 Definisi dan penggunaan dari kuartil, desil, dan persentil.

Kuartil, desil, dan persentil adalah konsep statistik yang digunakan untuk mengukur dan
membagi data dalam distribusi statistik. Mereka adalah nilai-nilai yang membagi data menjadi
bagian-bagian yang lebih kecil, seperti seperempat (kuartil), sepersepuluh (desil), atau persen
(persentil). Berikut definisi dan penggunaan dari masing-masing konsep ini:
1. Kuartil:
 Definisi: Kuartil adalah titik pemisah data yang membagi distribusi data menjadi empat
bagian yang sama besar. Ada tiga kuartil utama:
 Kuartil Pertama (Q1): Memisahkan 25% data terendah dari 75% data tertinggi.
 Kuartil Kedua (Q2) atau Median: Memisahkan 50% data terendah dari 50% data
tertinggi.
 Kuartil Ketiga (Q3): Memisahkan 75% data terendah dari 25% data tertinggi.
 Penggunaan: Kuartil digunakan untuk mengukur sebaran data dan membantu
mengidentifikasi nilai-nilai ekstrem dalam data. Mereka juga digunakan dalam box plot
untuk visualisasi data.
2. Desil:
 Definisi: Desil adalah titik pemisah data yang membagi distribusi data menjadi sepuluh
bagian yang sama besar. Desil pertama memisahkan 10% data terendah, desil kedua
memisahkan 20% data terendah, dan seterusnya hingga desil kesepuluh yang
memisahkan 90% data terendah.
 Penggunaan: Desil digunakan untuk memahami distribusi data secara lebih rinci daripada
kuartil. Mereka memberikan wawasan tentang distribusi data yang lebih detail.
3. Persentil:
 Definisi: Persentil adalah titik pemisah data yang membagi distribusi data menjadi
seratus bagian yang sama besar. Persentil pertama (P1) memisahkan 1% data terendah,
persentil ke-50 (P50) adalah median, dan persentil keseratus (P100) memisahkan 99%
data terendah.
 Penggunaan: Persentil digunakan untuk analisis data yang sangat rinci dan untuk
mengidentifikasi posisi atau rentang nilai tertentu dalam distribusi data. Mereka dapat
digunakan untuk melihat seberapa baik suatu data berkinerja dalam perbandingan dengan
data lain.

Penggunaan kuartil, desil, dan persentil dapat membantu statistisi dan peneliti memahami
sebaran data, mengidentifikasi outlier (nilai ekstrem), serta membandingkan data di berbagai titik
dalam distribusi. Ini adalah alat statistik penting untuk analisis data yang mendalam.
 Fungsi/tujuan dari masing-masing ukuran pemusatan data

Ukuran pemusatan data adalah statistik yang digunakan untuk mengukur di mana sebagian
besar data terpusat dalam sebuah distribusi. Masing-masing ukuran pemusatan memiliki fungsi
dan tujuan yang berbeda dalam analisis data. Berikut ini adalah fungsi dan tujuan dari masing-
masing ukuran pemusatan data utama:
1. Mean (Rata-rata):
 Fungsi: Rata-rata adalah ukuran pemusatan yang paling umum digunakan. Ini adalah
jumlah semua nilai dalam dataset dibagi oleh jumlah total nilai.
 Tujuan: Rata-rata digunakan untuk mengukur pusat massa distribusi data. Ini
memberikan gambaran umum tentang nilai tengah dalam dataset dan digunakan dalam
berbagai analisis statistik, termasuk perbandingan, regresi, dan perhitungan lainnya.
2. Median (Tengah):
 Fungsi: Median adalah nilai tengah dalam dataset ketika data telah diurutkan. Jika jumlah
data genap, median adalah rata-rata dari dua nilai tengah.
 Tujuan: Median digunakan ketika ada kekhawatiran tentang potensi pengaruh outlier
(nilai ekstrem) dalam dataset. Ini adalah ukuran pemusatan yang lebih tahan terhadap
outlier daripada rata-rata. Median juga memberikan gambaran tentang nilai tengah yang
sebenarnya dalam dataset.
3. Mode (Modus):
 Fungsi: Modus adalah nilai atau nilai-nilai yang muncul paling sering dalam dataset.
 Tujuan: Modus digunakan untuk mengidentifikasi nilai yang paling umum atau sering
muncul dalam dataset. Ini berguna dalam data kategorikal dan dalam situasi di mana
Anda ingin mengidentifikasi nilai yang paling mendominasi dalam dataset.

Setiap ukuran pemusatan memiliki aplikasi dan kegunaan yang berbeda, tergantung pada
jenis data yang Anda analisis dan pertanyaan statistik yang Anda coba jawab. Mean adalah
ukuran yang sering digunakan untuk data kuantitatif, sementara median digunakan ketika data
terdapat outlier atau ketika data tidak terdistribusi normal. Mode berguna untuk data kategorikal
atau data diskrit. Kombinasi dari berbagai ukuran pemusatan dapat memberikan pemahaman yang
lebih komprehensif tentang distribusi data.