PENGOLAHAN DATA

DAN ANALISIS
DESKRIPTIF
(SIMPULAN NUMERIK)
By. Supriadi
Pendahuluan

 Sebelum data di sajikan data harus

diolah
 Setelah itu dilakukan penataan data
PENGOLAHAN DATA

 Adalah suatu proses penataan data

dalam persiapan untuk disajikan, agar
orang lain dapat memahami hasil
penelitian.
 Statistika Deskriptif

Metode-metode statistika yang digunakan untuk

menggambarkan data yang telah dikumpulkan (merancang,
mengumpulkan, menata, menyaji-kan, mengolah dan
menganalisa).
Dan yang dipelajari adalah suatu ringkasan eksposisi aspek-
aspek penting dari data yang meliputi :
Deskripsi pola dan perilaku
 tabel dan grafik,
 identifikasi data pencilan
Perhitungan numerik
 pemusatan data,
 penyebaran data
ANALISIS DESKRIPTIF
Analisis Deskriptif adalah analisis yg
menggambarkan suatu data yang akan
dibuat baik sendiri maupun secara
kelompok.
Tujuan analisis deskriptif : membuat
gambaran secara sistematis data yang
faktual dan akurat mengenai fakta-fakta
serta hubungan antar fenomena yang
diselidiki atau diteliti. Dalam penyajian ini
akan dibahas mengenai pengukuran
gejala pusat (Central Tendency)
NILAI-NILAI TENGAH
(CENTRAL TENDENCY)

1. Mean = Arithmatic Mean =  ()

2. Mode = Modus
3. Median
4. Harmonik Mean
5. Geometrik Mean
6. Kuadratik Mean
NILAI – NILAI POSISI

1. Posisi Tengah (Median)

2. Kuartil (K1, K2, K3)
3. Desil (D1 ……D9)
4. Persentil (P1……..P99)
NILAI – NILAI VARIASI
(DISPERSI)
1. Range
2. Mean Deviasi
3. Inter Kuartil Range (IQR)
4. Varian
5. Standard Deviasi
6. Koefisien Variasi (Membandingkan
mana yang bervariasi)
 UKURAN
PEMUSATAN DATA
Ukuran pemusatan data adalah nilai
tunggal dari data yang dapat memberikan
gambaran yang lebih jelas dan singkat
tentang disekitar mana data itu memusat,
serta dianggap mewakili seluruh data.
1. Rata-rata Hitung (Mean)
Mean dari sekumpulan bilangan adalah
jumlah bilangan-bilangan dibagi oleh
banyaknya bilangan.
MEAN = ARYTMATIC MEAN =
NILAI RATA – RATA HITUNG DATA TUNGGAL

1. Simbol =  (baca; eks bar) = 

(Populasi)
2. Nilai yang Mewakili Agregate X
 Xi
n
3. Mudah dihitung
4. Labil (Sangat Dipengaruhi Nilai Ekstrim)
5. Rumus (X Bar) untuk nilai mean data
tunggal

Contoh :
Nilai Observasi 3,4,6,8,8,8,12
n=7
 = 3+4+6+8+8+8+12/n
= 49/7 = 7
 MEAN = ARYTMATIC MEAN =
NILAI RATA – RATA HITUNG DATA KELOMPOK
• DATA KELOMPOK BERBAUR DENGAN DATA LAIN SEHINGGA
KEASLIAN DATA HILANG.
• PERHITUNGAN MEAN KELOMPOK DIAMBIL TITIK TENGAHNYA
YAITU SETENGAH DARI JUMLAH UJUNG BAWAH KELAS DAN
UJUNG ATAS KELAS UNTUK MEWAKILI SETIAP KELAS INTERVAL.
• Rumus :

  = Mean
(ti. fi )  ti = Titik Tengah

 fi
 fi = Frekuensi
(ti fi) = Jumlah frekuensi
Contoh :
NILAI RATA – RATA HITUNG DATA KELOMPOK
Tabel 1
Distribusi Frekuensi Nilai Ujian Pengantar Statistika
Prodi D-III Kebidanan Poltekkes Kaltim

Nilai Interval Frekuensi (f)

60-64 2
65-69 6
70-74 15
75-79 20
80-84 16
85-89 7
90-94 4
Jumlah 70
Langkah menjawab :
1) Buat tabel dan susunlah data

Tabel 2
Distribusi Frekuensi Nilai Ujian Pengantar Statistika
Prodi D-III Kebidanan Poltekkes Kaltim

Nilai Interval Titik Tengah Frekuensi (f)

(ti) Jumlah (ti fi)
60-64 62 2 124
65-69 67 6 402
70-74 72 15 1080
75-79 77 20 1540
80-84 82 16 1312
85-89 87 7 609
90-94 92 4 368
Jumlah fi = 70 (ti fi) 5435
Langkah menjawab :
2) Berilah notasi statistik angka yg sudah ada
untuk memudahkan perhitungan fi=70 dan (ti
fi) = 5435

3) Hitunglah nilai rata-rata dengan rumus :

(ti. fi ) 5435
   77,643
 fi 70

Jadi Nilai Rata-Rata Kelompok = 77,643

2. Modus
Modus dari sekumpulan bilangan adalah
bilangan yang paling sering muncul atau
nilai yang memiliki frekuensi terbanyak.
MODE = MODUS
1. Adalah nilai yang paling sering muncul dalam
suatu pengamatan (dalam suatu agregate)
2. Dalam suatu pengamatan modus
kemungkinan, satu, lebih dari satu atau tidak
ada modus.
3. Tidak dipengaruhi nilai exstrim
Contoh :
a. Observasi 3,4,6,8,8,8,12
Nilai yang paling sering muncul adalah nilai = “8” jadi
nilai modus dari observasi ini adalah = 8
b. Ada dua observasi yang nilainya seperti
dibawah ini :
1) 3,3,4,4,5,5,6,6,7,7,8,8
disini modus tidak ada
2) 3,3,3,4,5,6,7,8,8,8,9
disini ada dua modus yaitu “3” dan “8”
c. Kalau pada observasi 3,4,6,8,8,8,12 ditambah
satu pengamatan lagi yang lainnya 37,
datanya menjadi 3,4,6,8,8,8,12,37 dengan
penambahan nilai ekstrim ini ternyata modus
tidak berubah.
a. Data tunggal / berbobot

Contoh :
Tentukan modus dari masing-masing kum-
pulan bilangan di bawah ini:
a. 5,3,5,7,5 c. 2,5,6,3,7,9,8
b. 4,3,3,4,4,7,6,8,7,7 d. 2,2,3,3,5,4,4,6,7
Jawab :
a. Modus data tersebut adalah 5
b. Modus data tersebut adalah 4 dan7
c. Modus data tersebut tidak ada
d. Modus data tersebut adalah 2,3,4
b. Data kelompok
 d1 
Mo = b + p  
 d1  d 2 
b = tepi bawah kelas modus
p = panjang kelas interval
d1 = selisih frekuensi kelas modus dengan
frekuensi kelas sebelumnya
d2 = selisih frekuensi kelas modus dengan
frekuensi kelas sesudahnya
Contoh :
Berat badan 30 orang siswa suatu kelas
disajikan pada tabel berikut. Modus data
tersebut adalah….
Berat (kg) f
41 - 45 1
46 - 50 6
51 - 55 12
56 - 60 8
61 - 65 3
Jawab :
Modus terletak pada kelas interval ke-3,
dengan b = 50,5; p = 5; d1 = 6; d2 = 4

 6 
Modus (Mo) = 50,5 + 5  
64
= 50,5 + 3
= 53,5
4. Besar simpanan anggota Koperasi Tahu
“SUMEDANG” selama tahun 1995
tercatat sebagai berikut :
Simpanan Frekuensi
(dalam puluh ribuan Rp)
60 - 62 3
63 - 65 10
66 - 68 20
69 - 71 15
72 - 74 7
Berdasarkan data tersebut, paling banyak
anggota koperasi mempunyai simpanan
sebesar….

Jawab :
Modus terletak pada kelas interval ke-3,
dengan b = 65,5 ; p = 3 ; d1 = 10 ; d2 = 5;
  10 
Modus (Mo) = 65,5 + 3  
 10  5 
= 65,5 + 2 = 67,5

Jadi paling banyak anggota koperasi mempu-

nyai simpanan sebesar 67,5 x Rp 10.000,00 =
Rp 675.000,00
3. Median
Median dari sekumpulan bilangan adalah
bilangan yang ditengah-tengah atau rata-
rata bilangan tengah setelah bilangan-
bilangan itu diurutkan dari yang terkecil
sampai yang terbesar.
MEDIAN
1. Adalah nilai yang observasi yang terletak ditengah.
2. Untuk menentukan nilai median agregate lebih dahulu
disusun menurut besarnya nilai observasi (Array)
3. Posisi median adalah (n + 1 ) / 2
Contoh :
Data : 5,7,3,6,8,9,9,11,15
Array 3,5,6,7,8,9,9,11,15
n = 9, posisi median (9 + 1)/2 = 5
Nilai observasi kelima adalah “8”
Jadi nilai median adalah “8”
Contoh :
Data 3,5,6,7,8,9,9,11
n = 8, posisi median (8 + 1)/2 = 4,5
nilai observasi ke 4,5 adalah nilai observasi ke 4 + nilai
observasi ke 5 dan hasilnya di bagi 2.
Jadi Median (7+8)/2 = 7,5
a. Data tunggal / berbobot

(n  1)
Letak Me = data ke-
2
Contoh :
Nilai ulangan Mata Pelajaran Matematika
dari 12 siswa adalah sebagai berikut:
6,8,5,7,6,8,5,9,6,6,8,7.Tentukan median
dari data tersebut!
Jawab :
Data diurutkan : 5,5,6,6,6,6,7,7,8,8,8,9

(12  1)
Letak Me = data ke-
2
1
= data ke- 6
2
1
Nilai Me = 6 + (7-6) = 6,5
2
b. Data Kelompok
1 
2 n  F 
Nilai Me = b + p  
 f 
 
b = tepi bawah kelas median
p = panjang kelas interval
F = frekuensi total sebelum kelas Me
f = frekuensi kelas median
n = banyak data
Contoh :
Tentukan nilai median dari tabel distribusi
frekuensi berikut ini!
Nilai Frekuensi
40-44 4
45-49 8
50-54 12
55-59 10
60-64 9
65-69 7
Jawab :
Untuk menentukan median diperlukan
½ x 50 data = 25 data , artinya median
terletak pada kelas intreval ke-4.
1 
2 x 50  24 
Nilai Me = 54,5 + 5  
 10 
 
= 54,5 + 0,5
= 55
 HUBUNGAN ANTARA NILAI
MEAN, MODE DAN MEDIAN
Kalau observasi cukup banyak maka dapat dibuat
kurvanya.
Bentuk kurva dapat dilihat dari ketiga nilai – nilai
tengah ini.
1. Kalau nilai mean = modus = median akan
menghasilkan Kurva yang simetris
2. Kalau nilai mereka tidak sama maka nilai median
akan selalu terletak antara nilai mean dan modus.
3. Apabila nilai mean > median → kurva menceng ke
kanan (shift to the right)
4. Apabila nilai mean < median → kurva menceng ke
kiri (shift to the left)
 Mean=Med=
Modus

Mean
Median
Modus

Mean>Median>Modus

Nilai Ekstrem
Mean
Med
Modus
HUBUNGAN ANTARA NILAI MEAN MODUS
DAN MEDIAN

 Ketika data tidak simetris atau ada nilai

ekstrim maka nilai median sering dipakai
sebagai nilai terbaik dalam pengukuran
tendensi sentral.
 Ketika datanya tidak berdistribusi normal
maka uji statistik yang banyak digunakan
uji non parametrik.
 Hubungan Skala Pengukuran, Pemusatan Data & Metode Statistika

Skala Pemusatan
Metode Statistika
Pengukuran Data
Nominal Modus
Ordinal Modus, Non Parametrik
Median
Interval Mean
Parametrik
Rasio Mean
NILAI POSISI
1. Median : Nilai yang membagi data (Agregate)
menjadi dua bagian yang mana 50% nilai sama
atau ada diatas nilai median dan 50% sama atau
ada dibawah nilai median.
2. Kuartil (Quartile) : nilai ini membagi data menjadi
empat bagian sama banyak sehingga ada tiga
nilai kuartil (Q1…Q2…Q3) atau K1…K2…K3
3. Desil (Desile) : Nilai yang membagi data mejadi
10 bagian (D1………D9)
4. Persentile (Persentile) : Nilai yang membagi data
menjadi 100 bagian sehingga ada P1…….P99
Perhitungan Numerik
PEMUSATAN DATA
Kuartil: Banyaknya data dibagi menjadi 4 bagian yg sama

Q i  X i (n 1) , i  1, 2, 3
4

Desil: Banyaknya data dibagi menjadi 10 bagian yg sama

Di  X i (n 1) , i  1, 2, , 9
10
Persentil: Banyaknya data dibagi menjadi 100 bagian yg sama

Pi  X i (n 1) , i  1, 2, , 99
100
NILAI VARIASI (DISPERSI)
Nilai Variasi adalah ukuran dari besarnya
variasi yang terdapat didalam agregate.
1. Range
adalah besarnya perbedaan nilai
observasi yang paling besar dengan nilai
observasi paling rendah.
Range = Max – Min
Contoh
data 3,5,6,7,8,9,9,11
Range adalah 11 – 3 = 8
  PENYEBARAN DATA

Range :
Data Maksimum – Data Minimum

R  X max  X min

InterKuartil:

IK  Q3  Q1
2. Mean deviasi
adalah rata – rata dari perbedaan semua
nilai obeservasi terhadap mean.
d =  | - x |
N
Contoh
Data 3,5,6,7,8,9,9,11 (N = 8)
 = (3+5+6+7+8+9+9+11)/8 = 7 (Mean)
Mean deviasi adalah 2
 Mean
Obs(x) (- )
( )
3 7 4
5 2 Mean deviasi = 16/8
6 1 = 2
7 0
8 -1
9 -2
9 -2
11 -4
16
3. Inter Kuartile range (IQR)
IQR = (Q3 – Q1)
Contoh :
Data diurutkan terlebih dahulu, dan kemudian dikenali
pengamatan yang terletak pada perempat pertama, perempat
kedua dan perempat ketiga. Ketiganya populer dengan nama
kuartil 1 (Q1), kuartil 2 (Q2) dan kuartil 3 (Q3), yang tidak lain
sama dengan persentil ke 25, persentil ke 50, dan persentil ke
75. telah diketahui kurtil 2 sama dengan median, karena
membagi dua data sama besar, atau 50% data bernilai lebih
kecil dari nilai median itu, dan 50% data bernilai lebih besar dari
median tersebut. Dengan kata lain kuartil adalah nilai yang
membagi data menjadi empat bagian sama besar. Dari hal
tersebut dapat digambarkan :
2 3 4 5 6
Q1 Q2 Q3
dari pengenalan posisi Q1, Q2, Q3, maka dapat diartikan
bagaimana sebaran data apakah menyebar merata, atau
terdapat pengumpulan nilai di satu sisi sehingga sebaran data
menceng. Biasanya IQR dipakai bila nilai tengah yang disajikan
adalah median, sehubungan dengan sebaran data yang
menceng.
 Persentil dan Desil
Bila diinginkan pembagian data lebih rinci, maka dapat
dikenali ukuran posisi yang lain misalnya persentil, yaitu
nilai yang membagi data menjadi perseratusan, atau
menjadi P1 sampai P100. dapat pula disajikan ukuran desil,
yaitu nilai yang membagi data menjadi persepuluhan, dan
ditulis dengan D1 sampai D10.
Contoh :
Dari kumpulan data tentang umur dalam tahun dengan
jumlah pengamatan 480 pasien, diperoleh nilai Q1 = 42,65
tahun, Q2=54,72 tahun, Q3=64,22 tahun, maka dapat
diartikan bahwa sebanyak 120 pasien berumur 42 tahun ke
bawah. Atau ada sebanyak 240 pasien berumur 54 tahun ke
bawah, atau 54 tahun keatas. Terdapat 120 pasien berumur
diatas 64 tahun.
Dikenali pula nilai D1 = 35,9 tahun, yang berarti terdapat 48
pasien berumur 35 tahun ke bawah. Bila terdapat informasi
P5=31,1 tahun, hal ini berarti terdapat 24 pasien berumur 31
tahun ke bawah, atau 456 pasien berumur diatas 31 tahun.
4. Varian
Adalah rata – rata kuadrat perbedaan antara
mean dan seluruh observasi.

Obs Mean ( -) ( -)2

3 7 4 16
5 2 4
6 1 1
7 0 0
8 -1 1
9 -2 4
9 -2 4
11 -4 16
46

V
 (x  x ) 2
V = 46/7 = 6,57
n 1
  PENYEBARAN DATA

 VARIANS
n n

 i  i
2 2 2
( X  X ) X  nX
S2  i 1
 i 1

n 1 n 1

Variasi :
jumlah kuadrat simpangan suatu variable
terhadap nilai rata-ratanya.
Variansi :
jumlah kuadrat simpangan suatu variabel
terhadap nilai rata-ratanya dibagi derajat bebas
yang sesuai. 
5. SIMPANGAN BAKU
Adalah ukuran variasi yang paling banyak dipakai dalam
perhitungan statistik standar deviasi merupakan ukuran
yang dibakukan untuk suatu distribusi simetris (normal),
makanya Standar Deviasi disebut juga simpangan baku.

Sd  V 
 ( x  x ) 2

n 1

Contoh : Sd = √6,57 = 2,56

SIMPANGAN BAKU MERUPAKAN HASIL PERHITUNGAN AKAR
DARI VARIAN ATAU AKAR DARI RATA-RATA KUADRAT
PERBEDAAN ANTARA MEAN DENGAN SELURUH OBSERVASI.
 PENYEBARAN DATA
 STANDAR DEVIASI :
n
2
 ( xi  x )
i 1
S 
n1

 DEVIASI ABSOLUT :
Jarak dari suatu variabel terhadap rata-rata
n

x i x
DEVABS  i 1
n
 STANDAR ERROR MEAN

s
SEMEAN 
n
 Rata – rata Simpangan
Telah disepakati bahwa mean termasuk ukuran tengah. Bila
pengamatan – pengamatan bernilai sama dengan ukuran
tengah maka terlihat tidak adanya variasi. Bila terdapat
perbedaan pengamatan lain dengan nilai mean ini, maka
dapat didindikasikan adanya variasi. Untuk itu dihitung
seberapa besar beda antara nilai setiap pengamatan dengan
nilai mean. Contoh rata – rata beda tersebut.

Pengamatan Lama hari rawat Besar beda Absolut besar beda

1 5 5 – 4 = +1 1
2 3 3 – 4 = -1 1
3 4 4–4=0 0
4 2 2 – 4 = -2 2
5 6 6 – 4 = +2 2
∑ = 20 ∑=0 ∑=6
Mean = 4
Apabila dari besar beda nilai tiap
pengamatan dengan mean, dihitung
langsung rata – ratanya, maka akan selalu
diperoleh nilai = 0. untuk itu diambil langkah
mengabsolutkan besar beda. Artinya tanda
positif atau negatif pada besar beda
tersebut diabaikan. Dengan demikian dapat
dihitung rata – rata besar beda, yang
disebut sebagai mean deviation atau rata –
rata simpangan. Pada contoh diatas
diperoleh rata – rata simpangan atau mean
deviation sebesar 6/5 = 1,2
 Simpangan Baku
Dengan adanya perlakuan mengabsolutkan nilai pada
perhitungan di atas, hal ini kurang mendukung dilakukannya
perlakuan matematis lanjutan. Untuk itu dicari cara yang
lebih baik, yaitu dengan mengkuadratkan besar beda,
diambil rata – ratanya, dan dikembalikan lagi keunit asalnya
dengan mengakarkannya. Nilai variasi ini disebut sebagai
simpang baku atau standard deviation.
Contoh :
Pengamatan Lama hari rawat Besar beda Kuadrat besar beda

1 5 5 – 4 = +1 1
2 3 3 – 4 = -1 1
3 4 4–4=0 0
4 2 2 – 4 = -2 4
5 6 6 – 4 = +2 4
∑ = 20 ∑=0 ∑ = 10
 = 4
Dapat dihitung simpangan baku lama hari rawat = s =√10/5 =1,4
hari. Dapat diperhatikan bahwa unit pengukuran simpang baku sama
dengan unit mean atau unit pengamatannya, yaitu dalam hari.
Simpang baku dapat disimbolkan dengan s. kuadrat simpang baku
disebut sebagai Varians. Pada contoh ini varians lama hari rawat
adalah 2 (hari kuadrat).
Terdapat perbedaan penyebut apabila kita ingin menyajikan
simpangan baku dari data sampel, yaitu dengan n – 1. hal ini karena
ternyata penaksiran simpangan baku di populasi berdasarkan
sampel akan lebih akurat bila menggunakan penyebut n – 1, dan ini
erat kaitannya dengan konsep derajat kebebasan. Rumus umum
simpang baku dari data sampel adalah sebagai berikut :

( xi  x) 2
s
n 1
Bila ada dua kumpulan data dengan nilai mean yang sama disajikan
nilai simpang baku yang berbeda, maka nilai s yang lebih besar
menggambarkan variasi yang lebih besar pula.
Intervensi dari nilai mean dan simpang baku dapat dikaitkan dengan
pemahaman akan sebaran peluang teoritis. Ukuran variasi ternyata
sangat berperan di dalam prosedur statistik dan menjadi dasar
`banyak pengujian.
 Koefisien variasi
Bila dari dua kumpulan data ternyata nilai meannya berbada, maka
untuk membandingkan variasi kedua kumpulan data tersebut dapat
digunakan koefisien variasi atau coefficient of variation (COV). Rumus
koefisien variasi adalah :
Simpang Baku s
Koefisien Variasi (COV )  
Mean x
Contoh :
Dari 5 spesimen darah yang sama, dilakukan pemeriksaan kadar
hemoglobin darah oleh dua laboratorium dengan cara elektrofotometer.
Diperoleh hasil dalam gram/dl berikut :

Laboratorium 1 11,5 12,0 11,8 13,1 12,6

Laboratorium 2 12,4 12,1 12,0 12,5 12,2
Dari laboratorium 1 dihasilkan nilai  = 12,20 dan s = 0,64, sedangkan
dari laboratorium 2 dihasilkan nilai  = 12,24 dan s = 0,21. koefisien
variasi 1 = 0,05 = 5%, dan koefisien variasi 2 = 0,02 = 2%. Dapat
disimpulkan bahwa pemeriksaan dilaboratorium 1 lebih bervariasi
daripada di laboratorium 2. hal ini menuntut kepada perbaikan cara
pemeriksaan agar diperoleh variabilitas yang sekecil- kecilnya.
 PENYEBARAN DATA

 DEVIASI RELATIF ( KOEFISIEN VARIASI )

Jika ingin membandingkan deviasi dua/ lebih kelompok
data yang memiliki satuan yang berbeda digunakan
koefisien variasi, yaitu :

s
KV  100%
X
 SKEWNESS
Skewness menunjukkan seberapa jauh distribusi
menyimpang dari simetris, dihitung dengan

X  Mo 3( X  Me )
SK  SK 
s s
 PENYEBARAN DATA

 KURTOSIS
Untuk mengukur tinggi KTS = 3
rendahnya kurva atau
Mesokurtosis
runcing datarnya kurva.

 ( X i  X )4
i 1
KTS > 3
KTS  n
2
  (Xi X ) 
n
2 Leptokurtosis
 i 1 n 
 
 

KTS < 3
Platikurtosis
Pada statistika, dikenal istilah skewness
dan kurtosis.

Skewness adalah ukuran

ketidaksimetrisan dalam distribusi nilai.
Skewness dapat bernilai positif, negatif,
dan nol.
Skewness yang bernilai positif berarti ekor
distribusi berada di sebelah kanan nilai
terbanyak. Berarti, sebagian besar distribusi
berada di nilai rendah. Skewness yang bernilai
negatif berarti ekor distribusi berada di sebelah
kiri, menunjukkan bahwa sebagian besar nilai
berada di sisi kanan kurva. Sementara skewness
bernilai nol berarti nilai terdistribusi secara
simetris, dengan jarak antara ekor distribusi
sebelah kanan dan kiri sama besar.
Kurtosis adalah indikator untuk menunjukkan derajat
keruncingan (tailedness). Semakin besar nilai kurtosis
maka kurva semakin runcing.

Nilai referensi kurtosis adalah 3. Jika nilai kurtosis lebih

besar dari 3, maka kurva distribusi disebut leptokurtik.
Sementara jika lebih rendah dari 3, maka disebut
platikurtik. Sedangkan nilai kurtosis sama dengan 3
bermakna kurva distribusi normal atau mesokurtik atau
mesokurtotik.
Skewness dan kurtosis dapat
menunjukkan kondisi pembagian
atau distribusi data. Kondisi ideal
adalah saat data terdistribusi
normal, yakni saat skewness
bernilai 0 dan kurtosis bernilai 3.
Semakin jauh dari kondisi ideal
berarti data tersebar semakin tidak
ideal atau tidak merata.
Aplikasi

Distribusi kekayaan di Indonesia pada tahun

1993 memiliki nilai skewness 14,25 dan kurtosis
sebesar 364,38. Sementara pada tahun 2007,
nilai skewness sebesar 4,97 dan kurtosis
sebesar 42,83.

Pada kedua tahun tersebut, skewness bernilai

positif dan kurtosis lebih besar dari nilai
referensi. Hal ini menunjukkan kemencengan
yang positif (positive skew) dan ekor kurva yang
runcing (fat tailed). 
TERIMA KASIH