2. Statistika Deskriptif
Bidang statistika yang merangkum dan
menyajikan data dalam ukuran numerik
atau format tabulasi dan grafis, sehingga
memudahkan untuk menginterpretasikan
dan menganalisa data tersebut.
Menunjukkan fitur dasar data ilmiah
(scientific data) dalam format yang teratur
(manageable form) dan ringkasan yang
lebih sederhana (simpler summary).
2
3. Statistika Deskriptive
Rekapitulasi, menyajikan data mentah
atau yang telah diolah dalam bentuk daftar
(list) atau tabulasi (table)
Grafis, menyajikan ilustrasi data dalam
bentuk peta (chart), grafik (graph) atau
diagram
Ukuran Numerik, menyajikan statistik data
dalam ukuran pemusatan (center tendency)
atau sebaran (dispersion)
3
4. Ukuran Numerik
Ukuran Numerik menunjukkan nilai statistik
dari data sampel atau ukuran parameter dari
data populasi dalam bentuk :
Pemusatan Sebaran
Mean Variance
Median Standard Deviation
Mode Range
Skewness & Kurtosis
Quartile, Decile, Percentile
4
7. Mean
Rata-rata (mean) adalah ukuran numerik
yang menunjukkan rerata (average) dari
sejumlah data.
Berdasarkan teorema limit sentral (central
limit theorem), sebagai parameter dari
distribusi normal populasi dinotasikan
dengan µ, sedangkan sebagai statistik
sampel dinotasikan dengan x.
Peringatan : Mean untuk menghitung rerata dari data
(variabel acak) bukan frekuensi.
7
8. Mean
Terdapat beberapa ukuran mean :
Rata-rata Hitung (Arithmetic Mean)
Rata-rata Berbobot (Weighted Arithmetic Mean)
Rata-rata Terpenggal (Trimmed Mean)
Rata-rata Ukur (Geometric Mean)
Rata-rata Harmoni (Harmonic Mean)
Rata-rata Akar Kuadrat (Root Mean Square)
8
11. Trimmed Mean
11
ban
x
x
bn
ai
i
−−
=
∑
−
+=1
Di mana :
ẍ = trimmed mean
xi = data ke-i
i = indeks urutan data
n = banyaknya data
a = banyaknya data sebelah kiri (left tail) yang dihilangkan
b = banyaknya data sebelah kanan (right tail) yang dihilangkan
12. Geometric Mean
12
n
n
i
i
n
n
x
xxxG
∏=
=
=
1
21.
Di mana :
G = geometric mean
xi = data ke-i
i = indeks urutan data
n = banyaknya data
( ) ( )
( )
( )
n
x
n
xxx
xxxG
n
i
i
n
n
n
∑=
=
=
=
1
21
21
log
.log
.loglog
15. Median
Median adalah ukuran numerik yang
menunjukkan nilai tengah yang membagi
sejumlah data menjadi dua bagian yang
sama banyak.
Untuk memperoleh median, maka data
diurutkan terlebih dahulu dari yang terkecil
hingga terbesar.
Peringatan : Tidak ada median untuk data nominal yang
tidak mempunyai tingkatan atau urutan.
15
16. Median
16
( )
( ) ( )
genapjika,
2
ganjiljika,
12/2/
2/1
n
xx
Me
nxMe
nn
n
+
+
+
=
=
Di mana :
Me = median
xi = data ke-i
i = indeks urutan data
n = banyaknya data
N(x)= banyaknya data x
P(x)= probabilitas data x
%50)()(
2
)()(
≈≥=≤
≈≥=≤
MexPMexP
n
MexNMexN
17. Mode
Modus (mode) adalah ukuran numerik yang
menunjukkan data yang sering muncul atau
mempunyai frekuensi paling banyak.
Untuk memperoleh modus, maka data
dikelompokkan berdasarkan nilai yang
sama, selanjutnya dihitung frekuensinya.
Data yang frekuensi atau anggotanya
paling banyak adalah modus.
Peringatan : Terkadang modus bisa lebih dari satu.
Penentuan rentang kelas dapat mempengaruhi frekuensi.
17
20. Variance
Varians (variance) adalah ukuran numerik
dari rata-rata kuadrat penyimpangan data
terhadap ukuran pemusatan data.
Berdasarkan teorema limit sentral (central
limit theorem), sebagai parameter dari
distribusi normal populasi dinotasikan
dengan σ2
, sedangkan sebagai statistik
sampel dinotasikan dengan s2
dengan
derajat kebebasan (df) = n-1
20
21. Variance
21
N
x
N
xx
n
i
i
n
∑=
−
=
−++−
=
1
2
22
12
)(
)()(
µ
µµ
σ
Di mana :
s2
= variance
ẍ = arithmetic mean
xi = data ke-i
i = indeks urutan data
n = banyaknya data
1
)(
1
)()(
1
2
22
12
−
−
=
−
−++−
=
∑=
n
xx
n
xxxx
s
n
i
i
n
Di mana :
σ2
= variance
µ = arithmetic mean
xi = data ke-i
i = indeks urutan data
N = banyaknya data
POPULASI SAMPEL
22. Variance
22
Di mana :
s2
= variance
xi = data ke-i
i = indeks urutan data
n = banyaknya data
( )
)1(
2
11
2
2
−
−
=
∑∑ ==
nn
xxn
s
n
i
i
n
i
i
Variance gabungan beberapa himpunan
∑
∑
=
=
= k
i
i
k
i
ii
n
sn
s
1
1
2
2
.
23. Standard Deviation
Simpangan baku (standard deviation)
adalah ukuran numerik yang menunjukkan
penyimpangan data terhadap ukuran
pemusatan data tanpa memperhatikan arah
penyimpangannya.
Dalam formulasi matematis, standard
deviation adalah akar pangkat dua dari
variance
23
24. Standard Deviation
24
2
1
2
2 2
1
)(
−
−
=
=
∑=
n
xx
ss
n
i
i
Di mana :
s = standard deviation
ẍ = arithmetic mean
xi = data ke-i
i = indeks urutan data
n = banyaknya data
Di mana :
σ = standard deviation
µ = arithmetic mean
xi = data ke-i
i = indeks urutan data
N = banyaknya data
2
1
2
2 2
)(
N
x
n
i
i∑=
−
=
=
µ
σσ
POPULASI SAMPEL
25. Standard Deviation
25
Di mana :
s = standard deviation
xi = data ke-i
i = indeks urutan data
n = banyaknya data
( )
2
2
11
2
)1( −
−
=
∑∑ ==
nn
xxn
s
n
i
i
n
i
i
27. Absolute Deviation
Simpangan absolut (absolute deviation)
adalah ukuran numerik yang menunjukkan
rata-rata absolut penyimpangan data
terhadap ukuran pemusatan data
27
29. Range
Rentang (range) adalah ukuran numerik
yang menunjukkan rentang sebaran data
mulai data terkecil hingga data terbesar.
Untuk memperoleh range, harus dicari data
terkecil dan data terbesar terlebih dahulu.
Selisih antara data terkecil dengan data
terbesar adalah besaran range.
29
31. Interquartile Range
Rentang antar kuartil (interquartile range)
adalah ukuran numerik yang menunjukkan
rentang sebaran data antara kuartil 1
hingga kuartil 3.
Rentang semi antar kuartil (semi-
interquartile range) adalah setengah dari
rentang antar kuartil
31
33. Percentile Range
Rentang persentil (percentile range) adalah
ukuran numerik yang menunjukkan rentang
sebaran data antara persentil 10 hingga
persentil 90.
33
35. Hubungan Empiris Beberapa Ukuran Sebaran
35
σσ
σσ
3
2
5
4
.6745,0
.7979,0
≈=
≈=
SIQR
MAD
Di mana :
σ = standard deviation
MAD = absolute deviation
SIQR = semi-interquartile range
36. Skewness
Kemiringan atau kemenjuluran (skewness)
adalah ukuran numerik yang menunjukkan
derajat ketidaksimetrian distribusi atau
kecondongan miring kurva distribusi,
karena ketiga ukuran pemusatan (mean,
median, mode) tidak berimpit.
36
38. Kurtosis
Keruncingan (kurtosis) adalah ukuran
numerik yang menunjukkan derajat
kecuraman puncak distribusi dan biasanya
relatif terhadap distribusi normal.
38
40. Quartile, Decile & Percentile
Kuartile (quartile), adalah nilai yang
membagi sejumlah data observasi menjadi
empat bagian yang sama.
Desil (decile), adalah nilai yang membagi
sejumlah data observasi menjadi sepuluh
bagian yang sama.
Persentil (percentile), adalah nilai yang
membagi sejumlah data observasi menjadi
seratus bagian yang sama.
40
42. Quartile, Decile & Percentile
42
APROKSIMASI
n = banyaknya data observasi
u = urutan data untuk aproksimasi
uB = pembulatan ke bawah urutan data
uA = pembulatan ke atas urutan data
Penentuan aproksimasi besaran u
Median u = (n+1)/2
Qi u = i.(n+1)/4
Di u = i.(n+1)/10
Pi u = i.(n+1)/100
Interpolasi aproksimasi
Approximation = xUB +
(u – uB)
. (xUA – xUB)
1
43. Contoh Data Tunggal atau Individu
43
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
Rata-rata :
441,5
10
931
533,3
10
388,4931
5
10
931
2
222
9
1
3
1
1
1
10
=
×××
=
=
+++
=
=×××=
=
+++
=
RMS
H
G
x
44. Contoh Data Tunggal atau Individu
44
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
Modus = 5
45. Contoh Data Tunggal atau Individu
45
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
Median =
5 + 5
=5
Q2 =
D5 = 2
P50 =
46. Contoh Data Tunggal atau Individu
46
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
APROKSIMASI MEDIAN
n = 10
Median (n+1)/2 = (10+1)/2 = 5,5
Median = x5 +
(5,5 – 5)
x (x6 – x5)
1
= 5 + 0,5 x (5 – 5)
= 5
47. Contoh Data Tunggal atau Individu
47
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
Q2 = 5
Q1 = 4 Q3 = 7
48. Contoh Data Tunggal atau Individu
48
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
APROKSIMASI QUARTILE
n = 10
Qi i.(n+1)/4
Q1 1.(10+1)/4 = 2,75
Q2 2.(10+1)/4 = 5,5 Median
Q3 3.(10+1)/4 = 8,25
Q1 = 3,75
Q2 = 5
Q3 = 7
Q1 = x2 +
(2,75 – 2)
x (x3 – x2)
1
= 3 + 0,75 x (4 – 3)
= 3,75
Q3 = x8 +
(8,25 – 8)
x (x9 – x8)
1
= 7 + 0,25 x (7 – 7)
= 7
49. Contoh Data Tunggal atau Individu
49
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
D5 = 5
D4 = 4,5
D3 = 4D1 = 2 D7 = 6 D9 = 8
D2 = 3,5 D6 = 5 D8 = 7
50. Contoh Data Tunggal atau Individu
50
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
APROKSIMASI DECILE
n = 10
Di i.(n+1)/10
D1 1.(10+1)/10 = 1,1
D5 5.(10+1)/10 = 5,5 Median
D9 9.(10+1)/10 = 9,9
D1 = 1,2
D5 = 5
D9 = 8,8
D1 = x1 +
(1,1 – 1)
x (x2 – x1)
1
= 1 + 0,1 x (3 – 1)
= 1,2
D9 = x9 +
(9,9 – 9)
x (x10 – x9)
1
= 7 + 0,9 x (9 – 7)
= 8,8
51. Contoh Data Tunggal atau Individu
51
Daftar data observasi setelah diurutkan :
1, 3, 4, 4, 5, 5, 5, 7, 7, 9
Sebaran :
( ) ( )
( ) ( )
819
261,2
110
5951
111,5
110
5951
2
22
22
2
=−=
=
−
−++−
=
=
−
−++−
=
R
s
s
53. Data Berkelompok
Terkadang data observasi telah diolah
menjadi data berkelompok terutama dalam
tabel distribusi frekuensi.
Subgrup adalah pengelompokkan data
observasi yang diambil dari kelompok
(waktu, area, batch, lot, lini) yang sama
Kelas adalah pengelompokkan data
observasi sesuai kategori, level (faktor)
atau interval yang sama.
53
54. Membuat Distribusi Frekuensi
Data tunggal dapat diolah menjadi data
berkelompok dengan cara :
Menghitung rentang data observasi (R).
Menentukan banyaknya kelas (k)
berdasarkan banyaknya data observasi (n).
Misalnya menggunakan aturan Sturges
...
54
)100/log(3,31
atau)log(3,31
2
nk
nk
+=
+=
56. Membuat Distribusi Frekuensi
Menentukan lebar kelas (w) berdasarkan
rentang data (R) dan banyaknya kelas (k).
Untuk data diskrit sebaiknya menggunakan
poin. Jika menggunakan interval, perlu
dipastikan bahwa anggota dalam masing-
masing kelas berimbang.
...
56
k
R
w ≈
57. Membuat Distribusi Frekuensi
57
Kelas f fr Fr
0<x<1,4
1,4<x<2,8
2,8<x<4,2
4,2<x<5,6
5,6<x<7,0
Perbedaan anggota kelas pada penentuan interval
kelas yang salah pada data diskrit
Kelas f fr Fr
0 – 1
2 – 3
4 – 5
6 – 7
Anggotanya 0 dan 1
Anggotanya 2
Anggotanya 3 dan 4
Anggotanya 5
Anggotanya 6 dan 7
58. Membuat Distribusi Frekuensi
Memilih data observasi terkecil (xmin) atau
yang sedikit lebih kecil sebagai batas
bawah kelas pertama (L1), selanjutnya
ditambahkan dengan lebar kelas (w) untuk
mendapatkan batas atas kelas pertama
(U1).
...
58
diskritdatauntuk
kontinyudatauntuk
11
11
UL
UxL
−
<≤
59. Membuat Distribusi Frekuensi
Pada kelas berikutnya, menentukan batas
bawah kelas (Li) berdasarkan batas atas
kelas sebelumnya (Ui-1), selanjutnya
ditambahkan dengan lebar kelas (w) untuk
mendapatkan batas atas kelas (Ui).
...
59
diskritdatauntuk1
kontinyudatauntuk
1
1
+=
=
−
−
ii
ii
UL
UL
60. Membuat Distribusi Frekuensi
Ulangi penentuan batas bawah kelas (Li)
dan batas atas kelas (Ui) untuk semua
kelas hingga data observasi terbesar (xmax)
tercakup.
Kelompokkan data observasi sesuai
kelasnya dan menandainya dengan turus
(tally). Hitung banyaknya data di masing-
masing kelas sebagai frekuensi (fi)
...
60
61. Membuat Distribusi Frekuensi
Berdasarkan frekuensi (fi) dan banyaknya
data observasi (n), hitung frekuensi
kumulatif (fki),frekuensi relatif (fri) dan
frekuensi relatif kumulatif (Fri) di masing-
masing kelas.
61
∑=
i
i ffk
1 n
f
fr i
i =
n
fk
frFr i
i
i == ∑1
62. Membuat Distribusi Frekuensi
62
Kelas Turus f fk fr Fr
0<x<1,4
1,4<x<2,8
2,8<x<4,2
4,2<x<5,6
5,6<x<7,0
Distribusi Frekuensi Data Kontinyu
Kelas Turus f fk fr Fr
0 – 1
2 – 3
4 – 5
6 – 7
Distribusi Frekuensi Data Diskrit
64. Median
64
)(
)( 12
ii
i
i
n
i LU
f
fk
LMe −
−
+= −
Di mana :
Me = median
n = banyaknya data
Li = batas bawah kelas lokasi median
Ui = batas bawah kelas lokasi median
fi = frekuensi kelas lokasi median
fki-1= frekuensi kumulatif kelas sebelum lokasi median
2
)(ˆ 1 ii
i
LU
L
+
= −
2
)(ˆ 1++
= ii
i
LU
U
Distribusi Frekuensi
Data Diskrit :
65. Mode
65
)(
)()(
)(
11
1
ii
iiii
ii
i LU
ffff
ff
LMo −
−+−
−
+=
+−
−
Di mana :
Mo = mode
Li = batas bawah kelas lokasi mode
Ui = batas bawah kelas lokasi mode
fi = frekuensi kelas lokasi mode
fi-1 = frekuensi kelas sebelum lokasi mode
fi+1 = frekuensi kelas sesudah lokasi mode
2
)(ˆ 1 ii
i
LU
L
+
= −
2
)(ˆ 1++
= ii
i
LU
U
Distribusi Frekuensi
Data Diskrit :
66. Variance
66
Di mana :
s2
= variance
ẍ = arithmetic mean
xi = data tengah kelas ke-i
i = indeks urutan kelas
n = banyaknya data = Σfi
k = banyaknya kelas
1
).(
1
).().(
1
2
22
112
−
−
=
−
−++−
=
∑=
n
xxf
n
xxfxxf
s
k
i
ii
kk
( )
)1(
..
2
11
2
2
−
−
=
∑∑ ==
nn
xfxfn
s
k
i
ii
k
i
ii
atau
67. Standard Deviation
67
Di mana :
s = standard deviation
ẍ = arithmetic mean
xi = data tengah kelas ke-i
i = indeks urutan kelas
n = banyaknya data = Σfi
k = banyaknya kelas
2
1
2
2 2
1
).(
−
−
=
=
∑=
n
xxf
ss
k
i
ii ( )
2
2
11
2
)1(
..
−
−
=
∑∑ ==
nn
xfxfn
s
k
i
ii
k
i
ii
atau
68. Quartile, Decile & Percentile
68
)(
)( 14
.
ii
i
i
nj
ij LU
f
fk
LQ −
−
+= −
Di mana :
n = banyaknya data
Li = batas bawah kelas lokasi
Ui = batas bawah kelas lokasi
fi = frekuensi kelas lokasi
fki-1= frekuensi kumulatif kelas sebelum lokasi
2
)(ˆ 1 ii
i
LU
L
+
= −
2
)(ˆ 1++
= ii
i
LU
U
Distribusi Frekuensi
Data Diskrit :
)(
)( 110
.
ii
i
i
nj
ij LU
f
fk
LD −
−
+= −
)(
)( 1100
.
ii
i
i
nj
ij LU
f
fk
LP −
−
+= −
75. Contoh Data Berkelompok
75
Perhitungan Quartile
294,185)170190(
17
)47(
170
857,142)130150(
14
)11(
130
)(
)(
4
80.3
3
4
80.1
1
14
.
=−
−
+=
=−
−
+=
−
−
+= −
Q
Q
LU
f
fk
LQ ii
i
i
nj
ij
76. Contoh Data Berkelompok
76
Perhitungan Decile
206)190210(
10
)64(
190
120)100130(
6
)5(
110
)(
)(
10
80.9
9
10
80.1
1
110
.
=−
−
+=
=−
−
+=
−
−
+= −
D
D
LU
f
fk
LD ii
i
i
nj
ij