Program Studi Manajemen • FEB

Statistika Bisnis I

Pertemuan 2 — Metode Grafik
untuk Mendeskripsikan Data

Cara mengubah ratusan angka mentah menjadi satu gambar yang langsung “bercerita” — distribusi frekuensi, histogram, diagram batang, pie chart, dan Pareto.

RPS Minggu 2 • Sub-CPMK 1 • Durasi 2 × 50 Menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menyajikan dan membaca pola data secara grafis (Sub-CPMK 1). Secara rinci:

Capaian 1 — Tabel

Menyusun distribusi frekuensi (jumlah kelas, lebar, batas, titik tengah) dari data mentah tanpa kesalahan aritmetika.

Capaian 2 — Relatif & Kumulatif

Menghitung frekuensi relatif dan kumulatif, lalu menggambar histogram, poligon, ogive.

Capaian 3 — Data Kualitatif

Memilih & membaca diagram batang, pie chart, Pareto, stem-and-leaf sesuai jenis data.

Capaian 4 — Baca Kritis

Mengenali bentuk distribusi dan mendeteksi grafik yang menyesatkan untuk minimal dua contoh kasus.

Empat capaian ini adalah penjabaran Sub-CPMK minggu kedua: menggunakan diagram batang, histogram, boxplot, dan pie chart untuk menyajikan dan membaca pola data. Capaian pertama adalah fondasinya — sebelum menggambar apa pun, Anda harus bisa merapikan data mentah menjadi tabel distribusi frekuensi, dan di situ ada beberapa aturan kecil yang harus dikuasai. Capaian kedua membawa kita ke grafik untuk data angka: histogram, poligon, dan ogive. Capaian ketiga untuk data kategori seperti merek, provinsi, atau jenis keluhan — di sini diagram batang, pie chart, dan Pareto yang berperan. Capaian keempat sering diabaikan padahal paling penting di dunia kerja: kemampuan membaca grafik secara kritis dan mengenali kapan sebuah grafik sedang menyesatkan Anda. Catatan: boxplot disebut di Sub-CPMK tetapi pembahasan mendalamnya menunggu Pertemuan 3 setelah Anda paham kuartil, jadi hari ini kita fokus ke fondasi grafiknya dulu.

50 Angka Mentah vs 1 Gambar

Berikut 50 return harian saham (dalam %). Coba jawab: berapa hari yang rugi? Di mana “pusat”-nya?

Data Mentah

−1,2  0,8  2,1  −0,4  1,5
−2,3  0,2  1,1  −0,8  0,5
 0,9  1,7  −1,5  0,3  2,8
−0,6  1,2  0,1  0,7  −0,2
 1,4  −1,1  0,6  2,2  −0,3
−0,5  1,9  0,4  −2,4  0,8
… sulit dibaca, mata lelah, pola tersembunyi

Setelah Jadi Grafik

Langsung kelihatan: pusat ~0%, sedikit ekor ke kanan.

Otak manusia buruk membaca tumpukan angka, tetapi sangat hebat membaca bentuk. Itulah seluruh inti pertemuan ini: ubah angka menjadi bentuk.

Bagian 1 dari 4

Dari Data Mentah ke Tabel

Langkah wajib sebelum menggambar apa pun: merapikan data ke dalam distribusi frekuensi — kelas, lebar, batas, titik tengah, lalu frekuensi relatif & kumulatif.

Kelas Lebar Frekuensi

Anatomi Sebuah Distribusi Frekuensi

Distribusi frekuensi = tabel yang mengelompokkan data ke beberapa kelas dan mencatat berapa amatan jatuh di tiap kelas. Lima istilah kunci:

1 — Kelas (class)

Selang nilai tempat data dikelompokkan. Contoh: kelas “0 s/d 1”.

2 — Batas Kelas (class limits)

Nilai terkecil & terbesar yang masuk satu kelas: batas bawah dan batas atas.

3 — Lebar Kelas (class width)

Jarak antar-batas. Harus sama untuk semua kelas agar grafik adil.

4 — Titik Tengah (midpoint)

(Batas bawah + Batas atas) ÷ 2. Mewakili kelas saat menggambar poligon.

Aturan main: kelas harus saling lepas (satu amatan masuk tepat satu kelas) dan menyeluruh (semua amatan kebagian kelas). • Frekuensi (f) = banyak amatan dalam satu kelas.

Sebelum berhitung, mari kita kenali dulu anatomi sebuah distribusi frekuensi, karena lima istilah ini akan terus muncul sepanjang pertemuan. Pertama, kelas, yaitu kotak-kotak selang nilai tempat kita menampung data — misalnya kelas "nilai 60 sampai 69". Kedua, batas kelas, yakni nilai terkecil dan terbesar yang masih masuk kelas itu, kita sebut batas bawah dan batas atas. Ketiga, lebar kelas, yaitu jarak yang harus sama untuk semua kelas supaya grafiknya adil dan tidak menyesatkan. Keempat, titik tengah, yang kita peroleh dengan merata-ratakan batas bawah dan batas atas, dan inilah yang nanti kita pakai sebagai wakil kelas ketika menggambar poligon. Terakhir dan paling penting, dua aturan main: setiap amatan harus masuk tepat satu kelas tanpa kebingungan, dan tidak boleh ada amatan yang tidak kebagian kelas.

Berapa Banyak Kelas? Aturan 2^k ≥ n

Terlalu sedikit kelas → pola hilang. Terlalu banyak → grafik “berisik”. Panduan praktis: pilih jumlah kelas k terkecil yang memenuhi 2^k ≥ n.

Pilih k terkecil sehingga 2^k ≥ n (n = banyak amatan)

n (amatan)	k (jumlah kelas)	Karena
30	5	2⁵ = 32 ≥ 30
50	6	2⁶ = 64 ≥ 50
100	7	2⁷ = 128 ≥ 100
200	8	2⁸ = 256 ≥ 200

Ini panduan, bukan hukum. Boleh disesuaikan ±1 kelas agar batasnya rapi (angka bulat). Yang penting: lebar kelas sama untuk semua kelas.

Pertanyaan pertama yang selalu muncul adalah: data saya harus dibagi jadi berapa kelas? Jawaban yang salah adalah "asal saja", karena kalau terlalu sedikit kelas, semua data menumpuk dan polanya hilang; kalau terlalu banyak, grafiknya jadi bergerigi dan ikut menampilkan keacakan yang tidak berarti. Para ahli statistik memberi panduan praktis yang disebut aturan dua pangkat k: pilih jumlah kelas k terkecil yang membuat dua pangkat k sama dengan atau lebih besar dari banyaknya data. Contohnya, kalau Anda punya lima puluh data, maka dua pangkat lima adalah tiga puluh dua yang masih kurang, sedangkan dua pangkat enam adalah enam puluh empat yang sudah cukup, jadi pilih enam kelas. Tolong diingat ini panduan, bukan harga mati — Anda boleh menambah atau mengurangi satu kelas demi mendapat batas-batas yang rapi dan mudah dibaca, asalkan lebar semua kelas tetap sama.

Menentukan Lebar Kelas, Batas, dan Titik Tengah

Setelah tahu jumlah kelas k, hitung lebarnya dari rentang data:

Lebar kelas ≈ (Nilai maks − Nilai min) ÷ k = Range ÷ k (lalu bulatkan ke atas ke angka rapi)

Langkah Ringkas

Hitung range = nilai maksimum − nilai minimum.
Lebar = range ÷ k → bulatkan ke atas ke angka yang rapi.
Tetapkan batas bawah kelas pertama (≤ nilai min), lalu tambah lebar berulang.
Titik tengah = (batas bawah + batas atas) ÷ 2.

Selalu bulatkan lebar ke atas, bukan ke bawah — kalau dibulatkan ke bawah, kelas Anda tidak akan cukup menampung nilai terbesar.

Setelah memutuskan jumlah kelas, langkah berikutnya menentukan seberapa lebar tiap kelas, dan caranya sederhana. Pertama, cari rentang data atau range, yaitu nilai terbesar dikurangi nilai terkecil — ini memberi tahu seberapa jauh data Anda terbentang. Kedua, bagi range itu dengan jumlah kelas, lalu — dan ini penting — bulatkan hasilnya ke atas ke angka yang rapi, bukan ke bawah. Mengapa ke atas? Karena kalau Anda bulatkan ke bawah, total cakupan kelas menjadi lebih sempit dari rentang data, sehingga nilai terbesar Anda tidak kebagian tempat dan tabelnya gagal. Setelah lebar ditetapkan, Anda tinggal memilih batas bawah kelas pertama yang nyaman, lalu menambahkan lebar berulang-ulang sampai semua data tertampung, dan titik tengah tiap kelas cukup dihitung dengan merata-ratakan batas bawah dan batas atasnya.

Coba Sendiri: Ubah Jumlah Kelas, Lihat Histogram Berubah

Geser jumlah kelas k dan amati bagaimana lebar kelas serta bentuk histogram ikut berubah pada data yang sama.

Hitung dari Nol — HDN-1: Distribusi Frekuensi 50 Return BBCA

Diberikan 50 return harian saham BBCA (%). Min = −2,4%, maks = +3,0%. Susun distribusi frekuensinya.

Langkah	Perhitungan	Nilai
Jumlah kelas k	2^k ≥ 50 → 2⁵=32 (<50), 2⁶=64 (≥50)	k = 6
Range	3,0 − (−2,4)	5,4
Lebar kelas	5,4 ÷ 6 = 0,90 (sudah rapi)	0,9
Batas kelas	mulai −2,4, tambah 0,9	−2,4 / −1,5 / −0,6 / 0,3 / 1,2 / 2,1 / 3,0

Kelas (%)	Titik tengah	f	f relatif
−2,4 s/d −1,5	−1,95	3	6%
−1,5 s/d −0,6	−1,05	8	16%
−0,6 s/d 0,3	−0,15	15	30%
0,3 s/d 1,2	0,75	13	26%
1,2 s/d 2,1	1,65	7	14%
2,1 s/d 3,0	2,55	4	8%
Total		50	100%

Pola langsung terbaca: pusat di sekitar 0% (kelas −0,6 s/d 0,3 paling padat, f=15). Inilah “cerita” 50 angka tadi.

Sekarang kita kerjakan satu kasus dari nol sampai jadi, memakai data return harian saham BBCA yang sangat relevan kalau Anda kelak bekerja di pasar modal. Misalkan kita punya lima puluh hari pengamatan, dengan return terendah minus dua koma empat persen dan tertinggi plus tiga koma nol persen. Langkah pertama, tentukan jumlah kelas dengan aturan dua pangkat k: dua pangkat lima hanya tiga puluh dua sehingga kurang, dua pangkat enam adalah enam puluh empat yang sudah cukup, jadi kita pakai enam kelas. Langkah kedua, hitung range yaitu tiga koma nol dikurangi minus dua koma empat, hasilnya lima koma empat; bagi dengan enam kelas, dan kita dapat lebar tepat nol koma sembilan — kebetulan sudah rapi sehingga tak perlu dibulatkan lagi. Langkah ketiga, mulai dari batas bawah minus dua koma empat dan tambahkan nol koma sembilan berulang kali sampai mencapai tiga koma nol, lalu hitung berapa hari jatuh di tiap kelas; hasilnya tampak di tabel, dan perhatikan betapa polanya langsung bercerita: mayoritas hari berkumpul di sekitar nol persen, dengan sebaran ke kanan sedikit lebih panjang.

Frekuensi Relatif & Frekuensi Kumulatif

Frekuensi Relatif

Frekuensi kelas ÷ total n. Menjawab “berapa persen data ada di kelas ini?” → bagus untuk membandingkan dua kelompok berbeda ukuran.

Frekuensi Kumulatif

Jumlah frekuensi sampai batas atas kelas. Menjawab “berapa banyak data kurang dari nilai X?” → dasar untuk ogive.

Batas atas (%)	f kumulatif	% kumulatif
< −1,5	3	6%
< −0,6	11	22%
< 0,3	26	52%
< 1,2	39	78%
< 2,1	46	92%
< 3,0	50	100%

Baca kumulatif: “~52% hari memberi return di bawah 0,3%.” Inilah cara grafik menjawab pertanyaan persentil sederhana.

Tabel frekuensi mentah bagus, tetapi dua turunannya jauh lebih berguna untuk analisis. Yang pertama, frekuensi relatif, kita peroleh dengan membagi frekuensi tiap kelas dengan total amatan, dan ini mengubah hitungan menjadi persentase. Kelebihan frekuensi relatif adalah memungkinkan Anda membandingkan dua kelompok yang ukurannya berbeda — misalnya menyandingkan pola return BBCA berbasis lima puluh hari dengan pola TLKM berbasis dua ratus hari, karena keduanya kini berbicara dalam persen, bukan jumlah mentah. Yang kedua, frekuensi kumulatif, kita peroleh dengan menjumlahkan frekuensi dari kelas pertama sampai batas tertentu, dan ini menjawab pertanyaan "berapa banyak data yang kurang dari nilai X". Dari tabel kita bisa langsung membaca bahwa sekitar lima puluh dua persen hari memberikan return di bawah nol koma tiga persen — sebuah pernyataan yang sangat berguna dan menjadi bahan dasar grafik ogive yang akan kita gambar sebentar lagi.

Bagian 2 dari 4

Grafik Data Kuantitatif

Dari tabel ke gambar: histogram menunjukkan sebaran, poligon menghubungkan puncaknya, ogive menampilkan akumulasi — lalu kita baca bentuk distribusinya.

Histogram — Potret Sebaran Data Kuantitatif

Histogram: batang-batang yang tingginya = frekuensi kelas. Khas data kuantitatif → batang menempel (tak ada celah), karena sumbu mendatarnya kontinu.

Batang Menempel

Tidak ada celah — menandakan sumbu-x adalah angka kontinu, bukan kategori terpisah.

Beda dengan Bar Chart

Diagram batang untuk kategori → batang terpisah. Jangan tertukar!

Kesalahan paling umum: menyebut diagram batang biasa sebagai “histogram”. Kunci pembeda: menempel (histogram) vs terpisah (bar chart).

Histogram adalah grafik paling penting untuk data kuantitatif, jadi kuasai betul ciri-cirinya. Cara membuatnya sederhana: untuk tiap kelas pada tabel distribusi frekuensi, gambar satu batang yang tingginya sama dengan frekuensi kelas itu, dan tempatkan batang-batang itu berdampingan tanpa celah. Justru ketiadaan celah inilah ciri khas histogram, karena ia menandakan bahwa sumbu mendatarnya adalah skala angka yang kontinu — return bisa bernilai berapa pun di antara dua kelas, sehingga batangnya pun harus menyambung. Inilah pembeda terpenting dari diagram batang biasa yang akan kita bahas nanti: pada diagram batang, kategorinya terpisah seperti merek atau provinsi sehingga batangnya pun diberi celah. Saya tegaskan ini karena tertukar menyebut diagram batang sebagai histogram adalah kesalahan klasik yang sering muncul di ujian, dan kuncinya cukup satu: lihat apakah batangnya menempel atau terpisah.

Poligon Frekuensi — Garis dari Titik Tengah

Poligon frekuensi: titik di (titik tengah kelas, frekuensi), lalu dihubungkan garis. Ini “kerangka” histogram, ditutup ke sumbu di kedua ujung.

Kelebihan poligon: mudah menumpuk beberapa kelompok di satu grafik (mis. return BBCA vs TLKM) untuk dibandingkan — sulit dilakukan dengan histogram yang batangnya saling menutupi.

Poligon frekuensi pada dasarnya adalah histogram yang "dirampingkan" menjadi garis. Cara membuatnya: untuk tiap kelas, tandai sebuah titik dengan koordinat mendatar di titik tengah kelas dan koordinat tegak di frekuensinya, lalu hubungkan titik-titik itu dengan garis lurus. Bayangkan Anda menghubungkan puncak-puncak batang histogram melalui titik tengahnya — itulah poligon, dan biasanya kita tutup kedua ujungnya turun menyentuh sumbu agar bentuknya lengkap. Lalu mengapa repot membuat poligon kalau sudah ada histogram? Karena poligon punya satu keunggulan praktis: ketika Anda ingin membandingkan dua atau lebih kelompok dalam satu gambar — misalnya pola return BBCA versus TLKM — Anda cukup menggambar dua garis poligon yang saling tumpang tindih, sesuatu yang akan berantakan kalau dicoba dengan dua set batang histogram yang saling menutupi.

Ogive — Grafik Frekuensi Kumulatif

Ogive (dibaca “o-jaiv”): titik di (batas atas kelas, % kumulatif), dihubungkan garis. Selalu naik dari 0% ke 100%.

Kegunaan utama ogive: baca persentil langsung dari grafik. Tarik dari nilai di sumbu-x ke kurva, lalu ke sumbu-y. Contoh: di 0,3% → ~52% hari.

Ogive adalah grafik untuk frekuensi kumulatif, dan namanya yang terdengar asing itu dibaca "o-jaiv". Cara membuatnya mirip poligon, tetapi dengan dua perbedaan: titiknya kita tempatkan pada batas atas tiap kelas, bukan titik tengah, dan koordinat tegaknya adalah frekuensi kumulatif, bukan frekuensi biasa. Karena yang kita plot adalah akumulasi, ogive selalu naik dari nol sampai jumlah total data, atau dari nol persen sampai seratus persen. Kegunaan terbesarnya adalah membaca persentil secara visual: kalau Anda ingin tahu berapa persen hari yang return-nya di bawah nol koma tiga persen, cukup cari nol koma tiga di sumbu mendatar, naik sampai menyentuh kurva, lalu geser mendatar ke sumbu tegak, dan Anda baca sekitar lima puluh dua persen. Titik di mana kurva mencapai lima puluh persen kira-kira menunjukkan median data, sebuah ukuran pemusatan yang akan kita pelajari tuntas di Pertemuan 3.

Hitung dari Nol — HDN-2: Frekuensi Kumulatif Gaji UMKM

Gaji bulanan 40 karyawan sebuah UMKM (juta Rp). Kelas lebar Rp 0,5 jt mulai Rp 2,0 jt. Berapa % karyawan bergaji < Rp 4 juta?

Kelas (jt Rp)	f	f kumulatif (<)	% kum.
2,0 s/d 2,5	4	4	10,0%
2,5 s/d 3,0	7	11	27,5%
3,0 s/d 3,5	10	21	52,5%
3,5 s/d 4,0	9	30	75,0%
4,0 s/d 4,5	6	36	90,0%
4,5 s/d 5,0	4	40	100,0%
Total	40

Jawaban

75%

30 dari 40 karyawan bergaji < Rp 4 juta

Sekarang kita kerjakan kasus kedua dari nol, kali ini memakai data gaji yang sangat dekat dengan dunia kerja Anda nanti. Misalkan sebuah UMKM punya empat puluh karyawan, dan kita sudah kelompokkan gaji bulanan mereka ke dalam enam kelas dengan lebar lima ratus ribu rupiah, mulai dari dua juta rupiah. Tugas kita menjawab pertanyaan yang sangat lazim diajukan pemilik usaha: berapa persen karyawan yang bergaji di bawah empat juta rupiah? Caranya, kita bangun kolom frekuensi kumulatif dengan menjumlahkan frekuensi dari kelas terbawah ke atas — empat, lalu sebelas, lalu dua puluh satu, lalu tiga puluh — dan karena angka empat juta kebetulan jatuh tepat di batas kelas, kita bisa langsung membaca bahwa tiga puluh dari empat puluh karyawan, atau tujuh puluh lima persen, bergaji di bawah empat juta. Saya sengaja memilih batas yang rapi agar Anda tidak perlu interpolasi dulu; kalau angka batasnya jatuh di tengah kelas, kita perlu memperkirakan dengan interpolasi, dan itu kita pelajari lebih lanjut di Pertemuan 3 saat membahas kuartil.

Bentuk Distribusi: Apa yang Diceritakan Grafik

Begitu data jadi histogram, bentuk-nya langsung memberi insight. Tiga bentuk yang wajib Anda kenali:

Simetris

Kiri & kanan seimbang. Rata-rata ≈ median. Contoh: tinggi badan, return harian saham normal.

Menceng Kanan (positif)

Ekor panjang ke kanan. Contoh: gaji, kekayaan, omzet UMKM — banyak kecil, sedikit besar.

Menceng Kiri (negatif)

Ekor panjang ke kiri. Contoh: nilai ujian mudah, usia pensiun.

Menceng = nama mengikuti arah ekor, bukan gunungnya. Ekor ke kanan = menceng kanan. • Unimodal = 1 puncak; bimodal = 2 puncak.

Inilah alasan kita repot-repot menggambar: begitu data menjadi histogram, bentuknya langsung bercerita banyak. Bentuk pertama, simetris, berarti sisi kiri dan kanan seimbang seperti lonceng — ini khas data alami seperti tinggi badan, dan pada distribusi simetris rata-rata kira-kira sama dengan nilai tengahnya. Bentuk kedua, menceng kanan, punya ekor panjang menjulur ke kanan, artinya kebanyakan data bernilai kecil tetapi ada segelintir nilai sangat besar yang menarik ekornya — ini pola khas data gaji, kekayaan, dan omzet UMKM, di mana banyak yang berpenghasilan biasa dan sedikit yang sangat kaya. Bentuk ketiga, menceng kiri, kebalikannya, dengan ekor menjulur ke kiri. Ada satu jebakan penamaan yang harus Anda hafal: arah menceng mengikuti arah ekornya yang panjang dan tipis, bukan arah gunungnya yang tinggi — jadi kalau ekornya ke kanan, namanya menceng kanan, meskipun puncaknya ada di kiri.

Dot Plot — Sederhana tapi Informatif

Dot plot: tiap amatan = satu titik di atas garis bilangan; nilai yang sama ditumpuk ke atas. Cocok untuk data kecil-menengah — pola & pencilan langsung tampak tanpa kehilangan satu data pun.

Kelebihan vs histogram: dot plot tidak mengelompokkan ke kelas, jadi tak ada detail hilang. Kekurangan: berantakan kalau n sangat besar.

Dot plot adalah grafik paling sederhana yang sering diremehkan padahal sangat berguna untuk data berukuran kecil sampai menengah. Cara membuatnya hampir tanpa hitungan: tarik sebuah garis bilangan, lalu untuk setiap amatan letakkan satu titik di atas nilainya, dan kalau ada beberapa amatan bernilai sama, titiknya cukup ditumpuk ke atas. Keunggulan utamanya dibanding histogram adalah dot plot tidak mengelompokkan data ke dalam kelas, sehingga tidak ada satu pun detail yang hilang — Anda masih bisa melihat setiap nilai asli sambil tetap menangkap bentuk keseluruhannya. Ini sangat membantu untuk mengintip pencilan, yaitu nilai yang jauh menyimpang dari kelompoknya, misalnya satu pelanggan yang menunggu jauh lebih lama dari yang lain. Kelemahannya hanya satu: kalau jumlah datanya ratusan atau ribuan, titik-titiknya jadi berdesakan dan grafiknya tidak lagi rapi — di situlah histogram kembali unggul.

Bagian 3 dari 4

Grafik Data Kualitatif

Untuk data kategori — merek, provinsi, jenis keluhan — bukan histogram melainkan diagram batang, pie chart, Pareto, dan stem-and-leaf yang berbicara.

Diagram Batang (Bar Chart) untuk Data Kualitatif

Diagram batang: tiap kategori = satu batang, tingginya = frekuensi/nilai. Batang terpisah (ada celah) — penanda data kategori, bukan kontinu.

Aturan Baca

Mulai sumbu-y dari nol; urutkan batang (besar→kecil) agar mudah dibandingkan.

Varian Berguna

Batang mendatar (label panjang) • berkelompok (bandingkan 2 tahun) • bertumpuk (komposisi dalam tiap batang).

Histogram batangnya menempel (angka kontinu); diagram batang batangnya terpisah (kategori). Satu-satunya beda visual yang harus Anda hafal.

Diagram batang adalah grafik paling serbaguna untuk data kualitatif atau kategori. Cara membuatnya intuitif: untuk tiap kategori, gambar satu batang yang tingginya mewakili frekuensi atau nilainya, lalu beri jarak antar-batang. Jarak atau celah itu bukan sekadar hiasan — ia adalah penanda visual bahwa sumbu mendatarnya berisi kategori yang terpisah, bukan angka yang bersambung seperti pada histogram. Saya beri contoh yang relevan dengan kebijakan Indonesia: penyaluran Kredit Usaha Rakyat per provinsi, di mana tiap provinsi menjadi satu batang dan kita bisa langsung melihat provinsi mana yang menyerap KUR paling banyak. Dua kebiasaan baik yang harus Anda terapkan: selalu mulai sumbu tegak dari nol agar tinggi batang jujur mencerminkan nilainya, dan urutkan batang dari yang terbesar ke terkecil supaya perbandingannya mudah ditangkap mata — kecuali kalau urutan kategorinya sendiri sudah punya makna, seperti urutan waktu.

Pie Chart & Komposisi

Pie chart membagi satu lingkaran (100%) menjadi juring sesuai proporsi tiap kategori. Sudut juring = persen × 360°. Cocok untuk komposisi dengan sedikit kategori.

Cara Hitung Sudut Juring

Industri pengolahan ≈ 19% dari PDB:

19% × 360° = 68,4°

Semua juring: total sudut = 360° ✓

Batas pie: buruk untuk membandingkan banyak juring yang ukurannya mirip. Untuk perbandingan presisi → pakai diagram batang.

Pie chart adalah grafik yang paling sering Anda jumpai sekaligus paling sering disalahgunakan, jadi mari kita pakai dengan bijak. Idenya: satu lingkaran utuh mewakili keseluruhan atau seratus persen, lalu kita potong menjadi juring-juring yang besarnya sebanding dengan proporsi tiap kategori, di mana sudut tiap juring sama dengan persentasenya dikali tiga ratus enam puluh derajat. Contohnya, kalau industri pengolahan menyumbang sekitar sembilan belas persen PDB, maka juringnya bersudut kira-kira enam puluh delapan derajat — dan saya tegaskan angka komposisi PDB ini ilustratif, jadi verifikasi ke data BPS terbaru saat Anda memakainya di laporan sungguhan. Pie chart bekerja baik untuk menunjukkan komposisi ketika kategorinya sedikit, katakanlah dua sampai lima bagian. Tetapi ia punya kelemahan serius: mata manusia buruk membandingkan ukuran sudut, sehingga begitu juringnya banyak dan ukurannya mirip-mirip, Anda akan kesulitan menentukan mana yang lebih besar — dalam situasi itu, diagram batang jauh lebih jujur dan mudah dibaca.

Diagram Pareto — Menemukan “The Vital Few”

Diagram Pareto: diagram batang kategori diurutkan besar→kecil, plus garis persentase kumulatif. Menemukan sedikit kategori yang menyumbang sebagian besar masalah (prinsip 80/20).

Baca: 3 kategori teratas = ~78% keluhan. Fokuskan perbaikan ke sini → dampak terbesar dengan usaha paling sedikit.

Diagram Pareto adalah favorit para manajer karena ia bukan sekadar menggambar data, melainkan langsung memberi tahu Anda harus fokus ke mana. Bentuknya adalah diagram batang yang kategorinya sudah diurutkan dari frekuensi terbesar ke terkecil, ditambah sebuah garis yang menunjukkan persentase kumulatif. Idenya berakar pada pengamatan ekonom Vilfredo Pareto dan kemudian dipopulerkan dalam manajemen mutu sebagai prinsip delapan puluh dua puluh: seringkali sekitar delapan puluh persen masalah berasal dari hanya sekitar dua puluh persen penyebab. Lihat contoh keluhan konsumen ini: tiga kategori teratas — pembiayaan, e-commerce, dan perbankan — sudah menyumbang sekitar tujuh puluh delapan persen dari seluruh keluhan, sehingga kalau Anda manajer dengan sumber daya terbatas, di tiga kategori itulah perbaikan harus diprioritaskan. Itulah keindahan Pareto: ia mengubah tumpukan data menjadi keputusan, menuntun Anda menemukan "the vital few" alih-alih terdistraksi oleh "the trivial many".

Stem-and-Leaf — Tabel sekaligus Grafik

Stem-and-leaf memecah tiap angka jadi batang (digit depan) dan daun (digit belakang). Hasilnya: bentuk seperti histogram tanpa kehilangan angka asli.

Nilai Ujian 12 Mahasiswa (62, 65, 68, 71, 73, 73, 75, 79, 82, 84, 88, 91)

Batang	Daun (digit belakang)	Jumlah
6	2 5 8	3
7	1 3 3 5 9	5
8	2 4 8	3
9	1	1

Miringkan kepala → deretan daun membentuk siluet histogram!

Panjang baris daun = tinggi batang. Beda dengan histogram: Anda masih bisa baca setiap nilai asli — mis. 73 muncul dua kali.

Stem-and-leaf, atau diagram batang-daun, adalah penemuan cerdas yang menggabungkan keunggulan tabel dan grafik sekaligus. Caranya: tiap angka kita pecah menjadi dua bagian — digit depan disebut batang dan digit belakang disebut daun. Misalnya nilai ujian tujuh puluh tiga dipecah menjadi batang tujuh dan daun tiga, lalu kita susun semua daun di sebelah batang yang sesuai. Hasilnya menakjubkan: kalau Anda miringkan kepala, deretan daun itu membentuk siluet seperti histogram yang menunjukkan di mana data menumpuk — di contoh ini, jelas terlihat puncaknya di nilai tujuh puluhan. Bedanya dengan histogram biasa, stem-and-leaf tidak membuang satu pun angka asli; Anda masih bisa membaca bahwa nilai tujuh puluh tiga muncul dua kali, sesuatu yang hilang begitu data diubah jadi histogram. Itulah sebabnya stem-and-leaf sangat berguna untuk data berukuran kecil sampai sedang ketika Anda ingin melihat bentuk sekaligus mempertahankan detailnya.

Bagian 4 dari 4

Jujur, Rangkum, Latih

Grafik bisa menyesatkan tanpa satu angka pun salah. Kita belajar mendeteksinya, memilih grafik yang tepat, lalu merangkum dan berlatih.

Grafik yang Membohongi: Sumbu yang Dipotong

Data sama persis, dua grafik berbeda kesan. Trik favorit: sumbu-y tidak dimulai dari nol.

Menyesatkan — Sumbu mulai 98

Batang kedua tampak jauh lebih tinggi. Kesan dramatis.

Jujur — Sumbu mulai 0

Kenaikan 99 → 101 = hanya ~2%. Tampak apa adanya.

Saat membaca grafik orang lain, periksa selalu titik awal sumbu-y. Trik lain: skala tak seragam, grafik 3D, atau cherry-picking rentang waktu yang menguntungkan.

Sekarang saya tunjukkan sisi gelap grafik, dan ini akan mengubah cara Anda membaca berita dan iklan selamanya. Saya pasang dua grafik dengan data yang sama persis — penjualan naik dari sembilan puluh sembilan menjadi seratus satu, kenaikan sekitar dua persen saja. Pada grafik pertama, saya mulai sumbu tegaknya bukan dari nol melainkan dari sembilan puluh delapan, dan tiba-tiba batang kedua terlihat menjulang dramatis seolah penjualan meledak berkali lipat — padahal tidak. Pada grafik kedua, saya mulai sumbu dari nol secara jujur, dan kenaikan dua persen itu tampak apa adanya: hampir datar. Tidak ada satu angka pun yang saya palsukan; saya hanya memainkan titik awal sumbu, dan inilah trik paling umum yang dipakai untuk membesar-besarkan atau mengecilkan sesuatu. Pelajaran praktisnya, setiap kali Anda melihat grafik batang yang dramatis, langkah pertama Anda harus memeriksa dari angka berapa sumbu tegaknya dimulai — kalau bukan dari nol, waspadalah.

Memilih Grafik yang Tepat untuk Tujuan Anda

Tidak ada grafik “terbaik” universal — yang ada grafik paling tepat untuk pertanyaan & jenis data tertentu. Panduan cepat:

Tujuan / Jenis Data	Grafik yang Tepat
Sebaran data angka (bentuk distribusi)	Histogram / poligon / dot plot
Bandingkan kategori (mana terbesar)	Diagram batang
Komposisi (bagian dari keseluruhan), sedikit kategori	Pie chart
Prioritaskan kategori (the vital few)	Diagram Pareto
Lihat bentuk tanpa kehilangan angka asli	Stem-and-leaf / dot plot
Baca persentil / akumulasi	Ogive

Tiga pertanyaan pemandu: (1) Data saya angka atau kategori? (2) Saya ingin lihat sebaran, perbandingan, komposisi, atau akumulasi? (3) Berapa banyak kategorinya?

Mahasiswa sering bertanya, "Pak, grafik mana yang terbaik?" — dan jawaban saya selalu: tidak ada yang terbaik secara universal, yang ada hanya yang paling tepat untuk pertanyaan dan jenis data Anda. Maka biasakan bertanya tiga hal sebelum memilih grafik. Pertama, data saya berupa angka atau kategori? Kalau angka, dunia Anda adalah histogram, poligon, dot plot, dan ogive; kalau kategori, dunia Anda adalah diagram batang, pie, dan Pareto. Kedua, apa yang ingin saya tunjukkan — sebaran data, perbandingan antar-kategori, komposisi sebagai bagian dari keseluruhan, atau akumulasi? Ketiga, berapa banyak kategori yang terlibat, karena pie chart yang bagus untuk tiga kategori akan kacau untuk lima belas kategori. Kalau Anda terbiasa menjawab tiga pertanyaan ini, pemilihan grafik bukan lagi tebak-tebakan melainkan keputusan yang sadar dan bisa Anda pertanggungjawabkan di depan atasan.

Peta Konsep: Bagaimana Semua Terhubung

Satu ide induk: ubah angka menjadi bentuk yang jujur & mudah dibaca. Semua grafik hari ini adalah varian dari ide itu.

Sebelum menutup, mari kita lihat gambar besar bagaimana semua potongan hari ini saling terhubung. Di pusatnya ada satu kata: data, yang bercabang dua menjadi data kuantitatif berupa angka dan data kualitatif berupa kategori — dan percabangan inilah penentu pertama grafik mana yang Anda pakai. Cabang kuantitatif mengalir dari distribusi frekuensi ke histogram, poligon, dan ogive, ditambah dot plot dan pengamatan bentuk distribusi. Cabang kualitatif mengalir ke diagram batang, pie chart, dan Pareto, dengan stem-and-leaf sebagai jembatan unik antara keduanya. Yang menyatukan semua cabang adalah satu prinsip yang harus Anda pegang teguh: grafik harus jujur, dimulai dari menempatkan sumbu pada nol. Dan ingat, ini baru awal — di Pertemuan 3 kita akan melengkapi gambar grafik dengan boxplot, yaitu diagram kotak-garis yang merangkum data lewat kuartil, sehingga kuasai fondasi hari ini dengan baik.

Latihan & Diskusi Kelas

Latihan 1 — Distribusi Frekuensi

Diberikan 30 data lama tunggu pelanggan (menit): min = 2, maks = 17.

Tentukan: (a) k (aturan 2^k ≥ n), (b) range, (c) lebar kelas, (d) susun batas kelas.

(Petunjuk: 2⁴=16 <30; 2⁵=32 ≥30 → k = ?)

Latihan 2 — Pilih Grafik

Untuk tiap data berikut, grafik apa yang paling tepat?

(a) Komposisi pasar 4 e-wallet (GoPay, OVO, DANA, ShopeePay)
(b) Jumlah keluhan per kategori — cari prioritas perbaikan
(c) Sebaran nilai UTS 80 mahasiswa

Kerjakan 5–7 menit. Kunci jawaban ada di Lampiran B — kita bahas bersama setelah ini.

Sekarang giliran Anda, karena keterampilan menyajikan data hanya benar-benar melekat lewat latihan, bukan dengan menonton saya menggambar. Latihan pertama menguji penyusunan distribusi frekuensi: Anda punya tiga puluh data lama tunggu pelanggan dengan nilai terkecil dua menit dan terbesar tujuh belas menit, dan saya minta Anda menentukan jumlah kelas dengan aturan dua pangkat k, menghitung range, menentukan lebar kelas, lalu menyusun batas-batas kelasnya — ingat selalu bulatkan lebar ke atas. Latihan kedua menguji penilaian Anda dalam memilih grafik untuk tiga situasi berbeda, dan di sinilah tiga pertanyaan pemandu tadi Anda terapkan: data angka atau kategori, ingin menunjukkan apa, dan berapa banyak kategorinya. Kerjakan sekitar lima sampai tujuh menit dengan tenang, dan kunci jawaban lengkapnya ada di Lampiran B untuk kita bahas bersama setelah ini. Jangan takut salah — justru dari kesalahan di latihan inilah pemahaman Anda menjadi kokoh.

Persiapan Pertemuan 3

Hari ini Anda belajar menyajikan data secara grafis. Pertemuan depan kita meringkasnya menjadi angka — ukuran pemusatan, sebaran, dan boxplot.

Pertemuan 3 — Ukuran Numerik

Rata-rata, median, modus — ukuran pemusatan
Jangkauan, varians, simpangan baku — ukuran sebaran
Kuartil & boxplot (melengkapi grafik hari ini)

Tugas Mandiri — Coba Sendiri

Ambil data nyata (∼30 angka): return saham dari aplikasi sekuritas, atau gaji di sekitar Anda. Susun distribusi frekuensinya, gambar histogram, dan pilih satu grafik kualitatif. Bawa hasilnya ke P3.

Kuasai membuat distribusi frekuensi & memilih grafik yang tepat. Sampai jumpa di Pertemuan 3 — Ukuran Pemusatan & Penyebaran.

Kita sampai di penghujung pertemuan yang padat ini, dan saya harap Anda kini tidak hanya tahu nama-nama grafik tetapi benar-benar bisa membuat dan membacanya. Hari ini fokus kita adalah menyajikan data secara grafis — dari menyusun distribusi frekuensi sampai memilih grafik yang tepat dan mendeteksi grafik yang menyesatkan. Di Pertemuan 3 nanti kita melengkapi keterampilan ini dengan cara lain merangkum data, yaitu meringkasnya menjadi beberapa angka kunci: ukuran pemusatan seperti rata-rata dan median, ukuran penyebaran seperti simpangan baku, dan kuartil yang menjadi dasar boxplot — grafik yang sengaja saya tahan dari Sub-CPMK hari ini sampai Anda paham kuartilnya dulu. Tugas mandiri Anda menyenangkan dan nyata: ambil sekitar tiga puluh data dari kehidupan Anda sendiri, entah return saham dari aplikasi sekuritas atau gaji orang-orang di sekitar Anda, lalu susun distribusi frekuensinya dan gambar histogramnya. Latihan dengan data nyata inilah yang akan membuat materi hari ini benar-benar menjadi milik Anda, dan sampai jumpa minggu depan di Pertemuan 3.

Statistika Bisnis I

Pertemuan 2 — Metode Grafikuntuk Mendeskripsikan Data

Tujuan Pembelajaran Hari Ini

50 Angka Mentah vs 1 Gambar

Anatomi Sebuah Distribusi Frekuensi

Berapa Banyak Kelas? Aturan 2k ≥ n

Menentukan Lebar Kelas, Batas, dan Titik Tengah

Coba Sendiri: Ubah Jumlah Kelas, Lihat Histogram Berubah

Hitung dari Nol — HDN-1: Distribusi Frekuensi 50 Return BBCA

Frekuensi Relatif & Frekuensi Kumulatif

Histogram — Potret Sebaran Data Kuantitatif

Poligon Frekuensi — Garis dari Titik Tengah

Ogive — Grafik Frekuensi Kumulatif

Hitung dari Nol — HDN-2: Frekuensi Kumulatif Gaji UMKM

Bentuk Distribusi: Apa yang Diceritakan Grafik

Dot Plot — Sederhana tapi Informatif

Diagram Batang (Bar Chart) untuk Data Kualitatif

Pie Chart & Komposisi

Diagram Pareto — Menemukan “The Vital Few”

Stem-and-Leaf — Tabel sekaligus Grafik

Grafik yang Membohongi: Sumbu yang Dipotong

Memilih Grafik yang Tepat untuk Tujuan Anda

Peta Konsep: Bagaimana Semua Terhubung

Latihan & Diskusi Kelas

Persiapan Pertemuan 3

Pertemuan 2 — Metode Grafik
untuk Mendeskripsikan Data

Berapa Banyak Kelas? Aturan 2^k ≥ n