Statistik deskriptif merangkum bentuk, pusat, dan penyebaran kumpulan data sebelum pengujian inferensial dimulai. Rata-rata dan median memberi tahu Anda di mana letak datanya, namun varians, skewness, kurtosis, interval kepercayaan, dan diagnostik outlier adalah hal yang memungkinkan Anda memutuskan apakah ringkasan tersebut dapat dipercaya dan analisis selanjutnya mana yang sesuai. Bagian di bawah ini mencakup empat keputusan yang diambil setiap analis saat menggunakan statistik deskriptif: memilih antara rumus sampel dan populasi, menafsirkan interval kepercayaan dengan benar, membaca skewness dan kurtosis sebagai diagnostik distribusi, dan memilih aturan outlier yang tepat untuk data Anda.
Kapan menggunakan rumus sampel vs. populasi
Satu-satunya kesalahan paling umum dalam statistik pengantar adalah mencampurkan rumus sampel dan populasi untuk varians dan deviasi standar. Rumus sampel dibagi dengan n − 1 (koreksi Bessel); rumus populasi dibagi n. Gunakan versi populasi ketika data Anda mencakup seluruh kelompok yang Anda pedulikan — setiap karyawan dalam daftar gaji, setiap transaksi dalam tahun fiskal, setiap siswa dalam daftar nama. Gunakan versi sampel setiap kali data Anda merupakan subkumpulan dan Anda ingin menarik kesimpulan tentang kelompok yang lebih besar.
Mengapa n − 1? Karena mean sampel itu sendiri merupakan perkiraan, jumlah deviasi kuadrat dari mean sampel sedikit lebih kecil daripada jumlah deviasi kuadrat dari mean sebenarnya yang tidak diketahui. Membagi dengan n − 1 mengkompensasi bias ini. Koreksi hampir tidak terlihat ketika n besar (n = 100 versus n = 99 mengubah jawaban sebesar 1%), namun dengan sampel kecil hal ini penting: sampel dengan 5 nilai memberikan varians 25% lebih tinggi berdasarkan rumus sampel dibandingkan rumus populasi. Jika tidak yakin, gunakan sampel secara default — ini adalah pilihan konservatif ketika data Anda dikumpulkan dari suatu proses atau populasi.
Bagaimana sebenarnya interval kepercayaan bekerja
Interval kepercayaan 95% untuk rata-rata adalah rentang yang — pada banyak sampel berulang yang diambil dari populasi yang sama — akan berisi rata-rata sebenarnya sekitar 95% dari keseluruhan waktu. Ini dihitung sebagai x̄ ± t × (s / √n), di mana t berasal dari distribusi t Student pada tingkat kepercayaan yang dipilih dan df = n − 1. Untuk sampel besar (n ≥ 30), nilai t pada dasarnya adalah nilai z: 1,645 untuk 90%, 1,960 untuk 95%, 2,576 untuk 99%. Untuk sampel kecil, t lebih besar untuk mengimbangi ketidakpastian ekstra dalam memperkirakan SD populasi dari sampel kecil.
Kesalahan penafsiran yang umum adalah mengatakan bahwa rata-rata sebenarnya memiliki peluang 95% berada di dalam CI mana pun yang Anda hitung. Prosedur ini tidak menjamin hal tersebut - setelah Anda menghitung interval tertentu, mean sebenarnya ada di dalamnya atau tidak. Apa yang dijamin oleh prosedur ini adalah bahwa tingkat interval jangka panjang yang mengandung mean sebenarnya adalah 95%. Untuk tujuan praktis, kedua penafsiran ini menghasilkan keputusan yang serupa, namun interval kredibel Bayesian (yang mendukung penafsiran 'probabilitas mean berada dalam kisaran ini') memerlukan kerangka kerja yang berbeda.
Meningkatkan tingkat kepercayaan akan memperluas interval tersebut. CI 99% kira-kira 30% lebih lebar dibandingkan CI 95% pada ukuran sampel yang sama — harga dari kepercayaan yang lebih tinggi adalah berkurangnya presisi. Pengungkit lainnya adalah ukuran sampel: menggandakan n akan mengecilkan CI sebanyak √2 ≈ 1,41.
Skewness dan kurtosis sebagai diagnostik distribusi
Kemiringan mengukur asimetri. Kemiringan yang mendekati nol menunjukkan bahwa distribusinya kira-kira simetris di sekitar mean — sebuah pertanda baik bahwa mean dan median sama. Kecondongan positif menandakan ekor kanan yang panjang (rata-rata ditarik ke atas median dengan nilai yang sangat tinggi); kemiringan negatif menandakan ekor kiri yang panjang. Sebagai aturan praktis, |condong| < 0,5 cukup simetris sehingga mean merupakan ukuran pusat yang masuk akal; |condong| > 1 menunjukkan bahwa median adalah ringkasan yang lebih baik.
Kurtosis berlebih mengukur berat ekor dibandingkan dengan distribusi normal. Kurtosis berlebih positif (leptokurtik) berarti distribusi lebih sering menghasilkan nilai ekstrim dibandingkan kurva lonceng — umum terjadi pada keuntungan finansial, latensi jaringan, dan waktu reaksi. Kurtosis berlebih negatif (platikurtik) berarti distribusinya memiliki ekor yang lebih ringan dari biasanya — distribusi seragam adalah contoh ekstrimnya. Kurtosis berlebih mendekati nol konsisten dengan normalitas namun tidak membuktikannya; untuk pemeriksaan formal, lihat plot Q-Q atau jalankan pengujian Shapiro-Wilk.
Kedua statistik tersebut sensitif terhadap outlier, terutama dengan sampel yang kecil. Satu nilai ekstrem dapat mengubah distribusi yang hampir simetris menjadi distribusi dengan kemiringan > 1. Selalu periksa histogram di samping ringkasan ini — angka-angka tersebut bersifat diagnostik, bukan definitif.
Aturan outlier mana yang harus digunakan
Aturan 1,5×IQR (pagar Tukey) menandai nilai apa pun di bawah Q1 − 1,5×IQR atau di atas Q3 + 1,5×IQR. Ini adalah default yang tepat karena dua alasan. Pertama, aturan ini menggunakan kuartil, yang tidak terpengaruh oleh nilai ekstrem — sehingga aturan ini tidak membiarkan outlier menutupi outlier lainnya. Kedua, cara ini berfungsi pada data yang miring karena pagar menyesuaikan dengan bentuk data, bukan mengasumsikan simetri.
Aturan skor-z (|z| ≥ 2 atau 3) lebih umum digunakan, namun memiliki dua keterbatasan. Ini mengasumsikan datanya mendekati normal: dengan asumsi tersebut, hanya sekitar 5% nilai yang seharusnya memiliki |z| ≥ 2 dan 0,3% seharusnya mempunyai |z| ≥ 3, jadi apa pun yang melebihi ambang batas tersebut mencurigakan. Namun, pada data yang sangat miring, aturan tersebut salah sasaran — separuh nilai dalam distribusi log-normal dapat menjadi 'outlier' menurut definisi skor-z. Batasan kedua lebih halus: beberapa outlier ekstrem meningkatkan mean dan SD, membuat outlier moderat lebih sulit dideteksi (disebut masalah penyembunyian).
Kalkulator ini melaporkan kedua aturan tersebut sehingga Anda dapat melihat kapan kedua aturan tersebut selaras dan kapan menyimpang. Jika mereka setuju, Anda memiliki alasan kuat untuk menyelidiki atau menghapus nilai yang ditandai. Jika mereka tidak setuju — biasanya aturan IQR menandai lebih banyak nilai pada data yang miring — pilih aturan IQR dan pertimbangkan apakah data Anda memerlukan transformasi log sebelum analisis lebih lanjut. Apa pun yang Anda lakukan, selalu dokumentasikan penanganan outlier: menghilangkan nilai adalah keputusan penelitian yang memengaruhi setiap statistik hilir.