ANALISIS DATA &

STATISTIK SOSIAL
DOSEN :
RESMAN MUHARUL T. SE, Msi.
BENTUK/SEBARAN DATA
(SKEWNESS & KURTOSIS)
 SKEWNESS
Skewness: ukuran ketidaksimetrisan (kemencengan) distribusi. Distribusi yang ekor kurvanya
lebih panjang kekanan disebut menceng kekanan atau positive skewness. Begitu
juga sebaliknya.
PENGUKURAN KEMENCENGAN
Skewness mendefinisikan :
1.Nilai yang menunjukkan seberapa jauh distribusi itu menyimpang dari simetris
2.Nilai mean cenderung bergeser kearah
3.Nilai-nilai yang terlalu besar / kecil.
4.Makin menceng distribusi, makin besar jarak antara mean dan modus, jarak inilah
yang dipakai sebagai harga yang mengukur kemencengan distribusi.
KOEF. SKEWNESS (DATA TUNGGAL DENGAN SPSS)
 Koef. Pearson I:

 Koef. Pearson II:

Diperhatikan bila distribusinya normal
maka koefisien skewness bernilai nol.
 Ukuran Kecondongan - Skewness
 Ukuran kecondongan – kemencengan
 Kurva tidak simetris
 Pada kurva distribusi frekuensi diketahui dari
posisi modus, rata-rata dan media
 Pendekatan : Jika
 Rata-rata = median = modus : Simetris
 Rata-rata < median < modus : Menceng ke kiri
 Rata-rata > median > modus : Menceng ke kanan
 Varians dan Standar Deviasi data di kelompokan
 Varians  Standar deviasi
f. (x - x )2 n pa d a data
kka
Prakte asing
s 2= mas in g - m S =  s²
n -1
Contoh Kasus
Titik tengah
Kelas Interval Kelas f (x) f.x |x - X| |x - X|² f.|x - X|²
1 16 24 10 20 200 13.68 187.1424 1871.424
2 25 33 18 29 522 4.68 21.9024 394.2432
3 34 42 14 38 532 4.32 18.6624 261.2736
4 43 51 4 47 188 13.32 177.4224 709.6896
5 52 60 2 56 112 22.32 498.1824 996.3648
6 61 69 2 65 130 31.32 980.9424 1961.885

Total 50 255 1684 89.64 1884.254 6194.88

Rata - rata (X) 33.68

Varians : Standar deviasi :
s²= (∑f.|x - X|²)/ n – 1  Median : 32 S =  s²
= 6194.88 / 49 = 126.4261 =  126.4261 = 11.2439
Koefisien Skewness data kelompok

 Sk = [µ - Mo ] /  atau = 3.[µ - Md] / 

Contoh kasus data dikelompokan µ = Nilai rata – rata hitung

Mo = Nilai modus
Koef .Pearson 1 Md = Nilai median
µ = 33.68  = Standar deviasi
Mo = 18
Md = 32
 = 11.2439 Koef. Pearson 2
Sk = {3. [ 33.68 – 32]}
Sk = [33.68- 18 ] / 11.2439 11.2439
Sk = 15.68 / 11.2439 Sk = 5.04 / 11.2439
Sk = 1.394 Sk = 0.4482
Praktekkan pada data
masing-masing
 Km = Koefisien Pearson

Kemungkinan hasil Kemencengan : Mean - Modus

Km = Deviasi Standar

1. Simetris ( km = 0 ) = “Luas kurva disebelah kiri nilai rata rata

sama dengan luas kurva sebelah kanan”
2. Menceng ke kiri ( km = negative ) = “Nilai observasi yang
berfrekuensi rendah lebih banyak dikiri dari rata rata / “ekor” ke
kiri”

3. Menceng ke kanan ( km = positif ) = “Nilai observasi yang

berfrekuensi rendah lebih banyak di kanan dari rata rata”

a d a data
Dengan rumus (2) Prakte
kkan p
in g u ntuk
3 ( rata rata – median ) masing-
ma s
nya
3 Kemungkinan hasil kemencengan : Km = analisa
Deviasi standar

1. Kemencengan = 0 ( rata rata = modus = median )

2. Kemencengan negative ( rata rata  modus dan rata rata  median )

x md mo

3. Kemencengan positif ( rata rata  mo dan rata rata 

median )
x md mo
Hasil kedua rumus berbeda karena md  mo
Menurut Bowley, kemencengan dapat di
hasilkan dari hubungan k1, k2 dan k3
K3 + K1 – 2
K2 da data
p a
kkan
Km = Prakte
-ma sin g u ntuk
masing lisanya
K3 – K1 ana
3 Kemungkinan hasil :
1. km = 0 Distribusi simetris
2. km =  0,1 Distribusi menceng secara tidak berarti
3. km   0,3 Distribusi menceng secara berarti
 Ukuran Keruncingan - Kurtosis
 Kurtosis : Ukuran kelancipan distribusi data dimana distribusi normal sbg
pembanding.
 Macam-macam ukuran kurtosis:
 koef. moment kurtosis:

 kurtosis thd kuartil dan percentil:

pada excel:  
4
 n(n  1) x x  3(n  1) 2
   i s  
 (n  1)( n  2)( n  3)
  (n  2)( n  3)

p a da data
kkan
kurtosis positif  distribusi lancip
Prakte ntuk

sin g u
-ma
masing lisanya
 kurtosis negatif  distribusi tumpul
ana
 Keruncingan disebut juga ketinggian kurva
 Pada distribusi frekuensi di bagi dalam tiga bagian :
 Leptokurtis = Sangat runcing  4 > 3
 Mesokurtis = Keruncingan sedang  4 > 3 Nilai data
 Platikurtis = Kurva datar  4 < 3
1/n ∑(x - )4
• Koefisien kurtosis (data tidak dikelompokan)   = 4
4
Nilai rata – rata hitung
• Koefisien kurtosis (data dikelompokan)  4 = 1/n ∑ f. (X - )4
Nilai tengah kelas
Jumlah Frekuensi
4
Standar deviasi