Eksponen dan Logaritma

Dua operasi matematika muncul di hampir semua rumus statistika: pangkat dan logaritma. Varians mengkuadratkan deviasi setiap data, standar deviasi mengembalikannya lewat akar, dan banyak data nyata — populasi, pengguna aplikasi, hasil uji yang berlipat — tumbuh mengikuti pola pangkat. Logaritma bekerja ke arah sebaliknya: memampatkan rentang angka yang terlalu lebar menjadi skala yang masih bisa dibaca. Chapter ini merangkum aturan keduanya dan menunjukkan tempatnya dalam pekerjaan statistika.

Eksponen: Perkalian Berulang #

Eksponen a^n berarti mengalikan a sebanyak n kali: 2^3 = 2 × 2 × 2 = 8, dan 10^6 = 1.000.000. Basis sepuluh berperan istimewa karena setiap kenaikan pangkat menambah satu nol, sehingga cocok untuk menuliskan data besar. Sebuah provinsi fiktif berpenduduk 27.560.000 jiwa lebih ringkas ditulis 2.76 × 10^7 (dibulatkan ke dua desimal).

Tiga bentuk khusus sering muncul dalam rumus. Pangkat nol selalu bernilai satu (5^0 = 1); pangkat negatif berarti kebalikan (2^-3 = 1/2^3 = 0.125); dan pangkat pecahan berarti akar (8^(1/3) = 2 karena 2^3 = 8, serta 25^(1/2) = 5 karena 5² = 25). Akar kuadrat inilah yang kelak dipakai standar deviasi untuk kembali ke satuan asli data setelah varians selesai dikuadratkan. Aturan-aturan utamanya dirangkum tabel berikut:

Aturan pertama terbukti dengan mengurai faktornya: 2^3 · 2^4 = (2 × 2 × 2) × (2 × 2 × 2 × 2) = 8 × 16 = 128 = 2^7. Aturan-aturan ini bukan hafalan kosong — perkalian pangkat muncul saat kita menghitung peluang kejadian berurutan, dan akar muncul ketika standar deviasi diturunkan dari varians.

Notasi Ilmiah untuk Data Besar dan Kecil #

Data statistika sering berkisar jutaan, dan menulis 27.560.000 memakan tempat sekaligus menyulitkan perbandingan. Notasi ilmiah menuliskan angka sebagai koefisien dikali pangkat sepuluh: 27.560.000 = 2.756 × 10^7, dibulatkan ke dua desimal menjadi 2.76 × 10^7. Angka sangat kecil juga ditangani dengan cara yang sama: konsentrasi 0.0000042 lebih terbaca sebagai 4.2 × 10^-6.

Menuliskan seluruh digit (2.756 × 10^7) hanya menambah derau visual tanpa menambah informasi. Pembulatan yang disiplin membuat tabel laporan tetap pendek dan angka tetap sebanding antar baris. Prinsip ini sama dengan pembulatan desimal pada Chapter Pecahan dan Persentase — bulatkan sekali, di akhir, dengan jumlah desimal yang diumumkan.

Mengapa Statistika Membutuhkan Eksponen #

Alasan pertama adalah kuadrat. Varians menghitung Σ (x - mean)², sehingga deviasi sebesar 10 menyumbang 100 pada penjumlahan — data yang jauh dari mean mendapat bobot kuadratik dan menarik ukuran penyebaran lebih kuat. Alasan kedua adalah pertumbuhan berlipat. Budidaya bakteri yang berlipat dua setiap jam dari populasi awal 100 mencapai 100 × 2^6 = 6400 setelah enam jam, dan pola linear tidak akan pernah bisa mengikuti laju seperti itu.

Aturan pangkat di atas sekaligus contoh pertumbuhannya dapat diperiksa langsung dengan Python:

print(2 ** 10)
print(2 ** -3)
print(8 ** (1 / 3))
print(25 ** (1 / 2))

populasi_awal = 100
jam = 6
populasi_akhir = populasi_awal * 2 ** jam
print(populasi_akhir)

Output yang Dihasilkan:

1024
0.125
2.0
5.0
6400

Mari kita bedah kode di atas:

1. Baris 1 (2 ** 10): operator ** menghitung pangkat; 2 dipangkatkan 10 menghasilkan 1024.
2. Baris 2 (2 ** -3): pangkat negatif menjadi kebalikan, 1/8 = 0.125.
3. Baris 3-4: pangkat pecahan menjadi akar — 8^(1/3) menghasilkan 2.0 dan 25^(1/2) menghasilkan 5.0.
4. Baris 7-8: populasi 100 berlipat dua setiap jam; setelah enam jam hasilnya 100 × 2^6 = 6400.

Logaritma: Kebalikan Eksponen #

Logaritma menjawab pertanyaan balik dari eksponen: berapa pangkat yang diperlukan? log_b(x) = y berarti b^y = x. Contohnya, log10(1000) = 3 karena 10^3 = 1000, dan log2(8) = 3 karena 2^3 = 8. Dua basis terpenting adalah sepuluh (log10, untuk skala data) dan bilangan Euler e ≈ 2.71828 (logaritma natural, ditulis ln). Module math menyediakan semuanya: math.log(x, base) untuk basis bebas, math.log10(x) untuk basis sepuluh, dan math.log(x) untuk ln.

Aturan Logaritma #

Dua aturan menyumbang hampir seluruh kebutuhan statistika, dan satu aturan turunan sering ikut terpakai:

log(xy) = log(x) + log(y)
log(x/y) = log(x) - log(y)
log(x^n) = n × log(x)

Aturan pertama mengubah perkalian menjadi penjumlahan. Contohnya, log10(100 × 1000) = log10(100) + log10(1000) = 2 + 3 = 5, dan memang log10(100.000) = 5. Aturan ketiga menurunkan pangkat: 3 × log10(2) = 0.9031 (dibulatkan ke empat desimal) sama nilainya dengan log10(2^3) = log10(8). Aturan-aturan ini dipakai untuk menyederhanakan rumus dan membaca sumbu grafik, seperti berikut:

import math

print(math.log(8, 2))
print(math.log10(1000))
print(math.log(math.e ** 2))

print(math.log10(100) + math.log10(1000))
print(math.log10(100 * 1000))

print(3 * math.log10(2))
print(math.log10(2 ** 3))

print(10 ** (6 - 4))

Output yang Dihasilkan:

3.0
3.0
2.0
5.0
5.0
0.9030899869919435
0.9030899869919435
100

Mari kita bedah kode di atas:

1. Baris 3-5: log2(8) = 3.0, log10(1000) = 3.0, dan ln(e²) = 2.0 — logaritma membatalkan eksponen pada basis yang sama.
2. Baris 7-8: aturan penjumlahan terbukti — log10(100) + log10(1000) dan log10(100 × 1000) sama-sama mencetak 5.0.
3. Baris 10-11: aturan pangkat terbukti — 3 × log10(2) dan log10(2^3) sama-sama mencetak 0.9030899869919435.
4. Baris 13: selisih dua magnitudo skala Richter dihitung sebagai 10^(6-4) = 100.

Skala Richter dan Skala Logaritmik #

Skala Richter memakai logaritma basis sepuluh untuk memampatkan amplitudo guncangan yang berkisar jutaan kali lipat. Konsekuensinya, gempa magnitudo 6 memiliki amplitudo 10^(6-4) = 100 kali gempa magnitudo 4 — bukan sekadar “dua kali lebih besar” seperti kesan yang muncul dari selisih angka 6 dan 4. Satu tingkat pada skala logaritmik berarti pengali sepuluh, bukan tambahan sepuluh.

Prinsip yang sama bekerja pada grafik data besar. Kota fiktif Mekarwangi berpenduduk 2.560.000 jiwa berada di posisi 6.41 pada skala log10 (dibulatkan ke dua desimal) karena log10(2.56 × 10^6) = 6.41, sementara kota kecil berpenduduk 25.600 jiwa berada di posisi 4.41 — keduanya terpisah dua tingkat yang setara dengan rasio 100. Ketika satu sumbu grafik memuat angka dari ratusan hingga jutaan, sumbu logaritmik menjaga perbedaan kecil di daerah rendah tetap terlihat. Cara membuatnya di matplotlib kita bahas tuntas pada Section Visualisasi Data dan Statistika dengan Python.

Dengan pecahan, persentase, rasio, notasi sigma, eksponen, dan logaritma di tangan, perkakas matematika kita sudah lengkap untuk seluruh course ini. Section berikutnya berpindah dari bilangan ke bahan bakunya: data — mulai dari jenis-jenis data, skala pengukurannya, hingga cara mengumpulkannya dengan benar, sebelum kita menghitung mean pertama pada Section Statistika Deskriptif. Untuk latihan pendamping eksponen dan logaritma, Khan Academy menyediakan rangkaian latihan gratis di https://www.khanacademy.org/math/statistics-probability .