Setelah visualisasi data (Sesi 02), saatnya menghitung angka kunci: mean, median, standar deviasi, box plot, dan korelasi. Fondasi untuk semua analisis statistik lanjutan.
Keywords: mean median modus, measures of central tendency, varians dan standar deviasi, coefficient of variation, box plot, five-number summary, skewness kurtosis, covariance and correlation, population vs sample, parameter vs statistik, ukuran pemusatan data, penyebaran data, korelasi linear, statistika bisnis

📊 Sesi 03: Numerical Descriptive Measures

Setelah data diorganisasi dan divisualisasikan (Sesi 02), sekarang saatnya menghitung angka-angka kunci yang merangkum seluruh dataset dalam satu atau dua nilai. Kita akan belajar mengukur pusat data (mean, median, modus), penyebaran data (varians, standar deviasi), bentuk distribusi (skewness, kurtosis), dan hubungan antar variabel (korelasi). Ini adalah “bahasa universal” statistika yang akan Anda pakai di hampir semua analisis lanjutan.

🎥 Playlist Kuliah: Numerical Descriptive Measures

Playlist ini berisi penjelasan lengkap untuk seluruh materi Sesi 03. Tonton berurutan dari atas — mulai dari konsep mean/median/modus, sampai korelasi. Playlist ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.

💡 Urutan Menonton: Playlist ini mencakup materi Sesi 02 (Organizing & Visualizing Data) dan Sesi 03 (Numerical Measures). Fokus pada video dengan judul “Measuring Central Tendencies”, “Variation & Shape”, dan “Covariance & Correlation”.

🎯 Bagian 1: Measures of Central Tendency — Mean, Median, Modus

🤔 Apa Itu “Central Tendency”?

Central tendency = ukuran pemusatan data. Jawaban untuk pertanyaan: “Di mana titik tengah data saya?” atau “Apa nilai yang paling mewakili seluruh dataset?”

Ada 3 ukuran utama: Mean, Median, Modus. Masing-masing punya kekuatan dan kelemahan.

🏠 Analogi “Di Mana Pusat Kota?”:
Bayangkan Anda ditanya: “Di mana pusat kota Jakarta?”

Mean: Hitung rata-rata koordinat semua gedung → dapat satu titik (mungkin jatuh di tengah sawah kalau ada gedung pencakar langit di pinggiran)
Median: Urutkan semua gedung dari utara ke selatan, ambil yang tepat di tengah → dapat titik yang “di tengah-tengah”
Modus: Cari wilayah yang paling banyak gedungnya → dapat titik yang “paling ramai”

Ketiga jawaban itu valid, tapi memberi informasi berbeda.

📊 1. Mean (Rata-rata)

Definisi: Jumlah semua nilai dibagi banyaknya data.

Mean (x̄) = Σxᵢ / n

Dimana: Σxᵢ = jumlah semua nilai, n = banyaknya data

🛒 Contoh: Omzet 5 UMKM (dalam juta Rp)
Data: 3, 5, 7, 8, 12
Mean = (3 + 5 + 7 + 8 + 12) / 5 = 35 / 5 = 7 juta

Kelebihan & Kekurangan Mean:

✅ Kelebihan: Memakai semua informasi data, stabil untuk sampel besar
❌ Kekurangan: Sangat sensitif terhadap outlier (nilai ekstrem)

⚠️ Bahaya Outlier:
Kalau ada 1 UMKM dengan omzet 100 juta (outlier), mean jadi: (3+5+7+8+100)/5 = 24,6 juta. Padahal 4 dari 5 UMKM omzetnya di bawah 10 juta! Mean jadi tidak representatif.

📊 2. Median (Nilai Tengah)

Definisi: Nilai yang tepat di tengah setelah data diurutkan dari kecil ke besar.

Jika n ganjil → median = nilai ke-(n+1)/2
Jika n genap → median = rata-rata dua nilai tengah

🛒 Lanjutan Contoh UMKM:
Data diurutkan: 3, 5, 7, 8, 12 → Median = 7 juta (tepat di tengah)

Kalau ditambah outlier 100: 3, 5, 7, 8, 12, 100 → Median = (7+8)/2 = 7,5 juta
Perhatikan: median tidak terpengaruh outlier! Tetap di sekitar 7-8 juta.

Kelebihan & Kekurangan Median:

✅ Kelebihan: Tahan terhadap outlier, cocok untuk data menceng (skewed)
❌ Kekurangan: Tidak memakai semua informasi data (hanya posisi tengah)

📊 3. Modus (Nilai Tersering)

Definisi: Nilai yang paling sering muncul dalam dataset.

🛒 Contoh: Ukuran Sepatu yang Terjual
Data: 38, 39, 39, 40, 40, 40, 41, 42
Modus = 40 (muncul 3 kali, paling banyak)

Kelebihan & Kekurangan Modus:

✅ Kelebihan: Bisa dipakai untuk data kategorikal (bukan cuma numerik), tahan outlier
❌ Kekurangan: Bisa ada >1 modus (bimodal, multimodal), atau tidak ada modus sama sekali

🎯 Kapan Pakai Mean vs Median vs Modus?

📊 Pakai MEAN kalau:

Data simetris (tidak menceng)
Tidak ada outlier
Butuh ukuran yang stabil untuk analisis lanjutan (regresi, ANOVA)
Contoh: tinggi badan, suhu, skor ujian

📊 Pakai MEDIAN kalau:

Data menceng (skewed)
Ada outlier
Contoh: pendapatan, harga rumah, omzet UMKM

📊 Pakai MODUS kalau:

Data kategorikal (warna favorit, merek pilihan)
Ingin tahu “yang paling populer”
Contoh: produk terlaris, ukuran terbanyak terjual

💡 Aturan Praktis:
Kalau ragu, hitung ketiganya. Kalau mean ≈ median ≈ modus → data simetris. Kalau mean ≠ median → data menceng, pakai median. Kalau data kategorikal → pakai modus.

📏 Bagian 2: Variation and Shape — Sebaran & Bentuk Distribusi

🤔 Mengapa “Variasi” Penting?

Dua dataset bisa punya mean yang sama, tapi penyebarannya beda. Contoh:

Dataset A: 5, 6, 7, 8, 9 → Mean = 7
Dataset B: 1, 3, 7, 11, 13 → Mean = 7

Keduanya punya mean 7, tapi Dataset B jauh lebih “menyebar”. Dalam bisnis, variasi = risiko. Omzet yang stabil (variasi kecil) lebih mudah dikelola daripada omzet yang naik-turun drastis.

🎯 Analogi Panahan:
Dua pemanah sama-sama dapat rata-rata 8 poin. Tapi:

Pemanah A: Semua anak panah di sekitar 8 (konsisten) → variasi kecil
Pemanah B: Ada yang 10, ada yang 6, ada yang 9 (tidak konsisten) → variasi besar

Dalam bisnis, Anda lebih percaya pada pemanah A — dia bisa diandalkan.

📊 1. Range (Jangkauan)

Definisi: Selisih nilai maksimum dan minimum.

Range = Nilai Maks − Nilai Min

Contoh: Data: 3, 5, 7, 8, 12 → Range = 12 − 3 = 9

Kelemahan: Hanya pakai 2 nilai (maks dan min), tidak peduli bagaimana distribusi data di antaranya. Sangat sensitif outlier.

📊 2. Varians (Variance)

Definisi: Rata-rata kuadrat selisih setiap nilai terhadap mean.

Varians Sampel (s²) = Σ(xᵢ − x̄)² / (n − 1)
Varians Populasi (σ²) = Σ(xᵢ − μ)² / N

Perhatikan: untuk sampel dibagi (n−1), untuk populasi dibagi N. Ini akan dijelaskan detail di Bagian 4.

🛒 Hitung Varians (Sampel):
Data: 3, 5, 7, 8, 12 → Mean = 7

(3−7)² = 16
(5−7)² = 4
(7−7)² = 0
(8−7)² = 1
(12−7)² = 25
Jumlah = 46
s² = 46 / (5−1) = 46 / 4 = 11,5

📊 3. Standar Deviasi (Standard Deviation)

Definisi: Akar kuadrat dari varians. Ini ukuran variasi yang paling sering dipakai.

Standar Deviasi Sampel (s) = √s²
Standar Deviasi Populasi (σ) = √σ²

Lanjutan: s = √11,5 = 3,39 juta

Mengapa Standar Deviasi Lebih Populer dari Varians?

Varians satuannya “kuadrat” (juta²) → sulit diinterpretasi
Standar deviasi satuannya sama dengan data asli (juta) → mudah dipahami
Contoh: “Omzet rata-rata 7 juta, dengan standar deviasi 3,39 juta” → artinya sebagian besar UMKM omzetnya di kisaran 7 ± 3,39 juta

💡 Empirical Rule (Aturan 68-95-99,7):
Untuk distribusi normal:

±1σ mencakup ~68% data
±2σ mencakup ~95% data
±3σ mencakup ~99,7% data

Contoh: Mean = 7, s = 3,39 → 68% UMKM omzetnya di kisaran 3,61 – 10,39 juta.

📊 4. Coefficient of Variation (CV)

Definisi: Standar deviasi relatif terhadap mean, dalam persentase. Berguna untuk membandingkan variasi antar dataset yang satuannya berbeda.

CV = (s / x̄) × 100%

🛒 Contoh Perbandingan:

UMKM A: Mean omzet = 7 juta, s = 3,39 juta → CV = 48,4%
UMKM B: Mean omzet = 70 juta, s = 10 juta → CV = 14,3%

Meskipun s UMKM B (10 juta) > s UMKM A (3,39 juta), tapi relatif terhadap mean-nya, UMKM A jauh lebih bervariasi (CV 48,4% vs 14,3%). UMKM B lebih stabil.

📊 5. Shape of Distribution: Skewness & Kurtosis

Skewness (Kemencengan)

Mengukur simetri tidaknya distribusi:

Skew = 0: Simetris (mean = median = modus)
Skew > 0 (Right-skewed): Menceng ke kanan, ekor panjang di kanan (mean > median)
Skew < 0 (Left-skewed): Menceng ke kiri, ekor panjang di kiri (mean < median)

🛒 Contoh Right-Skewed:
Distribusi pendapatan hampir selalu right-skewed — mayoritas orang berpenghasilan rendah-menengah,少数 orang berpenghasilan sangat tinggi (outlier di kanan) menarik mean ke atas.

Kurtosis (Keruncingan)

Mengukur “kepuncakan” dan “ketebalan ekor” distribusi:

Mesokurtic (kurtosis ≈ 3): Seperti distribusi normal
Leptokurtic (kurtosis > 3): Lebih runcing, ekor gemuk (banyak outlier)
Platykurtic (kurtosis < 3): Lebih datar, ekor tipis

💡 Mengapa Kurtosis Penting di Bisnis?
Dalam manajemen risiko (terutama keuangan), leptokurtic = berbahaya. Ekor gemuk artinya probabilitas kejadian ekstrem (crash, boom) lebih tinggi dari yang diprediksi distribusi normal. Krisis finansial 2008 sebagian karena model risiko mengasumsikan normal, padahal data sebenarnya leptokurtic.

🔍 Bagian 3: Exploring Numerical Data — Box Plot & Five-Number Summary

🤔 Apa Itu “Exploring Data”?

Exploratory Data Analysis (EDA) = teknik untuk “meraba-raba” data sebelum masuk ke analisis formal. Tujuannya: lihat pola, deteksi outlier, pahami bentuk distribusi — semuanya secara visual dan cepat.

🕵️ Analogi Detektif:
Sebeluminterogasi mendalam (analisis statistik formal), detektif survey TKP dulu — lihat pola darah, jejak kaki, barang bukti yang mencolok. EDA adalah “survey TKP” untuk data.

📊 Five-Number Summary

Lima angka yang merangkum seluruh dataset:

Minimum: Nilai terkecil
Q1 (Quartile 1): Nilai di 25% data (batas bawah)
Median (Q2): Nilai di 50% data (tengah)
Q3 (Quartile 3): Nilai di 75% data (batas atas)
Maximum: Nilai terbesar

🛒 Contoh: Omzet 20 UMKM (juta Rp), sudah diurutkan:
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 25

Min = 2
Q1 = nilai ke-5 = 6
Median = rata-rata nilai ke-10 dan ke-11 = (11+12)/2 = 11,5
Q3 = nilai ke-15 = 16
Max = 25

Five-number summary: 2, 6, 11.5, 16, 25

📊 Box Plot (Box-and-Whisker Plot)

Box plot = visualisasi dari five-number summary. Strukturnya:

Kotak (box): Dari Q1 sampai Q3 → ini “interquartile range” (IQR)
Garis di dalam kotak: Median
“Kumis” (whiskers): Dari kotak ke min dan max (atau sampai 1,5×IQR)
Titik di luar kumis: Outlier

IQR = Q3 − Q1

Lanjutan Contoh UMKM:
IQR = 16 − 6 = 10
Batas bawah outlier = Q1 − 1,5×IQR = 6 − 15 = −9 (tidak ada yang di bawah ini)
Batas atas outlier = Q3 + 1,5×IQR = 16 + 15 = 31
Karena max = 25 < 31, tidak ada outlier.

🎯 Kegunaan Box Plot

Deteksi outlier cepat: Titik di luar kumis = outlier potensial
Lihat skewness: Kalau median tidak di tengah kotak → data menceng
Bandingkan distribusi: Bisa plot beberapa box plot berdampingan (misal: omzet UMKM per sektor)

💡 Box Plot vs Histogram:
Histogram bagus untuk lihat bentuk distribusi (apakah normal, bimodal, dst). Box plot bagus untuk bandingkan beberapa kelompok dan deteksi outlier. Gunakan keduanya secara komplementer.

👥 Bagian 4: Population vs Sample Measures — Parameter vs Statistik

🤔 Mengapa Perlu Bedakan Populasi dan Sampel?

Dalam statistika, ada 2 jenis “dunia”:

Populasi: Seluruh objek yang ingin disimpulkan (misal: semua UMKM Indonesia)
Sampel: Subset populasi yang benar-benar diteliti (misal: 500 UMKM yang disurvei)

Ukuran yang dihitung dari populasi disebut parameter. Ukuran yang dihitung dari sampel disebut statistik.

🍲 Analogi Sup Panci:

Populasi: Seluruh isi panci sup
Parameter: Rasa asli sup di seluruh panci (tidak pernah tahu persis kecuali minum seluruhnya)
Sampel: Satu sendok yang Anda cicipi
Statistik: Rasa sendok sup itu (estimasi dari parameter)

Kita pakai statistik untuk menduga parameter.

📊 Notasi: Parameter vs Statistik

Ukuran	Parameter (Populasi)	Statistik (Sampel)
Mean	μ (mu)	x̄ (x-bar)
Varians	σ² (sigma kuadrat)	s²
Standar Deviasi	σ (sigma)	s
Ukuran	N (total populasi)	n (total sampel)

🔑 Perbedaan Kunci: Pembagi di Varians

Perhatikan rumus varians:

Populasi: σ² = Σ(xᵢ − μ)² / N
Sampel: s² = Σ(xᵢ − x̄)² / (n − 1)

Mengapa Sampel Dibagi (n−1), Bukan n?

Ini pertanyaan klasik mahasiswa. Jawabannya: koreksi bias.

Sampel cenderung meremehkan variasi populasi karena tidak menangkap seluruh keragaman
Dengan membagi (n−1) — yang disebut “degrees of freedom” — kita mengoreksi bias ini
Hasilnya: s² menjadi estimasi yang tidak bias untuk σ²

⚠️ Kesalahan Fatal:
Menggunakan rumus populasi (bagi N) untuk data sampel → varians diremehkan → standar deviasi terlalu kecil → kesimpulan statistik salah (misal: uji signifikansi jadi terlalu “optimis”).

Aturan: Kalau tidak yakin apakah data itu populasi atau sampel, anggap sampel → pakai (n−1).

🎯 Implikasi Praktis

Di Excel: fungsi VAR.P untuk populasi, VAR.S untuk sampel
Di SPSS/R/Python: default selalu pakai (n−1) karena asumsi data adalah sampel
Di skripsi/tesis: hampir selalu pakai sampel → pakai (n−1)

💡 Prinsip LEAN:
Parameter = kebenaran absolut (tapi biasanya tidak diketahui). Statistik = estimasi dari parameter (yang bisa kita hitung). Seluruh inferensi statistik = seni menarik kesimpulan tentang parameter dari statistik.

🔗 Bagian 5: Covariance and Correlation — Hubungan Antar Variabel

🤔 Mengapa Perlu Ukur Hubungan?

Sampai Bagian 4, kita cuma lihat satu variabel (univariat). Sekarang kita masuk ke dua variabel (bivariat): “Apakah X berhubungan dengan Y? Seberapa kuat? Arahnya positif atau negatif?”

📈 Analogi Bisnis:
Sebagai manajer, Anda ingin tahu:

“Apakah biaya iklan berhubungan dengan volume penjualan?”
“Apakah harga berhubungan dengan kepuasan pelanggan?”
“Apakah jumlah karyawan berhubungan dengan omzet?”

Covariance dan correlation menjawab pertanyaan itu.

📊 1. Covariance

Definisi: Ukuran arah hubungan linear antara dua variabel.

Covarians Sampel (cov) = Σ(xᵢ − x̄)(yᵢ − ȳ) / (n − 1)

Interpretasi:

cov > 0: Hubungan positif → kalau X naik, Y cenderung naik
cov < 0: Hubungan negatif → kalau X naik, Y cenderung turun
cov ≈ 0: Tidak ada hubungan linear

⚠️ Kelemahan Covariance:
Nilainya tergantung satuan. Kalau X dalam “juta Rp” dan Y dalam “ribu unit”, covariance-nya akan berbeda kalau X diubah ke “ribu Rp”. Sulit membandingkan covariance antar dataset.

📊 2. Correlation Coefficient (r)

Definisi: Covariance yang sudah distandarisasi sehingga tidak tergantung satuan. Nilainya selalu antara −1 sampai +1.

r = cov(X,Y) / (sₓ × sᵧ)

Interpretasi r:

Nilai r	Interpretasi	Contoh Bisnis
r = +1	Korelasi positif sempurna	Jarang terjadi di dunia nyata
+0,7 ≤ r < +1	Korelasi positif kuat	Biaya iklan vs volume penjualan
+0,3 ≤ r < +0,7	Korelasi positif sedang	Harga vs kualitas (menurut persepsi)
0 ≤ r < +0,3	Korelasi positif lemah	Umur vs kepuasan kerja
r = 0	Tidak ada korelasi linear	Warna kemasan vs volume penjualan
−0,3 ≤ r < 0	Korelasi negatif lemah	Jarak toko vs frekuensi kunjungan
−0,7 ≤ r < −0,3	Korelasi negatif sedang	Harga vs permintaan (hukum demand)
−1 ≤ r < −0,7	Korelasi negatif kuat	Diskon vs margin keuntungan
r = −1	Korelasi negatif sempurna	Jarang terjadi di dunia nyata

🛒 Contoh Kasus: Biaya Iklan vs Penjualan
Data 10 bulan terakhir (biaya iklan dalam juta Rp, penjualan dalam juta unit):

Bulan	Iklan (X)	Penjualan (Y)
1	5	10
2	7	14
3	6	12
4	8	16
5	4	9
6	9	18
7	7	15
8	6	13
9	8	17
10	5	11

Setelah dihitung: r = 0,98 → korelasi positif sangat kuat! Artinya: makin besar biaya iklan, makin tinggi penjualan.

⚠️ Peringatan Emas: “Correlation ≠ Causation”
Korelasi bukan berarti sebab-akibat. Contoh klasik:

Ada korelasi antara penjualan es krim dan jumlah orang tenggelam di pantai → bukan karena es krim menyebabkan orang tenggelam! Keduanya dipengaruhi variabel ketiga: musim panas.
Ada korelasi antara jumlah stork dan tingkat kelahiran di negara Eropa → bukan karena stork membawa bayi!

Prinsip: Korelasi hanya menunjukkan hubungan, bukan sebab-akibat. Untuk klaim sebab-akibat, butuh eksperimen atau analisis kausal yang lebih rigor.

💡 Kapan Pakai Covariance vs Correlation?

Covariance: Kalau Anda cuma butuh tahu arah hubungan (positif/negatif) dan satuan sudah konsisten
Correlation: Kalau butuh strength of relationship yang bisa dibanding-bandingkan, atau satuan berbeda

Dalam praktik, correlation (r) jauh lebih populer karena lebih mudah diinterpretasi.

📝 Bagian 6: Assignment — Latihan Soal Chapter 3.3 s/d 3.5

📋 Tugas Individu

Kerjakan soal-soal berikut dari textbook. Soal ini mencakup materi Exploring Numerical Data (3.3), Population Measures (3.4), dan Covariance & Correlation (3.5).

Soal 3.31 — Latihan five-number summary dan box plot
Soal 3.36 — Interpretasi distribusi dan outlier
Soal 3.38 — Perbandingan box plot antar kelompok
Soal 3.43 — Menghitung parameter populasi vs statistik sampel
Soal 3.44 — Interpretasi perbedaan parameter-statistik
Soal 3.47 — Menghitung covariance dan interpretasi arah hubungan
Soal 3.49 — Menghitung correlation coefficient dan interpretasi strength

🎯 Tips Mengerjakan

Baca soal 2x: Pastikan tahu apa yang ditanya (mean? median? covariance? correlation?)
Identifikasi jenis data: Apakah ini populasi atau sampel? (lihat pembagi: N atau n−1)
Tulis rumus dulu: Sebelum hitung, tulis rumus yang akan dipakai
Pakai tabel bantu: Untuk hitung varians/covariance, buat tabel dengan kolom (xᵢ − x̄), (xᵢ − x̄)², dst
Cek satuan: Pastikan jawaban akhir satuannya masuk akal
Interpretasi: Jangan cuma kasih angka — jelaskan artinya dalam konteks soal

📚 Referensi Tambahan

Lihat video playlist di bagian atas — khususnya bagian “Measuring Central Tendencies” dan “Covariance & Correlation”
Buka materi existing di bawah untuk definisi formal dan contoh tambahan
Kalau stuck, coba hitung manual dulu baru cek dengan Excel/SPSS

💡 Deadline & Pengumpulan:
Silakan cek pengumuman di kelas untuk deadline pengumpulan. Format yang disarankan: tulis tangan lalu difoto, atau ketik di Word/PDF. Sertakan langkah-langkah perhitungan, bukan cuma jawaban akhir.

📖 Mau versi lebih ringkas & teknis?
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas — mencakup rumus formal, definisi akademis, dan contoh tambahan. Silakan dibaca sebagai pelengkap.

↓ Gulir ke bawah untuk materi pelengkap ↓

Sesi 03: Nalar Deskripsi Numerik | Aurinoworks

Chapter 03 • Descriptive Measures

Membaca
Nalar
Data Numerik.

Statistika bukan tentang menghitung cepat, tapi tentang menangkap esensi **pusat, sebaran, dan hubungan** data secara jujur.

Validasi Nalar:

Data Kontinu vs. Label →

Etika Simbol:

Populasi vs. Sampel →

1. Ukuran Pemusatan

“Mencari titik berat dari distribusi data.”

Mean Aritmatika: Titik Keseimbangan

Median & Mode: Nalar Kejujuran Lokasi

Geometric Mean: Nalar Investasi Finance →

Simulasi Skewness (Kemiringan)

“Gerakkan slider untuk melihat pergerakan Mean & Median”

2. Ukuran Variasi & Risiko

Memahami sebaran data adalah kunci manajemen risiko bisnis.

Variance & SD

Kenapa n-1? Bedah nalar koreksi Bessel.

Oooo Begitu Moment →

Coeff. Variation

Membandingkan risiko antara aset harga murah vs mahal.

Nalar Komparatif →

3. Hubungan Antar Variabel

Covariance dan Correlation (r). Bagaimana variabel X menarik variabel Y?

Coefficient of Correlation (r): Bedah Skala -1 ke +1 →

Peringatan: Korelasi Bukan Kausalitas

The Anchor:
Kejujuran Intelektual

Satu pencilan bisa menipu seluruh laporan. Mari kita uji nurani intelektual pada data gaji tim (n=5).

“Uji nurani: Bagaimana Anda menyajikan kenyataan?”

Statistika Bisnis Sesi 02: Arsitektur dan Visualisasi Data

Learning Path OSCM

Statistika Bisnis Sesi 04