makalah ini,maka penulis
mengadakan penggolongan secara garis besar sesuai dengan permasalahan yang akan dibahas
yaitu :

BAB I : Dalam bab pendahuluan ini Kami mencoba menguraikan tentang Latar

Belakang, Rumusan Masalah, Tujuan dan Manfaat Penulisan, Metode

Pengumpulan Data, dan Sistematika Penulisan.

BAB II : Dalam bab ini akan diuraikan mengenai teori dari materi yang dibahas

serta Pembahasan hasil Analisa Kami dalam menganalisa Ukuran

Penyebaran Data (Ketajaman dan Keruncingan). Dalam bab ini juga

akan dijelaskan tentang cara membaca nilai dari Ukuran Penyebaran

Data beserta Uji Normalitas.

BAB III : Dalam bab ini Kami menguraikan tentang penutup yang

meliputi kesimpulan dan saran berdasarkan atas pada bab

pendahulu.

BAB II

PEMBAHASAN

A. Pengertian Statistika Deskriptif

Statistika deskriptif adalah tehnik yang digunakan untuk mensarikan data dan
menampilkannya dalam bentuk yang dapat dimengerti oleh setiap orang. Hal ini melibatkan
proses kuantifikasi dari penemuan suatu fenomena. Berbagai statistik sederhana, seperti rata-
rata, dihitung dan ditampilkan dalam bentuk tabel dan grafik. Statistika deskriptif dapat
memberikan pengetahuan yang signifikan pada kejadian fenomena yang belum dikenal dan
mendeteksi keterkaitan yang ada di dalamnya. Tetapi dapatkah statistika deskriptif
memberikan hasil yang bisa diterima secara ilmiah? Statistik merupakan suatu alat
pengukuran yang berhubungan dengan keragaman pada karakteristik objek-objek yang
berbeda .

Objek yang belum dikenal tidaklah mewakili populasi objek yang memiliki “quantifiabel
feature” melalui penyelidikan. Namun demikian, keragaman bisa menjadi hasil dari
keberagaman yang lainnya (karena acak atau terkontrol). Pada ilmu fisika, yang sangat
berkaitan dengan ekstraksi dan formulasi persamaan matematik tidak menyisakan banyak
tempat untuk fluktuasi acak. Pada ilmu statistika, fluktuasi seperti itu dapat dijadikan model.
Hubungan relasi statistik selanjutnya merupakan hubungan relasi yang menerangkan suatu
proporsi perubahan stokastik yang pasti.
 

Statistika Deskriptif adalah ilmu yang mempelajari tentang cara:

a. Mengumpulkan data/informasi.

b. Mengolah data hasil pengumpulan.

c. Menyajikan data hasil pengolahan.

d. Menganalisis data.

B. Pengertian Dispersi Data

Penyebaran atau dispersi adalah perserakan dari nilai observasi terhadap nilai rata-ratanya.
Rata-rata dari serangkaian nilai observasi tidak dapat diinterpretasikan secara terpisah dari
hasil dispersi nilai-nilai tersebut sekitar rataratanya.Makin besar variasi nilai xi , makin
kurang representatif rata-rata distribusinya.

Ukuran penyebaran suatu kelompok data terhadap pusat data disebut dispersi atau variasi atau
keragaman data. Dispersi data digunakan untuk membandingkan penyebaran 2 distribusi data
atau lebih.

Beberapa jenis pengukuran Dispersi adalah sebagai berikut:

1. Jangkauan (Range)

Selisih antara batas atas dari kelas tertinggi dengan batas bawah dari kelas terendah.

2. Simpangan Rata-Rata (Mean Deviation)

Jumlah nilai mutlak dari selisih semua nilai dengan nilai rata-rata dibagi banyaknya data.

3. Varians (Variance)

Rata-rata hitung deviasi kuadrat setiap data terhadap rata-rata hitungnya.

 

4. Standar Deviasi

Akar kuadrat dari varians dan menunjukkan standar penyimpangan data terhadap nilai rata-
ratanya.

5. Jangkauan kuartil dan jangkauan persentil 10-90

Jangkauan kuartil disebut juga simpangan kuartil atau semi antar kuartil atau deviasi kuartil
sedangkan jangkauan persentil 10-90 disebut juga rentang persentil 10-90.

6. Koefisien Variasi

Koefisien Variasi, disebut dispersi relatif, dapat digunakan untuk membandingkan nilai –
nilai besar dengan nilai – nilai kecil. Sedangkan lima

bentuk dispersi sebelumnya tidak bisa.

C. Kegunaan Ukuran Penyebaran Data

Dispersi Data adalah data yang menggambarkan bagaimana suatu kelompok data menyebar
terhadap pusatnya data atau ukuran penyebaran suatu kelompok data terhadap pusatnya data.

Dispersi data sangat penting untuk membandingkan penyebaran 2 distribusi data atau lebih.
Pusat data seperti rata-rata hitung, median dan modus hanya memberi informasi yang sangat
terbatas sehingga tanpa disandingkan dengan dispersi data menjadi kurang bermanfaat dalam
menganalisa data.

Kegunaan ukuran penyebaran antara lain sebagai berikut :

1. Ukuran penyebaran dapat digunakan untuk menentukan apakah nilai rata-ratanya

benar-benar representatif atau tidak. Apabila suatu kelompok data

mempunyai penyebaran yang tidak sama terhadap nilai rata-ratanya, maka

dikatakan bahwa nilai rata-rata tersebut tidak representatif.

           

1. Ukuran penyebaran dapat digunakan untuk mengadakan perbandingan

terhadap variabilitas data.

1. Ukuran penyebaran dapat membantu penggunaan ukuran statistika,

misalnya dalam pengujian hipotesis, apakah dua sampel berasal dari

populasi yang sama atau tidak.

D. Kemiringan dan Kerunncingan Data

a. Kemiringan Distribusi Data

Kemiringan adalah derajat atau ukuran dari ketidaksimetrisan suatu distribusi data. Tiga pola
kemiringan distribusi data adalah sebagai berikut:

Gambar 1: Grafik Kemiringan Distribusi Data

Pengukuran kemiringan suatu distribusi data dapat diketahui dengan beberapa

cara, antara lain:

_ Memperhatikan hubungan antara rata-rata hitung, median dan modus.

_ Menggunakan koefisien Pearson.

_ Menggunakan Momen ketiga.

_ Menggunakan kotak diagram garis.

 

b. Keruncingan Distribusi Data

Keruncingan distribusi data adalah derajat atau ukuran tinggi rendahnya

puncak suatu distribusi data terhadap distribusi normalnya data. Keruncingan

distribusi data disebut juga kurtosis.

Ada tiga jenis derajat keruncingan:

i. Leptokurtis : Distribusi data yang puncaknya relatif tinggi

ii. Mesokurtis : Distribusi data yang puncaknya normal

iii. Platikurtis : Distribusi data yang puncaknya terlalu rendah dan terlalu mendatar.

Gambar 2: Grafik Keruncingan Distribusi Data

E. Analisa Ukuran Penyebaran Data Menggunakan Ms. Excel

1. Analisa Kemiringan Distribusi Data (Skewness)

Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu
distribusi memiliki ekor yang lebih memanjang ke kanan (mengacu dari meannya) maka
disimpulkan menceng kanan (positif) dan jika distribusi memiliki ekor yang lebih memanjang
ke kiri maka dapat disimpulkan menceng kiri (negatif). Secara perhitungan, skewness adalah
momen ketiga terhadap mean. Distribusi normal dan distribusi simetris lainnya, misalnya

distribusi t memiliki skewness 0.

Cara penulisan rumus skewness di excel :

Skew (number1, number2,…)

Dimana :

Number1, number2 … berupa1-255 argumen yang Kita ingin hitung skewnessnya.Kita juga
dapat menggunakan array tunggal atau referensi ke array, bukan argumen yang dipisahkan
oleh koma.

Gambar 3: Analisa Kemiringan Distribusi Data Menggunakan EXCEL

2. Analisa Keruncingan Distribusi Data (Kurtosis)

Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap
distribusi normal). Kurva yang lebih runcing dari distribusi normal dinamakan Leptokurtik,
yang lebih datar Platikurtik dan distribusi normal disebut Mesokurtik. Kurtosis dihitung dari
momen keempat terhadap mean.

Cara penulisan rumus kurtosis di excel :

Kurt (number1, number2,…)

 
Dimana :

Number1, number2, … dapat berupa 1-255 argumen yang ingin dihitung kurtosisnya. Anda
juga dapat menggunakan array tunggal atau referensi ke array,bukan argumen yang
dipisahkan oleh koma.

Gambar 4: Analisa Keruncingan Distribusi Data Menggunakan EXCEL

3. Analisa Ukuran Penyebaran Data

Statistik Deskriptif adalah Statistik yang berfungsi untuk mendeskripsikan atau memberikan
gambaran terhadap objek yang di teliti melalui data sampel atau populasi sebagaimana
adanya, tanpa melakukan analisis dan membuat kesimpulan yang berlaku untuk umum.

Dalam Statistik Deskriptif ini akan dikemukakan cara-cara penyajian data,dengan tabel biasa
maupun distribusi frekuensi; grafik garis maupun batang;diagram lingkaran; histogram dll,
dan menghitung ukuran penyebaran dan pemustan data seperti: Mean, Median, Mode,
Standard Deviation, Variance,Kurtosis, Skewness, Range, Minimum, Maximum, Sum, dan
Count.

Gambar 5: Analisa Statistika Deskriptif Ukuran Penyebaran Data Menggunakan EXCEL

#Nilai Mode tidak diketahui karena Nilai umumnya tidak ada.

 
 

   

Mean Mean aritmetik atau dikenal sebagai rata-rata. Sama seperti fungsi
Rata-rata.
  
   

Standar Error Perkiraan kesalahan dalam sampel Mean.

 
   

Median Nilai di tengah, sama dengan fungsi Median.

 
   

Mode Nilai yang paling umum

 
   

Standar Sebuah ukuran variabilitas data. Sama seperti fungsi STDEV

Deviation  

 
   

Sample Varians Kuadrat dari standar deviasi. Sama seperti fungsi

VAR.

 
   

Kurtosis Kuadrat dari standar deviasi. Sama seperti fungsi

  VAR.

 
   

Skewness Indeks apakah nilai-nilai yang di salah satu ujung

distribusi. Sama seperti fungsi SKEW

Keterangan :

 
Tabel 4: Keterangan Analisa Statistika Deskriptif Penyebaran Data

   

Range Perbedaan antara maksimum dan minimum.

 
   

Minimum Nilai Terkecil

   

Maximum Nilai Terbesar.

 
   

Sum Jumlah dari semua nilai. Sama seperti fungsi SUM.

   

   

   

Count Jumlah total nilai. Sama seperti fungsi menghitung.

F. Cara Membaca Nilai Kurtosis dan Skewness

1. Nilai Skewness

Skewness diartikan sebagai kemiringan distribusi data. Yang dimaksud dengan kemiringan
data adalah besarnya pembagian data atau rata-rata sebaran data yang biasanya di wujudkan
denan bentuk lonceng, untuk data yang berdistribusi normal. Begitu juga jika kita terapkan
pada Skewness. Apabila skewness menunjukkan simetri maka dikatakan data membentuk
distribusi normal, apabila kemiringan distribusi data agak condong ke kanan ditunjukkan
dengan nilai skewness yang negative, selanjutnya apabila kemiringan distribusi

data condong ke kiri yang ditunjukkan bahwa nilai skewness positif.

 

Apabila nilai sk = 0, maka menunjukkan data berdistribusi normal, sk < 0 kemiringan ke

kanan, dan sk > 0 kemiringan ke kiri. Sebagai contoh, jika diperoleh nilai sk = -0,807 adalah
artinya merupakan nilai negatif, akan tetapi tidak jauh dari nilai, Berarti data cenderung
berdistribusi normal atau hampir normal.

2. Nilai Kurtosis

Kurtosis diartikan sebagai keruncingan distribusi data. Semakin runcing nilai kurtosis akan
menunjukkan data hampir mengumpul (homogen). Akan tetapi apabila nilai kurtosis 0
menunjukkan data normal, dan apabila nilai kurtosis semakin kecil, maka menunjukkan data
semakin tumpul (semakin menyebar dikatakan data tidak homogen).

Jika nilai kurtosis dekat nol maka data cenderung normal, apabila nilai kurtosis negative
berarti datanya tumpul atau cenderung melebar ke bawah,sebaliknya apabila nilai kurtosis
positif maka datanya bersifat runcing atau cenderung mengelompok (homogen).

Sebagai contoh misalnya, Jika diketahui nilai ku = 1,06. Maka nilai kurtosis positif yang
lebih besar dari nol dan cukup jauh dari nol. Oleh karena itu,dikatakan datanya cenderung
runcing atau dengan kata lain cenderung homogen.

G. Uji Normalitas Skewness dan Kurtosis

Salah satu uji statistik adalah uji normalitas data. Uji normalitas berguna untuk menentukan
apakah data yang telah dikumpulkan merupakan distribusi normal atau bukan. Pengujian
normalitas akan mengarahkan teknik statistik apa yang akan digunakan untuk uji
pengambilan keputusan (statistisk inferensi).

Metode statistik klasik dalam pengujian normalitas suatu data tidak begitu rumit.Berdasarkan
pengalaman empiris ahli statistik, data yang banyaknya lebih dari 30 (n >30), sudah dapat
diasumsikan berdistribusi normal. Tetapi untuk memberikan kepastian data merupakan
distribusi normal atau tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data
yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian juga yang kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian.
 

Berikut ini Beberapa Cara yang umum pada pengolahan data menggunakan SPSS dalam
menguji normalitas data :

1. Dengan melihat hasil nilai skewness kurtosis yang didapat melalui statistik

deskriptif.

1. Kolmogorov-Smirnov dengan pendekatan koreksi Lillifors.

2. Kolmogorov Smirnov untuk 1-sample K-S.

Cara dalam menguji Normalitas dari nilai Skewness dan Kurtosis yang diperoleh :

Uji normalitas dengan Skewness dan Kurtosis mempunyai kelebihan yang tidak didapat
diperoleh dari uji normalitas yang lain. Dimana dengan uji skewness/kurtosis akan dapat
diketahui diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau
mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis juga
sering disebut dengan ukuran kemencengan data.

Dengan membandingkan antara nilai Statistic Skewness dibagi dengan Std Error Skewness
atau nilai Statistic Kurtosis dibagi dengan Std Error Kurtosis.Dimana jika skor berada antara -
2 dan 2 maka distribusi data normal.

Misal kita peroleh nilai Skewness = 0,022 , std error skewness =0,427, Kurtosis=-0,807 , std
error kurtosis = 0,833

Nilai Ratio Skewness/Std Error Skewness = 0,022 / 0,427 = 0,05 < 2

Nilai Ratio Kurtosis /Std Error Kurtosis = -0,807 / 0,833 = -0,9 6> -2

Uji normalitas dengan Skewness dan Kurtosis memberikan kelebihan tersendiri, yaitu bahwa
akan diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau
mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis juga
sering disebut dengan ukuran kemencengan data.
 

Satu istilah dalam Kurva Normal adalah Skewness dan Kurtosis. Skewness berkaitan dengan
lebar kurva, sedangkan Kurtosis dengan tinggi kurva.

Jika data terlihat sebarannya normal, tapi kalau nilai kurtosisnya besar (salah satu kategori
terlalu tinggi) maka tidak normal.

Dua nilai ini harus diperhatikan.

Nilai Kritis (Z) = Skewness / √ (6/N). Z tidak boleh lebih dari 2,58 (sig. 1%)

dan 1,96 (sig. 5%). Untuk Kurtosis rumusnya juga sama.

BAB III

    PENUTUP

Statistika dipelajari di berbagai bidang ilmu karena statistika adalah sekumpulan alat analisis
data yang dapat membantu pengambil keputusan untuk mengambil keputusan berdasarkan
hasil kesimpulan pada analisis data dari data yang dikumpulkan. Selain itu juga dengan
statistika kita bisa meramalkan keadaan yang akan datang berdasarkan data masa lalu.

Statistika Deskriptif memberikan informasi yang terbatas, yaitu memberi informasi yang
terbatas pada data apa adanya. Oleh karenanya pemakai statistik deskriptif tidak dapat
mengambil kesimpulan yang umum atas data yang terbatas.

Kesimpulan yang dapat diambil, terbatas atas data yang ada.

Kegunaan mempelajari ilmu Statistik adalah:

1. Memperoleh gambaran suatu keadaan atau persoalan yang sudah terjadi.

2. Untuk Penaksiran (Forecasting)

3. Untuk Pengujian (Testing Hypotesa)

Sedangkan Pentingnya mempelajari Dispersi data didasarkan pada 2

pertimbangan:

1. Pusat data (rata2, median dan modus) hanya memberi informasi yang

sangat terbatas.

1. Kedua, dispersi data sangat penting untuk membandingkan penyebaran

dua distribusi data atau lebih.

DAFTAR PUSTAKA

Statistika, (2000) kar. J. Supranto, jilid 1 Chap.6 edisi keenam, halaman

126 –145

Statistika, Teori dan Aplikasi (2001), Bab 05, kar. Wayan Koster, edisi

pertama, halaman 93-134

Bambang Kustituanto dan Rudy Badrudin, Statistika I, Seri Diktat Kuliah,

Penerbit Gunadarma, Jakarta, 1994

Haryono Subiyakto, Statistika 2, Seri Diktat Kuliah, Penerbit Gunadarma,

Jakarta, 1994

Levin, Richard dan David Rubin, Statistics for Management, Prentice Hall,

New Jersey, 1991

Ronald E Walpole, Pengantar Statistika, edisi terjemahan, PT Gramedia

Jakarta, 1992

www.gudangmateri.com

Santoso, Singgih 2001. Aplikasi Excel dalam Statistik Bisnis. Elex Media

Komputindo. Jakarta.

Modul BSI (Bina Sarana Informatika) mata kuliah Statistika Deskriptif.

BAB I

PENDAHULUAN

A. Latar Belakang

Statistika adalah cabang ilmu yang mempelajari tentang bagaimana mengumpulkan,

menganalisis dan menginterpretasikan data. Atau dengan kata lain, statistika menjadi
semacam alat dalam melakukan suatu riset empiris.Dalam menganalisis data, para ilmuwan
menggambarkan persepsinya tentang suatu fenomena. Deskripsi yang sudah stabil tentang
suatu fenomena seringkali mampu menjelaskan suatu teori. (Walaupun demikian, orang dapat
sajaberargumentasi bahwa ilmu biasanya menggambarkan bagaimana sesuatu itu terjadi,
bukannya mengapa). Penemuan teori baru merupakan suatu proses kreatif yang didapat
dengan cara mereka ulang informasi pada teori yang telah ada atau mengesktrak informasi
yang diperoleh dari dunia nyata. Pendekatan awal yang umumnya digunakan untuk
menjelaskan suatu fenomena adalah statistika deskriptif.

Penggunaan Statistika sudah dikenal sebelum abad 18, pada saat itu negara-negara

Babilon, Mesir dan Roma mengeluarkan catatan tentang nama usia dan jenis kelamin,
pekerjaan dan jumlah anggota keluarga. Kemudian pada tahun 1500, pemerintahan Inggris
mengeluarkan catatan mingguan tentang kematian dan tahun 1662, dikembangkan catatan
kelahiran dan kematian. Baru pada tahun 1772-1791, G. Achenwall menggunakan istilah
statistika sebagai kumpulan data tentang negara. Tahun 1791-1799, Dr.E.A.W Zimmesman
mengenalkan kata statistika dalam bukunya Statistical Account Of Scotland. Tahun 1981-
1935 R.Fisher mengenalkan analisa varians dalam literatur statistiknya.

 
Di Indonesia Pengantar Statistika telah dicantumkan dalam kurikulum Matematika Sekolah
Dasar sejak tahun1975. Hal itu disebabkan karena sekitar lingkungan kita berada selalu
berkaitan dengan Statistik. Misalnya di kantor kelurahan kita mengenal statistik desa, di
dalamnya memuat keadaan penduduk mulai dari banyak penduduk, pekerjaanya, banyak
anak, dan sebagainya.

B. Rumusan Masalah

Dalam penulisan makalah ini, penulis mencoba menguraikan sedikit rumusan permasalahan
yang akan dibahas dari materi yang berkaitan dengan tema penulisan makalah. Diantara lain:

1) Pengertian Statistika Deskriptif.

2) Manfaat mempelajari Statistika Deskriptif.

3) Pengertian Dispersi Data.

4) Menganalisa Ukuran Penyebaran Data (Kemringan dan Keruncingan)

5) Pengujian Normalitas Kemiringan dan Keruncingan (Kurtosis dan

Skewnees)

C. Tujuan dan Manfaat Penulisan

Tujuan

1)      Tujuan dari penulisan ini guna melengkapi dan memenuhi salah satu syarat untuk

memperoleh nilai UAS (Ujian Akhir Semester) mata kuliah STATISTIKA DESKRIPTIF.

2)      Dengan dibuatnya makalah ini dapat membantu kita dalam memahami

penganalisaan tentang data-data statistik dengan menggunakan Software Ms.Excel dan SPSS.

 
3)      Belajar membuat makalah tentang STATISTIKA DESKRIPTIF dalam materi Ukuran
Penyebaran Data.

Manfaat

Kami mengharapkan agar makalah ini dapat dimengerti oleh teman-teman dan dapat
memahami seberapa pentingnya materi Ukuran Penyebaran.Ukuran Penyebaran Data
(Kemiringan dan Keruncingan Data)

D. Metode Pengumpulan Data

1. Metode Browsing Internet.

Dalam pembuatan Makalah ini penulis melakukan penelitian melalui browsing ke internet
supaya Makalah ini dapat menjelaskan secara terperinci atau penambahan wawasan dalam
materi yang bersangkutan yaitu Ukuran Penyebaran Data.

2. Metode Kepustakaan.

Pengumpulan data dengan cara membaca buku-buku yang berhubungan dengan masalah
yang berkenaan dengan penulisan tugas makalah ini dapat disajikan sebagai bahan
pertimbangan untuk mendekati dan meneliti kebenaran antara teori dengan praktek yang ada.

E. Sistematika Penulisan

Untuk mempermudah teman-teman mengerti akan maksud dan isi makalah ini,maka penulis
mengadakan penggolongan secara garis besar sesuai dengan permasalahan yang akan dibahas
yaitu :

BAB I : Dalam bab pendahuluan ini Kami mencoba menguraikan tentang Latar

Belakang, Rumusan Masalah, Tujuan dan Manfaat Penulisan, Metode

Pengumpulan Data, dan Sistematika Penulisan.

BAB II : Dalam bab ini akan diuraikan mengenai teori dari materi yang dibahas

serta Pembahasan hasil Analisa Kami dalam menganalisa Ukuran

Penyebaran Data (Ketajaman dan Keruncingan). Dalam bab ini juga

akan dijelaskan tentang cara membaca nilai dari Ukuran Penyebaran

Data beserta Uji Normalitas.

BAB III : Dalam bab ini Kami menguraikan tentang penutup yang

meliputi kesimpulan dan saran berdasarkan atas pada bab

pendahulu.

BAB II

PEMBAHASAN

A. Pengertian Statistika Deskriptif

Statistika deskriptif adalah tehnik yang digunakan untuk mensarikan data dan
menampilkannya dalam bentuk yang dapat dimengerti oleh setiap orang. Hal ini melibatkan
proses kuantifikasi dari penemuan suatu fenomena. Berbagai statistik sederhana, seperti rata-
rata, dihitung dan ditampilkan dalam bentuk tabel dan grafik. Statistika deskriptif dapat
memberikan pengetahuan yang signifikan pada kejadian fenomena yang belum dikenal dan
mendeteksi keterkaitan yang ada di dalamnya. Tetapi dapatkah statistika deskriptif
memberikan hasil yang bisa diterima secara ilmiah? Statistik merupakan suatu alat
pengukuran yang berhubungan dengan keragaman pada karakteristik objek-objek yang
berbeda .

 
Objek yang belum dikenal tidaklah mewakili populasi objek yang memiliki “quantifiabel
feature” melalui penyelidikan. Namun demikian, keragaman bisa menjadi hasil dari
keberagaman yang lainnya (karena acak atau terkontrol). Pada ilmu fisika, yang sangat
berkaitan dengan ekstraksi dan formulasi persamaan matematik tidak menyisakan banyak
tempat untuk fluktuasi acak. Pada ilmu statistika, fluktuasi seperti itu dapat dijadikan model.
Hubungan relasi statistik selanjutnya merupakan hubungan relasi yang menerangkan suatu
proporsi perubahan stokastik yang pasti.

Statistika Deskriptif adalah ilmu yang mempelajari tentang cara:

a. Mengumpulkan data/informasi.

b. Mengolah data hasil pengumpulan.

c. Menyajikan data hasil pengolahan.

d. Menganalisis data.

B. Pengertian Dispersi Data

Penyebaran atau dispersi adalah perserakan dari nilai observasi terhadap nilai rata-ratanya.
Rata-rata dari serangkaian nilai observasi tidak dapat diinterpretasikan secara terpisah dari
hasil dispersi nilai-nilai tersebut sekitar rataratanya.Makin besar variasi nilai xi , makin
kurang representatif rata-rata distribusinya.

Ukuran penyebaran suatu kelompok data terhadap pusat data disebut dispersi atau variasi atau
keragaman data. Dispersi data digunakan untuk membandingkan penyebaran 2 distribusi data
atau lebih.

Beberapa jenis pengukuran Dispersi adalah sebagai berikut:

1. Jangkauan (Range)

Selisih antara batas atas dari kelas tertinggi dengan batas bawah dari kelas terendah.

2. Simpangan Rata-Rata (Mean Deviation)

Jumlah nilai mutlak dari selisih semua nilai dengan nilai rata-rata dibagi banyaknya data.

3. Varians (Variance)

Rata-rata hitung deviasi kuadrat setiap data terhadap rata-rata hitungnya.

4. Standar Deviasi

Akar kuadrat dari varians dan menunjukkan standar penyimpangan data terhadap nilai rata-
ratanya.

5. Jangkauan kuartil dan jangkauan persentil 10-90

Jangkauan kuartil disebut juga simpangan kuartil atau semi antar kuartil atau deviasi kuartil
sedangkan jangkauan persentil 10-90 disebut juga rentang persentil 10-90.

6. Koefisien Variasi

Koefisien Variasi, disebut dispersi relatif, dapat digunakan untuk membandingkan nilai –
nilai besar dengan nilai – nilai kecil. Sedangkan lima

bentuk dispersi sebelumnya tidak bisa.

C. Kegunaan Ukuran Penyebaran Data

Dispersi Data adalah data yang menggambarkan bagaimana suatu kelompok data menyebar
terhadap pusatnya data atau ukuran penyebaran suatu kelompok data terhadap pusatnya data.

Dispersi data sangat penting untuk membandingkan penyebaran 2 distribusi data atau lebih.
Pusat data seperti rata-rata hitung, median dan modus hanya memberi informasi yang sangat
terbatas sehingga tanpa disandingkan dengan dispersi data menjadi kurang bermanfaat dalam
menganalisa data.

Kegunaan ukuran penyebaran antara lain sebagai berikut :

 

1. Ukuran penyebaran dapat digunakan untuk menentukan apakah nilai rata-ratanya

benar-benar representatif atau tidak. Apabila suatu kelompok data

mempunyai penyebaran yang tidak sama terhadap nilai rata-ratanya, maka

dikatakan bahwa nilai rata-rata tersebut tidak representatif.

           

1. Ukuran penyebaran dapat digunakan untuk mengadakan perbandingan

terhadap variabilitas data.

1. Ukuran penyebaran dapat membantu penggunaan ukuran statistika,

misalnya dalam pengujian hipotesis, apakah dua sampel berasal dari

populasi yang sama atau tidak.

D. Kemiringan dan Kerunncingan Data

a. Kemiringan Distribusi Data

Kemiringan adalah derajat atau ukuran dari ketidaksimetrisan suatu distribusi data. Tiga pola
kemiringan distribusi data adalah sebagai berikut:

Gambar 1: Grafik Kemiringan Distribusi Data

Pengukuran kemiringan suatu distribusi data dapat diketahui dengan beberapa

cara, antara lain:

_ Memperhatikan hubungan antara rata-rata hitung, median dan modus.

_ Menggunakan koefisien Pearson.

_ Menggunakan Momen ketiga.

_ Menggunakan kotak diagram garis.

b. Keruncingan Distribusi Data

Keruncingan distribusi data adalah derajat atau ukuran tinggi rendahnya

puncak suatu distribusi data terhadap distribusi normalnya data. Keruncingan

distribusi data disebut juga kurtosis.

Ada tiga jenis derajat keruncingan:

i. Leptokurtis : Distribusi data yang puncaknya relatif tinggi

ii. Mesokurtis : Distribusi data yang puncaknya normal

iii. Platikurtis : Distribusi data yang puncaknya terlalu rendah dan terlalu mendatar.

Gambar 2: Grafik Keruncingan Distribusi Data

E. Analisa Ukuran Penyebaran Data Menggunakan Ms. Excel

 
1. Analisa Kemiringan Distribusi Data (Skewness)

Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu
distribusi memiliki ekor yang lebih memanjang ke kanan (mengacu dari meannya) maka
disimpulkan menceng kanan (positif) dan jika distribusi memiliki ekor yang lebih memanjang
ke kiri maka dapat disimpulkan menceng kiri (negatif). Secara perhitungan, skewness adalah
momen ketiga terhadap mean. Distribusi normal dan distribusi simetris lainnya, misalnya

distribusi t memiliki skewness 0.

Cara penulisan rumus skewness di excel :

Skew (number1, number2,…)

Dimana :

Number1, number2 … berupa1-255 argumen yang Kita ingin hitung skewnessnya.Kita juga
dapat menggunakan array tunggal atau referensi ke array, bukan argumen yang dipisahkan
oleh koma.

Gambar 3: Analisa Kemiringan Distribusi Data Menggunakan EXCEL

2. Analisa Keruncingan Distribusi Data (Kurtosis)

Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif terhadap
distribusi normal). Kurva yang lebih runcing dari distribusi normal dinamakan Leptokurtik,
yang lebih datar Platikurtik dan distribusi normal disebut Mesokurtik. Kurtosis dihitung dari
momen keempat terhadap mean.

Cara penulisan rumus kurtosis di excel :

 

Kurt (number1, number2,…)

Dimana :

Number1, number2, … dapat berupa 1-255 argumen yang ingin dihitung kurtosisnya. Anda
juga dapat menggunakan array tunggal atau referensi ke array,bukan argumen yang
dipisahkan oleh koma.

Gambar 4: Analisa Keruncingan Distribusi Data Menggunakan EXCEL

3. Analisa Ukuran Penyebaran Data

Statistik Deskriptif adalah Statistik yang berfungsi untuk mendeskripsikan atau memberikan
gambaran terhadap objek yang di teliti melalui data sampel atau populasi sebagaimana
adanya, tanpa melakukan analisis dan membuat kesimpulan yang berlaku untuk umum.

Dalam Statistik Deskriptif ini akan dikemukakan cara-cara penyajian data,dengan tabel biasa
maupun distribusi frekuensi; grafik garis maupun batang;diagram lingkaran; histogram dll,
dan menghitung ukuran penyebaran dan pemustan data seperti: Mean, Median, Mode,
Standard Deviation, Variance,Kurtosis, Skewness, Range, Minimum, Maximum, Sum, dan
Count.

Gambar 5: Analisa Statistika Deskriptif Ukuran Penyebaran Data Menggunakan EXCEL

 
#Nilai Mode tidak diketahui karena Nilai umumnya tidak ada.

 
 

   

Mean Mean aritmetik atau dikenal sebagai rata-rata. Sama seperti fungsi
Rata-rata.

 
   

Standar Error Perkiraan kesalahan dalam sampel Mean.

 
   

Median Nilai di tengah, sama dengan fungsi Median.

 
   

Mode Nilai yang paling umum

 
   

Standar Sebuah ukuran variabilitas data. Sama seperti fungsi STDEV

Deviation  

 
   

Sample Varians Kuadrat dari standar deviasi. Sama seperti fungsi

VAR.

 
   

Kurtosis Kuadrat dari standar deviasi. Sama seperti fungsi

  VAR.

 
   

Skewness Indeks apakah nilai-nilai yang di salah satu ujung

 distribusi. Sama seperti fungsi SKEW

Keterangan :

Tabel 4: Keterangan Analisa Statistika Deskriptif Penyebaran Data

   

Range Perbedaan antara maksimum dan minimum.

 
   

Minimum Nilai Terkecil

   

Maximum Nilai Terbesar.

 
   

Sum Jumlah dari semua nilai. Sama seperti fungsi SUM.

   

   

   

Count Jumlah total nilai. Sama seperti fungsi menghitung.

F. Cara Membaca Nilai Kurtosis dan Skewness

1. Nilai Skewness

 
Skewness diartikan sebagai kemiringan distribusi data. Yang dimaksud dengan kemiringan
data adalah besarnya pembagian data atau rata-rata sebaran data yang biasanya di wujudkan
denan bentuk lonceng, untuk data yang berdistribusi normal. Begitu juga jika kita terapkan
pada Skewness. Apabila skewness menunjukkan simetri maka dikatakan data membentuk
distribusi normal, apabila kemiringan distribusi data agak condong ke kanan ditunjukkan
dengan nilai skewness yang negative, selanjutnya apabila kemiringan distribusi

data condong ke kiri yang ditunjukkan bahwa nilai skewness positif.

Apabila nilai sk = 0, maka menunjukkan data berdistribusi normal, sk < 0 kemiringan ke

kanan, dan sk > 0 kemiringan ke kiri. Sebagai contoh, jika diperoleh nilai sk = -0,807 adalah
artinya merupakan nilai negatif, akan tetapi tidak jauh dari nilai, Berarti data cenderung
berdistribusi normal atau hampir normal.

2. Nilai Kurtosis

Kurtosis diartikan sebagai keruncingan distribusi data. Semakin runcing nilai kurtosis akan
menunjukkan data hampir mengumpul (homogen). Akan tetapi apabila nilai kurtosis 0
menunjukkan data normal, dan apabila nilai kurtosis semakin kecil, maka menunjukkan data
semakin tumpul (semakin menyebar dikatakan data tidak homogen).

Jika nilai kurtosis dekat nol maka data cenderung normal, apabila nilai kurtosis negative
berarti datanya tumpul atau cenderung melebar ke bawah,sebaliknya apabila nilai kurtosis
positif maka datanya bersifat runcing atau cenderung mengelompok (homogen).

Sebagai contoh misalnya, Jika diketahui nilai ku = 1,06. Maka nilai kurtosis positif yang
lebih besar dari nol dan cukup jauh dari nol. Oleh karena itu,dikatakan datanya cenderung
runcing atau dengan kata lain cenderung homogen.

G. Uji Normalitas Skewness dan Kurtosis

Salah satu uji statistik adalah uji normalitas data. Uji normalitas berguna untuk menentukan
apakah data yang telah dikumpulkan merupakan distribusi normal atau bukan. Pengujian
normalitas akan mengarahkan teknik statistik apa yang akan digunakan untuk uji
pengambilan keputusan (statistisk inferensi).
 

Metode statistik klasik dalam pengujian normalitas suatu data tidak begitu rumit.Berdasarkan
pengalaman empiris ahli statistik, data yang banyaknya lebih dari 30 (n >30), sudah dapat
diasumsikan berdistribusi normal. Tetapi untuk memberikan kepastian data merupakan
distribusi normal atau tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data
yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian juga yang kurang dari 30
belum tentu tidak berdistribusi normal, untuk itu perlu suatu pembuktian.

Berikut ini Beberapa Cara yang umum pada pengolahan data menggunakan SPSS dalam
menguji normalitas data :

1. Dengan melihat hasil nilai skewness kurtosis yang didapat melalui statistik

deskriptif.

1. Kolmogorov-Smirnov dengan pendekatan koreksi Lillifors.

2. Kolmogorov Smirnov untuk 1-sample K-S.

Cara dalam menguji Normalitas dari nilai Skewness dan Kurtosis yang diperoleh :

Uji normalitas dengan Skewness dan Kurtosis mempunyai kelebihan yang tidak didapat
diperoleh dari uji normalitas yang lain. Dimana dengan uji skewness/kurtosis akan dapat
diketahui diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau
mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis juga
sering disebut dengan ukuran kemencengan data.

Dengan membandingkan antara nilai Statistic Skewness dibagi dengan Std Error Skewness
atau nilai Statistic Kurtosis dibagi dengan Std Error Kurtosis.Dimana jika skor berada antara -
2 dan 2 maka distribusi data normal.

Misal kita peroleh nilai Skewness = 0,022 , std error skewness =0,427, Kurtosis=-0,807 , std
error kurtosis = 0,833

Nilai Ratio Skewness/Std Error Skewness = 0,022 / 0,427 = 0,05 < 2

Nilai Ratio Kurtosis /Std Error Kurtosis = -0,807 / 0,833 = -0,9 6> -2

Uji normalitas dengan Skewness dan Kurtosis memberikan kelebihan tersendiri, yaitu bahwa
akan diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau
mengumpul di tengah. Oleh karena itu, uji normalitas dengan Skewness dan Kurtosis juga
sering disebut dengan ukuran kemencengan data.

Satu istilah dalam Kurva Normal adalah Skewness dan Kurtosis. Skewness berkaitan dengan
lebar kurva, sedangkan Kurtosis dengan tinggi kurva.

Jika data terlihat sebarannya normal, tapi kalau nilai kurtosisnya besar (salah satu kategori
terlalu tinggi) maka tidak normal.

Dua nilai ini harus diperhatikan.

Nilai Kritis (Z) = Skewness / √ (6/N). Z tidak boleh lebih dari 2,58 (sig. 1%)

dan 1,96 (sig. 5%). Untuk Kurtosis rumusnya juga sama.

BAB III

    PENUTUP

Statistika dipelajari di berbagai bidang ilmu karena statistika adalah sekumpulan alat analisis
data yang dapat membantu pengambil keputusan untuk mengambil keputusan berdasarkan
hasil kesimpulan pada analisis data dari data yang dikumpulkan. Selain itu juga dengan
statistika kita bisa meramalkan keadaan yang akan datang berdasarkan data masa lalu.

Statistika Deskriptif memberikan informasi yang terbatas, yaitu memberi informasi yang
terbatas pada data apa adanya. Oleh karenanya pemakai statistik deskriptif tidak dapat
mengambil kesimpulan yang umum atas data yang terbatas.

Kesimpulan yang dapat diambil, terbatas atas data yang ada.

Kegunaan mempelajari ilmu Statistik adalah:

 
1. Memperoleh gambaran suatu keadaan atau persoalan yang sudah terjadi.

2. Untuk Penaksiran (Forecasting)

3. Untuk Pengujian (Testing Hypotesa)

Sedangkan Pentingnya mempelajari Dispersi data didasarkan pada 2

pertimbangan:

1. Pusat data (rata2, median dan modus) hanya memberi informasi yang

sangat terbatas.

1. Kedua, dispersi data sangat penting untuk membandingkan penyebaran

dua distribusi data atau lebih.

DAFTAR PUSTAKA

Statistika, (2000) kar. J. Supranto, jilid 1 Chap.6 edisi keenam, halaman

126 –145

Statistika, Teori dan Aplikasi (2001), Bab 05, kar. Wayan Koster, edisi

pertama, halaman 93-134

Bambang Kustituanto dan Rudy Badrudin, Statistika I, Seri Diktat Kuliah,

Penerbit Gunadarma, Jakarta, 1994

Haryono Subiyakto, Statistika 2, Seri Diktat Kuliah, Penerbit Gunadarma,

Jakarta, 1994
 

Levin, Richard dan David Rubin, Statistics for Management, Prentice Hall,

New Jersey, 1991

Ronald E Walpole, Pengantar Statistika, edisi terjemahan, PT Gramedia

Jakarta, 1992

www.gudangmateri.com

Santoso, Singgih 2001. Aplikasi Excel dalam Statistik Bisnis. Elex Media

Komputindo. Jakarta.

Modul BSI (Bina Sarana Informatika) mata kuliah Statistika Deskriptif.