Statistik Pengumpulan, Q Pengumpuian Data Pengorganisasian, Q Pengorganisasian Data dan Penyajian Data ae — Q Qa > Distribusi |g Frekuensidan } Presentasi Grafik 7 STATISTIK |, ukuran DESKRIPTIF | Pemusatan \ = Ukuran Penyebaran 00 ©o oo oo Deskriptif Q Penyajian Data 1 Distribusi Frekuensi Pertimbangan dalam Penyusunan Distribus! Frekuensi Presentasi Grafik Distribusi Frekuensi Distribusi Frekuensi Kumulat Kurva Frekuens' Ratarata Median Modus Karakteristik Hubungan Mean, Median dan Modus Kuantil: Kuartil, Desi dan Persentil oooo o Jangkauan/Kisaran (Range) Jangkauan/Kisaran Persentil 1090 Simpangan Kuartil Simpangan Mutlak Rata. (Mean Deviation) Deviasi Standard/Simpangan Baku Varians Koefisien Variasi rata aes ones: —aaalian _ ysoal Skewness, dan atihan Kurtosis 7 cannes | O kurtosis | ‘ gh nurWas Bab 2 Statistik Deskeipt Ey Pengumpulan, Pengorganisasian, dan Penyajian Data 2.4.1 Pengumpulan Data Data yang dikumputkan datum suaty kajian statistik dapat dibedakan menjadi dua macam, yaitu 2111 Data Rualitatit: Sceara sederhana, dara Aualiratif adalah data yang bukan berupa_angka/bilangan, Terhadap data kuatitatif tidak dapat dilakukan operasi matematik seperti penambahan, pengurangan, perkalian, pembagian, dil, Data kualitatif disebut juga data arribut. Data kualitati ini dapat dibedakan menjadi dua tipe Data Nominal (Data Kategori) Jika suaty pengambilan data terhadap suatu objek hanya menghasitkan satu hanya satu-satunya kategori pada objek tersebut, maka data yang diperoleh termasuk tipe data nominal (data karegori), Pada data nominal tidak ada perbedaan tingkatan derajat (bobot) data b, Data Ordinal Data ordinal adalah data yang diperoteh dari suatu. pengambilan data. terhadap suatu objek yang menghasilkan lebih dari satu Kategori. CONTOH 2.1 G_ Jenis kelamin termasuk data kualitatif (atribut) tipe nominal (Kategori) karer seoning tidak mungkin berkelamin ganda, Dalam hal ini jenis kelamin laki-laki perempuan dianggap sama bobotnya. > Tempat kelahiran termasuk data kualitatif tipe nominal Karena setiap orang dilahirkan, hanya di satu tempat saja, Dalam hal ini kota Jakarta, Semarang, Padang, dan lainnya dianggap sama bobotnya. Dalam pengukuran perilaku. konsu en terhadap suatu produk makanan, akan diperoleh data perilaku “sangat suka", “suka”, “kurang suka”, “tidak suka” dan lainnya, Dalam hal ini data tidak dapat disamakan bobotnya, karena ada tingkatan data. Misatnya dengan tingkatan menaik (ascending), “sangat suka dianggap lebih: tin suka”, dst Untuk bisa diolah lebih lanjut dengan komputer, data kualitatif sering diberi nomor kode, Misalnya untuk data jenis kelamin, pria diberi nomor 1 dan wanita nomor 2. Nomor kode ini menjadi ukuran nominal, namun angka tersebut hanya dapat digunakan untuk keperluan identifikasi saja. 2.1.1.2 Data Kuantitatif’ Data kuantitatif adalah data berbentuk angka/bilangan, Data kuantitatif disebut juga data numerik. Tethadap data kuantitatif umumnya dapat dilakukan operasi-operasi matematika, Data kuantitatif dapat dibedakan menjadi dua jenis tipe, yaitu: a. Data Diskri ; Data diskrit adalah data yang diperoleh dari suatu pencacahan/enumerasi. Data ini berbentuk bilangan-bilangan bulat 0, 1, 2, 3, 4, ... dst.2 Seti Kula Ringkas: Statistik Untuk Sains dan Teknik b. Data Kontinu Pata kontinw adalah data yang umumnya didapat dari suatu pengukuran denga, suatu instrumen (alat ukur), Data kontinu dapat dinyatakan dalam bentuk das, interval maupun data rasio (data titik) CONTOH 2.20 a Q Subu badan manusia yang diukur dengan menggunakan termometer badan merupakan data kuantitatif tipe-kontinu yang dapat dinyatakan dalam bentuk data rasio. Dalam» satuan derajat Celsius data ini bernilai 36, 36, 7, 36, 75, 36, 753, .. dst tergantung pada ketelitian alat_ ukumya. 7 Q Nilai tkar dolar Amerika terhadap rupiah pada suatu hari di pasar valuta asing yang dapat berkisar antara 8500 sampai dengan 600 rupiah merupakan kuantitatir tipe-kontinu yang dinyatakan dalam bentuk interval Q Banyaknya produk kamera yang cacat dalam suatu batch produksi di pabrik peralatan fotografi merupakan data kuantitatif tipe-diskrit karena mempunyai_nilai-nilai_ yang dinyatakan dengan bilangan bulat, misalnya: 1, 2, 3, ... dst. Jadi tidak mungkin banyaknya yang kamera yang rusak 1,3; 2,7; ... dst Gambar 2.1 menunjukkan ringkasan dari jenis dan tipe data yang dapat dikai dengan statistik. 2.1.2 Pengorganisasian Data | 2. 1 Data Mentah (Raw data) Data mentah merupakan data terkumpul yang belum diorganisasikan secara numerik} | Dalam bentuknya yang belum terorganisasi, data tersebut tidak memberi banyalf| arti bagi yang membaca belum lagi untuk dapat menyimpulkan informasi apa yang} bisa diperoleh | | | ry \ Data kualtatt =} Data kuantitatt (atribwvkategon) yang (oumerik) yang tidak berbentuk angka berbentukangka \ Data Data nominal ordinal GAMBAR 2.1. Jenis yang dikumpulkan dalam kajian statistikBab 2 Statistik Deskriptif, _ 2.1.2.2 Jajaran Data (Data Array) » Jajaran data (data array) merupakan suatu cara pengorganisasian data yang paling sederhana, Jajaran data merupakan suatu susunan dari data-data mentah yang diatur dengan urutan nilai numerik yang menaik (ascending), dari nilai yang terkecil sampai yang terbesar, atau yang menurun (descending), dari nilai yang terbesar sampai yang terkecil Kebanyakan program komputer statistik mempunyai fungsi terpasang. (buit-in Junction) untuk membuat jajaran data, biasanya dengan perintah SORT. CONTOH 2.3 Q Berkut ini adalah data mentah hasil pengujian breaking stress dari 100 spesimen suatu logam X (kN/m?| HI71_— 1186 1264 1205 1316 1437 1185 1150 1338 1290 1042 1110 1192 1196 1406 1161 1492 1170 1258 1152 1218 1181 1273, 1020 1042 1136 1233 1158 1233. 1312 1141 1040 1217 1175 1273 1163 1235 931 1270 1246 1298 1185 1051 1218 1303 1055 1081 1162 1333. 1285 1083 1197 1146 1231 923. 1393 1302 1249 1368 1327 1225 1095 1051 1250 1021 1152 1482 1028 1341 1106 939 1124 1200 1058 1449 1094 1254 1160 1141 1062 1077 1065 1141 1416 1055 1399 924 1361 1216 1289 1275 1464 1133 1208 1314 1209 1146 1274 1156 1090 Setelah disusun menjadi jajaran data dengan urutan menaik (ascending) dengan menggunakan menggunakan program spreadsheet Microsoft Excel: 923 1051 1090 1141 1162 1196 1225 1264 1302 1368 924 1051 1094 1146 1163 1197 1231 1270 1303 1393 931 1055 1095 1146 1170 1200 1233 1273 1312 1399 939 1055 1106 1150 1171 1205 1233 1273 1314 1406 1020 1058 1110 1152 1175 1208 1235 1274 1316 1416 1021 1062 1124 1152 1181 1209 1246 1275 1327 1437 1028 1065 1133 1156 1185 1216 1249 1285 1333 1449 1040 1077 1136 1158 1185 1217 1250 1289 1338 1464 1042 1081 1141 1160 1186 1218 1254 1290 1341 1482 1042 1083 1141 1161 1192 1218 1258 1298 1361 1492 2.4.3 Penyajian Data Tabel dan diagram statistik digunakan untuk menyajikan data yang sudah teringk menyingkapkan hubungan-hubungan antar variabel, serta menginterpretasikan dan mengkomunikasikan fakta-fakta angka kepada pihak yang membutuhkannya, Beberapa jenis penyajian data statistik diperlihatkan pada Gambar 2.2 halaman berikut,Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik Diagram batang Diagram garis oi n Diagram pie (bar diagram) (line diagram) (area diagram) (pie diagram) [fe Aes 3 i 3 Ulo- High-Low Diagram Pareto Diagram kendali Boxplots diagram (pareto diagram) (contro! diagram) Error Bar Diagram pencar Histogram Diagram normal (scatter diagram) persenti | ? e | Diagram normal Diagram deret Diagram Diagram korelasi quart (series diagram) otokorelasi silang Spektra GAMBAR 2.2. Berbagai bentuk diagram statistik EY istribusi Frekuensi dan Presentasi Grafik 2.2.1 Distribusi Frekuensi Untuk data yang banyak sekali jumlahnya, akan lebih baik bila data tersebs| diorganisasikan ke dalam bentuk yang lebih ringkas, kompak, tanpa menghilangkat fakta-fakta pentingnya. Hal ini akan tercapai dengan mengelompokkan jajaran ke dalam sejumlah kelas dan kemudian menentukan banyaknya data yang terma’ dalam masing-masing kelas (frekuensi kelas). Susunan data yang terbentuk diseb distribusi frekuensi. Jika frekuensi kelas dinyatakan dalam Persentase dari banyakny4} seluruh data, maka disebut distribusi frekuensi relatif CONTOH 2.4 J Jajaran data pada Contoh 2.3 jika disusun sebagai suatu distribusi frekuensi menjadi | sebagai berikut: |Bab 2 Statistik Deskriptif, Pengujian Tegangan Rusak (Breaking stress) Logam X Breaking Stress | Jumlah Persentase | (KN/m?) ~ U/n x 100(%)) [900 = 999 +5. ae 1000 = 1099 19 19 Dy alee 28 28 | 1300 = 1399 Teas [ean 3 1400 = 1499 Tes 7 Total (N) 100 Data yang diorganisasikan dan diringkas dalam bentuk distribusi frekuensi seperti contoh di atas sering juga disebut sebagai dara terkelompok (grouped data). Pengelompokan ini memberikan keuntungan penting berupa kejelasan atas gambaran keseluruhan data sehingga kecenderungan (iend) karakteristiknya mudah terlihat. Meskipun demikian terdapat kelemahan yaitu hilangnya informasi dari data. asli yang lebih terperinci. Untuk menekan kerugian ini, pengelompokan data ke dalam distribusi frekuensi disarankan mengikuti aturan-aturan yang akan dibahas kemudian dengan mempertimbangkan komponen-komponen penyusun suatu distribusi frekuensi yang meliputi hal-hal berikut ini. 2.2.1.1 Interval Kelas (Class Interval) dan Batas Kelas (Class Limit) Interval yang mendefinisikan sebuah kelas seperti 900 — 999, 1000 — 1099, ... dst pada Tabel Contoh 2.4 disebut interval kelas (class interval). Angka-angka di ujung- ujungnya seperti 900 dan 999, 1000 dan 1099, ... dst. disebut baras kelas (class limit); angka yang lebih kecil disebut baras kelas bawah (lower class limit), sedang yang lebih besar disebut baras kelas atas (upper class limit) Kadang-kadang dijumpai interval kelas yang tidak memiliki salah satu dari batas kelas bawah atau batas kelas bawah. Interval kelas serupa ini disebut interval kelas terbuka (open class interval). Misalnya dalam sebuah pengelompokan usia terdapat kelas interval (biasanya yang terakhir) “65 tahun ke atas” yang merupakan kelas interval terbuka. 2.2.1.2 Batas Nyata Kelas (Class Boundary) Jika tegangan rusak pada Contoh 2.3 diukur sampai ketelitian kN/m? terdekat, maka interval kelas 900-999 secara teoritis meliputi pula seluruh hasil pengukuran antara 899,5 sampai 999,5 KN/m2. Maka angka-angka 899,5 dan 999,5 disebut sebagai batas nyata kelas (class boundaryltrue class limit). Dalam praktiknya, batas nyata kelas didapatkan dengan membagi-dua jumlah batas kelas atas suatu interval kelas dengan batas kelas nyata interval kelas berikutnya. 2.2.1.3 Lebar Interval Kelas (Width of Interval Class) Lebar interval kelas adalah selisih antara batas bawah nyata dengan batas atas nyata kelas, biasa dinotasikan dengan c. Pada Ilustrasi 2.4, lebar interval kelasnya adalah © = 999,5 — 899,5 = 1099,5 — 999,5 = .... dst. = 100.= Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik | 2.2.1.4 Nilai Tengah Kelas (Class Midpoint/Class Mark) Nilai tengah kelas diperoleh dengan membagi-dua jumlah dari batas kelas bay dan batas kelas atas suatu interval kelas. Jadi untuk interval kelas 900 ~ 9% tengah kelasnya adalah (900 + 999)/2 = 949.5. Untuk analisis matematik selanjutnya, seluruh pengamatan yang termauy dalam sebuah interval kelas tertentu diasumsikan nilainya sesuai dengan nilai te kelas. Jadi seluruh tegangan rusak yang berada pada interval 900 ~ 999 dian sebagai 949.5 kN/m?. Ss oe 2.2.2 Pertimbangan dalam Penyusunan Distribusi Frekuensi Untuk meminimalkan kerugian pengelompokan (grouping error) data ke dalam disirz frekuensi yang dapat menimbulkan masalah pada analisis selanjutnya, kriteria-kro berikut perlu dipertimbangkan dalam menyusun distribusi frekuensi: 1. Interval kelas harus dipilih dengan memastikan dua ketentuan a. seluruh data harus terikut-sertakan b. setiap unit data hanya dimasukkan satu kali dan hanya di satu kelas inten saja Tumpang tindih (overlap) antara dua interval kelas berurutan yang + menyebabkan: dilanggarnya ketentuan (b) harus dihindari 2. Umumnya jumlah interval kelas yang digunakan adalah antara 5 sampai tergantung pada beberapa faktor seperti jumlah data yang diamati. Penyusunan distribusi frekuensi, dan kepentingan-kepentingan dari analis 3. Sebisa mungkin lebar setiap interval kelas sama (biasanya akan lebih memudd kan jika Jebar interval kelas tersebut adalah kelipatan dari angka 5. 10. ! 1000, dst.). Jika jumlah data tidak terlalu banyak, sebagai perkiraan awal menentukan lebar kelas, dapat digunakan rumus: di mana: lebar interval kelas (hasilnya dibulatkan) R = kisaran data (range) = selisih data terbesar dengan terkecil k = jumlah interval kelas Jika jumlah data terlalu banyak maka jumlah interval kelas (4) dapat 6 dengan menggunakan pendekatan rumus Sturge, yaitu: k 1 + 3,3 log n di mana: k = jumlah interval kelas ® n = jumlah data 4. Sebisa mungkin interval kelas terbuka (open class interval) dihindari. It kelas terbuka mungkin diperlukan jika beberapa nilai data sangat berbeds ( kecil atau terlalu besar) dibandingkan dengan nilai data lainnya. Namun keperluan analisis statistik seperti perhitungan rata-rata dan deviasi stam. + interval kelas terbuka tidak bisa dipakai,Bab 2 Statistik Deskriptif ot" 5. Jika mungkin, interval kelas dipilih sedemikian rupa sehingga nilai_ tengah kelasnya bersesuaian dengan nilai di mana data aktual terkonsentrasi. 2.2.3 Presentasi Grafik Distribusi Frekuensi 22 Histogram adalah grafik batang (bar graph) yang menggambarkan distribusi data dari sebuah distribusi frekuensi. Batang-batang (bars) pada histogram memiliki karakteristik sebagai berikut: 1 Histogram (a) dasarnya pada sumbu horizontal (sumbu-x) lebarn kelas (b) tuast @ jika interval kelas sama lebamya, maka ketinggian batang secara numerik sama dengan frekuensi interval kelas yang bersangkutan. @ jika ada interval kelas yang lebarnya tidak sama maka Ketinggiannya harus disesuaikan sama dengan lebar interval ‘@ proporsional terhadap frekuensi interval kelas yang bersangkutan. CONTOH 2.5 Distribusi frekuensi dari tegangan rusak pada Contoh 2.4 memiliki interval kelas yang sama lebarnya, Maka histogramnya dapat digambarkan sebagai berikut Breaking | Stress Jumiah | og r | & 1000 — 1099 19 | 3 1100 — 1199 eee 1200 — 1299 28 | 2 1300-1399 | 13 3 1400 ~ 1499 7 900 1000 1100 1200 1300 1400 1500 Breaking Stress (kN/m?) GAMBAR 2.3. Histogram dengan lebar interval kelas sama CONTOH 2.6 + Q Distribusi frekuensi waktu diam (idle time) per bulan dari 70 buah mesin produks di sebuah pabrik ditunjukkan dalam tabel di bawah. Untuk interval kelas ke-6 dan ke-7, lebarnya tidak sama dengan interval kelas yang lainnya. Dapat dilihat bahwa histogramnya digambarkan dengan menyesuaikan tinggi batang pada interval kelas ke-6 dan ke-7, sedemikian rupa schingga luas batang tetap proporsional terhadap frekuensinya.Seei Kuliah Ringkas: Statistik Untuk Sains dan Teknik + 26 | 3 | 10 S20 ’ 16 . i 1S - | _ 10 B15 i 100 — 119 8 g | a 120 — 179 3 2 0 er E Total (N) 70 3 cq ie 5 5060 708090100 120 180 Waktu diam (jam) GAMBAR 2.4. Histogram dengan lebar interval kelas tidak sama Poligon frekuensi adalah suatu grafik garis dari frekuensi-frekuensi interval kelas y: diplot pada nilai tengah-nilai tengahnya. Poligon bisa didapat dengan menghubu titik tengah dari sisi atas batang-batang histogram. | | \ 2.2.3.2 Poligon Frekuensi CONTOH 2.7 Q Poligon dari histogram pada Contoh 2.5. | ans Poligon frekuensi a Jumiah 900 1000 1100 1200 1300 1400 1500 Breaking Stress (kN/m?) GAMBAR 2: Poligon frekuensi 2.2.4 Distribusi Frekuensi Kumulatif Pada keadaan tertentu, kita sering lebih perlu mengetahui banyaknya data y: bemilai di bawah (Kurang dari) atau di atas (lebih dari) suatu nilai tertentu daripadi yang berada dalam satu interval tertentu, Dalam hal ini, distribusi frekuensi daps| diubah_ menjadi distribusi frekuensi kumulatif dan direpresentasikan dalam. grafyang disebut ogive. Jika banyaknya data dalam distribusi tersebut dinyatakan dalam prosentase terhadap banyaknya seluruh data disebut distribusi frekuensi kumulatif relatif. Distribusi frekuensi kumulatif dapat dibedakan menjadi: Q_Distribusi frekuensi kumulatif kurang dari, disusun dengan menjumlahkan. seluruh frekuensi dari semua nilai yang lebih kecil daripada batas atas nyata interval kelas (upper class boundary) QD Distribusi frekwensi kumulatif lebih dari, disusun dengan menjumlahkan_ seluruh frekuensi dari semua nilai yang lebih besar daripada atau sama dengan batas bawah nyata interval Kelas (lower class boundary) CONTOH 2.8 Q Distribusi frekuensi dari Contoh 2.4 jika dibuat menjadi distribusi frekuensi kumulatif (lebih dari) dan digambarkan ogivenya adalah sebagai berikut: 100 Kumulatif Breaking Stress | Jumlah & (kN/m?) G é < 895 | 0 ao < 999.5 4 3 < 1099,5 2B o < 11995 52 |< 1299.5 30 | < 1399.5 93 20 |< 1499,5 100 899.5 999,5 1099,5 1199,5 1299,51399,5 1499.5, Breaking Stress (kN/m?) GAMBAR 2.6. Distribusi frekuensi kumulatif dan ogive 2.2.5 Kurva Frekuensi Secara teoritis, pada data kontinu kita bisa menetapkan interval-interval kelas yang sangat kecil namun masih bisa memuat sejumlah data pada setiap interval kelas. Jika interval-interval kelas tersebut terus diperkecil dan banyaknya data diperbesar sampai mendekati besarnya populasi, maka poligon frekuensi relatif yang terbentuk akan memiliki segmen garis kecil-kecil yang sangat banyak dan membentuk suatu kurva yang disebut kurva frekuensi. Dengan demikian kurva teoritis (yang menggambarkan populasi) dapat diperkirakan dengan memuluskan (smoothing) poligon frekuensi dari sampel. Demikian pula, dengan memuluskan sebuah ogive dari sampel (smoothed ogive), kita akan memperoleh perkiraan dari ogive populasi.Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik IANIALLAIY Simetris, Menceng kanan Menceng kiri Bentuk U Bentuk J J terbalik Bimodal Multimodal GAMBAR 2.7. Beberapa bentuk kurva frekuensi EE Ukuran Pemusatan Data sering menunjukkan kecenderungan terpusat di sekitar suatu nilai. Nilai puss ini kemudian dapat digunakan sebagai statu ukuran ringkas yang menggambarkap, Karakteristik umum data tersebut. Nilai tersebut dalam statistik disebut sebagai ukuraify pemusatan (central tendency) j I Terdapat beberapa ukuran pemusatan yang sering digunakan dalam statist, Ukuran-ukuran tersebut biasanya dijelaskan untuk data tak terkelompok (wngrow dara) maupun data terkelompok (grouped dara). Dalam rumusannya juga dibedak antara_ukuran yang menunjukkan karakteristik populasi (parameter) dengan yal menunjukkan karakteristik sampel (statistik) 2.3.1 Rata-rata (Average) Istilah “rata-rata average)” ini sebenarnya meliputi beberapa ukuran pemusatan Rata-rata (average) adalah nilai khas yang mewakili sifat tengah, atau posisi pus dari suatu kumpulan nilai data. Terdapat beberapa ukuran yang termasuk rata-tal sebagaimana yang dibahas berikut. 2.3.1.1 Mean Aritmetik (Arithmetic Mean) Dalam praktiknya seringkali istilah “rata-rata” mengacu pada mean aritmetika alah mean. Mean aritmetika dirumuskan sebagai berikut: | Data Tidak Terkelompok (untuk suatu sampel) Q3) (untuk suatu populasi)Bab 2 Statistik Deskriptif Data Terkelompok Lex, (untuk suatu sampel) (untuk suatu populasi) (2.4) di mana: ¥ = mean aritmetika dari suatu sampel h, = mean aritmetika dari suatu populasi x, = nilai dari data (variabel x) k = jumlah interval kelas dalam suatu sampel (= jumlah interval kelas dalam suatu populasi banyaknya data x dalam suatu sampel = banyaknya data x dalam suatu populasi frekuensi atau jumlah pengamatan dalam sebuah interval Kelas nilai tengah dari interval kelas CONTOH 2.9 Mean aritmetika dari data pada Contoh 2.3 untuk sampel tegangan rusak yang terdiri dari 100 data yang belum terkelompokkan adalah: 1171 + 1186 + 1264 + ... +1090 00 = 1198,5 Q > Mean aritmetika dari data pada Contoh 2.5 untuk sampel tegangan rusak yang terdiri dari 100 data yang telah terkelompokkan (dari data soal pada Contoh 2.2) adalah: Le 4 x 949.5 + 19 x 1049.5 + - 4419+. +7 2.3.1.2 Mean Aritmetik Terbobot (Weighted Arithmetic Mean) Pemberian pembobotan terhadap suatu nilai sering dilakukan untuk menunjukkan keutamaan relatif dari nilai tersebut. Mean aritmetika yang diperoleh dari nilai yang diberi pembobotan itu disebut mean aritmetika terbobor, yang dirumuskan sebagai berikut (agar lebih sederhana, yang diberikan hanyalah untuk data tidak terkelompok, dengan meninjau satu sampel, saja):— Ser Kullah Ringkas: Statistik Untuk Sains dan Teknik den di mana: X, = mean aritmetika terbobot faktor pembobotan CON TOH 269.9 a Q Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian akhir berbobot 3 kal nilai_ujian tengah semester dan tugas, maka seorang mahasiswa yang memperoleh nilai_ujian akhir 85 dan ujian tengah semester 70 dan tugas 90 akan memperoeh nilai gat 3x 8541x7041 x90 _ S&B Tx 704190 _ 93 y s+T41 2.3.1.3 Mean Geometrik Selain mean aritmetika, suatu penelitian kadang-kadang memerlukan mean geomeini| yang didefinisikan sebagai berikut (agar lebih sederhana, yang diberikan hanyala untuk data tidak terkelompok, dengan meninjau satu sampel, saja): * tm G= (Il) = VG yy on a) 24 v4 di mana: G = Mean geometrik 2 4 Mean Harmonik 4 Untuk kasus-kasus tertentu, lebih tepat apabila mean harmonik yang digunakan, dt] “ bukan mean aritmetika. Mean harmonik dirumuskan sebagai (agar lebih sederhan yang diberikan hanyalah untuk data tidak terkelompok, dengan meni sampel, saja): n=—t I : L i yy he di mana: =H = mean harmonik CONTOH 2.19 | Q Seorang mengendarai mobil dari kota A ke kota B dengan kecepatan rata-rata 30 km/jam dan kembali dari B ke A dengan kecepatan rata-rata 60 km/jam. Maka kecepatan rata-rata untuk seluruh perjalanan itu dapat dihitung sebagai, berikut:Q Seandainya diasumsikan jarak A ke B adalah 60 km (asumsi jarak berapapun bisa dilakukan), maka waktu tempuh: 60 km Ake Bing = Soiph = 2 dam; B ke A igy = Sygay = I jam sehingga kecepatan rata-rata total adalah: > _ AB+BA 60 + 60 km 2+ 1 jam tha than ee Q. Jika digunakan mean harmonik, maka n = 2, dan x, = 30 dan x, =" 60, sehingga: = 40 kph 2.3.1.5 Akar Purata Kuadrat/Mean Kuadratik (RMS) Akar purata kuadrat/ mean kuadratik (root mean square/rms) merupakan ukuran pemusatan (rata-rata) yang sangat sering digunakan pada kajian-kajian ilmu-ilmu fisik. Akar purata kuadrat (rms) dirumuskan. sebagai: (2.8) 2.3.2 Median ‘Median menyatakan posisi tengah dari nilai data terjajar (dara array). Secara geometris, median merupakan nilai dari absis-x yang bertepatan dengan garis vertikal yang membagi daerah di bawah poligon menjadi dua daerah yang luasnya sama. Median dihitung dengan rumusan berikut (agar lebih ringkas, uraian yang diberikan hanyalah untuk data sampel saja). Data Tidak Terkelompok. Nilai tengah atau mean aritmetika dari dua nilai tengah suatu jajaran data (array) Data Terkelompok: 57 CA, Fron Median = x = L, + (prinsip interpolasi) (2.9) di mana: batas bawah nyata kelas dari kelas median (kelas yang memuat median) banyaknya data (jumlah seluruh frekuensi) jumlah frekuensi seluruh kelas yang lebih rendah dari kelas median frekuensi kelas median lebar interval kelas medianSeri Kuliah Ringkas: Statistik Untuk Sains dan Teknik CONTOH 2,42, GQ Median dari jajaran data pada Contoh 2.3, yang terdiri dari 100 data yang bela terkelompokkan, adalah mean aritmetika dari data ke-S0 dan ke-S! Median = x = 1192 + 1196 _ 494 Q Median dari data pada Contoh 2.4, yang terdiri dari 100 data yang telah teri lompokkan, adalah: Median = x = L, 100 = 11926 2.3.3 Modus Modus dari sekumpulan nilai data adalah nilai yang paling sering muncul atau y frekuensinya terbesar. Dalam suatu kumpulan nilai data, modus ini mungkin mungkin juga tidak, dan kalaupun ada tidak selalu unik (tunggal). Modus ditenta dengan rumusan berikut (agar lebih ringkas, uraian yang diberikan hanyalah un sampel saj Data Tidak Terkelompok: Nilai data yang paling sering muncul (frekuensinya paling besar) Data Terkelompok: QQ. di mana: batas bawah nyata kelas dari kelas modus (kelas berfrekuensi terbesar) A, =selisih frekuensi kelas modus dengan kelas sebelumnya A) =selisih frekuensi kelas modus dengan kelas sesudahnya c= lebar interval kelas median CONTOH 2.13 Q Modus dari jajaran data pada Contoh 2.3, yang terdiri dari 100 data yang belum terkelompokkan, adalah nilai yang paling sering muncul (frekuensi terbesar): Modus = 1141 (frekuensi = 3) QQ Modus dari data pada Contoh 2.4, yang terdiri dari 100 data yang telah terkelompokkat. adalah: 10 Modus = 1, + ls 1099,5 + (7q!9-;)100 =1190,4- Bab 2 Statistik Deskeiptt 2.3.4 Karakteristik Hubungan Mean, Median dan Modus Tidak ada aturan umum yang selalu dapat diikuti untuk mengidentifikasi uke pemusatan yang paling tepat digunakan. Setiap ukuran pemusatan (mean, med dan modus) mempunyai karakteristik masing-masing. Sclain. itu, ada harus dievaluasi dan dipertimbangkan. Memilih ukuran pemusatan yang akan digunakan pada sebuah distribusi yang simetris lebih mudah karena mean aritmetika, median dan modus memiliki nilai yang sama, Namun bila datanya menghasilkan distribusi menceng (skewed distribution), nilai dari ketiga ukuran pemusatan tersebut akan berbeda, seperti yang diperlihatkan pada Gambar 2.8 JN] | Modus . Mean Méan Median Modus GAMBAR 2.8. Lokasi khas ukuran pemusatan pada jenis distribusi menceng Untuk kurva-kurva frekuensi bermodus tunggal (unimodal curves) yang. asimetris, dengan kemencengan sedang (moderat), terdapat hubungan empiris antara mean (3), median (i) dan modus ({) sebagai. berikut: ¥-£=3(¥-x) (2.11) 2.3.5 Kuantil: Kuartil, Desil, dan Persentil Kuantil adalah nilai-nilai_ yang membagi suatu jajaran data (data array) menjadi bagian-bagian yang sama. Sebagai contoh, kuantil yang membagi jajaran data men- jadi dua bagian adalah median. Kuantil yang membagi jajaran data menjadi empat bagian disebut kwartil (Q,, Q>, Q;), menjadi sepuluh bagian disebut desi! (D,, Dy, Dy. . D,). dan menjadi seratus bagian disebut persentil (P,, Py, Py... Pyy). Dengan pengertian di atas, maka: median = Q, = = Py). Untuk menentukan kuantil data tak terkelompok, dapat digunakan prosedur seperti dalam menentukan median. Sedangkan untuk data terkelompok, kita dapat menggunakan prinsip interpolasi, dengan rumus kuantil ke-i: (2.12) Fava ata kelas dari kelas kuantil ke-i n= banyaknya data (jumlah seluruh frekuensi) r = konstanta (untuk kuartil r = 4, desil r = 10, persentil r= 100) (2/),, = jumlah frekuensi seluruh kelas yang lebih rendah daripada kelas kuantil ke-i Fouts = frekuensi Kelas kuantil ke-i = ebar interval kelas kuantilCONTOH 2.44 Beberapa kuantil dari data pada Contoh 2.4, yang terdiri dari 100 data yang telah ter. kelompokkan, adalah sebagai berikut: Q Kuartl ke-1 1 100 an- 100 _ 23 0, = by + 42M). = 0995 + | 3) 9 = 1106.4 vari, 1 29 Q_ Desil ke-7 ! = 1199,5 + 0 Two ~ 2 100 = 1263,8 be | 0 Ukuran penyebaran (dispersion) menunjukkan seberapa jauh data menyebar dari nila) rata-ratanya (variabilitas data). Sekurang-kurangnya terdapat dua alasan pentingny) meninjau ukuran penyebaran suatu kumpulan nilai data: 1, Untuk membuat suatu penilaian mengenai seberapa baik suatu nilai rata-rata (ukura pemusatan) menggambarkan data. 2. Untuk mengetahui seberapa jauh penyebaran (scattering) dari data, sehingga langkak langkah untuk mengendalikan variasi tersebut dapat dilakukan 2.4.1 Jangkauan/Kisaran (Range) Jangkauan menyatakan perbedaan dari nilai terbesar dan terkecil dari suatu jajara data. R= Xpax — Xan Q.1) di mana: R= jangkauan/kisaran (range) Xpar = Nilai data terbesar; x”), = nilai data terkecil 2.4.2 Jangkauan/Kisaran Persentil 10-90 Jangkauan ini menyatakan selisih nilai persentil ke-90 dan ke-10 jajaran data. Rero-90 = Poo ~ Pro 2.15 jangkauan/kisaran persentil 10-90 nilai persentil ke-90 nilai persentil ke-10 2.4.3 Simpangan Kuartil Simpangan kuartil, atau jangkauan semi-antarkuartil (semi-interquartil range), didefinisikss sebagai: 2-0 oe ae (2sQ, = simpangan kuartil nilai kuartil ke-3 nilai kuartil ke-1 2.4.4 Simpangan Mutlak Rata-rata (Mean Deviation) Simpangan mutlak rata-rata merupakan ukuran penyebaran yang meninjau besarnya penyimpangan setiap nilai data terhadap nilai rata-rata (mean)nya. Simpangan mutlak rata-rata didefinisikan sebagai: Data Tidak Terkelompok. Bh = 4 MD, = ={— (2.16) Data Terkelompok: Miha-a Bh MD, = ae (2.17) di mana: MD,= simpangan mutlak rata-rata = mean aritmetika dari suatu sampel J, = frekuensi atau jumlah pengamatan dalam sebuah interval kelas X,, = nilai tengah dari interval kelas x” = jumlah interval kelas dalam suatu sampel n= banyaknya data x dalam suatu sampel CONTOH 2.15 Simpangan mutlak rata-rata dari jajaran data pada Contoh 2.3, yang terdiri dari 100 data yang belum terkelompokkan dengan rata-rata ¥ = 1198,5 (dari perhitungan pada Contoh 2.8), adalah: Dh, - a o23 11985] +24 — 11985] + a. + [482 11985] + [492 — 11985 i eee 1+ | + | | | 984 Q Simpangan mutlak rata-rata dari data pada Contoh 2.4, yang terdiri dari 100 data yang telah terkelompokkan dengan rata-rata ¥ = 1197,5 (dari perhitungan pada Contoh 2.8), dapat dicari sebagai berikut: Breaking Stress (x) | (f) Xm bas - al Aen. = 900 — 999 4 949,5 248 992 1000 — 1099 19 1049,5, 148 2812 1100 — 1199 29 1149,5 48 1392 1200 — 1299 28 1249,5 52 1456 1300 — 1399 13 1349,5 152 1976‘= Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik 1400 — 1499 y . Lhe, -4 m 1 Sess Oana) 10392} 2.4.5 Deviasi Standard/Simpangan Baku Deviasi standard (standard deviation) atau simpangan baku merupakan ukuran penyebang| yang paling sering digunakan, Mayoritas nilai data cenderung berada dalam sa] deviasi standard dari mean, dan hanya sebagian kecil saja yang terletak di luar da} tiga deviasi standard dari meannya. Deviasi standard didefinisikan sebagai berikut| ? Data Tidak Terkelompok: (sampel) (2.19) (populasi) (sampel) (populasi) (2.19 di: mana: s, = deviasi standard dari suatu sampel u o, = deviasi standard dari suatu populasi t ¥ = mean aritmetika dari suatu sampel . }, = mean aritmetika dari suatu populasi x, = nilai dari data (variabel x) & f frekuensi atau jumlah pengamatan dalam sebuah interval kelas ® x,,, = nilai tengah dari interval kelas : k= jumlah interval kelas dalam suatu sampel K = jumlah interval kelas dalam suatu populasi n banyaknya data x dalam suatu sampel N= banyaknya data x dalam suatu populasiBab a siotstkDeskrit gS CONTOH 2.16 Q__ Deviasi standard dari jajaran data pada Contoh 2 yang terdiri dari 100 data yang belum terkelompokkan dengan rata-rata Y= 118,5 dari perhitungan pada Contoh 2.8.), adalah: : = 4{(923 = 1198,5)? + (924 — 1198.5)? +... + (1492 — 1198.5)? 100 - 1 i — [1540469 _ = a = 1247 QDeviasi standard dari data pada Contoh 2.4, yang terdiri dari 100 data yang telah ter- kelompokkan dengan rata-rata ¢ = 1197,5 (dari perhitungan pada Contoh 2.8.), adalah: Breaking Stress (x)| —(/) a (Ons - 3) Ans - 3) 900 — 999 4 949.5 61540 246016 1000 = 1099 19 1049,5 21904 416176 1100 = 1199 29 1149,5 2304 66816 1200 — 1299 28 1249,5 2704 75712 1300 — 1399 13 1349,5 23104 300352 1400 — 1499 7 1449,5 63504 444528 z 100 1549600 =125,1 Untuk memudahkan perhitungan deviasi standard secara manual, terdapat beberapa teknik matematis yang dapat digunakan, misalnya dengan teknik pengkodean (coding method). Namun dengan semakin tersedianya kalkulator tangan, metode ini tidak banyak artinya lagi. 2.4.6 Varians Varians merupakan kuadrat dari deviasi standard, sehingga, untuk sampel, dinyatakan sebagai s? dan, untuk populasi, sebagai 2. Sifat penting mengenai varians adalah varians kombinasi (combinedipooled variance). Jika terdapat beberapa kumpulan data (distribusi frekuensi) dengan masing-masing banyaknya data N, dan variansnya s°,, maka varians kombinasinya adalah: i ZnS, 2 (2.20)‘ -_ Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik 2.4.7 Koefisien Variasi Penyebaran sebenarnya dari data seperti yang ditentukan dengan deviasi stand atau ukuran penyebaran lainnya disebut penyebaran mutlak (absolute dispersion). Na demikian, suatu variasi sebesar | meter dalam mengukur jarak 1000 meter sang berbeda artinya dengan variasi 1 meter untuk jarak 20 meter. Oleh karena iq) untuk membedakannya, digunakan ukuran yang disebut penyebaran relatif (relay, dispersion) yang didefinisikan sebagai: Penyebaran mutlak Penyebaran relatif = Nilai rata-rata Jika penyebaran mutlak dinyakan dalam deviasi standard dan nilai rata-ry dalam mean, maka penyebaran relatif yang diperoleh disebut koefisien Variasi a koefisien dispersi. Koefisien Variasi: s Vee (sampel) °, F =F (populasi) (22) 2.5.1 Momen 2.5.1.1 Momen Data Tidak Terkelompok Jika x), x, ...x, adalah n buah nilai variabel x, maka dapat didefinisikan kuantia , yang disebut momen ke-r sebagai: be : 22) tart. t 7 ¥ Jadi momen pertama (r = 1) adalah mean aritmetika. Momen ke-r simpangan terhadap mean didefinisikan sebagai: XG, - 9 oe a ca Momen, Skewness, dan Kurtosis Jadi, jika r = 1 maka m, ,= 0, dan jika r = 2 maka m, , = 2 (varians) Momen ke-r Simpangan terhadap sembarang asal didefinisikan sebagai: Yu, - ay a era eae 4HJadi, jika A = 0 maka m’,, = ¥. Oleh karena itu, definisi (2.22) sering juga disebut sebagai momen simpangan terhadap nol 2.5.1.2 Momen Data Terkelompok (2.25) m, (2.26) No oe eaaeeea eacaceaas oe 7 (2.27) Untuk membedakan momen dari sampel dengan momen dari populasi, biasanya digunakan simbul huruf yunani yang berkaitan. Jadi jika untuk sampel dinotasikan dengan m, , dan m’,, maka untuk populasi masing-masing digunakan notasi 1, , dan py’ .. 2.5.1.3 Hubungan Antar Momen Antara momen simpangan terhadap mean m, , dan momen simpangan terhadap sembarang asal m’, , terdapat hubungan-hubungan sebagai berikut: i a (2.28) my, = ms. — 3m), my + Imi, rma, = my, = Ami, my, + Om), Pm, + 3m, 4 Perlu dicatat bahwa m’, ,=- A 2.5.1.4 Metode Pengkodean untuk Perhitungan Momen Data Terkelompok Perhitungan momen data terkelompok yang memiliki lebar kelas (c) yang sama untuk setiap interval kelas dapat disederhanakan dengan menggunakan metode pengkodean. Dalam hal ini ditentukan kode (u,) untuk setiap interval kelas sebagai: -A (2.29) di mana: A =sembarang nilai (biasanya nilai tengah interval kelas yang di tengah) nilai tengah interval kelasSeri Kuliah Ringkas: Statistik Untuk Sains dan Teknik Dengan mengeunakan pengkodean di atas, maka momen simpangan terhadap sembarang asal dapat ditentukan dari rumus: . Laur 7 Qh di mana: /, = frekuensi atau jumlah pengamatan dalam sebuah interval kelas u, = kode untuk suatu interval ke Dengan memanfaatkan hubungan antar momen (2.29), maka momen yang lig dapat ditentukan. CONTOH 2.17. Q = Momen simpangan terhadap mean yang pertat terdir da kedua, ketiga, dan keempat dari | ri 100 data dengan lebar interval data terkelompok pada Contoh 2.4, yai kelas ¢ 100 dan memiliki 1197,5, rata-rata dapat dihitung sebagai berikut: Bq i WD [AG — 7 [ear - D [fle— P ] Ma 949.5 4 —992 246016 —6,1E+07 T,STE+10 1049.5, 19 2812 416176 —6,2E+07 9,12E+09 1149.5, 29 1392 66816 3207168 1,54E+08 1249,5 28 1456 75712 3937024 2,05E+08 1349.5, 13 1976 300352 45653504 6,94E+09 1449.5 7 1764 444528 1,12E+08, 2,82E+10 - 100 0 1549600 35798400, 5,98E+10 Maka: By i (,,; - D! 02 100 149600 _ = 100 15496 35798400 _ 100 357984Bab 2 Statistik Deskriptif 98 x 10! LW “Th 5,98 x 108 Metode Pengkodean. Sut | «) fu, fu? fu fad 949.5 4 8 16 —32 64 1049.5 al wo | -19 19 -19 19 1149,5 0 29 0 0 0 0 1249,5 1 28 28 28 28 28 1349.5 2 B 26 52 104 208 1449.5 3 7 21 63 189 367 = 100 48 178 270 367 ms ms, = 2,7 « 10 my, =e = = 8,86 ~ 108 Maka, m,, = 0 (menurut definisi) me _ = 17800 ~ 48? = 15496 ms, im’, + Im’, 3 = 2,7 * 108 — 3 x 48 x 17800 + 2 x 483 = 357984 ms, 1 gy, gt Ort, 2a’, + 3m, 4 8,86 « 108 - 4 = 48 = 2,7 = 10% +6 x 48? x 17800 — 3 = 484 = 5,98 = 108 2.5.1.5 Momen dalam Bentuk Tidak Berdimensi Untuk menghindari satuan tertentu dalam analisis lebih lanjut dapat didefinisikan momen simpangan terhadap mean tak-berdimensi (dimensionless). WT” Was) ce= Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik di mana: s = \, adalah deviasi standard. Karena m,, = 0 dan m,,= 3? 2.5.2 Skewness Skewness (Kemencengan) adalah derajat ketidaksimetrisan atau penyimpangan da kesimetrisan suatu distribusi. Jika kurva frekuensi (poligon frekuensi yang 4, muluskan) dari sebuah distribusi mempunyai ekor yang lebih panjang ke arah kana dari maksimum di pusat dibandingkan dengan yang ke arah kiri, dikatakan bahw distribusi itu menceng ke kanan, atau memiliki kemencengan positif (positive skewnes sebaliknya disebut menceng ke kiri, atau memiliki kemencengan negatif (negative skewnes) Pada distribusi yang menceng, mean cenderung berada pada sisi di ekor yay lebih panjang dengan modus berada di frekuensi maksimum (lihat Gambar 2) Oleh karena itu, salah satu ukuran ketidaksimetrisan ini diberikan oleh perbedax (Mean — Mode). Ukuran ini dapat dibuat tak berdimensi dengan membaginy dengan sebuah ukuran penyebaran seperti deviasi standard, sehingga didefinisikan 5-727 231) Dengan menggunakan hubungan empiris (2.11), maka: Sat Q3) di mana: Sj, = faktor/koefisien kemencengan (skewness factoricoefficient) xX =mean x = median x = modus Kedua ukuran di atas disebut Faktor Skewness Pearson pertama dan kedua Ukuran-ukuran kemencengan lainnya dapat didefinisikan menggunakan kuatti dan persentil, antara lain: (Q; — ,) - (0, - 21) _ 95-20, + 2, S04 = 0, - 9, 234) (Pyy — Pq) — (P, Sy p10-90 = 7 Pio (2.35) Namun dalam kebanyakan aplikasi teknik, suatu ukuran kemencengan yan paling banyak digunakan adalah dengan menggunakan momen simpangan terhada? mean ketiga dalam bentuk tak berdimensi yang dinyatakan sebagai Koefisien Momet Kemencengan: a Me M31 Ms 236 oF Wa at ae Ukuran di atas sering dinyatakan dalam 6,,= a> Untuk kurva yang simetrs sempuma, misalnya kurva normal (gaussian), a,,= by", adalah nol.sabasiarskoesinit QF 2.5.3 Kurtosis Kurtosis adalah derajat keruncingan (peakedness) atau kedataran (flamess) dari suatu distribusi relatif terhadap distribusi normal. Sebuah distribusi yang memiliki puncak relatif tinggi disebut kurva leprokurtic, sedangkan kurva yang puncaknya datar/rata (fat-topped) disebut kurva platykurtic. Kurva normal yang tidak terlalu runcing atau terlalu datar disebut kurva mesokurtic. Salah satu ukuran kurtosis menggunakan momen simpangan terhadap mean ke- empat dalam bentuk tidak berdimensi yang didefinisikan sebagai Koefisien Momen Keruncingan (Kurtosis): ae aes a aaa. mx e7: so Ukuran ini sering dinyatakan sebagai b,,. Untuk suatu distribusi normal, b,, = 44, = 3. Dengan alasan ini kurtosis kadang-kadang didefinisikan sebagai (b, — 3), yang nilainya akan positif untuk distribusi leptokurtic, negatif untuk distribusi platykurtic, serta nol untuk distribusi normal (gaussian). Ukuran lainnya yang bisa digunakan untuk menyatakan kurtosis adalah kuartil dan persentil yang disebut sebagai koefisien persentil kurtosis, yang didefinisikan sebagai (2.37) _ 20; - 2) Po — Pig Q. (2.38) Untuk sebuah distribusi normal nilainya sekitar 0,263. DIAN Leptocurtic Platycurtic Mesocurtic GAMBAR 2.9. Jenis kurva menurut kurtosisnya. CONTOH 2.18 a Kemencengan (skewness) dan kurtosis dari data terkelompok pada Contoh 2.4, yang terdiri dari 100 data dan momen-momen simpangan terhadap meannya telah dihitung pada Contoh 2.16, adalah: Kemencengan/skewness: 4%,» (by, — 3) = (a, — 3) = 2.49 — 3 = 0,51 (distribusi_platykurtic)po Seri Kuliah Ringkas: Statistik Untuk Sains dan Teknik Ea Soal-soal Latihan 1, _Jelaskan sekurang-kurangnya 3 keuntungan menyusun data mentah ke dalam bentuk jajaran d- (data array), 2, Sebutkan pertimbangan-pertimbangan yang diperlukan dalam menyusun suatu distribu frekuensi. 3. Jelaskan karakteristik-karakteristik perbandingan yang penting dari ukuran-ukuran Pemusatan mean aritmetika, median, dan modus. 4. Jelaskan_karakteristik-karakteristik perbandingan yang penting dari ukuran-ukuran penvebaran jangkauan/kisaran, simpangan mutlak rata-rata, deviasi standard, dan simpangan kuantil, $. Dalam suatu eksperimen mekanika fluida, diukur kecepatan aliran fluida dalam pipa dengan menggunakan sebuah anemometer kawat panas (lot wire anemometry). Pada suaty titik didapat 150 data kecepatan (m/s) hasil pengukuran yang tercatat sebagai berikut 0,2308 02160 0,2703 0,2092 03429 0,1963 0.2795 0,328 02294 0,4157 0,2353 0,1895 0,2961 0,2651 02857 0,2439 0.2013 0,3034 02045 0,2938 0.2500 0,2209 0,2651 0,2162 0,3567 0,2011 0,1768 0,2857 0,218 0,368! 0,2679 —0,2878 0,2654 0,297 0,3468 0,2081 0,1962 0,2914 0,3212_ 0,2516 0,1882 0,2697 0,4507 0,3786 0,2439 0,2308 0,2235 0,2353 0,1829 0,3128 0,222 0,2839 0,4194 02632 0,2578 02682 0,2230 0,2381 0,20920,3373 0,2500 0,2222 0,2752 0,3265 0,2857 02857 0,2744 0,3636 0,2308 0.2424 0,3280 0,4354 0,2000 .0,2686 0,2397 0,2733 0,1946 0.1677 0,1921 0,3095 0,3008 —0,3733 0,2069 0,238 0,267 0,2083 0,2222 0,2200 0,293 0,2727 0,2806 0,2699 0,2130 0,1975 0,2254 0,1951 0,1963 0,1988 0,2034 03188 0,2089 0,35770,2000 0,2384 0,2133 0,1988 0,1676 0.1944 0,2038 0,2803, 0,2038 —0,2895 0,2370 0,2733 0,2264 0,1761 0,3041 0,2486 0,2750 03618, 0,2484 —0,2450 0,2532 0,434 0,3019 0,2469 0,1928 0,2164 0,200 0,3741 0,1856 0,3514 0,2688 0,3636 0,2093 0,2941 0,2000 0,2970 0.2139 0,318 0,2038 0,2416 0,2645 0,3947 0,1963 0,3077 0,2516 0.2716 0.3041 0,2500 Susun data tersebut dalam suatu distribusi frekuensi dengan prosedur yang benar. Hitung ukuran-ukuran pemusatan dari data yang diperoleh Hitung ukuran-ukuran penyebaran dari data yang diperoleh, Buatlah grafik dari distribusi tersebut dalam bentuk histogram, poligon, dan ogive (kurva frekuensi_kumulatif) ¢. Bandingkan faktor kemencengan dan keruncingan distribusi tersebut dengan kurva distribusi normal, Jalu tentukan jenis kurva yang terbentuk. eoge 6. Jelaskan penggunaan diagram-diagram jenis penyajian data hal 24,