Standar Deviasi

Varians berhasil merangkum penyebaran seluruh data ke dalam satu angka, tetapi jawabannya datang dalam satuan kuadrat — 88.5 “poin kuadrat” untuk nilai sembilan siswa tidak menggambarkan apa pun yang bisa dibayangkan. Standar deviasi menyelesaikan masalah itu dengan satu operasi: menarik akar kuadrat varians sehingga satuannya kembali sama dengan data asli. Hasilnya adalah ukuran penyebaran yang paling sering dilaporkan di dunia nyata. Chapter penutup section ini meneruskan hitungan manual data [4, 6, 8, 10, 12], menafsirkan hasilnya, lalu melengkapinya dengan dua alat pembanding: coefficient of variation dan z-score.

Dari Varians ke Standar Deviasi #

Standar deviasi adalah akar kuadrat varians:

s = √s²        (standar deviasi sampel)
σ = √σ²        (standar deviasi populasi)

Meneruskan contoh manual chapter Varians: data [4, 6, 8, 10, 12] memiliki s² = 10 dan σ² = 8, sehingga:

s  = √10 ≈ 3.16
σ  = √8  ≈ 2.83   (dibulatkan ke dua desimal)

Satuan kembali menjadi poin nilai — sejajar dengan data, mean, dan IQR. Tafsiran longgarnya berbunyi: jarak tipikal sebuah data ke mean adalah sekitar 3.16 poin. Tafsiran ini longgar karena jarak aktual tiap data (4, 2, 0, 2, 4 poin) bervariasi; standar deviasi merangkumnya menjadi satu skala rata-rata, bukan menjanjikan jarak seragam. Dataset sembilan siswa kita — mean 83.33, s² = 88.5 — memberi s = √88.5 ≈ 9.41: jarak tipikal nilai siswa ke rata-rata kelas hampir sepuluh poin.

Ukuran Sebaran yang Paling Informatif #

Kekuatan standar deviasi terlihat saat membandingkan dua data dengan mean yang sama. Kelas A bernilai [6, 7, 8, 9, 10] dan kelas B bernilai [2, 6, 8, 10, 14] — keduanya ber-mean 8, tetapi sebarannya berbeda jauh:

Nilai kelas A menempel rapat di sekitar rata-rata (jarak terjauh hanya 2 poin), sedangkan kelas B menjulur ke kedua arah hingga 6 poin dari mean — dan standar deviasi menangkap perbedaan itu dalam angka 1.58 lawan 4.47, hampir tiga kali lipat. Batas kasarnya juga jelas: bila seluruh data sama, semua deviasi nol dan s = 0; tidak ada data yang lebih rapat dari itu. Satu catatan penyempurna: s memakai seluruh data seperti varians, tetapi tetap peka terhadap outlier karena deviasi outlier dikuadratkan sebelum dirata-ratakan; untuk data bermasalah, IQR dari chapter sebelumnya tetap pilihan yang lebih tahan.

Empirical Rule 68-95-99.7 #

Untuk data berbentuk lonceng — simetris, satu puncak, menyerupai kurva normal — standar deviasi memberi ramalan yang mengejutkan akurasinya:

mean ± 1s  menampung sekitar 68%   data
mean ± 2s  menampung sekitar 95%   data
mean ± 3s  menampung sekitar 99.7% data

Aturan empiris ini syaratnya tegas: sebaran harus menyerupai lonceng. Pada data sembilan siswa kita, mean ± 1s membentang dari 73.93 hingga 92.74 dan menampung tujuh dari sembilan nilai — 77.8 persen, bukan 68 persen. Selisih itu wajar: aturan empiris menggambarkan perilaku jangka panjang data banyak yang menyebar lonceng, bukan jaminan untuk sembilan lembar ulangan. Semakin kecil dan semakin tidak simetris datanya, semakin jauh kenyataan menyimpang dari rumus. Kurva normal dan sifat-sifatnya dibahas tuntas pada Section Distribusi Data; angka 68-95-99.7 akan muncul kembali di sana sebagai bahasa standar.

Coefficient of Variation untuk Perbandingan Relatif #

Membandingkan dua standar deviasi mentah bisa menyesatkan ketika mean kedua data berbeda jauh atau satuannya berbeda sama sekali. Coefficient of variation (CV) menormalkan sebaran terhadap mean:

CV = (s / x̄) × 100%

Nilai Matematika sembilan siswa kita (mean 83.33, s ≈ 9.41) dibandingkan dengan nilai Bahasa Indonesia lima siswa [84, 86, 88, 90, 92] (mean 88, s ≈ 3.16):

CV matematika = (9.41 / 83.33) × 100% ≈ 11.29%
CV bahasa     = (3.16 / 88)    × 100% ≈ 3.59%

Nilai Bahasa lebih homogen: sebaran relatifnya sekitar sepertiga sebaran nilai Matematika, meski kedua mean tidak jauh berbeda. CV bebas satuan, sehingga sah dipakai lintas ukuran — tinggi badan dalam sentimeter lawan berat badan dalam kilogram, atau pendapatan jutaan lawan pengeluaran ribuan. Satu peringatan penting: CV menempatkan mean sebagai penyebut, sehingga CV hanya bermakna bila mean jelas positif dan skala datanya rasio; pada data berskala interval dengan titik nol arbitrer, atau mean yang mendekati nol, CV menjadi tidak stabil dan tidak layak ditafsirkan. Sebagai catatan pinggir yang menarik: data bahasa [84, 86, 88, 90, 92] adalah data latihan [4, 6, 8, 10, 12] yang digeser 80 poin — mean-nya bergeser dari 8 menjadi 88, standar deviasinya tetap 3.16, tetapi CV-nya turun drastis dari 39.53 persen menjadi 3.59 persen. Menambah konstanta tidak mengubah sebaran absolut, namun mengubah sebaran relatif terhadap mean.

Z-Score: Jarak dalam Satuan Standar Deviasi #

Standar deviasi juga menjadi penggaris bagi satu nilai data. Z-score mengubah jarak sebuah nilai ke mean menjadi satuan standar deviasi:

z = (x - x̄) / s

Nilai tertinggi kelas kita, 97, memiliki z = (97 − 83.33) / 9.41 ≈ 1.45 — nilai itu berdiri 1.45 standar deviasi di atas mean kelas. Nilai 84 (median) memiliki z ≈ 0.07, hampir tepat di pusat. Z-score membuat posisi setiap data terbaca lintas dataset: z = 1.45 pada nilai matematika dan z = 1.45 pada nilai fisika keduanya bermakna “1.45 standar deviasi di atas rata-rata kelasnya”. Kita baru mencicipi penggunaannya — standardisasi data, empirical rule versi z, dan deteksi nilai ekstrem dibahas tuntas pada chapter Z-Score di Section Distribusi Data.

Menghitung Standar Deviasi, CV, dan Z-Score dengan Python #

Module statistics melengkapinya dengan pasangan stdev() untuk sampel dan pstdev() untuk populasi:

import statistics

data = [4, 6, 8, 10, 12]
matematika = [68, 75, 75, 81, 84, 88, 90, 92, 97]
bahasa = [84, 86, 88, 90, 92]

print(round(statistics.stdev(data), 2))
print(round(statistics.pstdev(data), 2))
print(round(statistics.stdev(matematika), 2))

cv_mat = statistics.stdev(matematika) / statistics.mean(matematika) * 100
cv_bhs = statistics.stdev(bahasa) / statistics.mean(bahasa) * 100
print(round(cv_mat, 2))
print(round(cv_bhs, 2))

z = (97 - statistics.mean(matematika)) / statistics.stdev(matematika)
print(round(z, 2))

Output yang Dihasilkan:

3.16
2.83
9.41
11.29
3.59
1.45

Mari kita bedah kode di atas:

1. Baris 7-8 (stdev dan pstdev pada data lima nilai): hasil 3.16 dan 2.83 — akar dari s² = 10 dan σ² = 8, sama dengan hitungan manual di awal chapter.
2. Baris 9 (stdev(matematika)): standar deviasi sampel sembilan siswa, akar dari 88.5, dibulatkan menjadi 9.41.
3. Baris 11-12 (CV): sebaran relatif matematika 11.29 persen dan bahasa 3.59 persen — perbandingan homogenitas kedua mata pelajaran.
4. Baris 16-17 (z-score): posisi nilai 97 terhadap mean dan standar deviasi kelasnya, hasilnya 1.45.

Seluruh hasil dicetak dengan round(..., 2) agar output stabil dua desimal dan mudah dibaca; nilai mentahnya tetap utuh di dalam variabel. Perilaku function pembulatan dan seluruh statistik module ini terdokumentasi dalam dokumentasi statistics Python , sedangkan perbandingan antar ukuran penyebaran dirangkum oleh NIST/SEMATECH e-Handbook dan latihan interaktifnya tersedia di Khan Academy .

Kotak perkakas statistika deskriptif kita kini penuh: tabel frekuensi merapikan data, mean-median-modus menandai pusatnya, kuartil dan persentil memetakan posisi, rentang-IQR-varians-standar deviasi mengukur sebarannya. Satu angka ringkas sungguh berguna, tetapi bentuk sebaran utuh paling cepat dipahami manusia lewat gambar. Section berikutnya, Visualisasi Data, mengubah seluruh tabel dan ukuran yang telah kita hitung menjadi histogram, box plot, dan grafik lain yang terbaca sekilas mata.