Mean

Hampir semua percakapan tentang data dibuka satu pertanyaan: rata-ratanya berapa? Mean adalah ukuran pemusatan yang paling populer, paling banyak dihitung, dan sekaligus paling sering disalahpahami. Untuk menguji mean secara menyeluruh, kita memakai satu dataset yang akan menemani kita sampai chapter Standar Deviasi: nilai ulangan Matematika sembilan siswa — 68, 75, 75, 81, 84, 88, 90, 92, 97 — sudah terurut dari terkecil. Chapter ini menghitung mean secara manual, membuktikan dua sifat pentingnya, mengujinya terhadap satu nilai ekstrem, lalu memperluasnya menjadi weighted mean untuk nilai berbobot.

Rumus Mean #

Mean adalah jumlah seluruh data dibagi banyaknya data:

x̄ = (x1 + x2 + ... + xn) / n = Σx / n

Notasinya mengikuti konvensi pada chapter Parameter dan Statistik Sampel: x̄ (dibaca “x-bar”) adalah mean sampel, x1 sampai xn adalah nilai-nilai data, n adalah banyaknya data, dan Σx berarti “jumlahkan seluruh x” — notasi sigma telah kita latih pada chapter Notasi Sigma. Untuk sembilan nilai siswa kita:

Σx = 68 + 75 + 75 + 81 + 84 + 88 + 90 + 92 + 97 = 750
x̄ = 750 / 9 = 83.33   (dibulatkan ke dua desimal; nilai persis 83.333...)

Cara menafsirkannya: jika total 750 poin kelas dibagi rata ke seluruh siswa, tiap siswa menerima 83.33 poin. Perhatikan satu hal penting: tidak ada satu pun siswa yang benar-benar memperoleh nilai 83.33. Mean adalah titik keseimbangan data, bukan anggota data — keliru membaca mean sebagai “nilai yang dimiliki siswa pada umumnya” adalah sumber salah tafsir paling umum.

Sifat Mean: Jumlah Deviasi Selalu Nol #

Deviasi adalah selisih sebuah data terhadap mean, ditulis x − x̄. Tabel berikut menghitung deviasi setiap nilai terhadap x̄ = 83.33:

Kelompok nilai di bawah mean menyumbang deviasi negatif sebesar −34.33, dan kelompok di atas mean menyumbang deviasi positif dengan besar yang persis sama, sehingga:

Σ(x - x̄) = -34.33 + 34.33 = 0

Nilai pada tabel sengaja dibulatkan ke dua desimal, sehingga menjumlahkan kolom tabel secara manual bisa meleset 0.01 sampai 0.02 poin; secara eksak kedua kelompok berjumlah ±103/3 ≈ ±34.33 dan saling meniadakan dengan tepat. Sifat Σ(x − x̄) = 0 ini berlaku untuk data apa pun, bukan kebetulan contoh kita: mean adalah titik yang membuat tarikan ke bawah dan ke atas seimbang. Konsekuensinya penting untuk chapter Varians — rata-rata deviasi selalu nol, sehingga deviasi harus dikuadratkan lebih dulu sebelum dirata-ratakan menjadi ukuran penyebaran.

Mean Sensitif terhadap Outlier #

Kekuatan mean sekaligus kelemahannya: setiap nilai ikut dijumlahkan, termasuk nilai yang jauh terpisah dari kumpulan lainnya (disebut outlier). Uji sederhana: katakanlah lembar milik siswa berkemampuan tertinggi ternyata keliru — nilai 97 diganti 40 setelah pemeriksaan ulang. Delapan nilai lain tidak berubah sedikit pun, tetapi mean bergeser jauh:

x̄ baru = (750 - 97 + 40) / 9 = 693 / 9 = 77

Satu nilai berubah dan mean turun 6.33 poin, dari 83.33 ke 77. Pergeseran ini terjadi karena mean “tertarik” ke arah nilai ekstrem, meski nilai ekstrem hanya mewakili satu dari sembilan pengamatan. Bandingkan dengan data asli: hanya dengan mengembalikan 40 menjadi 97, mean langsung pulih. Ringkasan yang berayun sejauh itu karena satu angka patut dicurigai ketika dipakai sebagai satu-satunya gambaran data.

Ada variasi mean yang dirancang untuk kasus ini: trimmed mean membuang sebagian data terendah dan tertinggi sebelum menghitung. Membuang satu nilai terendah (68) dan satu nilai tertinggi (97) dari data asli menyisakan tujuh data berjumlah 585, sehingga mean terpotongnya 585/7 ≈ 83.57 — nyaris sama dengan mean asli 83.33 dan jauh dari mean data bermasalah. Imbalannya, informasi dua data sungguhan ikut dibuang, sehingga trimmed mean sebaiknya dipakai dengan alasan yang jelas, bukan otomatis.

Weighted Mean: Mean Berbobot #

Sering kali tiap data tidak setara: nilai akhir mata pelajaran lazimnya menggabungkan tugas, UTS, dan UAS dengan porsi berbeda. Rumus umumnya:

x̄ berbobot = (w1×x1 + w2×x2 + ... + wk×xk) / (w1 + w2 + ... + wk)

dengan wi adalah bobot dan xi adalah nilai yang diboboti. Sebagai contoh, bobot mata pelajaran ditetapkan tugas 30 persen, UTS 30 persen, UAS 40 persen. Budi memperoleh nilai tugas 80, UTS 75, dan UAS 90:

nilai akhir = (0.30 × 80) + (0.30 × 75) + (0.40 × 90)
            = 24 + 22.5 + 36
            = 82.5

Mean tanpa bobot hanya menghasilkan (80 + 75 + 90) / 3 ≈ 81.67. Bobot UAS yang lebih besar mengangkat hasil ke 82.5 karena nilai UAS Budi memang lebih tinggi. Bentuk kedua yang sama sering dipakai untuk menggabungkan kelompok: rata-rata kelas A (30 siswa) adalah 80 dan kelas B (20 siswa) adalah 85, maka rata-rata gabungan bukan (80 + 85) / 2 = 82.5, melainkan (30 × 80 + 20 × 85) / 50 = 82 — kelas yang lebih besar menarik hasil ke arahnya.

Kapan Mean Menyesatkan #

Dua situasi membuat mean menjadi pilihan buruk. Pertama, data miring: ketika sebagian kecil nilai sangat besar atau sangat kecil, mean tertarik ke arah ekor distribusi dan berhenti mewakili kelompok mayoritas. Kasus klasiknya adalah pendapatan — beberapa penghasilan sangat besar menarik mean ke atas hingga mean berada di atas hampir seluruh penduduk; perbandingan lengkapnya kita hitung pada chapter Median. Kedua, skala data: mean menuntut data berskala interval atau rasio yang jarak antarnilainya bermakna. Untuk data nominal seperti merek atau warna, penjumlahan tidak punya arti apa pun. Bentuk miring dibedah tuntas pada chapter Skewness di Section Distribusi Data.

Menghitung Mean dengan Python #

Module statistics dari standard library menghitung mean sekali panggil. Contoh berikut membandingkan mean data asli dengan mean data yang satu nilainya diganti:

import statistics

nilai = [68, 75, 75, 81, 84, 88, 90, 92, 97]
nilai_outlier = [68, 75, 75, 81, 84, 88, 90, 92, 40]

print(statistics.mean(nilai))
print(statistics.mean(nilai_outlier))

Output yang Dihasilkan:

83.33333333333333
77

Mari kita bedah kode di atas:

1. Baris 6 (statistics.mean(nilai)): menghitung Σx / n = 750 / 9, menghasilkan representasi float penuh 83.33333333333333; saat melaporkan, kita bulatkan menjadi 83.33 dan menyebut jumlah desimalnya.
2. Baris 7 (statistics.mean(nilai_outlier)): satu nilai berubah (97 menjadi 40) dan mean langsung turun ke 77 — angka yang sama dengan hitungan manual 693 / 9 di atas.

Daftar lengkap function modul ini, termasuk fmean dan geometric_mean, tercantum dalam dokumentasi statistics Python , sedangkan latihan interaktif mean tersedia di Khan Academy .

Mean merangkum pusat data dalam satu angka, tetapi kita baru melihat betapa mudah angka itu bergeser: satu nilai ekstrem menggerakkan mean 6.33 poin padahal delapan data lain tak tersentuh. Kita membutuhkan ukuran pemusatan yang membaca posisi, bukan besaran — nilai tengah yang dinamai median, topik chapter berikutnya.