Bab 3

Statistik Deskriptif: Ukuran Numerik

3.3 Ukuran Bentuk Distribusi, Lokasi
relatif, dan Mendeteksi Outliers
Sebuah ukuran numerik terpenting
dari bentuk distribusi disebut
kemiringan (skewness)
Dua Formula:
Koefisien kemiringan dapat
berkisar dari -3 hingga +3
Nilai mendekati -3, seperti -2,57,
menunjukkan kemiringan negatif
(kiri) yang cukup besar.
Nilai 1,63 menunjukkan
kemiringan positif (kanan) sedang.
Nilai 0, yang akan terjadi ketika
mean dan median sama,
menunjukkan distribusi simetris
dan tidak ada kemiringan yang
ada.
Gambar 3.3 adalah empat histogram
dibangun dari distribusi frekuensi
relatif
Untuk distribusi simetris, rata-rata
dan mediannya adalah sama.
Ketika data yang miring positif,
rata-rata biasanya akan lebih
besar dari median
Ketika data miring negatif,
biasanya rata-rata akan kurang
dari median
Contoh: Berikut ini adalah laba per
saham untuk sampel 15
perusahaan perangkat lunak untuk
tahun 2010. Laba per saham
disusun dari terkecil hingga
terbesar.

Temukan koefisien kemiringan

menggunakan estimasi Pearson
dan metode perangkat lunak. Apa
kesimpulan Anda tentang bentuk
Pearson:

Inimenunjukkan ada
kecenderungan positif
Software:

Ini menunjukkan positif

A. Tentukan koefisien kemiringan
menggunakan metode Pearson.
B. Tentukan koefisien kemiringan
menggunakan metode perangkat
lunak.
z-Scores
Skor ini terkait dengan lokasi relatif
nilai-nilai dalam suatu kumpulan data.
Ukuran-ukuran dari lokasi relatif
membantu kita menentukan
seberapa jauh nilai tertentu
(observasi) dari rata-rata (mean).
Dengan menggunakan mean dan
standar deviasi, kita dapat
menentukan lokasi relatif pengamatan
apapun.
Rumus z-Score
Z-skor yang sering disebut nilai standar.
z-skor, zi, dapat diartikan sebagai jumlah
standar deviasi xi dari rata-ratanya.
Misalnya, z1 = 1,2 akan menunjukkan bahwa x1
= 1,2 standar deviasi lebih besar dari rata-rata
sampel.
Demikian pula, z2 = - 0,5 akan menunjukkan x2
= 0,5 atau ½ standar deviasi kurang dari rata-
rata sampel.
z-skor lebih besar dari nol terjadi untuk
pengamatan dengan nilai lebih besar dari rata-
rata,
z-skor kurang dari nol terjadi untuk nilai
pengamatan kurang dari rata-rata .
z-skor nol menunjukkan bahwa nilai
pengamatan adalah sama dengan rata-rata.
Z-skor untuk pengamatan apapun
dapat diartikan sebagai ukuran
lokasi relatif pengamatan dalam
satu set data.
Dengan demikian, pengamatan di
dua set data yang berbeda dengan
z-skor yang sama dapat dikatakan
memiliki lokasi yang relatif sama
dalam hal jumlah standar deviasi
yang sama dari rata-rata
Z-skor -1,50 (32 - 44/8) untuk
pengamatan kelima
Menunjukkan pengamatan yang
terjauh dari rata-rata yaitu 1,50
standar deviasi di bawah rata-rata.
 Teorema Chebyshev
memungkinkan kita untuk membuat
pernyataan tentang proporsi nilai data
yang harus berada dalam jumlah
tertentu standar deviasi dari rata-
rata/mean.
Teorema Chebyshev berbunyi:
Setidaknya (1-1/z2) dari nilai data
harus berada dalam standar deviasi
z dari rata-rata, di mana z adalah
lebih besar dari 1.
Dimana Z tidak mesti bilangan bulat
Beberapa implikasi dari teorema ini,
dengan z = 2, 3, dan 4 standar
deviasi adalah sbb:
• Setidaknya 0,75, atau 75%, dari
nilai-nilai data harus berada dalam 2
standar deviasi dari rata-rata/mean.
• Setidaknya 0,89, atau 89%, dari
nilai-nilai data harus berada dalam 3
standar deviasi dari mean.
• Setidaknya 0,94, atau 94%, dari
nilai-nilai data harus berada dalam 4
standar deviasi dari mean.
Contoh
Misalkan nilai ujian tengah
semester untuk 100 siswa di mk
statistik bisnis perguruan tinggi
memiliki rata-rata 70 dan standar
deviasi 5.
Berapa banyak siswa memiliki
skor tes antara 60 dan 80?
Berapa banyak siswa memiliki
skor tes antara 58 dan 82?
Untuk skor tes antara 60 dan 80
Perlu dicatat bahwa 60 adalah dua
standar deviasi di bawah rata-rata
Rata-rata = 70; SD = 5
60 = 70 – (2x5)
60 adalah dua standar deviasi di
bawah rata-rata.
Rata-rata = 70; SD = 5
80 = 70 + (2x5)
80 adalah dua standar deviasi di
atas rata-rata.
Menggunakan teorema Chebyshev:
Setidaknya 0,75, atau 75%,
dari nilai-nilai data harus
berada dalam z = 2 standar
deviasi dari mean.
Dengan demikian, setidaknya 75%
dari siswa harus telah memiliki nilai
antara 60 dan 80.
Untuk skor tes antara 58 dan 82
Rata-rata = 70; SD = 5
(58-70)/5 = -2,4
menunjukkan 58 adalah 2,4 standar
deviasi di bawah rata-rata
(82-70)/5 = +2,4
menunjukkan 82 adalah 2,4 standar
deviasi di atas rata-rata
Dengan menggunkan teorema
Chebyshev:

Paling sedikit 82,6% dari siswa memiliki

nilai tes antara 58 dan 82.
 Aturan empiris
Salah satu keuntungan dari teorema
Chebyshev adalah bahwa hal itu berlaku untuk
setiap kumpulan data terlepas dari bentuk
distribusi datanya
 Dalam banyak aplikasi praktis, kumpulan data
menunjukkan gundukan berbentuk simetris
dan distribusi berbentuk lonceng seperti yang
ditunjukkan pada Gambar 3.4
Ketika data diyakini mendekati distribusi ini,
aturan empiris dapat digunakan untuk
menentukan persentase nilai data yang
harus berada dalam jumlah standar deviasi
tertentu dari rata-rata/mean.
ATURAN EMPIRIS
Untuk data yang memiliki distribusi
berbentuk lonceng:
• Sekitar 68% dari nilai data akan
berada dalam satu standar deviasi dari
mean.
• Sekitar 95% dari nilai data akan
berada dalam dua standar deviasi dari
mean.
• Hampir semua nilai data akan berada
dalam tiga standar deviasi dari mean
Contoh: karton deterjen cair diisi secara
otomatis pada lini produksi.
Berat karton tsb memiliki distribusi berbentuk
lonceng.
Jika rata-rata berat setiap pengisian adalah 16
ons dan standar deviasi 0,25 ons, kita dapat
menggunakan aturan empiris untuk menarik
kesimpulan berikut:
• Sekitar 68% dari karton diisi akan memiliki
bobot antara 15,75 dan16,25 ons (dalam satu
standar deviasi dari mean).
• Sekitar 95% dari karton diisi akan memiliki
bobot antara 15,50 dan 16,50 ons (dalam dua
standar deviasi dari mean).
• Hampir semua diisi karton akan memiliki
bobot antara 15,25 dan 16,75 ons (dalam tiga
standar deviasi dari mean).
Mendeteksi Outliers
Kadang-kadang satu set data memiliki satu
atau lebih pengamatan dengan nilai-nilai
yang luar biasa besar atau luar biasa kecil
Outlier kemungkin nilai data yang salah
dicatat. Jika demikian, bisa diperbaiki
sebelum analisis lebih lanjut.
Outlier mungkin juga dari pengamatan yang
tidak benar termasuk dalam mengumpulkan
data; jika demikian, dapat dihapus.
Outlier dapat menjadi nilai data yang tidak
biasa yang telah tercatat dengan benar dan
termasuk dalam kumpulan data. Dalam kasus
seperti itu harus tetap ada dan tidak boleh
dihapus/dimodifikasi.
Cara Mendeteksi Outliers
1. Menggunakan skor z (z-scores)
2. Menggunakan nilai kuartil
pertama dan ketiga (Q1 dan Q3)
dan rentang/jangkauan interkuartil
(IQR)
1. Menggunakan skor z (z-scores)
Nilai standar (z-skor) dapat
digunakan untuk mengidentifikasi
outlier
Dengan z-skor, setiap nilai
data kurang dari - 3 atau lebih
besar dari 3 dapat
dikategorikan sebagai outlier.
Nilai data tersebut kemudian
dapat ditinjau untuk akurasi dan
untuk menentukan apakah mereka
termasuk dalam kumpulan data.
Z-skor-1,50 menunjukkan ukuran kelas
kelima adalah terjauh dari rata-rata.
Namun, nilai standar ini masih berada
dalam antara – 3 dan +3 sebagai pedoman
untuk menunjukkan adanya outlier.
Dengan demikian, z-skor tidak menunjukkan
bahwa outlier ada dalam data ukuran kelas.
2. Menggunakan nilai kuartil pertama
dan ketiga (Q1 dan Q3) dan
rentang/jangkauan interkuartil (IQR)
Dengan menggunakan metode ini,
pertama-tama kita menghitung batas
bawah dan atas berikut:
Batas bawah = Q1 – 1,5(1QR)
Batas atas = Q3 + 1,5(IQR)
Pengamatan diklasifikasikan
sebagai pencilan jika nilainya
kurang dari batas bawah atau
lebih besar dari batas atas
Contoh: Gaji awal bulanan dari 12
lulusan sekolah bisnis

Apakah terdapat outlier pada data ?

Jawab:
IQR = Q3 – Q1 = 4025 – 3857,5 =
167,5
Batas bawah = Q1 – 1,5(1QR)

= 3857,5 – 1,5(167,5) =
3606,25
Batas atas = Q3 + 1,5(IQR)
Batas bawah = 3606,25
Batas atas = 4276,25

Tidak ada pengamatan dengan gaji

awal kurang dari batas bawah
Ada satu gaji awal (4325) yang lebih
besar dari batas atas yang
merupakan outlier
Latihan
No 39
No 41