Statistika Deksriptif
Statistika Deksriptif
Nama Kelompok
1
LEMBAR PENGESAHAN MAKALAH
“ANALISIS PERBANDINGAN DATA STATISTIK PADA DUA
SUMBER DATA”
Tim Penulis:
2
KATA PENGANTAR
Assalamu'alaikum.Wr.Wb
Alhamdulillah,Puji dan Syukur kami panjatkan kehadirat Allah SWT, yang
telah memberi rahmat serta karunia-Nya kepada kami sampai pada saat ini,
sehingga kami dapat menyelesaikan tugas makalah dengan baik. Adapun judul
yang kami ambil dari pembahasan makalah ini, yaitu “Analisis Perbandingan Data
Statistik Pada Dua Sumber Data”.
Dalam penyusununan makalah ini penulis banyak dibantu oleh berbagai
pihak. Untuk itu, penulis mengucapkan terima kasih kepada Ibu Rianita Puspa
Sari,ST.,MT selaku dosen mata kuliah Teori probabilitas yang telah memberikan
banyak materi dan masukan dalam penyusunan makalah ini.
Penulis menyadari masih banyak kekurangan, baik dari segi penulisan, dan
penyusunan kalimat maupun dari segi kelengkapan isi dalam penyusunan makalah
ini. Dengan keterbatasan penulis, maka kritik dan saran yang bersifat membangun
dari semua pihak sangat diharapkan demi penyempurnaan makalah ini. Harapan
kami, semoga makalah ini dapat bermanfaat bagi pembaca dan khususnya bagi
kami pribadi.
Demikian yang dapat penulis sampaikan, akhir kata terima kasih.
Wassalamu'alaikum.Wr.Wb
3
DAFTAR ISI
4
BAB I
PENDAHULUAN
5
data, distribusi frekuensi, bentuk-bentuk penyajian data, ukuran pemusatan
dan penyebaran data, ukuran variasi dan koefisien variasi, serta ukuran
kemiringan dan keruncingan data.
I.2 Permasalahan
Kami ingin mengetahui data statistik, ukuran pemusatan dan
penyebaran data dari data nilai ulangan tengah semester teori probabilitas
kelas c teknik industri.
I.4 Tujuan
Seperti yang telah dirumuskan dalam permasalahan, penulisan ini
bertujuan menganalisa data statistik, ukuran pemusatan, distribusi frekuensi,
dan penyebaran data dari nilai ulangan tengah semester mahasiswa kelas c
teknik industri.
I.5 Manfaat
penerapan statistika deskriptif memberikan manfaat yang khusus. Ini
termasuk pemahaman yang lebih baik tentang kinerja kelas secara
keseluruhan, identifikasi kebutuhan pembelajaran, evaluasi kinerja individu,
penyusunan strategi perbaikan, dan peningkatan kualitas pengajaran.
Dengan analisis data nilai UTS, dapat menyesuaikan pendekatan
pembelajaran dan memberikan bantuan tambahan kepada mahasiswa yang
memerlukan.
6
BAB II
TINJAUAN PUSTAKA
7
ukuran pemusatan data, ukuran penyebaran data, serta ukuran variasi dan
koefisien
II.2 Distribusi Normal
Distribusi normal adalah distribusi probabilitas kontinu yang paling
signifikan dalam berbagai bidang statistika. Digunakan sebagai alat statistik
kunci, distribusi normal memiliki peran penting dalam menaksir dan
meramalkan peristiwa-peristiwa yang beragam.
Kurvanya, sering disebut sebagai kurva normal atau kurva lonceng,
menggambarkan dengan jelas banyak fenomena yang muncul dalam
berbagai konteks, termasuk alam, industri, dan penelitian. Banyak
pengukuran fisik, seperti dalam percobaan meteorologi, penelitian curah
hujan, dan pengukuran suku cadang, dapat dijelaskan dengan baik
menggunakan distribusi normal. Distribusi normal juga efektif dalam
mendekati galat dalam pengukuran ilmiah.
Pada tahun 1733, Abraham de Moivre menemukan persamaan
matematika untuk kurva normal, yang kemudian menjadi dasar bagi banyak
teori statistika induktif. Distribusi ini juga dikenal sebagai distribusi Gauss,
dinamai sesuai dengan Karl Friedrich Gauss (1777-1855), yang menemukan
persamaannya saat menyelidiki galat dalam pengukuran yang berulang pada
materi yang sama.
8
tabel, namun penting untuk diingat bahwa interval kelas harus sama
untuk semua kelas.
b. Statistik Tabulasi Silang
Statistik Tabulasi Silang merupakan sebuah konsep dalam statistik
deskriptif yang berkaitan erat dengan hubungan antara dua variabel,
memungkinkan untuk memahami distribusi frekuensi suatu variabel saat
variabel tersebut berhubungan dengan variabel lain.
Spesifikasi : Statistik Tabulasi Silang lebih efisien diterapkan pada data
yang memiliki tingkat variasi yang terbatas, sehingga memberikan hasil
yang lebih akurat.
Contoh Kasus : Sebagai contoh penerapannya, seorang kepala madrasah
ingin mengidentifikasi pola distribusi frekuensi siswa berdasarkan jenis
kelamin, latar belakang kesantrian, dan tingkat kerajinan membayar SPP,
dengan melihat interaksi antara ketiga variabel tersebut.
Keterangan : Penting untuk dicatat bahwa Statistik Tabulasi Silang hanya
dapat diterapkan pada dua variabel atau lebih untuk menghasilkan
analisis yang informatif.
9
Tidak sensitif terhadap nilai ekstrim. Median digunakan untuk
mengukur pemusatan kalau distribusi mencong (skewed) secara
jelas. Dapat dihitung pada distribusi yang tidak komplit sekalipun.
3. Modus (Mode)
Modus merupakan nilai yang paling sering muncul
(frekuensi terbesar) dari seperangkat data atau observasi.
Mencerminkan yang paling tipikal atau kasus yang paling umum.
Kalau kita ingin segera mengetahui nilai pemusatan, maka kita
menghitung modus. Seperangkat data dapat saja tidak memiliki
modus, tetapi sebaliknya dapat pula memiliki beberapa modus.
Kalau satu modus saja disebut unimodal, dua modus disebut
bimodal dan kalau tanpa modus disebut nonmodal
b. Ukuran Letak
Untuk memperdalam pemahaman tentang sifat-sifat data observasi
menggunakan berbagai ukuran pusat, penting untuk memahami ukuran
letak. Terdapat tiga jenis ukuran letak yang akan dibahas dalam bagian
ini, yakni Kuartil, Desil, dan Persentil.
1. Kuartil
Kuartil adalah suatu ukuran letak yang membagi data
observasi menjadi empat bagian yang sama besar, sehingga
masing-masing bagian mengandung 25% dari total data. Dalam
satu set data observasi, terdapat tiga kuartil yang umumnya disebut
k1, k2, dan k3. Untuk menemukan nilai dari kuartil dalam data
observasi yang tidak berkelompok (ungrouped data), langkah-
langkah yang dilakukan adalah sebagai berikut:
a. Data observasi diurutkan dari nilai terkecil hingga terbesar.
b. Selanjutnya, posisi atau letak kuartil ditentukan.
2. Desil
Desil adalah ukuran letak yang membagi data observasi
menjadi sepuluh bagian yang sama banyak. Oleh karena itu
masing-masing bagian mengandung 10% data observasi. Pada satu
10
set data observasi mempunyai sembilan buah desil, yaitu D1, D2,
…,D9.
3. Persentil
Persentil adalah ukuran letak yang membagi data observasi
menjadi seratus bagian yang sama besar. Oleh karena itu masing-
masing bagian mengandung 1 % data observasi. Pada satu set data
observasi mempunyai 99 persentil, yaitu : P1, P2,….,P99.
11
rata-rata distribusinya akan kurang representatif.
2. Pengukuran Jarak (Range)
Pengukuran jarak sebuah distribusi merupakan pengukuran
dispersi yang paling sederhana. Jarak sebuah distribusi frekuensi
dirumuskan sebagai “selisih atau beda antara pengukuran nilai
terbesar dan nilai terkecil yang terdapat dalam sebuah distribusi
frekuensi”.
3. Pengukuran Deviasi Kuartil
Nilai-nilai Xi yang membagi seluruh distribusi menjadi
empat bagian yang sama disebut kuartil. Kuartil pertama (Q1) dan
kuartil ketiga (Q3) menandai batas awal dan akhir dari 50% data
observasi. Kuartil kedua (Q2), yang sama dengan median,
membagi distribusi menjadi dua bagian yang sama besar. Jarak
antara Q1 dan Q3, yang disebut jarak inter-kuartil, mencerminkan
sebaran data di bagian tengah distribusi. Deviasi kuartil, serupa
dengan pengukuran jarak, dihitung berdasarkan jarak antara Q1
dan Q3. Namun, deviasi kuartil hanya memperhitungkan dispersi
nilai-nilai observasi yang terdistribusi di bagian tengah distribusi
sebanyak 50%.
4. Pengukuran Deviasi Rata-rata(Mean Deviation)
Secara umum, deviasi rata-rata dianggap sebagai metode yang
lebih baik untuk mengukur penyebaran daripada jarak atau deviasi
kuartil. Hasil deviasi rata-rata mencerminkan seberapa jauh setiap
nilai observasi tersebar dari rata-ratanya, bukan hanya dipengaruhi
oleh kedua nilai ekstrim.
5. Pengukuran Varians dan Deviasi Standar
Varians digunakan sebagai indikator untuk mengukur seberapa
homogen data tersebut secara umum, dengan nilai varians
merepresentasikan titik tengah dari penyebaran data.
12
BAB III
PENGUMPULAN & PENGOLAHAN DATA
7
85 85 75 70 70 80 70 75 75 70
0
8
75 75 75 80 70 70 70 70 70 70
3.1.2 0 Hasil
7
70 75 70 70 70 70 65 70 70 70
0 pengumpulan
data modifikasi
Berikut adalah tabel hasil modifikasi dari data jurnal dengan
jumlah 33 data:
7
62 100 84 78 80 91 70 66 83 61
1
7 6 10 7 9 9 6 7 9
0 0 0 3 2 6 5 7 0 80 78
III.2 6 6 8 8 9 9 7 6 Pengolahan
Data 4 2 79 1 6 0 7 0 0 91 74
Berikut ini hasil data yang telah kami olah menggunakan software Ms.
Excel:
1. Hasil Pengolahan data dari jurnal
DISTRIBUS FREKUENSI
range 20
jumlah kelas 7
13
class interval 3,3
UKURAN PEMUSATAN
rata rata 72,73
median 70
modus 70
skewness 1,249
quartil 0 65
quartil 1 70
quartil 2 70
quartil 3 75
quartil 4 85
desil 1 70
desil 2 70
DISTRIBUSI FREKUENSI desil 3 70
Kelas Interval Frekuensi desil 4 70
desil 5 70
65-67 1
desil 6 70
68-70 20
desil 7 75
71-73 0
desil 8 75
74-76 7 desil 9 83
77-79 0 persentil (10) 70
80-82 3 persentil (25) 70
83-85 2 persentil (50) 70
Total 33 persentil (75) 75
persentil (90) 80
14
DISTRIBUS FREKUENSI UKURAN PEMUSATAN
range 40 rata rata 78,21
median 78
jumlah kelas 6
modus 70
class interval 6,7
skewness 0,151
quartil 0 60
DISTRIBUSI FREKUENSI quartil 1 70
Kelas quartil 2 78
Frekuensi
Interval quartil 3 90
60-66 8 quartil 4 100
67-73 5 desil 1 61,4
74-80 7 desil 2 65,8
81-87 4 desil 3 70
88-94 5 desil 4 75,8
95-100 4 desil 5 78
desil 6 80,4
Total 33
desil 7 89,2
desil 8 91
UKURAN PENYEBARAN desil 9 98,8
simpangan baku 12,321 persentil (10) 62
variansi 151,797 persentil (25) 70
persentil (50) 78
simpangan quartil 20
persentil (75) 90
persentil (90) 95,2
6 HIstogram
Polygon
5
1
60-66 67-73 74-80 81-87 88-94 95-100
BAB IV
15
ANALISA
b. Range
R = Nilai data max – Nilai data min
c. Class Interval
Group Data
b. Median
Merupakan ukuran rata rata yang pengukurannya didasarkan atas nilai data
yang berbeda dite ngah tengah distribusi frekuensinya.
Ungroup Data
Group Data
16
= Jumlah frekuensi kelas kelas sebelum kelas
median
i = Panjang interval kelas
= Frekuensi nilai median
c. Modus
Merupakan nilai yang paling sering muncul dalam data.
a. Quartile
Merupakan ukuran letak yang membagi suatu distribusi frekuensi menjadi
4 bagian yang sama.
b. Decile
Merupakan ukuran letak yang membagi suatu distribusi frekuensi menjadi
10 bagian yang sama.
c. Persentile
17
Merupakan ukuran letak yang menbagi suatu distribusi frekuensi menjadi
100 bagian yang sama.
IV.4 Interprestasi
Data Pertama (Data modifikasi):
1. Ukuran Pemusatan Data:
1. Rata-rata (mean) yang tinggi (~79.21) menunjukkan bahwa Data
modifikasi secara keseluruhan memiliki rata-rata nilai yang cukup
tinggi.
2. Median dan modus yang cukup tinggi (78 dan 70) menunjukkan
bahwa sebagian besar siswa di Data modifikasi mendapatkan nilai
yang cukup baik.
2. Ukuran Penyebaran Data:
1. Rentang (range) yang lebar (40) menunjukkan bahwa terdapat
variasi yang signifikan dalam kinerja siswa di Data modifikasi.
2. Variance dan standard deviation yang tinggi menunjukkan bahwa
terdapat keragaman besar dalam nilai-nilai siswa.
3. Distribusi Frekuensi:
Variasi nilai yang luas menunjukkan bahwa ada siswa dengan
performa yang sangat tinggi dan siswa dengan performa yang lebih
rendah di Data modifikasi.
18
modifikasi menunjukkan bahwa sebagian besar siswa di Data jurnal
juga mendapatkan nilai yang cukup baik, meskipun secara
keseluruhan rata-ratanya sedikit lebih rendah.
2. Ukuran Penyebaran Data:
1. Rentang (range) yang lebih sempit (20) menunjukkan bahwa ada
sedikit variasi dalam kinerja siswa di Data jurnal.
2. Variance dan standard deviation yang lebih rendah menunjukkan
bahwa nilai-nilai siswa di Data jurnal cenderung lebih homogen
daripada di Data modifikasi.
3. Distribusi Frekuensi:
Distribusi nilai yang lebih condong ke nilai-nilai di sekitar 70-75
menunjukkan bahwa mayoritas siswa di Data jurnal memiliki performa
yang seragam.
BAB V
19
PENUTUP
V.1 Kesimpulan
1. Data modifikasi memiliki rata-rata nilai yang lebih tinggi dan variasi
nilai yang lebih besar dibandingkan dengan Data jurnal.
2. Data jurnal, meskipun memiliki rata-rata nilai yang sedikit lebih rendah,
cenderung memiliki distribusi nilai yang lebih seragam dan variasi nilai
yang lebih kecil.
3. Dapat disimpulkan bahwa Data modifikasi mungkin memiliki beragam
tingkat kemampuan siswa, sementara Data jurnal mungkin memiliki
konsistensi yang lebih baik dalam performa siswa.
4. Dapat disimpulkan bahwa Distribusi data modifikasi cenderung lebih
simetris daripada distribusi data jurnal. Nilai skewness yang mendekati
nol pada data modifikasi menunjukkan bahwa distribusi nilai-nilai
siswa memiliki tingkat simetri yang relatif baik. Distribusi data jurnal
condong ke kanan. Nilai skewness yang positif pada data jurnal (1.249)
menunjukkan bahwa terdapat lebih banyak data di sisi kanan distribusi,
yang berarti ada lebih banyak siswa dengan nilai yang lebih rendah
daripada nilai rata-rata. Jadi, secara umum, distribusi nilai siswa dalam
data modifikasi lebih simetris, sementara distribusi nilai dalam data
jurnal condong ke arah nilai-nilai yang lebih rendah.
Analisis statistika deskriptif pada data nilai ulangan tengah semester
merupakan sebuah langkah penting dalam mengevaluasi dan memahami
kinerja siswa secara menyeluruh. Dengan menggunakan metode ini, kita
dapat menggambarkan karakteristik dari distribusi nilai siswa, termasuk
nilai rata-rata, median, modus, quartil, desil, dan persentil. Sebagai contoh,
nilai rata-rata memberikan gambaran tentang kinerja secara keseluruhan,
sementara median dapat memberikan indikasi tentang nilai "tengah" dari
data, dan modus menunjukkan nilai yang paling sering muncul. Quartil,
desil, dan persentil memberikan pemahaman yang lebih mendalam tentang
bagaimana nilai-nilai terdistribusi di antara siswa.
20
V.2 Saran
1. Gabungkan dengan Metode Analisis Lain:
Menggabungkan statistic deskriptif dengan metode analisis
alternatif, seperti analisis regresi atau faktor, dapat memberikan
wawasan lebih mendalam tentang faktor-faktor yang memengaruhi
kinerja akademik. Ini juga membantu dalam menemukan keterkaitan
antar variabel dan pola-pola yang mungkin tersembunyi dalam data.
2. Visualisasikan Data:
Penggunaan grafik dan diagram membantu memvisualisasikan
pola-pola dan tren dalam data nilai ulangan. Ini memfasilitasi
interpretasi yang lebih mudah dan pengungkapan informasi dengan
lebih jelas kepada stakeholder.
3. Manfaatkan Perangkat Lunak Statistik:
Penggunaan perangkat lunak statistik dapat mempermudah proses
analisis dan meningkatkan akurasi hasil. Dengan berbagai fitur analisis
statistik, termasuk statistik deskriptif, perangkat lunak tersebut menjadi
alat yang berharga dalam analisis data akademik.
4. Pahami Batasan Statistik Deskriptif:
Penting untuk diingat bahwa statistik deskriptif memiliki batasan
dalam menggambarkan kompleksitas data nilai ulangan. Penggunaan
metode analisis tambahan, seperti statistik inferensial, dan
pertimbangan kontekstual yang lebih luas, dapat melengkapi analisis
dan memberikan pemahaman yang lebih holistik.
5. Memperluas Rentang Data:
Salah satu langkah penting dalam meningkatkan efektivitas
analisis adalah dengan memperluas cakupan data yang digunakan.
Selain mempertimbangkan nilai ulangan, memperhitungkan faktor-
faktor tambahan seperti kehadiran, partisipasi, dan elemen-elemen
pendukung lainnya dapat memberikan gambaran yang lebih
komprehensif tentang kinerja akademik mahasiswa..
21
DAFTAR PUSTAKA
Kuswanto, 2012. Statistik untuk pemula dan orang awam. 1 ed. s.l.:Laskar
Aksara.
Maswar, M., 2017. Analisis Statistik Deskriptif Nilai UAS Ekonomitrika
Mahasiswa dengan Program SPSS 23 & Eviews 8.1. Jurnal Pendidikan
Islam Indonesia.
Montgomery & Runger, 2011. Applied Statistics and Probability for engineers.
Fifth ed. s.l.:John Wiley & Sons, Inc..
Nuryadi, Astuti, Utami & Budiantara, 2017. Dasar-Dasar Statistik Penelitian. 1st
ed. s.l.:Sinuku Media.
Sugiyono, 2021. Metode penelitian kuantitatif, kualitatif, dan R&D / Sugiyono. 3
ed. s.l.:Bandung: Alfabeta, 2021.
Walpole, Myers, Myers & Ye, 1995. Probability & Statistics for Engineers &
Scientists. 9 ed. s.l.:Pearson.
22