Standar Normal dan Z-Score

Anda mendapat nilai TOEFL 590. Teman Anda mendapat nilai IELTS 7,0. Siapa yang sebenarnya lebih unggul? Pertanyaan ini terasa mudah, tetapi sebenarnya menjebak: kedua angka itu berasal dari dua dunia yang berbeda. TOEFL bergerak di rentang ratusan, IELTS hanya satu sampai sembilan. Membandingkan 590 dengan 7,0 sama tidak masuk akalnya seperti membandingkan suhu dalam Celsius dengan suhu dalam Fahrenheit hanya dengan melihat angkanya.

Yang Anda butuhkan adalah penerjemah — sesuatu yang menyetarakan kedua skala ke satu bahasa yang sama. Bahasa itu ada, dan namanya z-score. Setelah keduanya diterjemahkan, perbandingan menjadi adil dan jawabannya jelas.

Intuisi: Mengukur Jarak dengan Penggaris yang Sama

Bayangkan setiap nilai ujian punya “jarak” dari rata-rata kelasnya. Masalahnya, setiap ujian memakai penggaris yang berbeda — satu poin di TOEFL tidak sama besar dengan satu poin di IELTS. Z-score mengganti penggaris yang berbeda-beda itu dengan satu penggaris universal: simpangan baku.

Jadi alih-alih bertanya “berapa poin di atas rata-rata?”, z-score bertanya “berapa simpangan baku di atas rata-rata?”. Karena simpangan baku adalah ukuran sebaran khas masing-masing kelompok, jawabannya selalu bisa dibandingkan, apa pun skala aslinya.

Inilah inti seluruh materi ini, dalam satu gambar — sebuah nilai mentah di skala kiri diterjemahkan menjadi nilai baku di skala kanan:

Perhatikan kurva kanan: pusatnya tepat di 0, dan satu langkah ke kanan atau ke kiri berarti satu simpangan baku. Itulah distribusi normal standar — kurva tunggal yang menjadi tempat semua nilai berkumpul setelah dibakukan.

Rumus Z-Score

Z-score sebuah nilai adalah jaraknya dari rata-rata, diukur dalam satuan simpangan baku:

$$z = \frac{x - \mu}{\sigma}$$

Penjelasan tiap lambang:

• $x$ = nilai mentah yang ingin kita ukur. Misalnya nilai TOEFL seseorang, 590.
• $\mu$ (dibaca “mu”) = rata-rata kelompok asal nilai itu. Untuk TOEFL, misalnya $\mu = 520$.
• $\sigma$ (dibaca “sigma”) = simpangan baku kelompok itu, yaitu jarak khas data dari rata-rata. Untuk TOEFL, misalnya $\sigma = 50$.
• $x - \mu$ = selisih nilai dari rata-rata, dalam satuan asli. Untuk contoh ini: $590 - 520 = 70$ poin di atas rata-rata.
• Membagi dengan $\sigma$ mengubah “70 poin” menjadi “berapa simpangan baku”: $70 / 50 = 1{,}4$.

Jadi $z = (590 - 520)/50 = 1{,}4$ berarti nilai itu 1,4 simpangan baku di atas rata-rata.

Cara membaca tandanya:

Nilai positif berarti di atas rata-rata, negatif berarti di bawah. Semakin besar nilai mutlaknya, semakin jauh dari kebiasaan.

Kembali ke TOEFL vs IELTS

Sekarang kita bisa menjawab pertanyaan pembuka secara adil. Bakukan keduanya ke skala-Z yang sama:

• TOEFL ($\mu=520$, $\sigma=50$): $z = (590 - 520)/50 = 1{,}4$
• IELTS ($\mu=6{,}0$, $\sigma=1{,}2$): $z = (7{,}0 - 6{,}0)/1{,}2 \approx 0{,}83$

Anda berada 1,4 simpangan baku di atas rata-rata; teman Anda 0,83. Relatif terhadap kelompok masing-masing, Anda lebih unggul — meski angka mentahnya (590 vs 7,0) sama sekali tidak bisa diadu langsung.

Distribusi Normal Standar

Kalau setiap nilai dalam sebuah distribusi normal kita bakukan dengan rumus di atas, hasilnya selalu jatuh ke satu kurva yang sama: distribusi normal dengan rata-rata 0 dan simpangan baku 1. Notasinya $\mathcal{N}(0,\,1)$, sering disingkat Z.

$$Z = \frac{X - \mu}{\sigma}$$

Inilah keajaibannya. Distribusi normal ada tak terhingga banyaknya — tinggi badan, nilai ujian, harga saham, semuanya punya $\mu$ dan $\sigma$ sendiri. Tetapi begitu dibakukan, semuanya menyatu ke satu kurva acuan. Akibatnya kita cukup punya satu tabel peluang (tabel Z) untuk mengerjakan distribusi normal apa pun — tidak perlu tabel terpisah untuk tiap kasus.

Luas di Bawah Kurva = Peluang

Sebelum membaca tabel, satu ide kunci harus mantap dulu: pada kurva normal, peluang adalah luas. Peluang sebuah nilai jatuh di suatu rentang sama dengan luas daerah di bawah kurva pada rentang itu. Luas seluruh daerah di bawah kurva = 1 (atau 100%), karena pasti ada nilai yang muncul.

Tabel Z (dan Excel) selalu melaporkan luas ekor kiri: peluang sebuah nilai berada di bawah atau sama dengan $z$, ditulis $P(Z \le z)$. Dari satu angka itu, kita bisa menurunkan semua yang lain — peluang di atas $z$, peluang di antara dua nilai — hanya dengan pengurangan.

Tabel Z: Cara Membacanya

Tabel Z memberi $P(Z \le z)$ untuk berbagai nilai $z$. Di Excel, fungsi yang sama adalah =NORM.S.DIST(z; TRUE) — argumen TRUE berarti “kumulatif”, yaitu luas ekor kiri.

Beberapa nilai yang paling sering dipakai (terverifikasi):

Satu sifat yang menghemat banyak kerja: kurva normal simetris terhadap 0. Maka luas ekor kiri di $-z$ sama dengan luas ekor kanan di $+z$:

$$P(Z \le -z) = 1 - P(Z \le z)$$

Contoh: $P(Z \le -1) = 1 - 0{,}8413 = 0{,}1587$ — sama dengan nilai $-1$ di tabel. Karena itu, tabel hanya perlu memuat satu sisi; sisi lainnya tinggal dicerminkan.

Contoh Hitung dari Nol

Misalkan tinggi badan mahasiswa di sebuah angkatan berdistribusi normal dengan rata-rata $\mu = 165$ cm dan simpangan baku $\sigma = 7$ cm. Kita pakai data mentah ini untuk empat pertanyaan, dari yang paling sederhana sampai pembalikan arah.

1. Peluang kurang dari sebuah nilai

Berapa peluang seorang mahasiswa lebih pendek dari 179 cm, yaitu $P(X < 179)$?

Langkah 1 — bakukan. Ubah 179 cm menjadi z-score:

$$z = \frac{x - \mu}{\sigma} = \frac{179 - 165}{7} = \frac{14}{7} = 2{,}0$$

Jadi 179 cm berada tepat 2 simpangan baku di atas rata-rata.

Langkah 2 — baca tabel. Cari $P(Z \le 2{,}0)$:

$$P(X < 179) = P(Z \le 2{,}0) = 0{,}9772$$

Di Excel: =NORM.S.DIST(2; TRUE) = 0,9772. Artinya 97,72% mahasiswa lebih pendek dari 179 cm.

2. Peluang lebih dari sebuah nilai

Berapa peluang seorang mahasiswa lebih tinggi dari 179 cm, yaitu $P(X > 179)$? Karena seluruh luas = 1, ekor kanan = 1 dikurangi ekor kiri:

$$P(X > 179) = 1 - P(X \le 179) = 1 - 0{,}9772 = 0{,}0228$$

Hanya 2,28% mahasiswa lebih tinggi dari 179 cm.

3. Peluang di antara dua nilai

Berapa peluang tinggi seorang mahasiswa antara 158 cm dan 179 cm? Bakukan kedua batas lebih dulu:

$$z_1 = \frac{158 - 165}{7} = -1{,}0, \qquad z_2 = \frac{179 - 165}{7} = 2{,}0$$

Peluang di antara keduanya = luas ekor kiri di $z_2$ dikurangi luas ekor kiri di $z_1$:

$$P(158 \le X \le 179) = P(Z \le 2{,}0) - P(Z \le -1{,}0) = 0{,}9772 - 0{,}1587 = 0{,}8185$$

Sekitar 81,85% mahasiswa tingginya antara 158 cm dan 179 cm.

4. Membalik arah: dari persentil ke nilai

Pertanyaan dibalik. Berapa tinggi minimal agar masuk 10% tertinggi (persentil ke-90)?

Langkah 1 — cari z dari peluang. Kita butuh $z$ yang luas ekor kirinya 0,90. Ini kebalikan dari tabel Z, dan Excel menyediakannya lewat =NORM.S.INV(0,90):

$$z = 1{,}2816$$

Langkah 2 — kembalikan ke skala mentah. Susun ulang rumus z-score menjadi $x = \mu + z\,\sigma$:

$$x = \mu + z\,\sigma = 165 + 1{,}2816 \times 7 \approx 173{,}97 \text{ cm}$$

Jadi mahasiswa setinggi sekitar 174 cm ke atas masuk 10% tertinggi.

Coba Sendiri

Geser nilai $x$, $\mu$, dan $\sigma$ pada kalkulator di bawah, lalu amati bagaimana z-score dan luas peluang berubah seketika. Cocokkan hasilnya dengan contoh hitung di atas untuk memastikan Anda membaca arah ekor dengan benar.

Aturan 68-95-99,7 dalam Bahasa Z

Aturan empiris dari Distribusi Normal menjadi sangat ringkas begitu dinyatakan dalam z-score, karena z adalah jumlah simpangan baku:

• $|z| < 1$ memuat sekitar 68% data
• $|z| < 2$ memuat sekitar 95% data
• $|z| < 3$ memuat sekitar 99,7% data

Inilah sebabnya nilai $|z| > 3$ dianggap luar biasa: hanya sekitar 0,3% pengamatan yang berada sejauh itu dari rata-rata.

Interpretasi: Apa Arti Sebuah Z-Score

Z-score mengubah angka mentah yang tergantung konteks menjadi posisi relatif yang berdiri sendiri. Tiga cara membacanya dalam praktik:

• Sebagai jarak baku. $z = 1{,}4$ berarti “1,4 simpangan baku di atas rata-rata” — sebuah pernyataan yang bermakna sama entah datanya nilai ujian, tinggi badan, atau imbal hasil saham.
• Sebagai peringkat. Lewat tabel Z, $z = 1{,}4$ setara dengan persentil ke-92 ($P(Z \le 1{,}4) \approx 0{,}92$): mengungguli sekitar 92% kelompoknya.
• Sebagai sinyal kelangkaan. Semakin besar $|z|$, semakin jarang. $|z| > 2$ sudah tergolong tidak biasa; $|z| > 3$ patut dicurigai sebagai pencilan atau kesalahan pencatatan.

Cek Pemahaman

1. Nilai ujian sebuah kelas berdistribusi normal dengan rata-rata 70 dan simpangan baku 8. Seorang mahasiswa mendapat 78. Hitung z-score-nya dan jelaskan artinya.

Lihat jawaban

$$z = \frac{78 - 70}{8} = \frac{8}{8} = 1{,}0$$

Nilai 78 berada tepat satu simpangan baku di atas rata-rata. Dari tabel Z, $P(Z \le 1) = 0{,}8413$, jadi mahasiswa ini mengungguli sekitar 84% kelasnya.

2. (transfer — bandingkan dua skala) Budi ikut dua ujian. Matematika: nilai 82, rata-rata kelas 75, simpangan baku 10. Fisika: nilai 70, rata-rata kelas 60, simpangan baku 8. Pada mata pelajaran mana Budi tampil relatif lebih baik?

Lihat jawaban

Angka mentah (82 vs 70) menyesatkan karena skalanya beda. Bakukan keduanya:

$$z_{\text{Mat}} = \frac{82 - 75}{10} = 0{,}7, \qquad z_{\text{Fis}} = \frac{70 - 60}{8} = 1{,}25$$

Walau nilai mentah Matematika lebih tinggi, z-score Fisika lebih besar ($1{,}25 > 0{,}7$). Relatif terhadap kelasnya, Budi tampil lebih baik di Fisika — ia lebih jauh mengungguli teman-temannya di sana.

3. (transfer — dari z ke peluang) Waktu tempuh kurir berdistribusi normal dengan rata-rata 30 menit dan simpangan baku 5 menit. Berapa persen pengiriman yang memakan waktu lebih dari 35 menit?

Lihat jawaban

Bakukan 35 menit: $z = (35 - 30)/5 = 1{,}0$. Kita cari ekor kanan:

$$P(X > 35) = 1 - P(Z \le 1) = 1 - 0{,}8413 = 0{,}1587$$

Sekitar 15,87% pengiriman memakan waktu lebih dari 35 menit.

Kesalahan Umum

Lupa membakukan dulu. Tabel Z hanya mengenal skala baku ($\mu=0$, $\sigma=1$). Mencari $P(X \le 179)$ langsung di tabel salah — ubah 179 menjadi $z$ lebih dulu, baru baca tabel.

Tertukar arah ekor. Tabel melaporkan ekor kiri $P(Z \le z)$. Untuk peluang “lebih dari”, kurangi dari 1: $P(X > x) = 1 - P(Z \le z)$. Lupa langkah ini membuat 2,28% berubah jadi 97,72%.

Salah tanda untuk z negatif. Untuk $z = -1{,}5$, jangan abaikan tandanya. Pakai $P(Z \le -1{,}5) = 1 - P(Z \le 1{,}5)$, atau langsung =NORM.S.DIST(-1,5; TRUE).

Menyamakan z-score dengan p-value. Z-score adalah jarak (berapa simpangan baku dari rata-rata); p-value adalah peluang (luas di bawah kurva). Z-score dipakai untuk menghitung peluang, bukan peluang itu sendiri.

Memakai NORM.DIST tanpa argumen TRUE. Argumen kumulatif TRUE memberi luas (CDF) — yang hampir selalu kita inginkan. FALSE memberi tinggi kurva (PDF), yang jarang dipakai langsung.

Memakai z-score pada data yang jelas tidak normal. Pemetaan z → peluang lewat tabel Z hanya sahih bila data mendekati normal. Untuk data yang sangat menceng (gaji, harga rumah), tabel Z akan keliru. (Pengecualian penting: rata-rata sampel cenderung normal berkat Teorema Limit Pusat.)

Dipakai di Dunia Nyata

• Pendeteksian pencilan. Aturan praktis di banyak bidang: tandai nilai dengan $|z| > 3$ sebagai pencilan untuk diperiksa. Contoh: pada data rata-rata 50 dan simpangan baku 5, nilai 68 punya $z = 3{,}6$ — jauh di luar kebiasaan.
• Kendali mutu (Six Sigma). Istilah “sigma” di sini langsung merujuk pada z. Proses “6 sigma” menargetkan batas spesifikasi sejauh $|z| = 6$ dari rata-rata, sehingga cacat tinggal sekitar 3,4 per sejuta unit.
• Skor gabungan. Saat menggabungkan komponen berskala beda (mis. nilai tes + skor wawancara), tiap komponen dibakukan ke z lebih dulu agar bobotnya adil — persis seperti kasus TOEFL vs IELTS.
• Uji-Z. Saat menguji hipotesis tentang rata-rata dengan $\sigma$ diketahui, statistik ujinya adalah sebuah z-score; nilai kritis seperti 1,96 (untuk taraf 5%) datang langsung dari tabel Z.

Lanjutan

Z-score adalah kunci yang membuka seluruh statistika inferensial: hampir setiap interval kepercayaan dan uji hipotesis pada akhirnya mengubah sesuatu menjadi z-score lalu membaca peluangnya.

• Perlu menyegarkan kurva lonceng dan aturan 68-95-99,7? Balik ke Distribusi Normal.
• Lanjut ke Teorema Limit Pusat — alasan mengapa begitu banyak hal mendekati normal, sehingga z-score begitu sering berlaku.
• Setelah itu: Interval Kepercayaan memakai nilai kritis z (seperti 1,96), dan Uji-Z dan Uji-t menjadikan z-score sebagai statistik uji formal.