Anatomi Kurva Statistik: Normal, Skewed Left, dan Skewed Right 

Gambar 1. Distribusi Data 

Sumber: https://unsplash.com/fr/photos/graphiques-danalyse-des-performances-sur-un-ecran-dordinateur-portable-JKUTrJ4vK00  

Tahukah Anda bahwa pola penyebaran data dapat memberikan gambaran awal tentang karakteristik sebuah fenomena? Beberapa data tampak simetris seperti kurva lonceng, sementara yang lain cenderung miring ke satu sisi. Artikel ini akan membantu Anda memahami tiga bentuk distribusi data yang paling umum ditemui dalam analisis statistik. 

Apa Itu Distribusi Data? 

Distribusi data menggambarkan bagaimana nilai-nilai dalam sebuah dataset tersebar. Dalam statistik, distribusi membantu kita melihat: 

• apakah data terkonsentrasi pada nilai tertentu, 

• apakah simetris atau miring, 

• apakah terdapat nilai ekstrem (outlier). 

Distribusi adalah fondasi untuk memilih jenis analisis yang tepat, termasuk metode uji statistik, regresi, hingga prediksi. 

 

Distribusi Normal (Bell Shape) 

Gambar 2. Distribusi Normal 

Sumber: https://www.analyticsvidhya.com/blog/2021/05/normal-distribution-an-ultimate-guide/  

📌 Ciri-Ciri Utama 

• 🟢 Simetris: sisi kiri dan kanan sama. 

• 🔵 Mean = Median = Mode: pusat data berada pada nilai yang sama. 

• 🟣 Sebagian besar data berkumpul di tengah. 

• 🟡 Ekor kiri dan kanan sama panjang. 

📌 Contoh Fenomena Dunia Nyata 

• Tinggi badan manusia 

• Nilai ujian dalam kelas yang besar 

• Pengukuran eror pada mesin 

📌 Kenapa Disebut “Bell Curve”? 

Karena bentuk grafiknya menyerupai lonceng – naik di tengah dan turun pelan ke sisi kanan dan kiri. 

📌 Mengapa Penting? 

Banyak metode statistik seperti Z-score, confidence interval, hingga machine learning klasik mengasumsikan distribusi mendekati normal. 

 

Skewness Kanan (Right-Skewed Distribution) 

 

Gambar 3. Skewed Distribution 

Sumber: https://www.cambridgemaths.org/blogs/skewed-usage-skewed-distribution/  

📌 Ciri-Ciri 

• 🔸 Ekor grafik memanjang ke kanan. 

• 🔸 Banyak data berkumpul di nilai rendah. 

• 🔸 Mean > Median. 

• 🔸 Terdapat nilai besar yang “menarik” grafik ke kanan. 

📌 Contoh Kasus 

• Pendapatan masyarakat (mayoritas pendapatan rendah, sedikit yang sangat tinggi) 

• Harga rumah 

• Jumlah followers media sosial 

📌 Dampak dalam Analisis 

• Tidak cocok memakai rata-rata sebagai representasi utama. 

• Kadang perlu transformasi log untuk menstabilkan pola. 

 

Skewness Kiri (Left-Skewed Distribution) 

📌 Ciri-Ciri 

• 🔹 Ekor grafik memanjang ke kiri. 

• 🔹 Banyak data berada pada nilai tinggi. 

• 🔹 Mean < Median. 

📌 Contoh Fenomena 

• Nilai ujian ketika sebagian besar siswa dapat nilai sangat baik 

• Usia pensiun (mayoritas mendekati batas normal, sedikit yang sangat rendah) 

📌 Implikasi Statistik 

• Sama seperti skew kanan, distribusi miring kiri biasanya diolah dengan median atau mode. 

• Perlu kehati-hatian dalam regresi karena outlier di kiri dapat mempengaruhi hasil. 

 

Kenapa Skewness Bisa Terjadi? 

Beberapa penyebab umum: 

• 📈 Pertumbuhan tak terbatas (contoh: pendapatan). 

• ⏳ Adanya batas bawah atau atas (nilai ujian tidak bisa < 0). 

• 👥 Populasi tidak homogen (perbedaan sosial atau ekonomi). 

• 🎲 Fenomena probabilistik yang tidak simetris. 

 

Cara Mengidentifikasi Distribusi dengan Cepat 

📌 Checklist Cepat 

• 🔍 Lihat histogram: simetris atau miring? 

• ➗ Bandingkan Mean, Median, Mode 

• 📏 Perhatikan rentang nilai ekstrem 

• 📈 Gambar boxplot: posisi whisker kiri/kanan terlihat jelas 

 

Kesimpulan 

Distribusi data adalah langkah awal untuk memahami karakter dataset dan memilih metode analisis yang tepat. Normal distribution menggambarkan data yang simetris, sedangkan skewness kiri dan kanan menunjukkan adanya ketidakseimbangan dalam sebaran nilai. Dengan memahami bentuk distribusi, Anda dapat membuat interpretasi yang lebih akurat dan mengambil keputusan berbasis data. 

 

Penulis: Erna Fransisca Angela Sihotang, S.Stat., M.Kom. 

 

Referensi  

• Field, A. Discovering Statistics Using SPSS 

• Montgomery, D. Applied Statistics and Probability