BAB I. PENDAHULUAN

1.1 Latar Belakang

Statistika berperan penting pada pengolahan dan analisis data untuk menghasilkan informasi yang bermanfaat. Salah satu bagian statistika adalah statistik deskriptif, yaitu metode untuk menggambarkan karakteristik data melalui ukuran pemusatan dan penyebaran, seperti rata-rata (mean), median, varians, dan standar deviasi. Penggunaan perangkat lunak RStudio dapat mempermudah perhitungan statistik serta penyajian data secara sistematis sehingga informasi lebih mudah dipahami (Afrinda & Dzikrullah, 2023).

Fungsi distribusi merupakan bagian penting dari statistika yang digunakan untuk menjelaskan peluang suatu variabel acak. Distribusi probabilitas terdiri atas distribusi diskrit dan kontinu, yang memiliki karakteristik berbeda. Fungsi distribusi kumulatif digunakan untuk menghitung peluang suatu variabel acak memiliki nilai kurang dari atau sama dengan nilai tertentu. Program R menyediakan berbagai fungsi untuk membantu perhitungan dan analisis distribusi probabilitas secara praktis (Sonabend & Kiraly, 2021).

Program R dapat dimanfaatkan untuk melakukan perhitungan statistik deskriptif dan fungsi distribusi secara sistematis melalui sintaks yang mudah diterapkan. Fungsi summary(), mean(), median(), var(), dan sd() dapat digunakan untuk memperoleh ringkasan serta ukuran statistik data. Sementara itu, fungsi dnorm(), pnorm(), qnorm(), dan rnorm() mendukung perhitungan yang berkaitan dengan distribusi normal.

1.2 Rumusan Masalah

Bagaimana karakteristik data pada dataset iris?
Bagaimana hasil perhitungan ukuran pemusatan dan penyebaran data?
Bagaimana penyajian data menggunakan tabel dan grafik?

1.3 Tujuan Penelitian

Mengetahui karakteristik dataset iris.
Menghitung ukuran pemusatan dan penyebaran data.
Menyajikan data dalam bentuk tabel dan grafik menggunakan R.

1.4 Manfaat Penelitian

Bagi penulis

Memberikan pemahaman dan pengetahuan mengenai fungsi statistik deskriptif pada program R.
Meningkatkan kemampuan dalam menerapkan fungsi statistik deskriptif pada program R.

Bagi pembaca

Menambah wawasan dan pemahaman tentang fungsi statistik deskriptif pada program R.
Memberikan panduan bagi pembaca untuk memahami cara membuat serta menerapkan fungsi statistik deskriptif pada program R.

BAB II. TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan statistik yang bertujuan mendiskripsikan atau menggambarkan data. Statistik deskriptif digunakan untuk menyederhanakan data dan memudahkan untuk membaca informasi dari sebuah data. Statistik deskriptif terfokuskan membahas mengenai cara mengumpulkan data, menyederhanakan angka yang diamati atau diperoleh, dalam hal ini meringkas dan menyajikan. Statistik deskriptif juga melakukan pengukuran pemusatan dan penyebaran data, guna memperoleh gambaran atau informasi yang lebih menarik dan mudah dipahami (Yuniarti, 2022).

Beberapa statistik deskriptif yaitu (Novianti, 2026)

Rerata (Mean) Rerata merupakan deskripsi statistika yang menggambarkan tentang nilai rata-rata dari suatu sample. Nilai rata-rata didapatkan dengan jumlah seluruh data dibagi banyaknya data. Perhitungan rerata secara matematis adalah sebagai berikut:

\[\bar{x}=\frac{x_{1}+x_{2}+\ldots +x_{n}}{n}=\frac{1}{n}\sum_{i=1}^{n} x_{i}\]
Nilai Tengah (Median) Median adalah data yang berada di antara dua bagian data yang telah diurutkan dan sama banyak atau nilai tengah suatu data. Rumus median yaitu:

\[Me=\frac{X_{\frac{n}{2}+}X_{\frac{n}{2}+1}}{2}\] (n genap)

\[Me=X_{\frac{n}{2}+\frac{1}{2}}\] (n ganjil)

Nilai Minimum dan Maksimum R menyediakan fasilitas untuk mencari nilai minimum dan maksimum suatu data, yaitu dengan digunakan perintah min() dan max().

Ringkasan (Summary) Perhitungan ringkasan deskriptif dari data secara umum ada dua macam, yaitu data metrik (skala interval atau rasio) dan data non metrik (skala nominal atau ordinal). R menyediakan dua macam cara untuk menampilkan ringkasan numerik dari variabel‐variabel yang ada pada data, yaitu menampilkan ringkasan numerik dari semua variabel dan hanya dari variabel tertentu saja.

Pada data metrik, ringkasan numerik akan menampilkan beberapa besaran statistik yaitu mean, min, max, kuartil 1, median, dan kuartil 3. Sedangkan pada data non metrik, ringkasan numerik hanya menampilkan jumlah atau frekuensi pada masing-masing kategori yang ada.

Ragam dan Simpangan Baku Ragam adalah ukuran penyebaran dengan menggunakan mean terbobot dari kuadrat jarak setiap nilai data terhadap pusat data tersebut.

\[s^{2}=\frac{\sum_{1=1}^{n} {x_{i}^{2}-\frac{{\left(\sum_{i-1}^{n} x_{i}\right)}^{2}}{n}}}{n-1}=\frac{\sum_{i=1}^{n} {\left(x_{i}-\bar{x}\right)}^{2}}{n-1}\]
Simpangan baku: \[s=+\sqrt{\frac{\sum_{1=1}^{n} {x_{i}^{2}-\frac{{\left(\sum_{i-1}^{n} x_{i}\right)}^{2}}{n}}}{n-1}}=+\sqrt{\frac{\sum_{i=1}^{n} {\left(x_{i}-\bar{x}\right)}^{2}}{n-1}}\]

BAB III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Karena data yang diperoleh merupakan sekumpulan angka yang dapat dihitung dan dibandingkan dengan skala numerik. Data yang diperoleh juga dinyatakan dalam bentuk angka atau jumlah untuk mengukur dan menggambarkan sejumlah besar atau besaran.

Sumber data yang digunakan dalam penelitian ini adalah data sekunder.Data sekunder merupakan data yang diperoleh dari sumber yang telah tersedia dan dikumpulkan atau dipublikasikan oleh pihak lain. Dalam penelitian ini, data sekunder diperoleh dataset bawaan R, yaitu iris.

3.2 Variabel Penelitian

Variabel penelitian adalah karakter atau segala sesuatu yang menjadi perhatian dalam suatu penelitian. Pada penelitian kali ini, Dataset ini terdiri atas 150 pengamatan dan lima variabel, yaitu Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, dan Species. Empat variabel pertama berupa data numerik, sedangkan Species menunjukkan jenis bunga iris.

3.3 Langkah Analisis

Analisis dilakukan melalui beberapa tahap, yaitu memanggil dataset, melihat struktur data, menghitung ukuran statistik deskriptif, serta menyajikan hasil menggunakan tabel dan grafik.

BAB IV. HASIL DAN PEMBAHASAN

4.1 Memanggil dan Melihat Data

data("iris")
head(iris,50)

##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1           5.1         3.5          1.4         0.2  setosa
## 2           4.9         3.0          1.4         0.2  setosa
## 3           4.7         3.2          1.3         0.2  setosa
## 4           4.6         3.1          1.5         0.2  setosa
## 5           5.0         3.6          1.4         0.2  setosa
## 6           5.4         3.9          1.7         0.4  setosa
## 7           4.6         3.4          1.4         0.3  setosa
## 8           5.0         3.4          1.5         0.2  setosa
## 9           4.4         2.9          1.4         0.2  setosa
## 10          4.9         3.1          1.5         0.1  setosa
## 11          5.4         3.7          1.5         0.2  setosa
## 12          4.8         3.4          1.6         0.2  setosa
## 13          4.8         3.0          1.4         0.1  setosa
## 14          4.3         3.0          1.1         0.1  setosa
## 15          5.8         4.0          1.2         0.2  setosa
## 16          5.7         4.4          1.5         0.4  setosa
## 17          5.4         3.9          1.3         0.4  setosa
## 18          5.1         3.5          1.4         0.3  setosa
## 19          5.7         3.8          1.7         0.3  setosa
## 20          5.1         3.8          1.5         0.3  setosa
## 21          5.4         3.4          1.7         0.2  setosa
## 22          5.1         3.7          1.5         0.4  setosa
## 23          4.6         3.6          1.0         0.2  setosa
## 24          5.1         3.3          1.7         0.5  setosa
## 25          4.8         3.4          1.9         0.2  setosa
## 26          5.0         3.0          1.6         0.2  setosa
## 27          5.0         3.4          1.6         0.4  setosa
## 28          5.2         3.5          1.5         0.2  setosa
## 29          5.2         3.4          1.4         0.2  setosa
## 30          4.7         3.2          1.6         0.2  setosa
## 31          4.8         3.1          1.6         0.2  setosa
## 32          5.4         3.4          1.5         0.4  setosa
## 33          5.2         4.1          1.5         0.1  setosa
## 34          5.5         4.2          1.4         0.2  setosa
## 35          4.9         3.1          1.5         0.2  setosa
## 36          5.0         3.2          1.2         0.2  setosa
## 37          5.5         3.5          1.3         0.2  setosa
## 38          4.9         3.6          1.4         0.1  setosa
## 39          4.4         3.0          1.3         0.2  setosa
## 40          5.1         3.4          1.5         0.2  setosa
## 41          5.0         3.5          1.3         0.3  setosa
## 42          4.5         2.3          1.3         0.3  setosa
## 43          4.4         3.2          1.3         0.2  setosa
## 44          5.0         3.5          1.6         0.6  setosa
## 45          5.1         3.8          1.9         0.4  setosa
## 46          4.8         3.0          1.4         0.3  setosa
## 47          5.1         3.8          1.6         0.2  setosa
## 48          4.6         3.2          1.4         0.2  setosa
## 49          5.3         3.7          1.5         0.2  setosa
## 50          5.0         3.3          1.4         0.2  setosa

Dataset iris memuat data pengukuran bunga iris. Data berjumlah 150 baris, tetapi perintah head() digunakan untuk menampilkan lima puluh baris pertama saja agar bentuk dan isi data dapat diketahui.

4.2 Struktur dan Ringkasan Data

str(iris)

## 'data.frame':    150 obs. of  5 variables:
##  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
##  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
##  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
##  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
##  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

dim(iris)

## [1] 150   5

summary(iris)

##   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
##  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
##  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
##  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
##  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
##  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
##  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
##        Species  
##  setosa    :50  
##  versicolor:50  
##  virginica :50  
##                 
##                 
##

Fungsi str() digunakan untuk melihat struktur dan tipe setiap variabel. Fungsi dim() menunjukkan jumlah baris dan kolom, sedangkan summary() memberikan ringkasan nilai minimum, kuartil, median, mean, dan maksimum untuk variabel numerik.

4.3 Ukuran Statistik Deskriptif

data_numerik <- iris[, 1:4]

hasil_statistik <- data.frame(
  Variabel = names(data_numerik),
  Mean = sapply(data_numerik, mean),
  Median = sapply(data_numerik, median),
  Kuartil_1 =  sapply(data_numerik, quantile, probs = 0.25),
  Kuartil_3 =  sapply(data_numerik, quantile, probs = 0.75),
  Minimum = sapply(data_numerik, min),
  Maksimum = sapply(data_numerik, max),
  Rentang = sapply(data_numerik, function(x) diff(range(x))),
  Varians = sapply(data_numerik, var),
  Standar_Deviasi = sapply(data_numerik, sd)
)

knitr::kable(hasil_statistik, digits = 2,
             caption = "Hasil Statistik Deskriptif Dataset Iris")

Hasil Statistik Deskriptif Dataset Iris
	Variabel	Mean	Median	Kuartil_1	Kuartil_3	Minimum	Maksimum	Rentang	Varians	Standar_Deviasi
Sepal.Length	Sepal.Length	5.84	5.80	5.1	6.4	4.3	7.9	3.6	0.69	0.83
Sepal.Width	Sepal.Width	3.06	3.00	2.8	3.3	2.0	4.4	2.4	0.19	0.44
Petal.Length	Petal.Length	3.76	4.35	1.6	5.1	1.0	6.9	5.9	3.12	1.77
Petal.Width	Petal.Width	1.20	1.30	0.3	1.8	0.1	2.5	2.4	0.58	0.76

Tabel tersebut menampilkan ukuran pemusatan dan penyebaran untuk empat variabel numerik. Mean dan median menggambarkan nilai pusat data, sedangkan minimum, maksimum, rentang, varians, dan standar deviasi menunjukkan variasi data.

4.4 Frekuensi Jenis Bunga

frekuensi_species <- table(iris$Species)
frekuensi_species

## 
##     setosa versicolor  virginica 
##         50         50         50

Hasil frekuensi menunjukkan banyaknya pengamatan untuk setiap jenis bunga iris.

4.5 Histogram

hist(iris$Sepal.Length,
     main = "Histogram Panjang Kelopak",
     xlab = "Panjang Kelopak",
     ylab = "Frekuensi",
     col = "skyblue",
     border = "black")

Histogram digunakan untuk melihat distribusi frekuensi panjang kelopak bunga. Bentuk histogram dapat membantu menunjukkan bagian nilai yang paling banyak ditemukan dan pola penyebaran data.

4.6 Boxplot

boxplot(iris[, 1:4],
        main = "Boxplot Variabel Numerik Iris",
        ylab = "Nilai Pengukuran",
        col = c("lightblue", "lightgreen", "pink", "khaki"))

Boxplot menyajikan median, kuartil, dan jangkauan data. Grafik ini juga dapat membantu mengidentifikasi pengamatan yang berpotensi menjadi pencilan.

4.6 Diagram Batang Jenis Bunga

barplot(frekuensi_species,
        main = "Frekuensi Jenis Bunga Iris",
        xlab = "Jenis Bunga",
        ylab = "Frekuensi",
        col = c("skyblue", "lightgreen", "pink"))

Diagram batang menunjukkan jumlah pengamatan pada setiap jenis bunga. Tinggi batang menggambarkan frekuensi masing-masing kategori.

4.7 Scatter Plot

plot(iris$Sepal.Length, iris$Petal.Length,
     main = "Hubungan Panjang Kelopak dan Mahkota",
     xlab = "Panjang Kelopak",
     ylab = "Panjang Mahkota",
     pch = 19,
     col = "steelblue")

Scatter plot digunakan untuk melihat pola hubungan antara panjang kelopak dan panjang mahkota bunga. Setiap titik mewakili satu pengamatan.

BAB V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan analisis yang dilakukan, statistika deskriptif dapat digunakan untuk menggambarkan karakteristik dataset iris melalui ukuran pemusatan dan penyebaran. Nilai mean, median, minimum, maksimum, rentang, varians, dan standar deviasi memberikan ringkasan numerik mengenai data. Penyajian melalui histogram, boxplot, diagram batang, dan scatter plot membantu memperjelas distribusi, variasi, frekuensi kategori, serta pola hubungan antarvariabel.

Analisis ini menunjukkan bahwa R dapat digunakan untuk mengolah dan menyajikan data secara sederhana dan sistematis. Hasil statistika deskriptif dapat menjadi langkah awal sebelum dilakukan analisis statistika yang lebih lanjut.

5.2 Saran

Menjalankan suatu fungsi pada program R memerlukan ketelitian saat mengoperasikan dan menuliskan syntax agar program dapat berjalan dengan baik.disarankan juga agar praktikan lebih memahami penggunaan fungsi-fungsi statistika deskriptif pada program R, terutama dalam menghitung ukuran pemusatan dan penyebaran data, seperti mean, median, varians, dan standar deviasi. Selain itu, praktikan perlu lebih teliti dalam mengolah serta menginterpretasikan hasil perhitungan agar informasi yang diperoleh sesuai dengan karakteristik dataset iris. Penggunaan berbagai bentuk visualisasi, seperti histogram, boxplot, diagram batang, dan scatter plot, juga perlu ditingkatkan agar pola distribusi dan hubungan antarvariabel dapat dipahami dengan lebih mudah.

DAFTAR PUSTAKA

Afrinda, A. N., dan A. A. Dzikrullah. (2023). “Analisis Deskriptif terhadap Profit Perusahaan X Periode 2012–2021 dengan Bantuan Software R Studio.” Emerging Statistics and Data Science Journal.

Novianti, P. (2026). Modul Praktikum Komputasi Statistika. Bengkulu: Universitas Bengkulu.

R Documentation. (2026). The iris data set. R: Documentation.

Sonabend, R., dan F. J. Király. 2021. “distr6: R6 Object-Oriented Probability Distributions Interface in R.” The R Journal 13 (1): 444–466.

Yuniarti, R. (2022). Kesalahan Mahasiswa Program Studi Administrasi Publik dalam Menyelesaikan Soal Statistika Deskriptif dan Statistika Inferensial. Nusa Tenggara Barat: Selong Lombok Timur.

Laporan Statistika Deskriptif

Nama:Ayu Widiyasari

11 November 2026