Program Studi Bisnis Digital • FEB UNDIP

Statistika Bisnis

Pertemuan 3 — Distribusi Normal: Kurva Normal dan Nilai-Z

Bagaimana membaca sebuah kurva berbentuk lonceng, mengubah data ke nilai-Z, dan menghitung peluang di baliknya untuk keputusan bisnis sehari-hari.

RPS MINGGU 3 • 2 × 50 MENIT

Selamat pagi/siang, Anda semua. Minggu lalu kita sudah belajar tabulasi silang untuk melihat hubungan dua variabel kategorik — misalnya jenis kelamin pelanggan versus preferensi metode pembayaran. Hari ini kita naik satu tingkat: kita akan belajar tentang distribusi normal, yaitu pola sebaran data yang paling sering muncul di dunia nyata, mulai dari tinggi badan mahasiswa, nilai ujian, sampai omzet harian sebuah toko online di Tokopedia. Kita akan kenalan dengan kurva berbentuk lonceng yang simetris, lalu belajar alat ukur bernama nilai-Z yang memungkinkan kita membandingkan data dari skala yang berbeda-beda secara adil. Di akhir pertemuan ini, Anda akan bisa menghitung peluang suatu kejadian bisnis terjadi hanya dengan rata-rata dan simpangan baku — kemampuan yang akan terus kita pakai sampai materi regresi di akhir semester.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengenali dan menghitung menggunakan distribusi normal. Secara rinci:

KONSEP

Menjelaskan ciri-ciri kurva normal dan mengapa banyak fenomena bisnis mengikuti pola ini.

KETERAMPILAN

Mengonversi nilai mentah (raw score) menjadi nilai-Z dan sebaliknya, lalu membaca tabel-Z.

APLIKASI

Menghitung peluang suatu nilai berada di atas, di bawah, atau di antara dua batas tertentu.

EMPIRICAL RULE

Menerapkan aturan 68-95-99,7% untuk estimasi cepat tanpa tabel.

Mengapa Distribusi Normal Penting bagi Bisnis?

Bayangkan Anda manajer kualitas di sebuah pabrik kemasan minuman UMKM di Semarang. Mesin diatur mengisi 330 ml per botol, tapi tidak semua botol persis sama.

Selisih kecil ini bukan kesalahan — ini variasi alami. Pertanyaannya: berapa persen botol yang terisi di bawah 325 ml (berisiko komplain pelanggan)? Distribusi normal memberi jawabannya secara matematis, bukan tebakan.

Pola sebaran berbentuk lonceng ini juga muncul di: nilai ujian mahasiswa, waktu tunggu customer service aplikasi seperti Gojek, tinggi badan populasi, dan return harian saham di Bursa Efek Indonesia (BEI).

Mari kita mulai dengan skenario yang dekat dengan dunia bisnis digital. Bayangkan Anda bekerja sebagai manajer kualitas di sebuah pabrik kemasan minuman UMKM di Semarang, dan mesin pengisi botol disetel untuk mengisi tiga ratus tiga puluh mililiter per botol. Namun kalau Anda ukur satu per satu, hampir tidak ada botol yang isinya persis tiga ratus tiga puluh — ada yang tiga ratus dua puluh delapan, ada yang tiga ratus tiga puluh dua, dan seterusnya. Variasi kecil ini wajar dan disebut variasi alami proses, bukan berarti mesinnya rusak. Pertanyaan manajerial yang muncul adalah, berapa persen botol yang terisi di bawah tiga ratus dua puluh lima mililiter, karena itu bisa memicu komplain pelanggan atau bahkan teguran dari Badan POM. Distribusi normal adalah alat yang memungkinkan kita menjawab pertanyaan semacam ini dengan angka pasti, bukan perkiraan kasar. Pola lonceng yang sama ini muncul di mana-mana: nilai ujian di kelas kita sendiri, lama waktu tunggu respons customer service Gojek, tinggi badan mahasiswa, bahkan return harian saham-saham di Bursa Efek Indonesia.

Bagian 1 dari 4

Mengenal Kurva Normal

Bentuk, ciri, dan mengapa distribusi ini begitu sering muncul di data bisnis.

Apa Itu Distribusi Normal?

Distribusi normal adalah pola sebaran data kontinu yang membentuk kurva simetris menyerupai lonceng, dengan sebagian besar nilai mengumpul di sekitar rata-rata.

Diagram: Kurva Lonceng

Puncak kurva berada tepat di rata-rata, dan kurva melebar ke kiri-kanan secara simetris sejauh simpangan baku (standard deviation) — ukuran seberapa "menyebar" data dari rata-ratanya.

Secara sederhana, distribusi normal adalah pola sebaran data yang, kalau digambar sebagai grafik, membentuk kurva yang simetris seperti lonceng terbalik atau gunung yang halus. Titik tertinggi kurva ini selalu berada tepat di rata-rata data, dan kurva ini melebar sama rata ke kiri dan ke kanan. Lebar pelebaran ini ditentukan oleh ukuran yang disebut simpangan baku, dalam bahasa Inggris standard deviation — semakin besar simpangan baku, semakin lebar dan landai kurvanya, artinya data lebih bervariasi. Sebaliknya, simpangan baku kecil membuat kurva ramping dan tinggi, artinya data cenderung berkumpul rapat di sekitar rata-rata. Bayangkan dua toko online yang sama-sama rata-rata mengirim pesanan dalam dua hari — tapi toko A selalu tepat dua hari, sementara toko B kadang satu hari kadang empat hari. Keduanya punya rata-rata sama, tapi bentuk kurvanya sangat berbeda lebarnya.

Coba Sendiri: Geser μ dan σ pada Kurva Normal

Geser slider rata-rata (μ) dan simpangan baku (σ), amati bagaimana posisi puncak dan lebar kurva berubah secara langsung.

Tiga Ciri Kunci Kurva Normal

CIRI 1

↔

Simetris Sempurna

Sisi kiri dan kanan kurva adalah cerminan satu sama lain terhadap rata-rata.

CIRI 2

≡

Mean = Median = Modus

Ketiga ukuran pemusatan data bertemu di satu titik yang sama, tepat di puncak.

CIRI 3

∞

Ekor Tak Terhingga

Kedua ujung kurva mendekati sumbu-x tapi tidak pernah benar-benar menyentuhnya.

Karena bentuknya baku, luas total di bawah kurva selalu = 1 (atau 100%) — ini yang membuatnya bisa dipakai menghitung peluang.

Ada tiga ciri yang wajib Anda ingat untuk mengenali kurva normal. Ciri pertama, kurvanya simetris sempurna — kalau Anda melipat kurva ini tepat di tengah, sisi kiri dan kanan akan bertumpuk pas. Ciri kedua, tiga ukuran pemusatan data yang biasanya berbeda-beda — rata-rata, median atau nilai tengah, dan modus atau nilai yang paling sering muncul — pada kurva normal justru bertemu di satu titik yang sama persis, tepat di puncak kurva. Ciri ketiga, kedua ujung atau ekor kurva ini secara teori memanjang tak terhingga, mendekati sumbu horizontal tapi tidak pernah benar-benar menyentuhnya — artinya secara teori selalu ada, meski sangat kecil, kemungkinan nilai ekstrem. Yang paling penting untuk kita secara praktis, luas total area di bawah kurva ini selalu sama dengan satu, atau seratus persen. Fakta inilah yang membuat kurva normal begitu berguna: kita bisa memotong-motong luas itu menjadi persentase peluang.

Aturan Empiris: 68-95-99,7%

Untuk distribusi normal, ada jalan pintas terkenal yang disebut Empirical Rule — tanpa tabel, kita sudah tahu perkiraan peluangnya.

Diagram: Sebaran di Sekitar Rata-Rata

68% data berada dalam ±1 simpangan baku (σ, dibaca "sigma") dari rata-rata; 95% dalam ±2σ; 99,7% dalam ±3σ.

Sebelum masuk ke tabel-Z yang lebih presisi, ada satu aturan cepat yang sangat berguna untuk taksiran kasar di lapangan, namanya Empirical Rule atau aturan empiris, sering disingkat aturan 68-95-99,7 persen. Aturan ini mengatakan begini: sekitar 68 persen data akan berada dalam jarak satu simpangan baku dari rata-rata, simpangan baku ini kita simbolkan dengan huruf Yunani sigma. Kemudian sekitar 95 persen data berada dalam jarak dua simpangan baku, dan hampir seluruh data, 99,7 persen, berada dalam jarak tiga simpangan baku. Sebagai contoh cepat, kalau rata-rata nilai ujian statistika kelas Anda adalah 75 dengan simpangan baku 5, maka menurut aturan ini sekitar 68 persen mahasiswa mendapat nilai antara 70 dan 80, tanpa perlu tabel apa pun. Ini alat yang sangat praktis untuk pengecekan cepat sebelum kita masuk ke perhitungan yang lebih presisi dengan nilai-Z.

Bagian 2 dari 4

Nilai-Z: Bahasa Universal Data

Mengubah angka mentah apa pun menjadi satuan yang bisa dibandingkan.

Apa Itu Nilai-Z?

Nilai-Z (Z-score) mengukur "seberapa jauh" sebuah data dari rata-rata, dinyatakan dalam satuan simpangan baku — bukan satuan aslinya (rupiah, ml, cm, dsb).

Z = (X − μ) ÷ σ

Nilai data yang diamati

μ (MU)

Rata-rata populasi

σ (SIGMA)

Simpangan baku populasi

Z = 0 berarti nilai persis di rata-rata. Z positif berarti di atas rata-rata, Z negatif berarti di bawah rata-rata.

Nilai-Z, atau sering disebut Z-score, pada dasarnya menjawab satu pertanyaan sederhana: seberapa jauh sebuah angka dari rata-ratanya, kalau diukur dengan satuan simpangan baku, bukan satuan aslinya seperti rupiah atau mililiter. Rumusnya adalah Z sama dengan X dikurangi mu, semua dibagi sigma. Di sini X adalah nilai data yang ingin kita periksa, mu adalah simbol Yunani untuk rata-rata populasi, dan sigma adalah simbol untuk simpangan baku populasi. Kalau hasil perhitungan Z sama dengan nol, artinya nilai itu persis berada di rata-rata, tidak di atas maupun di bawah. Kalau Z positif, misalnya Z sama dengan dua, artinya nilai itu berada dua simpangan baku di atas rata-rata. Sebaliknya kalau Z negatif, nilai itu berada di bawah rata-rata. Keunggulan besar nilai-Z adalah ia menghilangkan satuan asli data, sehingga kita bisa membandingkan hal yang tadinya tidak bisa dibandingkan, misalnya nilai ujian statistika dengan nilai ujian bahasa Inggris.

Hitung dari Nol: Nilai-Z Nilai Ujian

Nilai ujian statistika di kelas Anda: rata-rata (μ) = 75, simpangan baku (σ) = 5. Andi mendapat nilai 85. Berapa nilai-Z Andi?

Langkah	Perhitungan	Nilai
1. Selisih X dari μ	85 − 75	10
2. Bagi dengan σ	10 ÷ 5	Z = 2,0

Artinya nilai Andi berada 2 simpangan baku di atas rata-rata kelas — termasuk kelompok atas (ingat aturan 95%: ±2σ).

Mari kita coba hitung dari nol, langkah demi langkah, supaya rumus tadi terasa nyata. Kasusnya begini: nilai ujian statistika di kelas Anda punya rata-rata 75 dan simpangan baku 5. Andi, salah satu teman sekelas, mendapat nilai 85. Kita ingin tahu, berapa nilai-Z milik Andi. Langkah pertama, kita hitung selisih nilai Andi dari rata-rata kelas: 85 dikurangi 75, hasilnya 10. Langkah kedua, selisih ini kita bagi dengan simpangan baku: 10 dibagi 5, hasilnya 2 koma nol. Jadi nilai-Z Andi adalah 2,0, yang berarti nilai Andi berada dua simpangan baku di atas rata-rata kelas. Kalau Anda ingat aturan empiris yang kita bahas tadi, dua simpangan baku ini adalah batas atas dari rentang 95 persen — jadi Andi termasuk siswa dengan nilai yang cukup tinggi, hanya sekitar 2,5 persen siswa yang nilainya lebih tinggi lagi darinya.

Distribusi Normal Baku dan Tabel-Z

Setelah dikonversi ke Z, semua data (dari sumber apa pun) mengikuti distribusi normal baku (standard normal distribution): rata-rata = 0, simpangan baku = 1.

Diagram: Luas di Bawah Kurva = Peluang

Tabel-Z (tabel distribusi normal baku) sudah menghitung luas kurva untuk setiap nilai Z — kita tinggal mencari baris dan kolomnya, tanpa integral rumit.

Keajaiban dari konversi ke nilai-Z adalah, tidak peduli data aslinya tentang apa — nilai ujian, harga saham GOTO, atau berat kemasan indomie — setelah diubah menjadi Z, semua data itu mengikuti pola yang sama persis, yang disebut distribusi normal baku, dengan rata-rata nol dan simpangan baku satu. Karena semua data "berbicara bahasa yang sama" setelah distandardisasi, para ahli statistik sudah menyusun sebuah tabel, yang kita sebut tabel-Z atau tabel distribusi normal baku, berisi luas area di bawah kurva untuk setiap kemungkinan nilai Z. Luas area ini yang secara langsung merepresentasikan peluang. Jadi kita tidak perlu menghitung integral kalkulus yang rumit setiap kali ingin tahu peluang — kita cukup mencari nilai Z kita di tabel, lalu baca luasnya. Di pertemuan ini kita akan pakai tabel-Z sederhana yang menunjukkan luas dari titik tengah (Z=0) sampai ke nilai Z tertentu.

Cara Membaca Tabel-Z

Tabel-Z standar menunjukkan luas (peluang) dari Z = 0 sampai Z tertentu. Contoh cuplikan tabel:

Z	0,00	0,01	0,02
1,9	0,4713	0,4719	0,4726
2,0	0,4772	0,4778	0,4783
2,1	0,4821	0,4826	0,4830

Untuk Z = 2,00 (kasus Andi tadi): luas dari tengah sampai Z=2,0 adalah 0,4772 (47,72%). Karena separuh kurva = 50%, maka peluang di atas Andi = 50% − 47,72% = 2,28%.

Sekarang mari kita praktikkan cara membaca tabel-Z menggunakan kasus Andi tadi, yang nilai-Znya 2,0. Cara membacanya: cari angka 1 desimal pertama di kolom paling kiri, dalam hal ini baris 2,0, lalu cari desimal kedua di baris paling atas, dalam hal ini kolom 0,00 karena Z kita persis 2,00. Pertemuan baris dan kolom itu memberi angka 0,4772. Angka ini artinya luas area kurva dari titik tengah, Z sama dengan nol, sampai ke Z sama dengan 2,0 adalah 0,4772 atau 47,72 persen. Nah, karena kita tahu bahwa setengah kurva normal, dari titik tengah ke salah satu ujung, selalu mewakili 50 persen data, maka luas yang tersisa di ujung kanan, yaitu peluang seseorang mendapat nilai lebih tinggi dari Andi, adalah 50 persen dikurangi 47,72 persen, sama dengan 2,28 persen. Jadi hanya sekitar 2,28 persen mahasiswa di kelas yang nilainya melampaui Andi — informasi yang sangat berguna kalau Anda perusahaan yang sedang menyeleksi kandidat terbaik dari ratusan pelamar.

Bagian 3 dari 4

Menghitung Peluang Bisnis

Tiga pola soal: di atas, di bawah, dan di antara dua nilai.

Tiga Pola Soal Peluang Normal

P(X > a)

Luas di kanan nilai Z. Peluang "lebih dari".

P(X < a)

Luas di kiri nilai Z. Peluang "kurang dari".

P(a < X < b)

Luas di antara dua nilai Z.

Hitung dari Nol: Kasus Kualitas Produk

Berat kemasan snack UMKM: μ = 100 gram, σ = 4 gram. Berapa peluang sebuah kemasan beratnya kurang dari 92 gram (dianggap cacat)?

Langkah	Perhitungan	Nilai
1. Hitung Z	(92 − 100) ÷ 4	Z = −2,0
2. Cari luas tabel-Z untuk \|Z\|=2,0	lihat tabel-Z	0,4772
3. Peluang di ekor kiri	50% − 47,72%	2,28%

Dari setiap 1.000 kemasan, sekitar 23 kemasan (2,28% × 1000) berisiko dianggap cacat — informasi penting untuk kendali mutu.

Sekarang mari praktikkan pola "kurang dari" dengan kasus kendali mutu, yang sangat relevan untuk bisnis manufaktur maupun UMKM. Sebuah pabrik snack menetapkan berat kemasan rata-rata 100 gram dengan simpangan baku 4 gram. Manajer kualitas ingin tahu, berapa peluang sebuah kemasan beratnya kurang dari 92 gram, karena di bawah itu dianggap tidak memenuhi standar dan berisiko komplain. Langkah pertama, kita hitung nilai-Z: 92 dikurangi 100, dibagi 4, hasilnya minus 2,0. Tanda minus di sini wajar, artinya nilai itu di bawah rata-rata; untuk mencari luas di tabel kita pakai nilai absolutnya, yaitu 2,0. Langkah kedua, kita cari di tabel-Z, luas dari tengah sampai Z=2,0 adalah 0,4772, persis seperti contoh Andi tadi. Langkah ketiga, karena kita ingin luas di ekor kiri, bukan di antara tengah dan Z, kita hitung 50 persen dikurangi 47,72 persen, hasilnya 2,28 persen. Artinya dari setiap seribu kemasan yang diproduksi, sekitar dua puluh tiga kemasan berisiko dianggap cacat — angka yang bisa langsung dipakai manajer untuk menghitung target perbaikan mesin.

Peluang "Di Antara" Dua Nilai

Masih kasus snack (μ=100g, σ=4g). Berapa peluang berat kemasan berada antara 96 dan 108 gram?

Langkah	Perhitungan	Nilai
1. Z untuk 96g	(96 − 100) ÷ 4	Z = −1,0
2. Z untuk 108g	(108 − 100) ÷ 4	Z = +2,0
3. Luas tabel-Z (Z=1,0 & Z=2,0)	0,3413 + 0,4772	81,85%

Karena kedua Z berada di sisi berlawanan dari rata-rata (satu negatif, satu positif), luasnya dijumlahkan, bukan dikurangkan.

Pola ketiga adalah mencari peluang di antara dua nilai, dan ini masih dengan kasus kemasan snack yang sama. Sekarang kita ingin tahu, berapa peluang berat kemasan berada antara 96 gram dan 108 gram. Langkah pertama, kita hitung Z untuk batas bawah, 96 gram: 96 dikurangi 100, dibagi 4, hasilnya minus 1,0. Langkah kedua, kita hitung Z untuk batas atas, 108 gram: 108 dikurangi 100, dibagi 4, hasilnya plus 2,0. Perhatikan di sini, satu Z bernilai negatif dan satu positif — artinya batas bawah ada di kiri rata-rata dan batas atas ada di kanan rata-rata. Karena posisinya berlawanan sisi, langkah ketiga kita jumlahkan kedua luas dari tabel: luas untuk Z=1,0 adalah 0,3413, dan luas untuk Z=2,0 adalah 0,4772 seperti sebelumnya. Totalnya 0,3413 ditambah 0,4772 sama dengan 0,8185, atau 81,85 persen. Ingat aturan pentingnya: kalau kedua Z ada di sisi yang sama dari rata-rata, kita kurangkan luasnya; kalau berlawanan sisi seperti kasus ini, kita jumlahkan.

Bagian 4 dari 4

Latihan dan Rangkuman

Menguji pemahaman Anda sebelum masuk ke pertemuan berikutnya.

Latihan: Coba Sendiri

Waktu pengiriman paket sebuah e-commerce (mis. Shopee Express) berdistribusi normal dengan μ = 3 hari, σ = 0,5 hari.

Pertanyaan 1

Berapa nilai-Z untuk paket yang tiba dalam 4 hari?

Pertanyaan 2

Berapa peluang paket tiba lebih dari 4 hari (dianggap terlambat)?

Kerjakan berpasangan (5 menit), gunakan langkah yang sama seperti "Hitung dari Nol" tadi. Kita bahas bersama setelahnya.

Sekarang giliran Anda mencoba sendiri, dan saya ingin Anda kerjakan berpasangan dengan teman sebelah selama sekitar lima menit. Kasusnya: waktu pengiriman paket di sebuah layanan e-commerce, misalnya Shopee Express, mengikuti distribusi normal dengan rata-rata tiga hari dan simpangan baku 0,5 hari. Pertanyaan pertama, hitung nilai-Z untuk paket yang tiba dalam empat hari, gunakan rumus Z sama dengan X dikurangi mu dibagi sigma seperti yang sudah kita latih. Pertanyaan kedua, setelah dapat nilai Z-nya, hitung berapa peluang sebuah paket tiba lebih dari empat hari, yang di sini kita anggap sebagai keterlambatan. Gunakan pola langkah yang persis sama dengan dua contoh "Hitung dari Nol" yang sudah kita kerjakan bersama tadi. Setelah lima menit, saya akan minta beberapa dari Anda membacakan jawabannya, dan kita bahas bersama-sama di depan kelas.

Rangkuman: Cheat Sheet Distribusi Normal

Konsep	Rumus / Aturan	Makna
Nilai-Z	Z = (X − μ) ÷ σ	Jarak data dari rata-rata dalam satuan σ
Empirical Rule	68% - 95% - 99,7%	Peluang dalam ±1σ, ±2σ, ±3σ
P(X > a), Z sama sisi	50% − luas tabel	Peluang ekor (di atas/bawah)
P(a < X < b), Z beda sisi	luas1 + luas2	Peluang di antara dua nilai

Kunci sukses: gambar dulu kurvanya, tandai posisi Z, baru putuskan tambah atau kurang.

Mari kita rangkum semua yang sudah kita pelajari hari ini dalam satu lembar contekan yang bisa Anda simpan untuk belajar nanti. Pertama, rumus inti nilai-Z: Z sama dengan X dikurangi mu dibagi sigma, alat untuk mengukur jarak data dari rata-rata dalam satuan simpangan baku. Kedua, Empirical Rule, jalan pintas 68-95-99,7 persen untuk taksiran cepat tanpa tabel. Ketiga, untuk peluang di satu sisi seperti "lebih dari" atau "kurang dari" sebuah nilai, kita kurangkan luas tabel dari 50 persen. Keempat, untuk peluang "di antara" dua nilai yang berada di sisi berlawanan dari rata-rata, kita jumlahkan kedua luasnya. Nasihat praktis saya: sebelum menghitung apa pun, selalu gambar dulu sketsa kurvanya di kertas, tandai di mana posisi Z Anda, baru putuskan apakah Anda perlu menjumlahkan atau mengurangkan luas dari tabel. Kebiasaan menggambar ini akan mencegah kesalahan paling umum yang sering saya lihat di lembar jawaban ujian.

Sebelum Pertemuan Berikutnya

Minggu Depan

Analisis Varians (ANOVA) — distribusi F dan uji kesamaan lebih dari dua rata-rata populasi sekaligus.

TUGAS

Selesaikan 3 soal latihan nilai-Z (dibagikan di e-learning) sebelum pertemuan berikutnya. Bawa kalkulator dan tabel-Z cetak Anda.

Sebelum kita tutup pertemuan hari ini, izinkan saya beri gambaran ke depan. Minggu depan kita akan belajar analisis varians, atau yang sering disingkat ANOVA, yang memakai distribusi F untuk menguji apakah tiga kelompok atau lebih memiliki rata-rata yang sama secara statistik — misalnya membandingkan rata-rata penjualan di tiga cabang toko sekaligus, bukan cuma dua seperti biasanya. Konsep peluang dan luas kurva yang kita pelajari hari ini akan sangat membantu Anda memahami logika di balik ANOVA nanti. Sebagai latihan mandiri, saya sudah menyiapkan tiga soal tambahan tentang nilai-Z di platform e-learning, tolong dikerjakan sebelum pertemuan berikutnya. Jangan lupa bawa kalkulator dan cetak tabel-Z Anda sendiri, karena kita akan langsung praktik lagi. Terima Kasih atas perhatian Anda hari ini, sampai jumpa minggu depan.