Simpangan Baku Geometrik: Panduan Lengkap

Kapan Menggunakan Simpangan Baku Geometrik

Simpangan baku geometrik (GSD) adalah ukuran sebaran yang tepat untuk data yang bersifat multiplikatif alih-alih aditif—seperti tingkat pertumbuhan, rasio, konsentrasi, atau pengukuran berdistribusi log-normal apa pun.

Pertimbangkan imbal hasil saham: keuntungan 10% diikuti kerugian 10% tidak mengembalikan Anda ke titik impas (Anda akan memiliki 99% dari nilai asli). Hubungan multiplikatif ini memerlukan statistik geometrik alih-alih aritmetik.

Wawasan Utama

Jika data Anda mencakup beberapa orde besaran, selalu positif, dan terlihat menceng kanan saat diplot secara normal tetapi simetris saat diplot pada skala log—Anda berurusan dengan data log-normal yang memerlukan statistik geometrik.

Memahami Data Log-Normal

Data berdistribusi log-normal ketika logaritma naturalnya mengikuti distribusi normal. Contoh umum meliputi:

Harga saham dan imbal hasil investasi dari waktu ke waktu
Distribusi pendapatan dan kekayaan
Ukuran partikel dalam aerosol dan farmasi
Jumlah koloni bakteri dan viral load
Konsentrasi polutan lingkungan
Titer antibodi dan konsentrasi obat

Karakteristik utama: proses yang melibatkan perkalian berulang menghasilkan distribusi log-normal, sama seperti penjumlahan berulang menghasilkan distribusi normal.

Rumus dan Perhitungan

Simpangan Baku Geometrik

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

Atau lebih sederhana: ambil logaritma natural dari semua nilai, hitung simpangan baku biasa, lalu eksponensiasikan.

Transformasi Data

Hitung logaritma natural setiap nilai: yᵢ = ln(xᵢ)

Hitung Rata-rata

Cari rata-rata aritmetik dari nilai log: ȳ = Σyᵢ/n

Hitung SD

Cari simpangan baku dari nilai log: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Transformasi Balik

Eksponensiasikan untuk mendapatkan GSD: GSD = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

Menginterpretasi Nilai GSD

Berbeda dengan SD aritmetik yang memiliki satuan sama dengan data Anda, GSD adalah faktor multiplikatif—sebuah rasio. GSD 2,0 berarti data biasanya bervariasi dengan faktor 2.

GSD = 1,0:Tidak ada variasi (mustahil dalam praktik)
GSD ≈ 1,2:Variabilitas rendah (±20% tipikal)
GSD ≈ 2,0:Variabilitas moderat (data berlipat dua/setengah)
GSD ≈ 3,0:Variabilitas tinggi (mencakup satu orde besaran)

Interval Kepercayaan

Untuk data log-normal, rentang 95% kira-kira: Mean Geometrik ÷ GSD² hingga Mean Geometrik × GSD². Untuk GM=100 dan GSD=2, rentangnya adalah 25 hingga 400.

Aplikasi Dunia Nyata

Ilmu Farmasi

Distribusi ukuran partikel (D50, GSD) · Variabilitas konsentrasi obat · Studi bioavailabilitas · Karakterisasi aerosol

Keuangan & Ekonomi

Volatilitas imbal hasil investasi · Analisis tingkat pertumbuhan · Studi distribusi pendapatan · Pemodelan harga aset

GSD vs SD Biasa

Menggunakan SD aritmetik pada data log-normal memberikan hasil yang menyesatkan:

Contoh: Data Viral Load

Nilai: 1.000; 5.000; 10.000; 50.000; 100.000 salinan/mL Mean Aritmetik ± SD: 33.200 ± 41.424 Mean Geometrik × GSD: 10.000 × 4,5 → Rentang: 2.222 hingga 45.000 SD aritmetik akan menyarankan nilai negatif mungkin—mustahil untuk viral load!

Selalu Periksa Distribusi

Sebelum menghitung ukuran sebaran apa pun, visualisasikan data Anda. Jika menceng kanan dengan ekor panjang, coba transformasi log. Jika itu membuatnya simetris, gunakan statistik geometrik.

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.