๐ฅ Playlist Kuliah: Ukuran Pemusatan Data
Sebelum membaca materi di bawah, tonton playlist kuliah ini. Di dalamnya saya jelaskan bertahap โ dari mean vs median, standar deviasi, koefisien variasi, sampai five-number summary dan box plot. Playlist ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.
๐ฏ Bagian 1: Ukuran Pemusatan Data โ Mean, Median, Modus
๐ค Apa Itu Ukuran Pemusatan Data?
Ukuran pemusatan data = nilai tunggal yang mewakili “pusat” atau “nilai tipikal” dari sekumpulan data.
Bayangkan data Anda adalah beban-beban yang diletakkan di sepanjang batang. Mean adalah titik di mana batang akan seimbang sempurna. Median adalah titik tengah batang. Modus adalah posisi dengan beban paling banyak.
๐ Tiga Ukuran Pemusatan Utama
Misalkan data penjualan harian UMKM (juta Rp) selama 10 hari:
| Ukuran | Makna | Hasil | Kapan Dipakai |
|---|---|---|---|
| Mean | Rata-rata aritmatik | 15,4 | Data simetris, tidak ada outlier |
| Median | Nilai tengah | 14,5 | Data skewed atau ada outlier |
| Modus | Nilai paling sering | 14 | Data kategorikal atau cari nilai “populer” |
๐ฏ Mean vs Median: Kapan Pakai yang Mana?
Data gaji (juta Rp/bulan) 10 karyawan: 5, 5, 6, 6, 7, 7, 8, 8, 9, 100 (CEO).
- Mean: (5+5+6+6+7+7+8+8+9+100)/10 = 16,1 juta
- Median: (7+7)/2 = 7 juta
Melaporkan mean untuk data yang sangat skewed (seperti pendapatan, omzet UMKM, harga properti) tanpa menyebutkan median. Ini menyesatkan pembaca!
๐ฏ Praktik Excel
=MEDIAN(A2:A11) โ Median
=MODE.SNGL(A2:A11) โ Modus (single)
๐ Bagian 2: Ukuran Variasi โ Seberapa Menyebar Datanya?
๐ค Mengapa Perlu Ukuran Variasi?
Ukuran pemusatan data saja tidak cukup. Dua dataset bisa punya mean yang sama tapi penyebaran yang sangat berbeda.
Dua pemanah sama-sama punya rata-rata skor 80.
- Pemanah A: Selalu dapat 78-82 (variasi rendah = konsisten)
- Pemanah B: Kadang 50, kadang 110 (variasi tinggi = tidak konsisten)
๐ 4 Ukuran Variasi Utama
| Ukuran | Makna | Hasil |
|---|---|---|
| Range | Selisih max – min | 22 – 10 = 12 |
| Varians (sยฒ) | Rata-rata kuadrat deviasi | โ 16,27 |
| Standar Deviasi (s) | Akar varians (dalam satuan asli) | โ 4,03 |
| Koefisien Variasi (CV) | SD / Mean ร 100% | โ 26% |
๐ฏ Koefisien Variasi: Bandingkan Apel dengan Jeruk!
- UMKM: Mean = Rp10 juta, SD = Rp3 juta โ CV = 30%
- Perusahaan Besar: Mean = Rp10 miliar, SD = Rp1 miliar โ CV = 10%
- CV < 15%: Variasi rendah, data stabil
- CV 15-30%: Variasi sedang
- CV > 30%: Variasi tinggi, risiko besar
๐ฏ Praktik Excel
=VAR.S(A2:A11) โ Varians (sampel)
=STDEV.S(A2:A11) โ Standar Deviasi
=STDEV.S(A2:A11)/AVERAGE(A2:A11)*100 โ CV (%)
๐ Bagian 3: Five-Number Summary & Box Plot
๐ค Apa Itu Five-Number Summary?
Five-number summary = 5 nilai yang merangkum distribusi data secara lengkap:
- Minimum (nilai terkecil)
- Q1 (kuartil pertama, 25% data di bawahnya)
- Median / Q2 (kuartil kedua, 50% data di bawahnya)
- Q3 (kuartil ketiga, 75% data di bawahnya)
- Maximum (nilai terbesar)
๐ Five-Number Summary untuk Data Contoh
| Minimum | Q1 | Median | Q3 | Maximum |
|---|---|---|---|---|
| 10 | 13 | 14,5 | 18 | 22 |
๐จ Box Plot: Visualisasi Five-Number Summary
Ilustrasi Box Plot (Skematik)
๐ฏ Cara Baca Box Plot
- Kotak (box): Mencakup 50% data tengah (Q1 ke Q3)
- Garis dalam kotak: Median
- “Kumis” (whisker): 25% data terendah dan 25% tertinggi
- Titik di luar whisker: Outlier (nilai ekstrem)
Box plot omzet 100 UMKM: Q1 = Rp8 juta, Q3 = Rp15 juta
IQR = 7 juta. Batas outlier: Q3 + 1,5รIQR = Rp25,5 juta.
๐ฏ Praktik Excel
Cara 1: Insert โ Statistic Chart โ Box & Whisker
=QUARTILE.INC(A2:A11,1) โ Q1
=MEDIAN(A2:A11) โ Median
=QUARTILE.INC(A2:A11,3) โ Q3
=MAX(A2:A11) โ Maximum
๐ Bagian 4: Bentuk Distribusi โ Simetris, Skewed, atau Bimodal?
๐ค Mengapa Bentuk Distribusi Penting?
Bentuk distribusi memberi tahu kita pola dasar data. Ini penting untuk memilih metode statistik yang tepat (parametrik vs non-parametrik).
๐ 3 Bentuk Distribusi Utama
| Bentuk | Ciri | Contoh Bisnis |
|---|---|---|
| Simetris | Mean โ Median โ Modus, kurva lonceng | Tinggi badan, IQ |
| Skewed Right | Mean > Median, ekor panjang di kanan | Pendapatan, omzet |
| Skewed Left | Mean < Median, ekor panjang di kiri | Usia pensiun |
Sebagian besar UMKM punya omzet rendah-sedang (Rp5-20 juta), tapi ada sedikit yang sangat sukses (omzet > Rp100 juta). Ini menciptakan ekor panjang di kanan โ distribusi skewed right.
๐ฏ Cara Deteksi Skewness
- Visual: Histogram atau box plot
- Numerik: Koefisien skewness (> 0 = right-skewed, < 0 = left-skewed)
- Rule of thumb: Kalau mean > median โ kemungkinan right-skewed
Kalau data skewed, banyak uji statistik parametrik (t-test, ANOVA) tidak valid. Solusi:
- Transformasi data (log, square root)
- Pakai uji non-parametrik (Mann-Whitney, Kruskal-Wallis)
- Report median, bukan mean
๐จ Bagian 5: 6 Kesalahan Fatal dalam Ukuran Pemusatan Data
โ Kesalahan #1: Pakai Mean untuk Data Skewed
Yang salah: Melaporkan “rata-rata omzet UMKM = Rp50 juta” padahal distribusi sangat skewed.
Solusi: Selalu report median untuk data skewed, plus IQR.
โ Kesalahan #2: Lupa Cek Outlier
Akibat: Mean bisa sangat bias.
Solusi: Selalu buat box plot dulu untuk deteksi outlier.
โ Kesalahan #3: Report Mean Tanpa Standar Deviasi
Yang salah: “Rata-rata kepuasan = 4,2.” (titik)
Solusi: Selalu report mean ยฑ SD (misal: 4,2 ยฑ 0,8).
โ Kesalahan #4: Bandingkan SD Tanpa CV
Solusi: Pakai koefisien variasi (CV) untuk bandingkan variasi dataset berbeda skala.
โ Kesalahan #5: Asumsi Semua Data Normal
Solusi: Selalu cek distribusi (histogram, skewness) sebelum pilih metode.
โ Kesalahan #6: Salah Interpretasi Box Plot
Yang salah: Menganggap kotak = 100% data.
Solusi: Ingat: kotak = IQR (50% data), whisker = 50% sisanya.
โ Bagian 6: Ringkasan & Checklist Praktis
๐บ๏ธ Peta Konsep
| Konsep | Rumus/Konsep | Kapan Dipakai |
|---|---|---|
| Mean | ฮฃX / n | Data simetris, tidak ada outlier |
| Median | Nilai tengah | Data skewed atau ada outlier |
| Standar Deviasi | โvarians | Ukuran variasi dalam satuan asli |
| Koefisien Variasi | (SD/Mean) ร 100% | Bandingkan variasi dataset berbeda skala |
| Box Plot | Visualisasi five-number | Deteksi outlier, bandingkan distribusi |
“Ukuran pemusatan data tanpa ukuran variasi adalah cerita setengah jadi.”
Selalu laporkan: (1) ukuran pemusatan, (2) ukuran variasi, (3) bentuk distribusi, (4) visualisasi.
๐ Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke konsep probabilitas โ fondasi untuk semua uji inferensi statistik.
Materi Sebelumnya
โ Sesi 02: Visualisasi DataLanjut ke Materi Berikutnya
Sesi 04: Konsep Probabilitas โ