Skewness dan Kurtosis: Melampaui Simpangan Baku | Standard Deviation Calculator

Melampaui Mean dan Simpangan Baku

Sementara mean dan simpangan baku menggambarkan pusat dan sebaran, skewness (kecondongan) dan kurtosis menggambarkan bentuk distribusi—asimetri dan ketebalan ekor.

Dalam statistika, kita mendeskripsikan distribusi menggunakan “momen”—ringkasan matematis yang menangkap aspek bentuk yang berbeda:

Momen ke-1:Mean (tendensi sentral)
Momen ke-2:Varians/Simpangan Baku (sebaran)
Momen ke-3:Skewness (asimetri)
Momen ke-4:Kurtosis (ketebalan ekor)

Dua distribusi bisa memiliki mean dan simpangan baku yang identik namun terlihat sangat berbeda. Skewness dan kurtosis menangkap perbedaan ini, memberikan gambaran yang lebih lengkap tentang distribusi data Anda.

Skewness: Mengukur Asimetri

Skewness mengukur seberapa asimetris suatu distribusi. Skew positif berarti ekor kanan lebih panjang (misal, distribusi pendapatan), sementara skew negatif berarti ekor kiri lebih panjang.

Skewness Sampel

g₁ = [n/((n-1)(n-2))] × Σ[(xᵢ - x̄)/s]³

Skewness = 0:Distribusi simetris (normal, seragam)
Skewness > 0:Menceng kanan—mean melebihi median (pendapatan, harga rumah)
Skewness < 0:Menceng kiri—median melebihi mean (usia pensiun, nilai ujian dengan batas atas)

Data Menceng Kanan yang Umum

Banyak fenomena dunia nyata menceng kanan: pendapatan, kekayaan, ukuran perusahaan, populasi kota, klaim asuransi, dan waktu tunggu. Dalam kasus ini, mean ditarik naik oleh nilai ekstrem, menjadikan median ukuran “tipikal” yang lebih baik.

Pedoman interpretasi:

|Skewness| < 0,5: Mendekati simetris
0,5 ≤ |Skewness| < 1: Cukup menceng
|Skewness| ≥ 1: Sangat menceng

Kurtosis: Ketebalan Ekor

Kurtosis mengukur seberapa tebal atau tipis ekor dibandingkan distribusi normal. Kurtosis tinggi berarti lebih banyak nilai ekstrem (ekor gemuk), kurtosis rendah berarti lebih sedikit.

Kesalahpahaman umum adalah bahwa kurtosis mengukur “keruncingan.” Meskipun terkait, kurtosis pada dasarnya tentang ekor. Distribusi dengan kurtosis tinggi memiliki lebih banyak massa probabilitas di ekor dan puncak, tetapi lebih sedikit di “bahu.”

Kurtosis Berlebih

g₂ = [n(n+1)/((n-1)(n-2)(n-3))] × Σ[(xᵢ - x̄)/s]⁴ - 3(n-1)²/((n-2)(n-3))

Mesokurtik (k ≈ 0):Ekor seperti normal (acuan perbandingan)
Leptokurtik (k > 0):Ekor gemuk, lebih banyak nilai ekstrem dari normal (imbal hasil saham, gempa bumi)
Platikurtik (k < 0):Ekor tipis, lebih sedikit ekstrem dari normal (distribusi seragam, data terbatas)

Ekor Gemuk dalam Keuangan

Imbal hasil finansial terkenal menunjukkan kurtosis tinggi (“ekor gemuk”). Peristiwa yang seharusnya terjadi sekali dalam satu abad berdasarkan asumsi distribusi normal terjadi jauh lebih sering. Mengabaikan kurtosis menyebabkan meremehkan risiko—pelajaran dari banyak krisis keuangan.

Aplikasi Praktis

Manajemen Risiko: Kurtosis tinggi berarti hasil ekstrem lebih sering terjadi. VaR dan ukuran risiko lainnya yang mengasumsikan normalitas mungkin secara drastis meremehkan risiko sebenarnya ketika kurtosis tinggi.

Pengendalian Mutu: Data manufaktur dengan kurtosis tinggi menunjukkan deviasi ekstrem dari target yang terjadi sesekali, meskipun kinerja rata-rata dapat diterima. Pola ini mungkin menunjukkan ketidakstabilan proses yang memerlukan penyelidikan.

Transformasi Data: Data yang sangat menceng mungkin mendapat manfaat dari transformasi (log, akar kuadrat) sebelum analisis. Tujuannya sering untuk mencapai normalitas mendekati untuk uji statistik yang mengasumsikannya.

Pengujian Statistik: Banyak uji mengasumsikan normalitas. Skewness atau kurtosis yang signifikan mungkin menunjukkan asumsi ini dilanggar, menyarankan penggunaan alternatif non-parametrik atau metode robust.

Pedoman Interpretasi

Pengujian Normalitas: Uji Jarque-Bera menggabungkan skewness dan kurtosis untuk menguji normalitas. Uji ini menolak normalitas ketika salah satu metrik menyimpang secara signifikan dari nol.

Pertimbangan Ukuran Sampel: Sampel kecil menghasilkan estimasi skewness dan kurtosis yang tidak andal. Dengan n < 50, statistik ini memiliki variabilitas pengambilan sampel yang tinggi. Dengan n < 20, mereka pada dasarnya tidak bermakna.

Kekokohan: Baik skewness maupun kurtosis sensitif terhadap pencilan. Satu nilai ekstrem dapat secara dramatis mempengaruhi statistik ini, jadi selalu visualisasikan data Anda bersama ringkasan numerik.

← Pusat Pembelajaran