Bentuk Distribusi

Mean 83.33, median 84, standar deviasi 9.41 — angka-angka itu merangkum data nilai sembilan siswa yang kita pakai sejak Section Statistika Deskriptif, tetapi rangkuman angka tidak menjawab satu hal: bagaimana pola sebaran seluruh data bila digambar. Dua kumpulan data bisa memiliki mean yang sama namun pola sebaran yang berbeda — yang satu menumpuk simetris di tengah, yang lain menumpuk di satu sisi dengan ekor panjang di sisi lain. Pola sebaran frekuensi itulah yang disebut bentuk distribusi. Chapter ini memetakan lima bentuk yang paling sering dijumpai beserta contoh nyatanya, lalu menunjukkan mengapa bentuk menentukan apakah mean atau median yang layak dipercaya.

Apa itu Bentuk Distribusi #

Bentuk distribusi adalah pola yang terbentuk ketika frekuensi kemunculan tiap nilai digambar — misalnya sebagai histogram yang kita kenal dari chapter Tabel Frekuensi. Sumbu mendatar menyatakan nilai data, tinggi batang menyatakan seberapa sering nilai itu muncul, dan siluet keseluruhan batang itulah “bentuk” yang kita baca. Tiga ciri menjadi kunci pembacaan: letak puncak (nilai yang paling sering muncul), panjang ekor kiri dan ekor kanan (ujung sebaran di kedua sisi), serta jumlah puncak.

Mengapa bentuk perlu dibaca sebelum menghitung apa pun? Karena banyak alat statistik bersyarat pada bentuk. Aturan empiris 68-95-99.7 dari chapter Standar Deviasi hanya berlaku untuk data berbentuk lonceng; mean kehilangan daya wakilnya ketika data miring ke satu sisi; dan modus bahkan bisa tidak tunggal pada data yang menyebar seragam. Membaca bentuk lebih dulu adalah cara mengetahui alat mana yang aman dipakai — urutan kerja yang akan kita ulang di sepanjang course.

Lima Bentuk yang Sering Dijumpai #

Distribusi Simetris #

Distribusi simetris memiliki dua sisi yang saling mencerminkan: bila histogram dilipat di tengah, kedua sisi bertumpuk tepat. Bentuk yang paling terkenal adalah kurva lonceng bersatu puncak (unimodal) yang mengecil mulus ke dua arah — pola yang muncul pada kesalahan pengukuran, tinggi badan orang dewasa, atau sebaran nilai kelas yang sehat. Data nilai sembilan siswa kita termasuk hampir simetris: mean 83.33 dan median 84 hanya berselisih tipis, dan sebarannya berimbang di kedua sisi median. Pada bentuk ini seluruh ukuran pemusatan sepakat — itulah sebabnya data simetris menjadi tempat paling nyaman bagi mean dan standar deviasi.

Miring Kanan (Positif) #

Distribusi miring kanan menumpuk di nilai kecil lalu membentang dengan ekor panjang ke arah nilai besar; istilah “positif” menunjuk arah ekor pada skala nilai. Contoh klasiknya pendapatan: enam dari tujuh pedagang pasar yang kita hitung pada chapter Skewness memperoleh Rp80.000 hingga Rp130.000 per hari, sedangkan satu pedagang mencapai Rp400.000 — satu nilai menjulur itu sudah cukup membentuk ekor kanan. Durasi kunjungan pembaca ke situs berita juga biasa miring kanan: mayoritas singgah sebentar, sedikit yang bertahan lama.

Miring Kiri (Negatif) #

Distribusi miring kiri adalah kebalikannya: data menumpuk di nilai besar dengan ekor panjang ke arah nilai kecil, sehingga disebut “negatif”. Nilai ulangan pada kelas yang menguasai materi biasanya berbentuk ini — mayoritas siswa mendapat nilai tinggi, sedikit yang tertinggal. Contoh datanya sembilan nilai [50, 70, 75, 78, 80, 82, 84, 85, 88]: delapan nilai bergerak dari 70 ke 88, hanya satu yang turun ke 50, dan rentang kosong dua puluh poin dari 50 ke 70 itulah ekor kiri. Perhatikan bahwa kemiringan bukan penilaian baik atau buruk — kemiringan hanya menyatakan arah sebaran.

Bimodal #

Distribusi bimodal memiliki dua puncak yang terpisah — tanda bahwa data kemungkinan besar campuran dua kelompok yang berbeda. Jumlah pengunjung kafe per jam sering berbentuk begini: puncak pertama pagi hari saat orang mengambil kopi sebelum berangkat kerja, puncak kedua sore hari saat orang bersantai sepulang kerja, dan tengah hari relatif sepi. Bila data bimodal, pertanyaan pertama bukan “mean-nya berapa” melainkan “apa yang membedakan dua kelompok ini” — memisahkan kedua kelompok sering lebih informatif daripada merangkumnya jadi satu angka.

Uniform #

Distribusi uniform menyebar datar: setiap nilai muncul sama sering, tanpa puncak dan tanpa ekor. Contoh murninya hasil lemparan dadu — dalam 60 lemparan yang adil, setiap sisi 1 sampai 6 muncul sekitar 10 kali, tidak ada sisi yang istimewa. Bentuk ini jarang muncul pada data hasil pengukuran alam, tetapi sering dijumpai pada angka acak, nomor undian, dan hasil simulasi. Pada data uniform modus tidak tunggal (semua nilai sama sering), sedangkan mean dan median tetap bisa dihitung dan berdekatan karena sebarannya simetris.

Sketsa Tiga Bentuk Dasar #

Tiga bentuk dasar — simetris, miring kanan, miring kiri — paling cepat dikenali lewat sketsa. Sketsa berikut membandingkan ketiganya pada sumbu nilai yang sama; perhatikan bahwa pembedanya bukan letak puncak semata, melainkan sisi mana sebaran membentang lebih jauh:

simetris — satu puncak, dua sisi cermin

frekuensi
   4 |               *
   3 |           *   *   *
   2 |       *   *   *   *   *
   1 |   *   *   *   *   *   *   *
     +------------------------------->  nilai
       60  65  70  75  80  85  90

miring kanan — puncak di kiri, ekor panjang ke kanan

frekuensi
   4 |   *
   3 |   *   *
   2 |   *   *   *
   1 |   *   *   *   *   *   *   *
     +------------------------------->  nilai
       60  65  70  75  80  85  90

miring kiri — puncak di kanan, ekor panjang ke kiri

frekuensi
   4 |                           *
   3 |                       *   *
   2 |                   *   *   *
   1 |   *   *   *   *   *   *   *
     +------------------------------->  nilai
       60  65  70  75  80  85  90

Ketiga sketsa memakai tujuh kelas nilai (60 sampai 90) dengan susunan tinggi batang yang berbeda. Pada bentuk simetris, batang mengecil berimbang ke dua arah dari puncak di tengah. Pada bentuk miring kanan, batang tertinggi menumpuk di nilai kecil dan sebaran meruncing panjang ke kanan; bentuk miring kiri adalah cerminannya. Sketsa kasar seperti ini — bahkan digambar dengan tangan — sering sudah cukup untuk memutuskan apakah mean atau median yang lebih aman dilaporkan.

Hubungan Mean, Median, dan Modus #

Letak ketiga ukuran pemusatan berpindah mengikuti bentuk, dengan pola yang cukup stabil untuk dijadikan pegangan:

Intuisinya ada pada cara kerja masing-masing ukuran. Mean menjumlahkan seluruh nilai, sehingga satu data ekstrem ikut menariknya ke arah ekor: pada data pendapatan tujuh pedagang, mean terbawa naik ke 147.14 — lebih tinggi dari pendapatan enam dari tujuh pedagang — hanya karena nilai 400 ikut dijumlahkan. Median hanya membaca posisi tengah urutan, sehingga nilai 400 sama sekali tidak menggesernya dari 110. Modus adalah nilai yang paling sering muncul — letak puncak distribusi — dan puncak selalu berada di sisi yang ramai, jauh dari ekor. Pada data miring kanan, urutan mean-median-modus dengan sendirinya menurun dari arah ekor menuju puncak; pada data miring kiri urutannya terbalik.

Dua catatan menjaga kejujuran aturan ini. Pertama, aturan tampil paling rapi pada data berfrekuensi dengan nilai berulang; pendapatan tujuh pedagang kita bahkan tidak memiliki modus karena ketujuh nilainya berbeda, sehingga versi amannya berbunyi “mean tertarik lebih jauh ke arah ekor daripada median”. Kedua, kesamaan mean-median-modus pada data simetris bersifat perkiraan: data nilai sembilan siswa memiliki mean 83.33 dan median 84 yang berdekatan, bukan identik. Perlakukan aturan ini sebagai petunjuk arah, bukan hukum pasti.

Bentuk Distribusi Menentukan Ringkasan #

Konsekuensi praktisnya lugas: bentuk menentukan pasangan ringkasan yang layak dilaporkan. Untuk data simetris, mean dan standar deviasi adalah pasangan yang tepat — sebaran berimbang membuat keduanya mewakili, dan aturan empiris 68-95-99.7 bisa dipakai sebagai patokan. Untuk data miring, median dan interquartile range (IQR) lebih dapat dipercaya karena keduanya membangun jawaban dari urutan, bukan besaran. Chapter Median pernah memperlihatkan kasusnya: pendapatan sembilan warga satu RT yang miring kanan menghasilkan mean 6.84 juta — lebih tinggi dari pendapatan delapan warga — sementara median 4.0 juta jauh lebih mewakili kehidupan warga pada umumnya.

Kesalahan yang paling sering muncul dalam laporan publik adalah menyandingkan mean dengan data miring: satu nilai ekstrem cukup untuk membuat “rata-rata” tidak mewakili siapa pun. Kebalikannya juga terjadi — median bukan jawaban serbaguna, sebab median membuang informasi besaran yang justru diperlukan data simetris untuk perhitungan lanjutan seperti interval kepercayaan. Membaca bentuk lebih dulu, lalu memilih pasangan ringkasan, adalah urutan kerja yang menjaga kedua jenis kesalahan tetap jauh.

Membaca Mean dan Median pada Tiga Bentuk dengan Python #

Module statistics cukup untuk menguji aturan mean-lawan-median pada tiga dataset yang mewakili tiga bentuk dasar:

import statistics

simetris = [70, 75, 80, 80, 85, 90]
pendapatan = [80, 90, 100, 110, 120, 130, 400]
nilai_kiri = [50, 70, 75, 78, 80, 82, 84, 85, 88]

bentuk = [
    ("simetris    ", simetris),
    ("miring kanan", pendapatan),
    ("miring kiri ", nilai_kiri),
]

for nama, data in bentuk:
    print(f"{nama}: mean = {statistics.mean(data):6.2f}, median = {statistics.median(data):6.2f}")

Output yang Dihasilkan:

simetris    : mean =  80.00, median =  80.00
miring kanan: mean = 147.14, median = 110.00
miring kiri : mean =  76.89, median =  80.00

Mari kita bedah kode di atas:

1. Baris 3-5 (tiga dataset): data simetris sengaja disusun cermin di sekitar 80 sehingga mean = median = modus = 80; pendapatan tujuh pedagang mewakili bentuk miring kanan; nilai ulangan miring kiri lengkap dengan ekor 50.
2. Baris 13-14 (loop dan pencetakan): setiap dataset diringkas lalu dicetak dengan format dua desimal pada lebar enam kolom agar hasilnya sejajar rapi.
3. Hasil simetris: mean dan median jatuh sama-sama di 80 — perilaku khas bentuk cermin.
4. Hasil miring kanan: mean 147.14 jauh di atas median 110 karena nilai 400 menariknya ke arah ekor kanan.
5. Hasil miring kiri: mean 76.89 turun di bawah median 80 karena nilai 50 menariknya ke arah ekor kiri.

Perilaku statistics.mean dan statistics.median terdokumentasi dalam dokumentasi statistics Python , sedangkan galeri bentuk distribusi beserta dampaknya pada pilihan statistik dirangkum oleh NIST/SEMATECH e-Handbook . Bacaan pengantar yang lengkap tersedia gratis di OpenIntro Statistics .

Mata kita kini terlatih mengenali bentuk, dan aturan mean-median-modus memberi petunjuk arah kemiringan. Tetapi “agak miring” dan “sangat miring” masih penilaian kasar — analisis sering membutuhkan satu angka yang bisa dibandingkan antar dataset. Angka itu bernama skewness, topik chapter berikutnya: ukuran kemiringan yang dihitung dari pangkat tiga deviasi setiap data.