Pengantar

Dalam statistika, memahami penyebaran data sama pentingnya dengan mengetahui nilai rata-rata atau median. Dua kumpulan data dapat memiliki nilai rata-rata yang sama, tetapi tingkat penyebarannya berbeda. Oleh karena itu, selain ukuran pemusatan, diperlukan ukuran penyebaran yang mampu menggambarkan bagaimana data tersebar.

Salah satu ukuran penyebaran yang banyak digunakan adalah Interquartile Range (IQR) atau jangkauan antarkuartil. Berbeda dengan range yang hanya menggunakan nilai maksimum dan minimum, IQR berfokus pada 50% data yang berada di bagian tengah distribusi. Pendekatan ini membuat IQR lebih tahan terhadap pengaruh nilai ekstrem (outlier) sehingga sering digunakan dalam penelitian, analisis data, dan machine learning.

Artikel ini membahas secara lengkap pengertian Interquartile Range, cara menghitungnya, interpretasi hasil, penggunaan untuk mendeteksi outlier, perbedaan dengan ukuran penyebaran lain, serta contoh penerapannya dalam berbagai bidang.

Apa Itu Ukuran Penyebaran Data?

Ukuran penyebaran data adalah ukuran statistik yang menunjukkan seberapa besar variasi atau keragaman nilai dalam suatu kumpulan data. Jika ukuran pemusatan seperti mean dan median menggambarkan pusat data, maka ukuran penyebaran menjelaskan seberapa jauh nilai-nilai tersebut tersebar dari pusatnya.

Beberapa ukuran penyebaran yang umum digunakan meliputi:

  • Range (jangkauan)
  • Varians
  • Standar Deviasi
  • Interquartile Range (IQR)

Di antara ukuran tersebut, IQR memiliki keunggulan karena tidak mudah dipengaruhi oleh nilai ekstrem.

Pengertian Interquartile Range (IQR)

Interquartile Range (IQR) adalah selisih antara kuartil ketiga (Q3) dan kuartil pertama (Q1). Nilai ini menunjukkan lebar penyebaran 50% data yang berada di tengah distribusi.

Dengan hanya menggunakan bagian tengah data, IQR mampu memberikan gambaran penyebaran yang lebih stabil dibandingkan range, terutama ketika terdapat outlier.

Fungsi utama IQR meliputi:

  • mengukur penyebaran data;
  • mengetahui tingkat variasi data tengah;
  • mendeteksi outlier;
  • mendukung analisis distribusi data;
  • menjadi dasar pembuatan box plot.

Rumus Interquartile Range

Interquartile Range dihitung dengan mengurangkan nilai kuartil pertama dari kuartil ketiga.

Rumus IQR

IQR = Q3 − Q1

Keterangan:

  • Q1 (Kuartil Pertama) adalah nilai yang membatasi 25% data terbawah.
  • Q3 (Kuartil Ketiga) adalah nilai yang membatasi 75% data terbawah.

Dengan demikian, IQR menunjukkan rentang yang ditempati oleh 50% data di bagian tengah.

Contoh Perhitungan IQR

Contoh Data Tunggal

Data nilai:

60, 65, 68, 70, 72, 75, 78, 80, 85

Langkah-langkah:

  1. Urutkan data (data sudah berurutan).
  2. Tentukan median (Q2), yaitu 72.
  3. Bagian bawah: 60, 65, 68, 70 → Q1 = (65 + 68) ÷ 2 = 66,5
  4. Bagian atas: 75, 78, 80, 85 → Q3 = (78 + 80) ÷ 2 = 79

Maka:

IQR = 79 − 66,5 = 12,5

Artinya, 50% data di bagian tengah tersebar dalam rentang 12,5 satuan.

Contoh Data Berkelompok

Pada data berkelompok, nilai Q1 dan Q3 dihitung menggunakan rumus kuartil data berkelompok berdasarkan:

  • batas bawah kelas kuartil;
  • frekuensi kumulatif;
  • frekuensi kelas;
  • panjang interval kelas.

Setelah nilai Q1 dan Q3 diperoleh, IQR dihitung dengan rumus yang sama, yaitu:

IQR = Q3 − Q1

Cara Menghitung IQR

Menghitung Interquartile Range dapat dilakukan melalui langkah-langkah berikut:

Langkah 1: Urutkan Data

Susun data dari nilai terkecil hingga terbesar.

Langkah 2: Tentukan Median (Q2)

Cari nilai tengah sebagai pembagi data menjadi dua bagian.

Langkah 3: Tentukan Kuartil Pertama (Q1)

Hitung median dari separuh bawah data.

Langkah 4: Tentukan Kuartil Ketiga (Q3)

Hitung median dari separuh atas data.

Langkah 5: Hitung IQR

Kurangkan nilai Q1 dari Q3.

Perhitungan ini relatif sederhana dan dapat dilakukan secara manual maupun menggunakan perangkat lunak statistik.

Cara Menginterpretasikan Nilai IQR

Nilai IQR memberikan informasi mengenai tingkat penyebaran data di bagian tengah distribusi.

IQR Kecil

Jika nilai IQR kecil, berarti 50% data terkonsentrasi dalam rentang yang sempit. Hal ini menunjukkan bahwa data relatif homogen.

IQR Besar

Jika nilai IQR besar, berarti terdapat variasi yang cukup tinggi pada bagian tengah data.

Berbeda dengan range, nilai IQR tidak dipengaruhi secara signifikan oleh data yang sangat kecil atau sangat besar sehingga lebih representatif untuk data yang memiliki outlier.

IQR untuk Mendeteksi Outlier

Salah satu kegunaan utama IQR adalah mendeteksi nilai yang berada jauh di luar pola umum data (outlier).

Batas bawah dan batas atas outlier dihitung sebagai berikut:

  • Batas bawah = Q1 − 1,5 × IQR
  • Batas atas = Q3 + 1,5 × IQR

Jika terdapat data di bawah batas bawah atau di atas batas atas, data tersebut dikategorikan sebagai outlier.

Contoh

Misalkan:

  • Q1 = 20
  • Q3 = 40

Maka:

IQR = 20

Batas bawah = 20 − (1,5 × 20) = −10

Batas atas = 40 + (1,5 × 20) = 70

Semua nilai di bawah −10 atau di atas 70 dianggap sebagai outlier.

Metode ini merupakan pendekatan standar yang banyak digunakan dalam statistik dan analisis data.

Contoh Penggunaan IQR dalam Berbagai Bidang

Pendidikan

Guru menggunakan IQR untuk mengetahui penyebaran nilai siswa tanpa dipengaruhi beberapa siswa yang memperoleh nilai sangat tinggi atau sangat rendah.

Bisnis

Perusahaan menganalisis penyebaran transaksi pelanggan untuk mengetahui perilaku pembelian mayoritas pelanggan.

Keuangan

Analis menggunakan IQR untuk mengevaluasi distribusi keuntungan investasi yang tidak dipengaruhi oleh fluktuasi ekstrem.

Kesehatan

Peneliti menggunakan IQR untuk menganalisis hasil pemeriksaan laboratorium yang mengandung beberapa nilai tidak normal.

Penelitian

IQR digunakan untuk menggambarkan penyebaran data ketika distribusi tidak normal atau mengandung banyak outlier.

Data Science

Dalam Exploratory Data Analysis (EDA), IQR digunakan untuk mendeteksi outlier sebelum proses pemodelan dan pembersihan data (data cleaning).

Perbedaan IQR dengan Range, Varians, dan Standar Deviasi

Aspek IQR Range Varians Standar Deviasi
Data yang digunakan 50% data tengah Nilai minimum dan maksimum Seluruh data Seluruh data
Sensitif terhadap outlier Tidak Sangat sensitif Sensitif Sensitif
Kemudahan interpretasi Mudah Sangat mudah Sedang Mudah
Cocok untuk data tidak normal Ya Kurang Kurang Kurang
Digunakan untuk box plot Ya Tidak Tidak Tidak

Dari tabel tersebut terlihat bahwa IQR sangat berguna ketika data mengandung nilai ekstrem atau tidak berdistribusi normal.

Kelebihan dan Keterbatasan IQR

Kelebihan
  • Tidak sensitif terhadap outlier.
  • Mudah dihitung dan diinterpretasikan.
  • Cocok digunakan pada data yang tidak berdistribusi normal.
  • Menjadi dasar dalam pembuatan box plot dan deteksi outlier.
Keterbatasan
  • Tidak menggunakan seluruh nilai data.
  • Kurang menggambarkan variasi keseluruhan data.
  • Tidak dapat menggantikan varians atau standar deviasi pada semua jenis analisis.

Karena itu, IQR sebaiknya digunakan bersama ukuran penyebaran lainnya untuk memperoleh gambaran yang lebih lengkap.

Kesalahan yang Sering Terjadi

Beberapa kesalahan yang sering dilakukan antara lain:

  • tidak mengurutkan data sebelum menentukan kuartil;
  • salah menghitung nilai Q1 atau Q3;
  • menggunakan rumus kuartil yang tidak sesuai;
  • salah menentukan batas outlier;
  • menganggap semua outlier harus dihapus tanpa mempertimbangkan konteks penelitian.

Menghindari kesalahan-kesalahan tersebut akan meningkatkan kualitas analisis data.

Software untuk Menghitung IQR

Perhitungan IQR dapat dilakukan dengan mudah menggunakan berbagai perangkat lunak statistik.

  • Microsoft Excel, menggunakan fungsi QUARTILE.INC() atau QUARTILE.EXC().
  • Google Sheets, menyediakan fungsi yang serupa dengan Excel.
  • SPSS, melalui menu Analyze → Descriptive Statistics → Explore.
  • R, menggunakan fungsi IQR().
  • Python, menggunakan pustaka NumPy (numpy.percentile()) atau Pandas (DataFrame.quantile()).

Software tersebut sangat membantu untuk dataset yang besar dan kompleks.

Hubungan IQR dengan Analisis Statistik

Interquartile Range merupakan bagian penting dari statistik deskriptif dan banyak digunakan dalam Exploratory Data Analysis (EDA). IQR menjadi dasar dalam pembuatan box plot, deteksi outlier, serta evaluasi distribusi data sebelum dilakukan analisis lebih lanjut.

Dalam machine learning, IQR digunakan pada tahap data preprocessing untuk mengidentifikasi nilai ekstrem yang berpotensi memengaruhi performa model. Selain itu, IQR juga sering dimanfaatkan dalam pengendalian kualitas, analisis risiko, dan penelitian yang menggunakan data dengan distribusi tidak normal.

Kesimpulan

Interquartile Range (IQR) adalah ukuran penyebaran data yang menunjukkan rentang 50% data di bagian tengah distribusi melalui selisih antara kuartil ketiga (Q3) dan kuartil pertama (Q1). Dibandingkan dengan range, IQR lebih tahan terhadap pengaruh outlier sehingga memberikan gambaran penyebaran data yang lebih stabil dan representatif.

Selain digunakan untuk mengukur variasi data, IQR juga berperan penting dalam mendeteksi outlier, menyusun box plot, serta mendukung analisis data eksploratif. Dengan memahami cara menghitung, menginterpretasikan, dan memanfaatkan IQR secara tepat, mahasiswa, peneliti, analis data, dan praktisi dapat melakukan analisis statistik yang lebih akurat, objektif, dan relevan untuk mendukung pengambilan keputusan berbasis data.

Related Posts: