See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/367487749
Statistika Deskriptif: Pengertian, Fungsi dan Jenisnya
Article · January 2023
CITATIONS
0
READS
3,739
1 author:
Anggi Dwiyanto PT. Cogindo Dayabersama 16PUBLICATIONS 11CITATIONS
SEE PROFILE
All content following this page was uploaded by Anggi Dwiyanto on 28 January 2023.
The user has requested enhancement of the downloaded file.
Statistika Deskriptif: Pengertian, Fungsi dan Jenisnya
Anggi Dwiyanto
Department of Electrical Engineering Nusa Putra University
Sukabumi, Indonesia
Email: anggi.dwiyanto_te20@nusaputra.ac.id ORCID: 0000-0003-1993-5263
Abstrak— Statistika deskriptif adalah metode yang terlibat dalam pengumpulan dan penyajian data untuk memberikan informasi yang berguna. Statistika deskriptif digunakan untuk menggambarkan, meringkas, dan mengumpulkan data agar lebih mudah dibaca dan digunakan. Statistika deskriptif berbeda dengan statistika inferensial. Statistika deskriptif dimaksudkan untuk memberikan ringkasan dari sampel data dan tidak menggunakan data tersebut untuk membuat kesimpulan tentang populasi.
Kata Kunci—Statistika Deskriptif, Data, Tabel, Diagram
I. KONSEP DASAR
Statistika adalah cabang matematika yang berhubungan dengan perencanaan, pengumpulan, analisis, interpretasi, dan penyajian data. Statistika deskriptif adalah jenis statistika yang menunjukkan fakta yang sulit tanpa menyertakan interpretasi tertentu. Penerapannya sangat luas dalam kehidupan sehari-hari. Memahami statistika sangat membantu kita memahami semakin banyak informasi yang disajikan di sini menggunakan statistika. Memahami statistika membuat pemahaman kita tentang data dan informasi menjadi lebih terstruktur. Kami juga dapat menggunakan statistika dalam berbagai cara, misalnya kami dapat menyampaikan informasi secara lebih jelas dengan menggunakan statistika deskriptif, terutama menggunakan grafik. Statistika digunakan untuk mengukur parameter populasi berbasis sampel dan menghitung ketidaksabaran dalam tindakan ini. Dengan memperhitungkan aspek ketidakpastian ini, statistika memungkinkan kita untuk melihat seberapa baik hasil pengukuran kita dibandingkan dengan keadaan sebenarnya.
Perhitungan ini dapat digunakan untuk memecahkan masalah dalam penelitian, pengembangan bisnis, manajemen risiko, dan lainnya. Statistika sendiri dapat dibagi menjadi dua kategori, yaitu statistika deskriptif dan statistika inferensial.
II. PERBEDAAN STATISTIKA DESKRIPTIF VS STATISTIKA INFERENSIAL
Seperti namanya, statistika deskriptif adalah proses mengklasifikasikan dan mendeskripsikan informasi.
Sedangkan statistika inferensial melibatkan analisis data yang diperoleh dari proses pengambilan sampel dan digunakan untuk memperkirakan populasi tempat sampel diambil. Contoh prosedur statistika inferensial adalah pengujian hipotesis. Statistika deskriptif kurang lebih merupakan metode meringkas informasi yang telah kami kumpulkan. Informasi ringkasan biasanya ditampilkan secara grafis atau sebagai rata-rata, persentase, dan sejenisnya.
Statistika inferensial melibatkan pembuatan kesimpulan tentang populasi dari sampel yang terbatas. Proses ini berkaitan erat dengan proses estimasi parameter.
Statistika inferensial adalah bagian dari statistika yang menjelaskan cara menganalisis data, memperkirakan, memprediksi, dan menarik kesimpulan tentang data, fenomena, masalah yang lebih besar, atau populasi dari data tersebut. Operasi statistika inferensial meliputi: pengujian hipotesis, estimasi, dan pengambilan keputusan. Ruang lingkup statistika inferensial meliputi analisis korelasi, regresi, analisis varians, kovarians dan uji statistika lainnya.
Statistika deskriptif dimaksudkan untuk memberikan ringkasan dari sampel data dan tidak menggunakan data tersebut untuk membuat kesimpulan tentang populasi.
III. PENGERTIAN STATISTIKA DESKRIPTIF
Statistika deskriptif mendeskripsikan, menampilkan, dan meringkas karakteristik dasar kumpulan data yang ditemukan dalam studi tertentu agar lebih mudah dipahami.
Karakteristik ini kemudian disajikan dalam ringkasan yang menggambarkan sampel data dan pengukurannya. Ini akan membantu analis lebih memahami data. Statistika deskriptif mewakili sampel data yang tersedia dan tidak termasuk teori, inferensi, probabilitas, atau kesimpulan. Karena termasuk dalam bidang statistika inferensial. Selain itu, statistika deskriptif mendeskripsikan data, tetapi tidak berusaha menarik kesimpulan dari sampel seluruh populasi seperti statistika inferensial. Statistika deskriptif memberikan ringkasan sederhana dari sampel dan pengamatan yang kami lakukan. Ringkasan ini dapat berupa numerik (kuantitatif) sebagai ringkasan statistika (rata-rata, median, dll.) dan visual, misalnya dengan diagram batang atau garis.
IV. FUNGSI STATISTIKA DESKRIPTIF Statistika deskriptif berguna karena dua alasan:
a. Memberikan informasi dasar tentang variabel dalam kumpulan data dan
b. Sorot potensi hubungan antar variabel.
Statistika deskriptif penting karena jika kita hanya menampilkan data asli yang kita miliki, sulit untuk mendapatkan wawasan dan wawasan tentang data tersebut, apalagi jika data tersebut berisi duplikat tulis yang sangat besar. Statistika deskriptif penting karena jika kita hanya menampilkan data asli yang kita miliki, sulit untuk mendapatkan wawasan dan wawasan tentang data tersebut, apalagi jika data tersebut berisi duplikat tulis yang sangat besar. Dalam hal ini, statistika deskriptif memungkinkan kita menampilkan data dengan cara yang lebih jelas dan bermakna, sehingga interpretasi data menjadi mudah.
V. BENTUK PENYAJINA
Penyajian data kategori deskriptif dapat dalam bentuk grafis dan numerik, yaitu antara lain sebagai berikut:
A. Penyajian Data Dalam Bentuk Grafis
Penyajian data dalam bentuk grafis terdiri dari beberapa macam, yaitu:
1) Histogram
Histogram merupakan grafik dari distribusi frekuensi suatu variabel. Tampilan histogram berupa balok.
Penyajian data ini terdiri dari dua sumbu utama dengan sudut 90o, sumbu X sebagai absis dan sumbu Y sebagai ordinat.
Lebar balok yaitu merupakan jarak dari batas kelas interval, sedangkan tinggi balok menunjukkan besarnya frekuensi.
2) Pie Chart
Pie Chart (Diagram kue) adalah diagram lingkaran yang dibagi menjadi beberapa sektor.
Tiap sektor dapat menyatakan besarnya presentase atau bagian untuk masing-masing kelompok.
3) Poligon
Poligon adalah grafik dari distribusi frekuensi tergolong suatu variabel. Tampilan poligon juga berupa garis – garis patah yang diperoleh dengan cara menghubungkan puncak masing – masing nilai tengah kelas. Poligon sangat baik digunakan untuk membandingkan bentuk dari dua distribusi.
4) Ogive
Ogive merupakan grafik yang menggambarkan distribusi frekuensi kumulatif suatu variabel. Untuk suatu tabel distribusi frekuensi, dapat juga dibuat ogive positif dan ogive negatifnya.
5) Diagram Batang Daun (Stem and Leaf)
Diagram Batang Daun (Stem and Leaf) hampir sama dengan histogram, hanya saja informasi yang diperoleh lebih baik karena diagram batang daun memperlihatkan nilai – nilai hasil pengamatan asli. Dalam diagram ini ditampilkan bilangan – bilangan yang juga sebagai batang dan disebelah kananya ditulis bilangan sisanya.
B. Penyajian Data Numerik
Penyajian data secara numerik terdiri dari beberapa macam, yaitu:
1) Ukuran Pemusatan Data (Central Tredency)
Salah satu aspek yang paling penting untuk menggambarkan distribusi data adalah nilai pusat data pengamatan (tendensi sentral). Setiap pengukuran aritmatika yang ditujukan untuk menggambarkan suatu nilai yang mewakili nilai pusat atau nilai sentral dari suatu gugus data (himpunan pengamatan) dikenal sebagai ukuran tendensi
sentral. Terdapat tiga ukuran tendensi sentral yang sering digunakan, yaitu:
a. Mean (Rata-rata hitung/rata-rata aritmetika) b. Median
c. Mode
2) Dispersion (Dispersi)
Dalam statistika, dispersi adalah sejauh mana suatu distribusi ditarik atau dipencar. Contoh umum ukuran dispersi statistika adalah varians, standar deviasi, dan rentang interkuartil.
3) Fractile (Fractal)
Fractal adalah pola grafik dari analisis teknikal, biasanya digunakan oleh trader dalam menentukan entry dan exit point ke/dari pasar. Agar mendapatkan titik yang lebih akurat, fractal sering digunakan untuk menghubungkan indikator- indikator yang berbeda dan metode analisis teknikal lainnya, karena dianggap sebagai lagging indikator yang mengikuti tren. Fractal terdiri atas lima lilin, dengan nilai rata-ratanya menunjukkan harga maksimum atau minimum pada jangka waktu tertentu.
4) Skewness
Skewness (ukuran kemiringan) merupakan suatu bilangan yang dapat menunjukan miring atau tidaknya bentuk kurva suatu distribusi frekuensi. Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva frekuensi suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari meannya) maka dikatakan menceng kanan (positif) dan jika sebaliknya maka menceng kiri (negatif).
Secara perhitungan, skewness adalah momen ketiga terhadap mean. Distribusi normal (dan distribusi simetris lainnya, misalnya distribusi t atau Cauchy) memiliki skewness 0 (nol).
Batas – Batas nilai ukuran kemiringan
Keterangan
0 ≤ | Sk = α3 | < 0,1 bentuk kurva DF dianggap normal 0,1 ≤ | Sk = α3 | <
0,3
bentuk kurva DF miring ke kiri atau kanan
0,3 ≤ | Sk = α3 | bentuk kurva DF sangat miring ke kiri atau kanan
5) Pengukuran Keruncingan (Kurtosis)
Pengukuran kurtosis (peruncingan) sebuah distribusi teoritis adakalanya dinamakam pengukuran ekses (excess) dari sebuah distribusi. Sebenarnya kurtosis bisa dianggap sebagai suatu distorsi dari kurva normal. Keruncingan atau kurtosis adalah tingkat ketinggian puncak atau keruncingan dari sebuah distribusi yang biasanya diambil secara relatif terhadap suatu distribusi normal. Berdasarkan keruncingannya, kurva distribusi dapat dibedakan atas tiga macam, yaitu sebagai berikut:
a. Leptokurtik: merupakan distribusi yang memiliki puncak relatif tinggi
b. Platikurtik: merupakan distribusi yang memiliki puncak hampir mendatar
c. Mesokurtik: merupakan distribusi yang memiliki puncak tidak tinggi dan tidak mendatar. Bila distribusi merupakan distribusi simetris, maka distribusi mesokurtik dianggap sebagai distribusi normal.
REFERENCES
[1] Yudono, M. A. S., Hamidi, E. A. Z., Jumadi, A. H. K., De, A., & Sidik, W. M. (2022). Jaringan Syaraf Tiruan Perambatan Balik untuk Klasifikasi Covid-19 Berbasis Tekstur Menggunakan Orde Pertama Berdasarkan Citra Chest X-Ray. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(4), 799-808.
[2] Yudono, M. A. S., Sidik, A. D. W. M., Kusumah, I. H., Suryana, A., Junfithrana, A. P., Nugraha, A., ... & Imamulhak, Y. (2022). Bitcoin USD Closing Price (BTC-USD) Comparison Using Simple Moving Average And Radial Basis Function Neural Network Methods.
FIDELITY: Jurnal Teknik Elektro, 4(2), 29-34.
[3] Yudono, M. A. S., Faris, R. M., De Wibowo, A., Sidik, M., Sembiring, F., & Aji, S. F. (2022, February). Fuzzy Decision Support System for ABC University Student Admission Selection. In International Conference on Economics, Management and Accounting (ICEMAC 2021) (pp. 230-237). Atlantis Press.
[4] Sidik, A. D. W. M., & Akbar, Z. (2021). Analyzing the Potential for Utilization of New Renewable Energy to Support the Electricity System in the Cianjur Regency Region. Fidelity: Jurnal Teknik Elektro, 3(3), 46-51.
[5] Tambunan, H. B., Surya, A. S., Jintaka, D. R., Harsono, B. B. S., Sinaga, D. H., Sidik, A. D. W. M., & Pramurti, A. R. (2021). Review Proses Perencanaan Jangka Panjang Sistem Tenaga Listrik. EPIC (Journal of Electrical Power, Instrumentation and Control), 4(1).
[6] Sidik, A. D. W. M., Kusumah, I. H., Artiyasa, M., Junfithrana, A. P., Imamulhak, Y., & Suryana, A. (2021). Desain Wireless Sensor Network (WSN) yang Efisien dengan Mobilitas Node Terkendali Berbasis Energi. FIDELITY: Jurnal Teknik Elektro, 3(2), 23-26.
[7] Sidik, A. D. W. M., Suryana, A., Artiyasa, M., Junfithrana, A. P., Kusumah, I. H., & Imamulhak, Y. (2021). Pengenalan Ekspresi Wajah Menggunakan Teknik Filter Wavelet Gabor. FIDELITY: Jurnal Teknik Elektro, 3(1), 1-4.
[8] Kumaran, I., Firmansyah, M. R., Fauziah, E., Hutahaean, Y. B., Suryana, A., Sidik, A. D. W. M., ... & Kusumah, I. H. (2021).
Pengenalan Wajah Menggunakan Pendekatan Berbasis Pengukuran dan Metode Segmentasi dalam Berbagai Posisi dan Pencahayaan.
FIDELITY: Jurnal Teknik Elektro, 3(1), 5-8.
[9] Sidik, A. D. W. M., Ramdani, D., Sopandita, D., Fadilah, A. Z. Z., &
Efendi, E. (2020, October). Modelling and Optimization Containers Dwell-Time in Tanjung Perak Port Indonesia. In 2020 6th International Conference on Computing Engineering and Design (ICCED) (pp. 1-4).
IEEE.
[10] Suryana, A., Junfithrana, A. P., Kusumah, I. H., De Wibowo, A., Artiyasa, M., Imamulhak, Y., & Putra, Y. (2020). Automatic Gas Control System In The Motorcycle Braking Process With The Concept Of Non-Uniform Slowing Down Motion. FIDELITY: Jurnal Teknik Elektro, 2(3), 51-56.
[11] Sidik, A. D. W. M., Kusumah, I. H., Suryana, A., Artiyasa, M., &
Junfithrana, A. P. (2020). Design and Implementation of an IoT-Based Electric Motor Vibration and Temperature Disruption Handling System. FIDELITY: Jurnal Teknik Elektro, 2(2), 30-33.
[12] Sidik, A. D. W. M., Kusumah, I. H., Suryana, A., Artiyasa, M., &
Junfithrana, A. P. (2020). Gambaran Umum Metode Klasifikasi Data Mining. FIDELITY: Jurnal Teknik Elektro, 2(2), 34-38.
[13] Sidik, A. D. W. M., Kusumah, I. H., Suryana, A., Artiyasa, M., Junfithrana, A. P., Imamulhak, Y., & Putra, Y. (2020). Menerapkan K- Means Clustering untuk Segmentasi Gambar Database Berwarna.
FIDELITY: Jurnal Teknik Elektro, 2(3), 57-61.
[14] Artiyasa, M., Kusumah, I. H., Suryana, A., Sidik, A. D. W. M., &
Junfithrana, A. P. (2020). Comparative Study of Internet of Things (IoT) Platform for Smart Home Lighting Control Using NodeMCU with Thingspeak and Blynk Web Applications. FIDELITY: Jurnal Teknik Elektro, 2(1), 1-6.
[15] Taufik, D. M., & De Wibowo, A. (2020). SISTEM PENETASAN TELUR BERBASIS PLC. Jurnal Rekayasa Teknologi Nusa Putra, 7(1), 45-53.
[16] Maulana, R., & Sidik, A. D. W. M. (2019). Design of an Automatic Nutrition System for Hydroponic Plants with an IoT-based NodeMCU Microcontroller. FIDELITY: Jurnal Teknik Elektro, 1(2), 1-5.
[17] Suryana, A., Junfithrana, A. P., Kusumah, I. H., Artiyasa, M., & De Wibowo, A. (2019). Identifikasi Gas terlarut Minyak Transformator dengan Menggunakan Logika Fuzzy Menggunakan Metode TDCG untuk Menentukan Kondisi Transformator 150 KV. FIDELITY: Jurnal Teknik Elektro, 1(1), 11-15.
View publication stats
