Program Studi Manajemen · FEB UNDIP

Statistika Bisnis I

Pertemuan 3 — Ukuran Pemusatan: Rata-rata, Median, Modus

Cara meringkas ratusan angka menjadi satu angka wakil — dan cara memilih angka wakil yang jujur ketika ada data berpencilan.

RPS MINGGU 3 · SUB-CPMK 1 · DURASI 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menghitung ukuran pemusatan dan memilih yang paling representatif (Sub-CPMK 1, bagian 1).

Capaian 1 — Tiga Ukuran

①

Menghitung mean, median, dan modus dari data mentah dengan benar dan tanpa kesalahan aritmetika.

Capaian 2 — Mean Khusus

②

Membedakan μ vs x̄, serta menghitung rata-rata tertimbang dan rata-rata geometrik untuk minimal satu kasus tiap jenis.

Capaian 3 — Memilih

③

Menentukan ukuran mana yang paling representatif saat data berpencilan atau menceng, dengan alasan yang benar.

Capaian 4 — Kemencengan

④

Menjelaskan hubungan posisi mean–median–modus dengan arah skewness distribusi menceng kanan maupun kiri.

Satu Angka untuk Mewakili Ribuan

Sebuah perusahaan punya 100 karyawan. "Berapa gaji rata-rata?" terdengar sederhana — tapi jawabannya bisa menyesatkan.

Versi Manajemen

Rp 12 jt

/bulan

Tambahkan semua gaji, bagi 100. Hasilnya Rp 12 juta/bulan. Terdengar makmur dan merata.

Realitas Lapangan

95 : 5

karyawan biasa vs direksi

95 karyawan bergaji ~Rp 6 juta; 5 direksi bergaji ~Rp 130 juta. Mayoritas jauh di bawah "rata-rata".

Angka rata-rata Rp 12 juta benar secara aritmetika, tapi tidak mewakili siapa-siapa. Hari ini kita belajar kapan angka wakil itu jujur — dan kapan median lebih dipercaya.

Bagian 1 dari 4

Mengapa Kita Butuh
Ukuran Pemusatan?

Dari setumpuk angka mentah menuju satu nilai wakil — dan tiga cara berbeda untuk menemukannya.

Mean Median Modus

Tiga Sudut Pandang tentang "Pusat" Data

Mean — Titik Seimbang

x̄

Rata-rata aritmetik. Pusat sebagai titik keseimbangan — kalau data ditaruh di papan jungkat-jungkit, mean adalah titik tumpunya. Memakai semua nilai.

Median — Titik Tengah

Nilai yang membagi data jadi dua bagian sama banyak setelah diurutkan. 50% data di bawahnya, 50% di atasnya.

Modus — Titik Terlazim

Nilai yang paling sering muncul. Pusat sebagai "tempat data paling menumpuk". Bisa lebih dari satu.

Ketiganya benar — tapi menjawab pertanyaan berbeda. Mean menjawab "kalau dibagi rata"; median menjawab "siapa yang di tengah"; modus menjawab "apa yang paling lazim".

Sebelum berhitung, saya ingin Anda memahami bahwa "pusat data" bisa dilihat dari tiga sudut pandang yang sama-sama sah. Sudut pandang pertama adalah mean atau rata-rata aritmetik, yang paling baik dibayangkan sebagai titik keseimbangan: kalau Anda menaruh semua data sebagai beban di sepanjang papan jungkat-jungkit, mean adalah titik tumpu yang membuat papan itu seimbang. Sudut pandang kedua adalah median, yaitu nilai yang berdiri tepat di tengah barisan data yang sudah diurutkan, membagi data menjadi dua bagian sama banyak. Sudut pandang ketiga adalah modus, yaitu nilai yang paling sering muncul, ibarat tempat di mana data paling menumpuk. Yang penting Anda sadari, ketiganya bisa memberikan angka berbeda untuk data yang sama, dan justru perbedaan itulah yang nanti memberi tahu kita banyak hal tentang bentuk data.

Bagian 2 dari 4

Tiga Ukuran Klasik:
Mean, Median, Modus

Rumus dan cara hitung tiap ukuran — termasuk perbedaan penting antara rata-rata seluruh populasi (μ) dan rata-rata sampel (x̄).

x̄ = Σxᵢ / n

Rata-rata Aritmetik: Populasi (μ) vs Sampel (x̄)

Cara hitungnya identik — jumlahkan semua, bagi banyaknya. Yang beda hanya konteks dan lambang.

POPULASI

μ = Σxᵢ / N

μ dibaca "mu" (huruf Yunani) · N = ukuran seluruh populasi

SAMPEL

x̄ = Σxᵢ / n

x̄ dibaca "x-bar" · n = ukuran sampel (huruf kecil)

Populasi = seluruh anggota yang ingin dipelajari (mis. semua karyawan PT X). Sampel = sebagian yang diambil untuk diteliti (mis. 50 karyawan terpilih). Lambang berbeda agar kita selalu sadar sedang bicara yang mana.

Inilah rumus yang paling Anda kenal sejak sekolah: rata-rata sama dengan jumlah semua nilai dibagi banyaknya data. Tetapi di statistika, kita harus berhati-hati membedakan apakah data itu seluruh populasi atau hanya sampel. Kalau Anda menghitung rata-rata dari seluruh anggota yang ingin dipelajari — misalnya gaji semua karyawan di satu perusahaan — itu mean populasi, dan kita beri lambang mu dengan pembagi N huruf besar. Kalau Anda hanya mengambil sebagian, misalnya lima puluh karyawan untuk disurvei, itu mean sampel dengan lambang x-bar dan pembagi n huruf kecil. Cara menghitungnya persis sama; yang berbeda hanyalah konteks dan lambang, tetapi pembedaan ini akan menjadi sangat penting nanti ketika kita masuk ke statistika inferensi, di mana x-bar kita pakai untuk menaksir mu yang sebenarnya tidak kita ketahui.

Median — Nilai Tengah yang Tahan Outlier

Median = nilai di posisi tengah setelah data diurutkan. Langkahnya: urutkan dulu, baru cari yang tengah.

Posisi median = (n + 1) / 2

Jika hasilnya pecahan (n genap) → ambil rata-rata dua nilai yang mengapitnya

n Ganjil

n=9

Posisi tepat di satu nilai. (9+1)/2 = posisi ke-5. Median = nilai urutan ke-5 dari data yang sudah diurutkan.

n Genap

n=8

Posisi di antara dua nilai. (8+1)/2 = 4,5 → median = (nilai ke-4 + nilai ke-5) / 2.

Median tidak terpengaruh seberapa ekstrem nilai terbesar/terkecil — itu sebabnya median disebut kokoh (robust) terhadap outlier.

Median adalah ukuran pemusatan yang paling sering diremehkan padahal sering paling berguna. Definisinya sederhana: median adalah nilai yang berada tepat di tengah ketika data sudah diurutkan dari terkecil ke terbesar. Saya tekankan kata "diurutkan", karena kesalahan paling umum mahasiswa adalah langsung mengambil nilai di tengah baris data tanpa mengurutkannya dulu — itu salah total. Untuk menemukan posisinya, gunakan rumus n tambah satu dibagi dua; kalau jumlah datanya ganjil hasilnya bulat dan median adalah nilai di posisi itu, kalau genap hasilnya pecahan dan median adalah rata-rata dua nilai yang mengapitnya. Keunggulan terbesar median adalah ia tidak peduli seberapa gila nilai terbesar atau terkecil — naikkan gaji direksi dari seratus juta menjadi semiliar pun median tidak bergeser, dan sifat kokoh inilah yang membuat median menjadi penyelamat ketika data penuh outlier.

Modus — Nilai yang Paling Sering Muncul

Modus = nilai dengan frekuensi tertinggi. Tidak perlu diurutkan, tinggal hitung mana yang paling sering.

Unimodal

1 Mo

Satu modus. Contoh {2, 3, 3, 3, 5} → modus = 3. Angka 3 muncul tiga kali, tertinggi.

Bimodal / Multimodal

2+ Mo

Dua atau lebih nilai sama-sama tersering. Contoh {4, 4, 5, 5, 7} → modus = 4 dan 5.

Tanpa Modus

0 Mo

Semua nilai muncul sama sering. Contoh {1, 2, 3, 4} → tidak ada modus.

Modus adalah satu-satunya ukuran pemusatan yang bisa dipakai untuk data kategori/nominal (mis. merek HP terlaris, jurusan terfavorit) — karena untuk data semacam itu kita tidak bisa menjumlah atau mengurutkan.

Modus adalah ukuran pemusatan yang paling intuitif sekaligus paling sering disalahpahami sebagai "selalu ada satu". Definisinya: modus adalah nilai yang paling sering muncul, dan untuk mencarinya Anda cukup menghitung frekuensi tiap nilai tanpa perlu mengurutkan atau menjumlah. Yang harus Anda ingat, sebuah data bisa punya satu modus, bisa punya dua atau lebih jika ada beberapa nilai yang sama-sama tersering, dan bisa pula tidak punya modus sama sekali jika semua nilai muncul dengan frekuensi yang sama. Keistimewaan modus yang sering dilupakan adalah ia satu-satunya ukuran pemusatan yang bisa dipakai untuk data kategori — Anda tidak bisa menghitung "rata-rata merek HP" atau "median jurusan", tetapi Anda bisa menyebut merek HP terlaris atau jurusan terfavorit, dan itulah modus. Jadi ketika berhadapan dengan data nominal, modus adalah satu-satunya alat pemusatan yang sah.

Hitung dari Nol — HDN-1: Tiga Ukuran Sekaligus

Gaji 9 karyawan (juta Rp): 3,5 · 4 · 4 · 4,5 · 5 · 5 · 6 · 8 · 25. Hitung mean, median, dan modus.

Langkah	Perhitungan	Nilai
Urutkan data	3,5 · 4 · 4 · 4,5 · 5 · 5 · 6 · 8 · 25 (sudah terurut; n=9)	—
MEAN — jumlahkan	3,5 + 4 + 4 + 4,5 + 5 + 5 + 6 + 8 + 25	Σ = 65
MEAN — bagi n	65 ÷ 9	x̄ ≈ 7,22 jt
MEDIAN — posisi	(9 + 1) / 2 = posisi ke-5	nilai ke-5
MEDIAN — baca nilai	data ke-5 (terurut): 3,5 · 4 · 4 · 4,5 · 5 · 5 · 6 · 8 · 25	Me = 5 jt
MODUS — frekuensi	4 muncul 2×; 5 muncul 2×; lainnya 1×	Mo = 4 dan 5 jt (bimodal)

Mean ≈ 7,22 jt · Median = 5 jt · Modus = 4 & 5 jt. Perhatikan: mean (7,22) jauh di atas median (5) — ada yang menarik mean ke atas. Slide berikut mengungkap siapa penyebabnya.

Sekarang kita kerjakan satu kasus dari nol sampai jadi, menghitung ketiga ukuran sekaligus untuk data yang sama supaya Anda melihat perbedaannya. Datanya adalah gaji sembilan karyawan dalam juta rupiah, dan sudah diurutkan dari kecil ke besar. Untuk mean, jumlahkan semuanya menjadi enam puluh lima, lalu bagi sembilan, hasilnya sekitar tujuh koma dua dua juta. Untuk median, karena datanya sembilan buah yang ganjil, posisi tengahnya adalah sepuluh dibagi dua sama dengan lima, jadi median adalah nilai di urutan kelima yaitu lima juta. Untuk modus, perhatikan bahwa angka empat muncul dua kali dan angka lima juga muncul dua kali, sehingga data ini sebenarnya bimodal — punya dua modus, empat dan lima juta; ini jujur saja saya sampaikan, karena di dunia nyata data memang sering punya lebih dari satu modus, dan Anda tidak boleh memaksakan satu modus kalau memang ada dua.

Mengapa Mean ≈ 7,22 tapi Median = 5?

Satu gaji ekstrem — Rp 25 juta — menarik mean ke atas, sementara median tak bergeming. Inilah perbedaan kunci.

Mean — Tertarik Outlier

7,22

juta/bulan

Memakai semua nilai, termasuk yang ekstrem. Si '25 jt' mengangkat mean jauh dari mayoritas yang bergaji 4–6 jt.

Median — Tahan Outlier

5,00

juta/bulan

Hanya peduli posisi tengah. Mau gaji tertinggi 25 jt atau 250 jt, median tetap 5 jt.

Uji cepat: buang si '25', hitung ulang mean 8 sisanya → (3,5+4+4+4,5+5+5+6+8) / 8 = 5,0 jt = median. Bukti: satu outlier sajalah penyebab selisih 2,22 jt itu.

Slide ini adalah jantung pelajaran hari ini, jadi tolong perhatikan baik-baik mengapa mean dan median bisa berbeda jauh. Penyebabnya adalah satu gaji ekstrem, dua puluh lima juta, yang kita sebut outlier atau data berpencilan. Karena mean menjumlahkan semua nilai termasuk yang ekstrem, kehadiran si dua puluh lima ini menarik rata-rata ke atas, menjauh dari mayoritas karyawan yang gajinya hanya sekitar empat sampai enam juta. Sebaliknya, median hanya peduli pada posisi tengah, sehingga mau gaji tertinggi itu dua puluh lima juta atau dua ratus lima puluh juta, median tetap lima juta — itulah arti "kokoh terhadap outlier". Untuk membuktikannya, mari kita lakukan eksperimen kecil: buang si dua puluh lima, lalu hitung ulang rata-rata delapan sisanya, hasilnya tepat lima juta, sama persis dengan median; ini bukti bahwa satu outlier sajalah yang menyebabkan selisih dua koma dua dua juta tadi.

Median untuk Data Berkelompok (Interpolasi)

Kalau data sudah disusun jadi tabel frekuensi berkelompok, kita menaksir median dengan interpolasi.

Me = L + [ (n/2 − F) / f_m ] × c

L = batas bawah nyata kelas median · n = total data · F = frek. kumulatif sebelum kelas median · f_m = frekuensi kelas median · c = panjang kelas

Kelas	f	F kum.
50–59	4	4
60–69	8	12
70–79 ★	12	24
80–89	9	33
90–99	7	40

n=40, n/2=20. Kelas median = 70–79 (kum 12 < 20 ≤ 24)

Me = 69,5 + [(20−12)/12] × 10
= 69,5 + 6,67
≈ 76,17

Median data berkelompok adalah taksiran, bukan nilai eksak — data mentahnya sudah tidak tersedia, hanya ringkasan per kelas.

Sampai sini kita menghitung median dari data mentah, tetapi di dunia nyata data sering sudah diringkas menjadi tabel frekuensi berkelompok seperti yang Anda pelajari di Pertemuan 2. Masalahnya, begitu data dikelompokkan ke dalam kelas seperti tujuh puluh sampai tujuh puluh sembilan, kita kehilangan angka aslinya — kita hanya tahu berapa banyak data di tiap kelas. Untuk mengatasinya, kita gunakan rumus interpolasi yang pada dasarnya menebak di posisi mana median jatuh di dalam kelas median, dengan mempertimbangkan berapa banyak data yang harus "dilewati" untuk sampai ke titik tengah. Yang penting Anda sadari, hasilnya adalah taksiran dan bukan nilai eksak, karena kita memang sudah tidak punya data mentahnya — tetapi taksiran ini cukup akurat dan sangat berguna ketika yang tersedia hanya tabel frekuensi.

Bagian 3 dari 4

Mean Khusus:
Tertimbang & Geometrik

Saat tiap data punya "bobot" berbeda (IPK, indeks harga) — dan saat kita merata-ratakan tingkat pertumbuhan/return (CAGR).

Rata-rata Tertimbang (Weighted Mean)

Saat tiap nilai punya bobot (kepentingan) berbeda, kalikan nilai dengan bobotnya dulu, baru bagi total bobot.

x̄_w = Σ(wᵢ · xᵢ) / Σwᵢ

xᵢ = nilai ke-i · wᵢ = bobot nilai ke-i · Σwᵢ = jumlah seluruh bobot

Contoh — IPK

SKS

Nilai mata kuliah dibobot oleh SKS. MK 4 SKS lebih menentukan IPK daripada MK 2 SKS. Rata-rata biasa keliru.

Contoh — IHSG

Kap.

Return tiap saham dibobot oleh kapitalisasi pasar. Saham besar (BBCA) lebih menentukan gerak indeks daripada saham kecil.

Kesalahan klasik: merata-ratakan biasa padahal bobotnya beda. IPK Anda bukan rata-rata sederhana dari nilai semua MK — ia rata-rata tertimbang oleh SKS.

Hitung dari Nol — HDN-2: IPK Anda adalah Weighted Mean

Empat mata kuliah, nilai (skala 4) & SKS-nya berbeda. Hitung IPK = rata-rata tertimbang SKS, lalu bandingkan dengan rata-rata biasa.

Mata Kuliah	Nilai (xᵢ)	SKS (wᵢ)	wᵢ · xᵢ
MK-A	4,0	3	12,0
MK-B	3,5	2	7,0
MK-C	3,0	4	12,0
MK-D	4,0	3	12,0
Σ	—	12	43,0

IPK = Σ(wᵢxᵢ) / Σwᵢ = 43,0 / 12 = 3,58

IPK tertimbang = 3,58. Bandingkan rata-rata biasa: (4,0 + 3,5 + 3,0 + 4,0) / 4 = 3,63. Beda 0,05 — nilai terendah (3,0) ada di MK ber-SKS terbesar, ia "menekan" IPK lebih kuat.

Mari kita buktikan rata-rata tertimbang dengan contoh yang paling dekat dengan Anda, yaitu menghitung IPK dari nol. Misalkan Anda mengambil empat mata kuliah dengan nilai dan SKS yang berbeda-beda seperti di tabel. Langkah kerjanya: kalikan tiap nilai dengan SKS-nya, jumlahkan hasil perkalian itu menjadi empat puluh tiga, lalu bagi dengan total SKS yaitu dua belas, sehingga IPK Anda adalah tiga koma lima delapan. Sekarang perhatikan apa yang terjadi kalau Anda keliru merata-ratakan nilai secara biasa tanpa bobot: hasilnya tiga koma enam tiga, sedikit lebih tinggi. Mengapa berbeda? Karena nilai terendah Anda, yaitu tiga koma nol, kebetulan ada di mata kuliah dengan SKS terbesar yaitu empat SKS, sehingga dalam perhitungan tertimbang nilai rendah itu "menekan" IPK lebih kuat — dan inilah alasan mengapa universitas selalu memakai rata-rata tertimbang SKS, bukan rata-rata biasa.

Rata-rata Geometrik — untuk Tingkat Pertumbuhan & Return

Saat angka berlipat dari periode ke periode (pertumbuhan, return), jangan pakai rata-rata biasa — pakai geometrik.

GM = (x₁ · x₂ · … · xₙ)^(1/n)

Untuk tingkat pertumbuhan: ubah tiap persen ke faktor pertumbuhan (1+g), kalikan semua, ambil akar ke-n, kurangi 1:

GM_growth = [ (1+g₁)(1+g₂)…(1+gₙ) ]^(1/n) − 1

Ini rumus yang sama dengan CAGR (Compound Annual Growth Rate) yang Anda lihat di laporan keuangan emiten BEI — rata-rata pertumbuhan majemuk per tahun. Akar ke-n = pangkat (1/n) di kalkulator.

Sekarang kita masuk ke rata-rata yang paling sering salah dipakai di dunia keuangan, yaitu rata-rata geometrik. Aturannya begini: kapan pun angka yang Anda rata-ratakan bersifat berlipat dari periode ke periode — seperti tingkat pertumbuhan pendapatan atau return saham — Anda tidak boleh memakai rata-rata aritmetik biasa, melainkan harus pakai rata-rata geometrik. Caranya, kalikan semua datanya lalu ambil akar pangkat n; khusus untuk tingkat pertumbuhan, ubah dulu tiap persentase menjadi faktor pertumbuhan satu plus g, baru kalikan, akarkan, dan kurangi satu di akhir. Ini terdengar rumit, tetapi sebenarnya inilah rumus yang persis sama dengan CAGR yang sering Anda lihat di laporan tahunan emiten Bursa Efek Indonesia ketika mereka menulis "pertumbuhan laba rata-rata sekian persen per tahun".

Hitung dari Nol — HDN-3: Rata-rata Pertumbuhan 4 Tahun

Pendapatan sebuah emiten BEI tumbuh +8%, +12%, −5%, +15% selama 4 tahun. Berapa rata-rata pertumbuhan per tahun (CAGR)?

Langkah	Perhitungan	Nilai
Ubah ke faktor (1+g)	+8% → 1,08 · +12% → 1,12 · −5% → 0,95 · +15% → 1,15	—
Kalikan semua (langkah bertahap)	1,08 × 1,12 = 1,2096 · × 0,95 = 1,14912 · × 1,15	1,321488
Akar ke-4 = pangkat (1/4)	(1,321488)^(0,25) di kalkulator: tekan [yˣ] lalu 0,25	1,072175
Kurangi 1, ubah ke persen	1,072175 − 1 = 0,072175	GM ≈ 7,22%

Rata-rata pertumbuhan geometrik ≈ 7,22% per tahun. Bandingkan rata-rata aritmetik: (8+12−5+15)/4 = 7,5% — sedikit lebih tinggi. Untuk return, angka aritmetik itu menyesatkan (slide berikut).

Sekarang kita kerjakan rata-rata geometrik dari nol, memakai kasus yang sangat realistis: pendapatan sebuah emiten Bursa Efek Indonesia yang tumbuh delapan persen, dua belas persen, turun lima persen, lalu naik lima belas persen selama empat tahun berturut-turut. Langkah pertama, ubah tiap persentase menjadi faktor pertumbuhan. Langkah kedua, kalikan keempatnya secara berurutan dan Anda dapatkan sekitar satu koma tiga dua satu. Langkah ketiga, ambil akar pangkat empat dari angka itu — di kalkulator caranya tekan angka tadi lalu tombol pangkat dengan eksponen nol koma dua lima — hasilnya sekitar satu koma nol tujuh dua. Langkah terakhir, kurangi satu dan ubah ke persen, sehingga rata-rata pertumbuhan geometriknya sekitar tujuh koma dua dua persen per tahun; perhatikan ini sedikit lebih rendah daripada rata-rata aritmetik tujuh koma lima persen.

Mengapa Rata-rata Biasa Salah untuk Return?

Contoh ekstrem membongkar masalahnya. Bayangkan investasi: tahun 1 +100%, tahun 2 −50%.

Rata-rata Aritmetik

+25%

per tahun (KELIRU)

(100% + (−50%)) / 2 = +25%/tahun. Seolah Anda untung — padahal tidak ada uang yang tumbuh 25%.

Realitas (Geometrik)

per tahun (BENAR)

Rp 100 → naik 100% → Rp 200 → turun 50% → Rp 100. Modal kembali utuh. GM = √(2,0 × 0,5) − 1 = 0%.

Rata-rata aritmetik bilang +25%, kenyataan 0%. Karena return berlipat (compounding), hanya geometrik yang menangkap pertumbuhan sesungguhnya. Aturan emas: rata-rata pertumbuhan/return → geometrik.

Slide ini menggunakan contoh ekstrem yang sengaja dipilih agar Anda tidak akan pernah lupa mengapa rata-rata aritmetik salah untuk return. Bayangkan sebuah investasi yang tahun pertama naik seratus persen lalu tahun kedua turun lima puluh persen. Kalau Anda merata-ratakan biasa, seratus persen ditambah minus lima puluh persen dibagi dua sama dengan dua puluh lima persen, seolah-olah Anda untung dua puluh lima persen per tahun. Tetapi mari kita cek dengan uang sungguhan: seratus rupiah naik seratus persen menjadi dua ratus, lalu turun lima puluh persen menjadi seratus lagi — modal Anda kembali utuh, return sesungguhnya nol persen, bukan dua puluh lima persen. Rata-rata geometrik menangkap kenyataan ini dengan benar karena ia menghormati sifat berlipat dari return, dan inilah aturan emas yang harus Anda bawa seumur hidup sebagai calon analis: untuk merata-ratakan tingkat pertumbuhan atau return, selalu gunakan rata-rata geometrik, bukan aritmetik.

Bagian 4 dari 4

Memilih yang Tepat:
Kemencengan & Rangkuman

Bagaimana posisi mean–median–modus mengungkap bentuk data — dan kapan harus memilih median daripada mean.

Kemencengan (Skewness) & Posisi Mean–Median–Modus

Urutan ketiga ukuran memberi tahu arah ekor distribusi. Hafalkan pola ini.

Simetris

= = =

Distribusi setangkup (mis. tinggi badan). Mean = Median = Modus — ketiganya berimpit di tengah.

Menceng Kanan (Positif)

Mo < Me < x̄

Ekor panjang ke kanan (mis. pendapatan, harga rumah). Mean tertarik ke kanan oleh ekor.

Menceng Kiri (Negatif)

x̄ < Me < Mo

Ekor panjang ke kiri (mis. usia pensiun, nilai ujian mudah). Mean tertarik ke kiri oleh ekor.

Cara ingat: mean "lari" mengejar ekor. Ada ekor panjang ke kanan → mean paling kanan → menceng kanan. Median selalu di antara mean dan modus.

Coba Sendiri: Geser Outlier, Amati Mean Mengejar Ekor

Geser satu titik data menjauh dan lihat bagaimana mean bergerak sementara median tetap bertahan.

Kapan Pakai Median, Kapan Pakai Mean?

Pakai Median Bila…

Ada outlier ekstrem dalam data
Data menceng kuat (pendapatan, harga rumah, kekayaan)
Skala ordinal (peringkat kepuasan pelanggan)

Median tahan terhadap nilai ekstrem — lebih jujur menggambarkan "orang biasa".

Pakai Mean Bila…

x̄

Data simetris tanpa outlier berarti
Butuh perhitungan lanjut (standar deviasi, uji statistik)

Mean memakai seluruh informasi data — menjadi bahan baku rumus-rumus statistika berikutnya.

Itu sebabnya BPS dan bank dunia melaporkan pendapatan median, bukan mean — agar tidak terdistorsi segelintir orang super kaya. Median menggambarkan "orang biasa" dengan lebih jujur.

Studi Kasus: Pendapatan per Kapita — Mean vs Median

Distribusi pendapatan/kekayaan di Indonesia (dan di mana pun) menceng kanan kuat: banyak orang berpendapatan menengah-bawah, sedikit orang sangat kaya.

Per Kapita = Mean

PDB÷n

"Pendapatan per kapita" pada dasarnya mean (total PDB ÷ jumlah penduduk). Tertarik ke atas oleh kelompok terkaya → terlihat lebih makmur dari kenyataan mayoritas.

Pendapatan Median

Pendapatan orang yang persis di tengah. Lebih menggambarkan kondisi warga "tipikal". Biasanya jauh di bawah angka per kapita.

Laporan yang hanya menyebut pendapatan per kapita (mean) bisa menyembunyikan ketimpangan. Untuk potret kesejahteraan rakyat, median lebih jujur. Jarak mean−median = sinyal seberapa timpang distribusi. (Angka spesifik → cek rilis BPS terbaru.)

Studi kasus ini menunjukkan mengapa perbedaan mean dan median bukan sekadar urusan akademik, melainkan menyangkut bagaimana kita memahami kesejahteraan rakyat. Anda sering mendengar istilah "pendapatan per kapita" di berita ekonomi — secara teknis itu adalah sebuah rata-rata, yaitu total produk domestik bruto dibagi jumlah penduduk. Masalahnya, distribusi pendapatan di Indonesia, seperti di hampir semua negara, menceng kanan kuat: mayoritas rakyat berpendapatan menengah ke bawah, sementara segelintir orang sangat kaya. Karena mean tertarik ke atas oleh kelompok terkaya, angka per kapita cenderung membuat keadaan terlihat lebih makmur daripada yang dirasakan mayoritas warga — persis seperti contoh gaji karyawan di awal kelas tadi, hanya dalam skala nasional. Untuk angka persisnya, selalu rujuk rilis Badan Pusat Statistik terbaru, karena saya tidak ingin Anda mengutip angka yang sudah kedaluwarsa.

Studi Kasus: IHSG adalah Rata-rata Tertimbang Saham

Indeks Harga Saham Gabungan (IHSG) bukan rata-rata sederhana harga semua saham — ia rata-rata tertimbang kapitalisasi.

Kalau Rata-rata Sederhana…

Salah

Saham 'gocap' (Rp 50) dan BBCA (~Rp 9–10 ribu) dianggap sama penting. Indeks jadi mudah digoyang saham kecil. Tidak dipakai.

Rata-rata Tertimbang (Dipakai)

Benar

Tiap saham dibobot kapitalisasi pasar-nya. Saham raksasa (BBCA, BBRI, TLKM) paling menentukan gerak IHSG; saham kecil pengaruhnya minim.

Ini penerapan weighted mean di pasar modal Indonesia: bobot = kapitalisasi. Konsep yang sama dengan IPK (bobot = SKS), beda objeknya saja. Rumus: x̄_w = Σ(wᵢ · xᵢ) / Σwᵢ.

Studi kasus kedua membawa rata-rata tertimbang langsung ke pasar modal Indonesia, lewat indeks yang setiap hari Anda dengar di berita: IHSG. Banyak orang mengira IHSG adalah rata-rata sederhana dari harga semua saham, padahal bukan — kalau begitu caranya, saham seharga lima puluh rupiah akan dianggap sama pentingnya dengan BBCA yang harganya hampir sepuluh ribu, dan indeks akan mudah sekali digoyang saham-saham receh. Sebagai gantinya, IHSG menggunakan rata-rata tertimbang dengan bobot berupa kapitalisasi pasar, sehingga saham-saham raksasa seperti BBCA, BBRI, dan TLKM paling menentukan arah indeks, sementara saham kecil pengaruhnya minim. Perhatikan bahwa ini adalah konsep yang persis sama dengan cara menghitung IPK Anda — hanya saja di IPK bobotnya SKS, sedangkan di IHSG bobotnya kapitalisasi pasar.

Lima Jebakan yang Sering Membuat Salah

Jebakan 1

Lupa mengurutkan sebelum cari median. Median butuh data terurut; mengambil "nilai tengah baris asli" = salah total.

Jebakan 2

Memakai mean saat data penuh outlier. Laporkan median (atau keduanya) bila ada nilai ekstrem yang jauh dari mayoritas.

Jebakan 3

Memaksa satu modus. Data bisa bimodal, multimodal, atau tanpa modus sama sekali — jangan dipaksa satu jika tidak ada.

Jebakan 4

Rata-rata biasa untuk pertumbuhan/return. Wajib pakai geometrik, bukan aritmetik — lihat contoh +100%/−50% = 0%.

Jebakan 5

Lupa bobot. IPK & IHSG adalah weighted mean; rata-rata biasa tanpa bobot SKS/kapitalisasi memberi hasil yang keliru.

Sebelum menyimpulkan — empat cek: (a) sudah diurutkan? (b) ada outlier/menceng? (c) data berlipat (return)? (d) ada bobot?

Dari pengalaman memeriksa banyak tugas dan ujian, hampir semua kesalahan ukuran pemusatan berasal dari lima jebakan yang sama, jadi saya kumpulkan agar Anda waspada. Jebakan pertama dan paling sering: lupa mengurutkan data sebelum mencari median, sehingga mahasiswa mengambil nilai tengah dari baris aslinya yang belum terurut — ini salah total. Jebakan kedua, memakai mean padahal data penuh outlier; dalam situasi itu laporkan median atau sajikan keduanya. Jebakan ketiga, memaksakan satu modus padahal data sebenarnya bimodal atau bahkan tanpa modus, seperti kasus gaji sembilan karyawan tadi yang ternyata punya dua modus. Jebakan keempat dan kelima yang sangat fatal di dunia keuangan: merata-ratakan tingkat pertumbuhan atau return secara aritmetik padahal harus geometrik, dan melupakan bobot pada perhitungan seperti IPK atau indeks harga. Biasakan empat pertanyaan cek sebelum menyimpulkan — sudah diurutkan, ada outlier atau menceng, apakah ini data berlipat, dan apakah ada bobot — karena empat cek sederhana ini akan menyelamatkan sebagian besar nilai Anda.

Cheat Sheet — Ukuran Pemusatan

Ukuran	Rumus	Dipakai untuk
Mean populasi	μ = Σxᵢ / N	Rata-rata seluruh populasi
Mean sampel	x̄ = Σxᵢ / n	Rata-rata dari sampel
Median (data mentah)	posisi (n+1)/2	Nilai tengah; tahan outlier
Median (berkelompok)	L + [(n/2 − F)/f_m]·c	Taksiran median dari tabel frekuensi
Modus	nilai paling sering	Data kategori; nilai terlazim
Mean tertimbang	x̄_w = Σ(wᵢxᵢ)/Σwᵢ	IPK, indeks harga, IHSG
Mean geometrik	(x₁·…·xₙ)^(1/n) − 1	Pertumbuhan, return, CAGR

Aturan emas memilih: outlier/menceng → median · kategori → modus · pertumbuhan/return → geometrik · ada bobot → tertimbang · simetris & lanjut hitung → mean.

Latihan & Diskusi Kelas

Latihan 1 — Tiga Ukuran

Nilai kuis 7 mahasiswa: 60, 70, 70, 75, 80, 85, 90. Hitung mean, median, modus. Apakah data ini menceng? Ke arah mana? (Petunjuk: bandingkan posisi ketiganya.)

Latihan 2 — Geometrik & Tertimbang

(a) Return saham 3 tahun: +10%, +20%, −10%. Hitung rata-rata pertumbuhan geometrik.
(b) Tiga ujian berbobot 20%, 30%, 50% bernilai 70, 80, 90. Hitung nilai akhir tertimbang.

Kerjakan 7 menit. Latihan 1: urutkan dulu sebelum cari median. Latihan 2a: ubah ke faktor (1+g), kalikan, akar, kurangi 1. Lalu kita bahas bersama.

Persiapan Pertemuan 4

Hari ini Anda belajar di mana pusat data berada. Pertemuan depan: seberapa menyebar data dari pusat itu — ragam, standar deviasi, dan mengenali outlier secara formal.

Pertemuan 4 — Ukuran Penyebaran

Range · Ragam (variance)
Standar deviasi — ukuran terpenting penyebaran
Koefisien variasi
Deteksi outlier formal: aturan IQR / z-score

Ini bagian kedua Sub-CPMK 1 — melengkapi gambar dari "pusat" ke "sebaran".

Tugas Mandiri — Latih

HDN

1 · 2 · 3

Ulangi HDN-1 s/d HDN-3 dengan angka Anda sendiri (mis. nilai semester Anda, return saham favorit). Bawa kalkulator ber-tombol [yˣ] ke kelas berikutnya.

Kuasai tujuh rumus ukuran pemusatan malam ini. Sampai jumpa di Pertemuan 4 — Ukuran Penyebaran & Outlier.

Kita sampai di penghujung pertemuan yang padat ini, dan saya harap Anda kini tidak hanya tahu cara menghitung mean, median, dan modus, tetapi juga tahu kapan masing-masing dipakai dan mengapa. Hari ini fokus kita adalah menemukan di mana pusat data berada, tetapi pusat saja belum cukup untuk memahami data. Pertemuan depan kita akan melengkapi gambaran itu dengan ukuran penyebaran — seberapa jauh data tersebar dari pusatnya — lewat range, ragam, dan yang paling penting standar deviasi, sekaligus cara formal mengenali outlier yang hari ini baru kita lihat secara intuitif. Tugas mandiri Anda sederhana tapi penting: ulangi ketiga Hitung dari Nol hari ini menggunakan angka Anda sendiri, misalnya nilai semester Anda atau return saham favorit Anda, sampai langkah-langkahnya terasa otomatis. Kuasai tujuh rumus ukuran pemusatan malam ini, dan sampai jumpa minggu depan di Pertemuan 4 tentang ukuran penyebaran dan outlier.