Statistika Deskriptif

Sebetulnya, statistika sendiri terdiri dr dua macam, antara lain statistika inferensia & pula statistika deskriptif.

Akan namun, dlm peluang kali ini, kami hanya akan membicarakan lebih rinci mengenai statistika deskriptif saja.

Sebelum kita lanjut lebih dlm mengenai deskriptif, apakah kalian tahu apa itu statistika?

Apabila kalian belum mengenali apa itu stastitika, yuk kita ketahui terlebih dahulu pengertian dr statistika. Berikut informasi selengkapnya.

Pengertian Statistika

Statistika merupakan sebuah ilmu yg khusus untuk mempelajari tentang bagaimana cara dlm menghimpun data, menghidangkan data, menganalisis data serta berinterpretasi wacana data tersebut.

Statistika pada umumnya melakukan pekerjaan dgn memakai data numerik yg di mana ialah hasil cacahan maupun hasil pengkuran yg dilakukan dgn memakai data kategorik yg diklasifikasikan menurut suatu kriteria tertentu.

Informasi kemudian dicatat sekaligud dikumpulkan baik itu dlm bentuk informasi numerik maupun keterangan kategorik yg disebut selaku suatu observasi.

Apabila didasarkan dr orientasi pembahasannya maka statistika dapat dibedakan menjadi dua macam, antara lain:

1. Statistika Matematik (mathematical statistic)

Statistika matematik atau pula biasa disebut selaku statistika teoritis merupakan suatu penerapan yg lebih berorientasi pada pemahaman atau model serta banyak sekali teknik statistika dengan-cara matematis atau teoriti.

2. Statistika Terapan (applied statistic)

Sementara untuk statistika terapan ini sendiri lebih konsentrasi ke dlm pembahasan sekaligus pengertian intuitif rancangan. Serta pula aneka macam teknik statistika pemakainnya pada banyak sekali bidang ilmu.

Metode Statistika

Metode statistika sendiri merupakan suatu prosedur yg biasa dipakai dlm pengumpulan, penyajian, analisis serta untuk penafsiran data.

Berabgai metode di atas kemudian dikelompokkan ke dlm dua kelompok besar, antara lain:

1. Statistika Deskriptif
2. Statistika Inferensial

Seperti yg telah diterangkan sebelumnya, bila dlm postingan kali ini kita cuma akan membicarakan perihal statistika inferensial.

Apa itu yg dimaksud selaku statistika deskriptif? Selengkapnya, simak postingan ini hingga selesai ya.

Statistika Deskriptif

Statistika deskriptif merupakan suatu tata cara yg bekerjasama dgn pengumpulan atau penyuguhan data sampai memberi keterangan yg berkhasiat.

Statistika di golongkan menjadi dua belahan, yakni statistika deskriptif & statistika inferensia yg dikerjakan menurut acara yg dilaksanakan.

Untuk contoh dr statistika deskriptif sendiri antara lain yaitu:

• tabel
• diagram
• grafik
• besaran-besaran lain dlm majalah & koran-koran.

Sementara untuk acuan visualnya, grafik pengunjung pada suatu website dapat kita jadikan salah satu conton visual dr statistika deskriptif, yakni:

Dengan menggunakan Statistika deskriptif, banyak sekali kumpulan data bisa tersaji dgn ringkas & pula rapi serta mampu memberikan keterangan inti dr kumpulan data yg ada.

Informasi yg di dapatkan yg berasal dr statistika deskriptif ini antara lain ukuran pemusatan data, ukuran penyebaran data, & pula kecenderungan suatu gugus data. Selengkapnya akan dilanjutkan di bawah.

Penyajian Data Bentuk Grafis antara lain:

• Histogram
• Pie Chart
• Ogive
• Poligon
• Diagram Batang Daun (Stem and Leaf)

Penyajian data secara numerik mempunyai beberapa bentuk, diantaranya yakni:

• Central Tredency
• Fractile
• Skewness
• Pengukuran Keruncingan
• Dispersion atau pencaran

Penyajian Data Statistika Deskriptif

Penyajian data dlm kategori deskriptif bisa berupa grafis & numerik, diantaranya yakni:

1. Penyajian Data dlm Bentuk Grafis

Penyajian data dlm bentuk grafis ini terdiri atas berbagai macam, diantaranya mirip:

• Pertama, Histogram:

Histogram yakni suatu grafik dr distribusi frekuensi dr suatu variabel.

Tampilan histogram pada umumnya berwujud balok. Penyajian data ini terdiri atas dua sumbu utama dgn sudut 900 di mana sebagai absis sumbu X serta selaku ordinat Y.

Lebar balok akan menunjukan suatu jarak dr batas kelas interval, sementara untuk tinggi balok akan menunjukkan besarnya frekuensi suatu data.

• Kedua, Pie Chart:

Pie Chart atau dlm bahasa Indonesia disebut dgn Diagram kue merupakan suatu bundar yg dibagi menjadi beberapa sektor.

Pada masing-masing sektor bisa menyatakan besarnya presentase atau kepingan untuk tiap-tiap kelompok.

• Ketiga, Poligon:

Poligon ialah sautu grafik dr distribusi frekuensi yg termasuk suatu variabel.

Tampilan dr poligon pula pada umumnya berbentukgaris – garis patah yg ditemukan dgn cara menghubungkan puncak pada masing – masing nilai tengah kelas.

Poligon ini sangat bagus dimanfaatkan dlm hal membandingkan bentuk dr dua distribusi.

• Keempat, Ogive:

Ogive yakni satu bentuk gambar dr distribusi frekuensi kumulatif pada suatu variabel. Untuk suatu tabel distribusi frekuensi, bisa pula kita bikin ogive positif serta ogive negatifnya.

• Kelima, Diagram Batang Daun (Stem and Leaf):

Diagram Batang Daun atau pula disebut selaku Stem and Leaf pula sama dgn histogram, cuma saja yg membedakan yaitu keterangan yg didapatkan lebih baik.

Hal itu disebabkan pada diagram batang daun memperlihatkan nilai – nilai hasil pengamatan orisinil.

Dalam diagram ini pula akan digambarkan bilangan – bilangan yg pula selaku batang serta disebelah kananya ditulis bilangan sisanya.

2. Penyajian Data Numerik

Seperti yg telah disebutkan di atas, penyajian data numerik terdiri dr berbagai jenis mirip:

Penyajian data dengan-cara numerik terdiri dr beberapa macam – macam, yakni antara lain :

• Pertama, Central Tredency.
• Kedua, Dispersion atau pencaran.
• Ketiga, Fractile.
• Keempat, Skewness.
• Kelima, Pengukuran Keruncingan.

Metode Dasar dlm Statistik Deskriptif

Ada dua macam sistem dasar di dlm statistik deskriptif, antara lain numerik dan grafis.

• Pendekatan numerik bisa dipakai dlm menjumlah nilai statistik dr sekumpulan data.

  Sebagai contoh: meandan standar deviasi.

  Statistik ini akan menunjukkan keterangan mengenai rata-rata serta keterangan rinci mengenai distribusi data.

• Metode grafis lebih sesuai dibandingkan dgn sistem numerik untuk mengidentifikasi pola-pola tertentu dlm data, dilain pihak, pendekatan numerik lebih sempurna serta objektif.

  Dengan begitu, pendekatan numerik & pula grafis satu sama lain akan saling melengkapi. Maka dr itu, sangatlah bijaksana jikalau kita memakai kedua tata cara tersebut dengan-cara berbarengan.

Terdapat tiga karakteristik atau ciri utama dr variabel tunggal, diantaranya yaitu:

• Distribusi data (distribusi frekuensi)
• Ukuran pemusatan atau tendensi sentral (Central Tendency)
• Ukuran penyebaran (Dispersion)

Distribusi Data

Pengaturan, penyusunan, serta peringkasan data dgn membikin tabel kadang-kadang menolong, utamanya tatkala kita bekerja untuk menghandle sejumlah data yg besar.

Tabel tersebut berisi daftar nilai data yg mungkin akan berbeda (baik data tunggal maupun data yg telah dikelompok-kelompokan) sekaligus nilai frekuensinya.

Frekuensi akan menggambarkan banyaknya insiden atau kehadiran nilai data dgn klasifikasi tertentu.

Distribusi data yg sudah dikontrol tersebut sering disebut sebagai distribusi frekuensi. Dengan begitu, distribusi frekuensi dapat diartikan selaku daftar sebaran data (baik data tunggal ataupun data golongan), yg disertai dgn nilai frekuensinya.

Data kemudian dikelompokkan ke dlm beberapa kelas sehingga karakteristik atau ciri penting data tersebut bisa dgn cepat terlihat.

Distribusi frekuensi yg paling sederhana ialah distribusi yg menunjulan daftar pada masing-masing nilai dr variabel yg dilengkapi dgn nilai frekuensinya.

Distribusi frekuensi bisa kita tunjukan dlm dua cara, antara lain yakni dgn tabel atau dgn grafik.

Distribusi pula bisa digambarkan dgn menggunakan nilai persentase. Penyajian distribusi dlm bentuk grafik lebih memudahkan dlm hal menunjukan karakteristik serta kecenderungan tertentu dr sekumpulan data.

Grafik data kuantitatif mencangkup Histogram, Poligon Frekuensi & yg yang lain.

Sementara grafik untuk data kualitatif mencangkup Bar Chart, Pie Chart & yg lainnya.

Distribusi frekuensi akan memudahkan kita dlm hal menyaksikan pola dlm data.

Meski demikian, kita akan kehilangan informasi dr nilai individunya.

Bentuk Distribusi

Salah satu hal penting yg ada ada “deskripsi” suatu variabel ialah bentuk distribusinya, yg menggambarkan frekuensi dr aneka macam selang nilai variabel.

Pada umumnya, seorang peneliti yg kepincut dlm seberapa baik distribusi bisa kita perkirakan oleh distribusi normal.

Statistik deskriptif sederhana bisa mebgasih beberapa informasi yg berhubungan dgn persoalan ini.

Untuk contohnya, apabila skewness (kemiringan), yg mengukur kesimetrisan distribusi data, tak sama dgn 0, maka distribusi disebut tak simetris (a simetris),.

Serta jika skewness bernilai 0 artinya data tersebut berdistribusi wajar (simetris).

Apabila kurtosis (keruncingan), yg mengukur keruncingan distribusi data, tak sama dgn 0, maka distribusi data mungkin lebih datar ataupun lebih runcing ketimbang dgn distribusi wajar .

Nilai kurtosis dr distribusi wajar yaitu 0.

Informasi yg lebih akurat bisa kita dapatkan dgn menggunakan salah satu uji normalitas yakni untuk menentukan peluang apakah sampel berasal dr observasi populasi yg berdistribusi wajar atau tak (umpamanya, uji Kolmogorov-Smirnov, atau uji Shapiro-Wilks’W).

Tetapai di antara uji formal itu tak terdapat satu pun yg bisa sepenuhnya mengambil alih pemeriksaan data dengan-cara visual dgn menggunakan cara grafis. Contohnya histogram (grafik yg menggambarkan distribusi frekuensi dr variabel).

Grafik (Histogram, misalnya) memungkinkan kita untuk dapat mengevaluasi normalitas dr distribusi empiris.

Hal tersebut disebabkan pada histogram tersebut dibarengi pula dgn overlay kurva normalnya.

Hal ini pula akan sangat memungkinkan kita untuk memeriksa banyak sekali aspek dr bentuk distribusi data dengan-cara kualitatif.

Contohnya, distribusi bisa bimodal (mempunyai 2 puncak) maupun multimodal (lebih dr 2 puncak).

Hal tersebut akan menggambarkan bahwa sampel tak homogen serta unsur-unsurnya berasal dr dua populasi yg berlawanan.

Ukuran Pemusatan (Central Tendency)

Salah satu faktor yg paling penting dlm menandakan distribusi data yaitu nilai pusat observasi.

Pada masing-masing pengukuran aritmatika yg diarahkan dlm membuktikan suatu nilai yg mewakili nilai pusat ataupun nilai sentral dr suatu gugus data (himpunan pengamatan) dikenal dgn sebutan ukuran tendensi sentral.

Adapun tiga jenis ukuran tendensi sentral yg sering dimanfaatkan, diantaranya yaitu:

1. Mean
2. Median
3. Mode

Rata-rata hitung atau pula disebut dgn arithmetic mean atau yg sering kita sebut sebagai mean saja yakni suatu tata cara yg paling banyak dipakai dlm mengambarkan ukuran tendensi sentral.

Mean ini dihitung dgn menjumlahkan seluruh nilai data pengamatan lalu dibagi dgn banyaknya data. Mean dipengaruhi oleh adanya nilai ekstrem.

Median merupakan nilai yg membagi himpunan observasi menjadi dua bagian yg sama besar atau 50% dr pengamatan yg berada di bawah median serta 50% lagi berada di atas median.

Median dari n pengukuran/ pengamatan x₁, x₂ ,…, x_n merupakan suatu nilai observasi yg berada di tengah gugus data sesudah data tersebut diurutkan.

Jika banyaknya pengamatan (n) ganjil, median berada sempurna ditengah gugus data, sementara jikalau n genap, median ditemukan dgn cara interpolasi.

Yakni cara di mana rata-rata dr dua data yg berada di tengah gugus data.

Median tak dipengaruhi oleh adanya nilai ekstrem.

Modus merupakan sautu data yg paling sering timbul atau terjadi.

Untuk memilih adanya modus, pertama kali kita mesti menyusun data dlm urutan meningkat atau sebaliknya. Lalu disertai dgn mengkalkulasikan frekuensinya.

Nilai yg frekuensinya paling besar (sering muncul) itulah yg dinamakan sebagai modus.

Modus digunakan baik untuk tipe data numerik maupun data kategoris.

Modus tak dipengaruhi oleh adanya nilai ekstrem.

Karakteristik penting untuk ukuran pusat yg baik

Ukuran dr nilai pusat (average) adalah nilai pewakil dr suatu distribusi data, sehingga harus mempunyai sifat-sifat mirip yg ada di bawah ini:

• Harus memikirkan semua gugus data
• Tidak boleh terpengaruh oleh nilai-nilai ekstrim.
• Harus stabil dr sampel ke sampel.
• Harus mampu dipakai untuk analisis statistik lebih lanjut.

Dari beberapa ukuran nilai pusat, Mean nyaris memenuhi seluruh persyaratan tersebut, kecuali dgn syarat pada point kedua, rata-rata akan dipengaruhi oleh nilai ekstrem.

Sebagai pola, apabila item yaitu 2; 4; 5; 6; 6; 6; 7; 7; 8; 9 maka mean, median & pula modus yg semuanya sama dgn 6.

Apabila nilai terakhir merupakan 90 bukan 9, rata-rata akan menjadi 14.10.

Sementara untuk median & modus yg tak berubah.

Meskipun median & pula modusnya lebih baik dlm hal ini, tetapi mereka tak memenuhi persyaratan lainnya.

Oleh alasannya itu Mean yakni suatu ukuran nilai pusat yg terbaik serta sering dimanfaatkan dlm bidang analisis statistik.

Kapan kita menggunakan nilai pusat yg berlainan?

Nilai ukuran pusat yg sempurna untuk digunakan akan tergantung dlm sifat data, sifat distribusi frekuensi serta tujuan.

Apabila data kualitatif, cuma modusnya saja yg bisa digunakan.

Sebagai pola, bila kita kesengsem untuk mengenali jenis tanah yg khas pada sebuah lokasi, atau pola tanam di suatu tempat, kita bisa menggunakan modus.

Namun, disisi lain juga, apabila data bersifat kuantitatif, kita bisa menggunakan salah satu dr ukuran nilai pusat tersebut.

Apabila data bersifat kuantitatif, maka kita harus mempertimbangkan sifat distribusi frekuensi gugus data itu.

• Jika distribusi frekuensi data tak normal (tidak simetris), median atau modus yaitu ukuran pusat yg sempurna.
• Jika ada nilai-nilai ekstrim, baik kecil atau besar, lebih tepat menggunakan median ataupun modus.
• Jika distribusi data wajar (simetris), seluruh ukuran nilai pusat, baik itu mean, median, maupun modus bisa digunakan.

  Tetapi, mean lebih sering dipakai dibanding yg lainnya alasannya adalah lebih memenuhi persyaratan untuk ukuran pusat yg baik.

• Pada ketika kita berhadapan dgn laju, kecepatan serta harga akan lebih tepat memakai rata-rata harmonik.

Apabila kita kepincut dlm perubahan relatif, mirip dlm kasus perkembangan kuman, pembelahan sel & sebagainya, rata-rata geometrik merupakan rata-rata yg paling sempurna untuk digunakan.

Statistika Inferensia

Statistika inferensial merupakan suatu metode yg dapat digunakan untuk bisa menganalisis golongan kecil dr data induknya maupun sample yg diambil dr populasi. Hingga dlm peramalan serta pula bisa penarikan kesimpulan pada kelompok data induknya atau populasi.

Statistika inferensial ini merupakan suatu rangkuman dr semua tata cara atau cara yg berhubungan dgn analisis sebagian data. Yang mana selanjutnya akan hingga pada peramalan ataupun penarikan kesimpulan tentang keseluruhan data induk dr populasi tersebut.

Generalisasi yg mempunyai ikatan dgn statistika inferensial mempunyai sifat yg tak pasti.

Hal tersebut disebabkan berdasar pada informasi parsial yg diperolehnya dr sebagian data sehingga yg didapatkan merupakan peramalan saja.

Contoh Statistika Inferensia

Dalam catatan kelulusan yg dilaksanakan dlm kurun waktu lima tahun terakhir. dDi suatu Sekolah Menengah Atas ini memperlihatkan apabila sekitar 72% di antara siswa Sekolah Menengan Atas lulus dgn nilai yg memuaskan.

Nilai numerik 72% tersebut yaitu bentuk dr suatu statistika deskriptif.

Jika dilandasi dgn hal ini, kemudian seorang siswa dapat menyimpulkan jika peluang dirinya akan lulus ialah dgn nilai yg sangat memuaskan.

Nilai tersebut yakni lebih dr 70%. Sehingga siswa tersebut sudah melaksanakan statistika inferensial yg pastinya mempunyai sifat yg tak niscaya.

Contoh gambar Statistika inferensia

Di dlm statistika inferensial dilaksanakan pendugaan parameter yg menyebabkan timbulnya hipotesis.

Serta pula melaksanakan pengujian hipotesis tersebut sampai pada kesimpulan yg berlaku dengan-cara biasa .

Metode atau cara ini pada umumnya disebut dgn istilah statistika induktif. Disebut demikian karena kesimpulan yg ditarik dilandasi dgn informasi dr sebagian datanya saja.

Pengambilan kesimpulan statistika inferensial ini pula cuma dilandasi dgn sebagaian data yg bisa menimbulkan sifatnya menjadi tak pasti.

Sehingga hal tersebut memungkinkan berlangsungnya kesalahan pada pengambilan keputusan. Hingga wawasan teori peluang mutlak diharapkan di dlm melaksanakan aneka macam sistem statistika inferensial.

Fungsi Statistika Inferensia

Statistika inferensial atau pula disebut selaku statistika induktif merupakan statistik yg mempunyai tujuan dlm menaksir dengan-cara umum sebuah populasi dgn menggunakan hasil sampel.

Termasuk di dalamnya menampung teori penaksiran serta pula pengujian teori. Statistika inferensial biasa dimanfaatkan dlm melaksanakan beberapa hal mirip di bawah ini:

1. Melaksanakan generalisasi dr sampel ke populasi.
2. Melaksanakan uji hipotesis.

Ruang lingkup Bahasan Statistika Inferensial

Apabila menurut dgn ruang lingkup bahasannya, statistika inferensial dapat meliputi:

1. Probabilitas atau teori kemungkinan
2. Dristribusi teoritis
3. Analisis kovarians
4. Sampling & sampling distribusi
5. Pendugaan populasi atau teori populasi
6. Analisis varians
7. Uji Hipotesis
8. Analisis hubungan serta uji signifikasi
9. Analisis regresi untuk peramalan

Perbedaan Statistik Deskriptif & Statistik Inferensia

Statistika inferensial & jugs statistika deskriptif tentulah keduanya mempunyai perbedaan, berikut akan kami berikan perbedaan di antara keduanya, antara lain:

1. Statistika deskriptif hanya terbatas dlm penyuguhan data pada bentuk tabel, diagram, ataupun grafik serta besaran lainnya.
2. Sementara statistika inferensial tak hanya mencakup statistic deskriptif saja, tetapi pula dapat digunakan dlm melaksanakan estimasi serta penarikan kesimpulan pada populasi dr sampelnya.

   Untuk dapat sampai dlm penarikan kesimpulan statistika inferensial harus melewati beberapa tahap uji hipotesis serta pula uji statistik.

Demikianlah ulasan singkat terkait Statistika Deskriptif yg mampu kami sampaikan. Semoga ulasan di atas mengenai Statistika Deskriptif dapat kalian jadikan selaku bahan berguru kalian ya.