Kamis, 13 Februari 2025

Membuktikan Rumus Volume Kerucut

Turunan Rumus Volume Kerucut

Turunan Rumus Volume Kerucut

Turunan rumus volume kerucut V = (1/3) π r² h bisa diperoleh dengan menggunakan kalkulus integral. Kita akan menurunkan rumus ini dengan metode cakram (disk method), yang merupakan cara umum untuk menghitung volume benda hasil rotasi.

1️⃣ Konsep Dasar

Bayangkan sebuah kerucut dengan:

  • Jari-jari alas: r
  • Tinggi: h

Kerucut bisa dibentuk dengan memutar segitiga di bidang xy-plane mengelilingi sumbu y.

2️⃣ Menganalisis Irisan Kerucut

Jika kita mengambil irisan horisontal kecil dari kerucut setinggi y, maka:

  • Jari-jari lingkaran kecil di irisan disebut r(y)
  • Ketebalan irisan adalah dy
  • Irisan ini berbentuk cakram kecil, dan volumenya bisa dihitung dengan metode integral.

3️⃣ Hubungan Jari-jari dengan Tinggi

Karena kerucut berbentuk segitiga saat diproyeksikan, kita gunakan persamaan garis:

r(y) = (r/h) * y

di mana r(y) adalah jari-jari irisan lingkaran di ketinggian y.

4️⃣ Menggunakan Metode Cakram

Volume kecil dari setiap cakram adalah:

dV = π [r(y)]² dy

Substitusi r(y) = (r/h) * y:

dV = π (r²/h²) y² dy

Total volume kerucut diperoleh dengan mengintegralkan dari y = 0 sampai y = h:

V = ∫₀ʰ π (r²/h²) y² dy

5️⃣ Menyelesaikan Integral

Kita gunakan rumus integral:

∫ yⁿ dy = (yⁿ⁺¹ / (n+1))

Sehingga:

∫₀ʰ y² dy = h³ / 3

Substitusikan kembali:

V = π (r²/h²) × (h³/3)
V = (1/3) π r² h

6️⃣ Kesimpulan

Jadi, dengan menggunakan integral cakram, kita telah menunjukkan bahwa volume kerucut adalah:

V = (1/3) π r² h

🎯 Makna dari (1/3): Faktor 1/3 menunjukkan bahwa volume kerucut hanya sepertiga dari volume silinder dengan alas dan tinggi yang sama.

Jumat, 07 Februari 2025

Soal UTS Pemrograman Komputer - Prodi Tadris Matematika

Soal UTS - Algoritma dan Pemrograman

Soal Ujian Tengah Semester (UTS)

Mata Kuliah: Algoritma dan Pemrograman

Instruksi:

  • Jawablah dengan jelas, terstruktur, dan sesuai dengan kaidah penulisan ilmiah.
  • Gunakan referensi teori dan/atau contoh kode untuk mendukung jawaban Anda.
  • Dilarang melakukan plagiarisme. Jawaban yang terbukti menjiplak akan diberi nilai nol.

Soal:

  1. Konsep Algoritma dalam Pemecahan Masalah Matematika
    Jelaskan pengertian algoritma dan bagaimana algoritma digunakan dalam pemecahan masalah matematika. Sebagai contoh, buat algoritma dalam pseudocode untuk menghitung nilai rata-rata dari sekumpulan bilangan yang dimasukkan oleh pengguna.
  2. Flowchart untuk Perhitungan Faktorial
    Gambarkan flowchart untuk menghitung faktorial dari bilangan bulat positif yang dimasukkan pengguna. Jelaskan fungsi setiap simbol yang digunakan dalam flowchart tersebut.
  3. Struktur Percabangan dalam Menentukan Bilangan Genap atau Ganjil
    Buat program Python yang meminta pengguna memasukkan sebuah bilangan bulat lalu menentukan apakah bilangan tersebut genap atau ganjil menggunakan struktur percabangan IF-ELSE.
  4. Menggunakan Perulangan untuk Menghitung Jumlah Deret Aritmatika
    Sebuah deret aritmatika memiliki rumus jumlah n suku pertama sebagai berikut:

    Sn = (n/2) * (2a + (n-1) * d)

    Buat program Python menggunakan perulangan FOR untuk menghitung jumlah 10 suku pertama dari deret aritmatika dengan suku pertama (a) = 3 dan beda (d) = 5.
  5. Menghitung Akar Persamaan Kuadrat dalam Python
    Gunakan rumus kuadratik berikut untuk mencari akar-akar persamaan kuadrat:
    x = (-b ± √(b² - 4ac)) / 2a

    Buat program Python yang meminta pengguna memasukkan nilai a, b, dan c, lalu menghitung dan menampilkan akar-akar persamaan kuadrat tersebut. Pastikan program menangani kasus diskriminan negatif dengan menampilkan pesan bahwa akar tidak real jika b² - 4ac < 0.

Senin, 27 Januari 2025

Cara Menggunakan Biblioshiny dan OpenRefine

Using Biblioshiny and OpenRefine

Using Biblioshiny and OpenRefine

1. Biblioshiny

Biblioshiny is a web-based interface for the Bibliometrix package in R, designed for bibliometric analysis.

Steps to Use Biblioshiny:

  1. Preparation:
    • Ensure R and RStudio are installed on your computer.
    • Install the Bibliometrix package by running the following command in R:
    • install.packages("bibliometrix")
    • Load the package:
      library(bibliometrix)
  2. Run Biblioshiny:
    • Launch Biblioshiny with this command:
    • biblioshiny()
    • A browser will open with the Biblioshiny interface.
  3. Import Data:
    • Prepare your bibliographic data file (.bib, .ris, or .csv) from databases like Scopus, Web of Science, or PubMed.
    • Import the file using the "Data" menu in Biblioshiny.
  4. Analyze Data:
    • Select analyses such as:
      • Keyword Analysis
      • Author Collaboration Network
      • Journal or Institution Analysis
    • Adjust parameters as needed.
  5. Visualize Data:
    • Create visualizations such as:
      • Keyword co-occurrence maps
      • Publication trend graphs
      • Author collaboration diagrams
  6. Export Results:
    • Export results as images (PNG) or tables (CSV).

2. OpenRefine

OpenRefine is an open-source tool for cleaning, enriching, and managing data, often used for cleaning bibliometric metadata.

Steps to Use OpenRefine:

  1. Download and Install OpenRefine:
    • Download OpenRefine from openrefine.org.
    • Extract the files and run the application (e.g., openrefine.exe for Windows).
  2. Import Data:
    • Prepare your data file in .csv or .tsv format.
    • Open OpenRefine and select "Create Project" to import your file.
  3. Clean Data:
    • Use tools like:
      • Facets: Filter and find duplicate or anomalous values.
      • Clustering: Merge similar terms (e.g., variations in spelling).
      • Transformations: Apply logic for cleaning data (e.g., reformatting dates).
  4. Enrich Data:
    • Use external APIs (e.g., CrossRef, Wikidata) to add additional information to your dataset.
  5. Export Data:
    • Export cleaned data in formats such as CSV, Excel, or JSON for further analysis.

Integration of Biblioshiny and OpenRefine

  1. Initial Processing in OpenRefine:
    • Use OpenRefine to clean bibliographic data (e.g., remove duplicates, standardize author names).
  2. Analysis in Biblioshiny:
    • Import the cleaned data into Biblioshiny for advanced analysis and visualization.

Versi Bahasa Indonesia:

Panduan Biblioshiny dan OpenRefine

Panduan Menggunakan Biblioshiny dan OpenRefine

1. Menggunakan Biblioshiny

  1. Instalasi: Pastikan Anda telah menginstal R dan RStudio di komputer Anda. Kemudian instal paket bibliometrix dengan menjalankan perintah berikut di R:
    install.packages("bibliometrix")
  2. Menjalankan Biblioshiny: Setelah paket terinstal, jalankan perintah berikut untuk membuka antarmuka Biblioshiny:
    biblioshiny()
  3. Upload Data: Unggah file data bibliometrik Anda (misalnya, file dari Scopus atau Web of Science dalam format CSV atau BibTeX).
  4. Analisis Data: Gunakan fitur-fitur yang tersedia untuk:
    • Analisis bibliometrik (frekuensi kata kunci, tren publikasi, dll.)
    • Visualisasi data (network map, treemap, dll.)

2. Menggunakan OpenRefine

  1. Instalasi: Unduh OpenRefine dari situs resmi (https://openrefine.org) dan instal di komputer Anda.
  2. Membuka Proyek Baru: Jalankan OpenRefine dan buat proyek baru dengan mengunggah dataset (file CSV, Excel, dll.).
  3. Pembersihan Data: Gunakan fitur-fitur berikut:
    • Deteksi dan perbaikan duplikasi data
    • Normalisasi format data (misalnya, menyamakan huruf kapital, format tanggal, dll.)
    • Penyaringan dan pengelompokan data untuk analisis lebih lanjut
  4. Ekspor Data: Setelah selesai, ekspor data yang telah dibersihkan ke format yang Anda perlukan (CSV, Excel, dll.).

Catatan Penting

  • Pastikan dataset yang digunakan sesuai dengan kebutuhan analisis Anda.
  • Pelajari dokumentasi resmi dari masing-masing alat untuk memahami fitur-fitur tambahan yang tersedia.

Jumat, 03 Januari 2025

Desain Eksperimen (Perspektif Bidang Ilmu Sosial VS Perspektif Bidang Ilmu Eksak)

Desain Eksperimen

Desain Eksperimen adalah metode penelitian yang digunakan untuk menguji hipotesis atau teori dengan cara yang sistematis, terstruktur, dan terkontrol. Namun, sudut pandang dan pendekatan desain eksperimen dapat berbeda secara signifikan antara ilmu eksak dan ilmu sosial. Perbedaan ini muncul karena tujuan penelitian, jenis data, serta metode yang digunakan dalam kedua bidang tersebut memiliki karakteristik yang berbeda.

1. Desain Eksperimen dalam Ilmu Eksak

Di bidang ilmu eksak, seperti fisika, kimia, atau teknik, desain eksperimen berfokus pada pengujian hipotesis yang sangat terkontrol dengan variabel yang jelas dan kondisi yang dapat direplikasi. Eksperimen di bidang ini sering kali dilakukan di laboratorium dengan pengukuran yang akurat dan instrumen yang canggih. Ciri utama desain eksperimen dalam ilmu eksak adalah:

Ciri-ciri Desain Eksperimen dalam Ilmu Eksak:

  • Variabel yang Terukur dan Terkontrol: Dalam eksperimen ilmu eksak, variabel bebas dan variabel terikat dirancang sedemikian rupa agar dapat diukur dengan akurat. Peneliti dapat mengontrol faktor eksternal dan memastikan bahwa hanya variabel independen yang mempengaruhi variabel dependen.
  • Replikasi dan Konsistensi: Eksperimen dalam ilmu eksak dirancang agar dapat direplikasi, yang berarti eksperimen tersebut harus memberikan hasil yang konsisten di bawah kondisi yang sama, memungkinkan peneliti lain untuk mengulang eksperimen dan mendapatkan hasil yang serupa.
  • Penggunaan Alat dan Instrumen yang Akurat: Penggunaan perangkat laboratorium dan instrumen yang canggih untuk mengukur variabel secara kuantitatif, seperti termometer, mikroskop, atau alat ukur lainnya.
  • Hipotesis yang Dapat Diuji: Desain eksperimen berfokus pada pengujian hipotesis yang jelas, yang dirumuskan berdasarkan teori ilmiah yang sudah ada. Eksperimen dilakukan untuk mengonfirmasi atau menolak hipotesis tersebut.
  • Pengendalian Kondisi Eksperimen: Peneliti dapat mengontrol semua kondisi eksternal (misalnya, suhu, cahaya, kelembaban) untuk memastikan bahwa hasil eksperimen hanya dipengaruhi oleh variabel yang diuji.

Contoh dalam Ilmu Eksak:

  • Eksperimen dalam Fisika: Menggunakan percobaan untuk mengukur percepatan gravitasi atau hukum gerak Newton di laboratorium dengan pengendalian yang ketat terhadap variabel fisik.
  • Eksperimen dalam Kimia: Pengujian reaksi kimia dalam kondisi yang terkendali (suhu, tekanan) untuk mengetahui bagaimana suatu senyawa bereaksi.

2. Desain Eksperimen dalam Ilmu Sosial

Di bidang ilmu sosial, seperti psikologi, sosiologi, atau ilmu pendidikan, desain eksperimen berfokus pada pengujian teori yang berkaitan dengan perilaku manusia atau fenomena sosial. Karena subjek eksperimen lebih kompleks dan bervariasi, eksperimen di ilmu sosial sering kali lebih fleksibel dan tidak sepenuhnya terkontrol. Ciri-ciri desain eksperimen dalam ilmu sosial adalah:

Ciri-ciri Desain Eksperimen dalam Ilmu Sosial:

  • Pengendalian yang Terbatas: Dalam eksperimen ilmu sosial, meskipun peneliti mencoba untuk mengendalikan beberapa variabel, kondisi eksperimen seringkali lebih sulit dikendalikan. Faktor eksternal seperti persepsi individu, budaya, atau konteks sosial bisa mempengaruhi hasil eksperimen.
  • Variabel yang Lebih Kompleks dan Subjektif: Variabel yang diukur dalam eksperimen ilmu sosial sering kali bersifat subjektif dan kualitatif, seperti persepsi, motivasi, emosi, atau sikap. Ini membuat eksperimen lebih sulit untuk dikendalikan dan diukur secara kuantitatif.
  • Kesulitan dalam Replikasi: Mengingat variabilitas dalam perilaku manusia, eksperimen sosial sering kali lebih sulit untuk direplikasi dengan cara yang persis sama. Konteks sosial yang berubah atau perbedaan individu dapat menghasilkan hasil yang bervariasi.
  • Pengukuran Tidak Hanya Kuantitatif: Selain pengukuran kuantitatif (angka), eksperimen dalam ilmu sosial sering kali menggunakan metode kualitatif untuk menggali lebih dalam tentang alasan atau motif di balik perilaku manusia. Pengumpulan data bisa melibatkan wawancara, observasi, atau survei yang lebih bersifat deskriptif.
  • Etika yang Lebih Ketat: Eksperimen di bidang sosial sering kali harus mempertimbangkan aspek etika yang lebih ketat karena melibatkan subjek manusia. Hal ini bisa mempengaruhi desain eksperimen, misalnya dengan memberikan persetujuan yang diinformasikan kepada peserta eksperimen dan memperhatikan kesejahteraan mereka.

Contoh dalam Ilmu Sosial:

  • Eksperimen dalam Psikologi: Menggunakan eksperimen untuk menguji pengaruh situasi tertentu terhadap perilaku manusia, seperti pengaruh stres terhadap keputusan yang diambil atau eksperimen milgram yang menguji kepatuhan terhadap otoritas.
  • Eksperimen dalam Sosiologi: Menguji pengaruh norma sosial atau kebijakan tertentu terhadap perilaku kelompok sosial atau masyarakat.

Perbedaan Utama Desain Eksperimen Ilmu Eksak dan Sosial:

  • Pengendalian Variabel: Di ilmu eksak, peneliti dapat mengendalikan lebih banyak variabel dan menjaga kondisi eksperimen lebih stabil, sedangkan di ilmu sosial, variabel seperti perilaku manusia sering kali lebih sulit dikendalikan.
  • Objektivitas vs Subjektivitas: Ilmu eksak lebih mengutamakan pengukuran yang objektif dengan instrumen yang dapat dipercaya, sementara ilmu sosial lebih sering melibatkan aspek subjektif dalam pengukuran, yang memerlukan pendekatan kualitatif.
  • Fleksibilitas dalam Metode: Desain eksperimen dalam ilmu sosial lebih fleksibel dan adaptif, sering kali disesuaikan dengan konteks sosial atau budaya yang berubah, sedangkan eksperimen dalam ilmu eksak lebih rigid dan terstandarisasi.
  • Replikasi: Eksperimen dalam ilmu eksak lebih mudah direplikasi karena kondisi eksperimen dapat lebih dikendalikan, sedangkan eksperimen dalam ilmu sosial mungkin menghasilkan hasil yang lebih bervariasi dan sulit direplikasi dengan cara yang persis sama.

Kesimpulan:

Ilmu eksak cenderung memiliki desain eksperimen yang sangat terkontrol dan lebih fokus pada pengujian hukum alam atau fenomena fisik.
Ilmu sosial memiliki desain eksperimen yang lebih fleksibel dan sering melibatkan pengukuran aspek subjektif yang sulit untuk dikendalikan atau direplikasi secara ketat, tetapi tetap berusaha untuk memberikan pemahaman yang valid tentang perilaku manusia atau fenomena sosial.

Perbedaan-perbedaan ini mencerminkan sifat dan tujuan penelitian yang berbeda antara kedua bidang ilmu tersebut. Apakah kamu tertarik untuk mendalami lebih jauh mengenai eksperimen di salah satu bidang ini?

Senin, 30 Desember 2024

Statistika Dasar - Ukuran Pemusatan Data (Sentral Tendensi)

Sentral Tendensi dalam Statistik Dasar

Sentral Tendensi dalam Statistik Dasar

Sentral tendensi dalam statistik dasar merujuk pada nilai-nilai yang menggambarkan titik pusat atau lokasi rata-rata dari suatu kumpulan data. Konsep ini digunakan untuk memberikan gambaran umum tentang bagaimana data tersebar dengan melihat nilai yang mewakili "tengah" data tersebut. Ada tiga ukuran utama yang digunakan untuk menggambarkan sentral tendensi, yaitu:

1. Mean (Rata-rata)

Definisi: Mean adalah jumlah semua nilai dalam data dibagi dengan jumlah data. Ini adalah ukuran yang paling umum digunakan untuk menghitung rata-rata data.

Formula: Mean = Σxi / n, di mana xi adalah nilai data dan n adalah jumlah data.

Contoh: Misalkan ada data 2, 4, 6, 8, 10. Maka,

Mean = (2 + 4 + 6 + 8 + 10) / 5 = 30 / 5 = 6

Kelebihan: Mudah dihitung dan digunakan.

Kekurangan: Rentan terhadap outlier (nilai yang sangat berbeda dengan data lainnya).

2. Median (Nilai Tengah)

Definisi: Median adalah nilai tengah dari data yang telah diurutkan. Jika jumlah data ganjil, median adalah nilai yang terletak tepat di tengah. Jika jumlah data genap, median adalah rata-rata dari dua nilai tengah.

Contoh: Misalkan ada data 1, 3, 5, 7, 9. Median dari data ini adalah 5, karena terletak di tengah. Jika data adalah 1, 3, 5, 7, maka median adalah (3 + 5) / 2 = 4.

Kelebihan: Tidak dipengaruhi oleh outlier.

Kekurangan: Tidak selalu memberikan gambaran yang akurat jika data sangat tersebar.

3. Modus (Nilai yang Sering Muncul)

Definisi: Modus adalah nilai yang paling sering muncul dalam data. Suatu data bisa memiliki lebih dari satu modus jika ada beberapa nilai yang muncul dengan frekuensi yang sama.

Contoh: Misalkan ada data 2, 3, 3, 4, 5. Maka, modusnya adalah 3 karena nilai ini muncul dua kali.

Kelebihan: Berguna untuk data kategori atau data diskrit.

Kekurangan: Tidak selalu ada modus atau bisa ada lebih dari satu modus.

Perbandingan dan Kapan Menggunakan Masing-Masing:

  • Mean adalah ukuran yang baik ketika data relatif simetris dan tidak ada banyak outlier.
  • Median lebih baik digunakan ketika data mengandung outlier atau distribusinya tidak simetris, karena median tidak dipengaruhi oleh nilai ekstrim.
  • Modus berguna untuk data kategorikal atau nominal, di mana kita ingin mengetahui nilai yang paling sering muncul.

Kesimpulan

Sentral tendensi memberikan informasi penting mengenai pusat atau lokasi dari distribusi data. Meskipun mean, median, dan modus dapat memberikan gambaran yang berbeda tentang data, masing-masing memiliki kegunaan dan situasi yang berbeda-beda.

Statistika Dasar - Sentral Tendensi VS Variabilitas

Hubungan antara sentral tendensi (pemusatan data) dengan variabilitas (penyebaran data) dapat dijelaskan diantaranya sebagai berikut:

1. Mean, Median, dan Modus yang Sama tetapi Variabilitas yang Berbeda

Distribusi data bisa memiliki nilai pusat (seperti mean, median, atau modus) yang sama, namun variabilitasnya bisa berbeda. Variabilitas ini diukur menggunakan ukuran seperti standar deviasi (σ) atau variansi (σ²). Misalnya, dua kumpulan data dengan nilai mean yang sama, namun jika satu kumpulan data memiliki penyebaran yang lebih besar, maka standar deviasi (atau variansi) pada kumpulan data tersebut akan lebih besar.

2. Semakin Besar Variabilitas, Kurva Akan Semakin Melebar

Dalam distribusi normal, semakin besar standar deviasi (σ), maka distribusi data akan semakin "melebarkan" atau "memperlebar" kurvanya. Ini berarti data akan tersebar lebih luas di sekitar nilai tengahnya (mean). Sebaliknya, semakin kecil standar deviasi, kurva distribusinya akan semakin sempit, karena data lebih terpusat di sekitar mean.

3. Nilai Mean yang Sama, Simpangan Deviasi yang Berbeda

Seperti yang disebutkan dalam penjelasan, meskipun dua distribusi memiliki nilai mean (µ) yang sama, jika nilai simpangan deviasi (σ) berbeda, maka lebar atau bentuk kurvanya akan berbeda. Jika σ lebih besar, distribusi akan lebih lebar dan lebih datar, sementara jika σ lebih kecil, distribusi akan lebih tinggi dan lebih sempit.

4. Semakin Besar Nilai Simpangan Deviasi atau Variansi, Semakin Lebar Kurva

Semakin besar nilai variansi (σ²) atau standar deviasi (σ), maka distribusi akan semakin melebar. Variansi dan simpangan deviasi yang besar mengindikasikan bahwa data lebih tersebar atau lebih bervariasi dari nilai rata-rata.

Hal tersebut diatas sesuai dengan teori statistik mengenai distribusi normal dan variabilitas data. Variabilitas yang lebih besar menyebabkan penyebaran data yang lebih luas dan mengubah bentuk kurva distribusi, meskipun nilai rata-rata tetap sama.

Statistika Dasar - Ukuran Penyebaran Data (Variabilitas)

Ya, variabilitas sering disebut sebagai ukuran penyebaran data dalam statistik. Variabilitas menggambarkan seberapa jauh data dalam suatu kumpulan tersebar di sekitar nilai pusatnya (seperti mean, median, atau modus). Ukuran ini penting untuk memahami tingkat variasi atau ketidakhomogenan data.


Ukuran Penyebaran Data (Variabilitas)

Beberapa ukuran yang digunakan untuk menggambarkan variabilitas atau penyebaran data adalah:

  1. Range (Jangkauan)
    Mengukur selisih antara nilai maksimum dan nilai minimum.
    Formula: Range = Nilai Maksimum - Nilai Minimum
    Contoh: Dalam data 2, 4, 6, 8, 10, range = 10 - 2 = 8.
  2. Interquartile Range (IQR)
    Mengukur jangkauan data di tengah 50% (antara kuartil ke-1 dan kuartil ke-3).
    Formula: IQR = Q3 - Q1
    Berguna untuk mengabaikan outlier.
  3. Variansi (Variance)
    Mengukur penyimpangan kuadrat rata-rata dari mean.
    Formula: σ² = ∑(xᵢ - x̄)² / n
    Memberikan gambaran tentang bagaimana data menyebar dari rata-rata, dalam satuan kuadrat.
  4. Standar Deviasi (Standard Deviation)
    Akar kuadrat dari variansi, mengukur penyebaran dalam satuan yang sama dengan data.
    Formula: σ = √(∑(xᵢ - x̄)² / n)
    Semakin besar standar deviasi, semakin besar penyebaran data.
  5. Koefisien Variasi (Coefficient of Variation, CV)
    Mengukur variabilitas relatif terhadap mean, biasanya dalam bentuk persentase.
    Formula: CV = (Standar Deviasi / Mean) × 100%
    Cocok untuk membandingkan penyebaran data dari kumpulan data dengan skala berbeda.

Mengapa Variabilitas Penting?

  • Mengukur homogenitas data: Variabilitas rendah menunjukkan data lebih seragam.
  • Mengidentifikasi pola: Memahami apakah ada nilai yang menyimpang jauh dari rata-rata (outlier).
  • Membandingkan kumpulan data: Misalnya, membandingkan penyebaran nilai ujian antara dua kelas.
  • Membantu dalam pengambilan keputusan: Dalam penelitian, data dengan variabilitas tinggi mungkin memerlukan pendekatan analisis yang berbeda.

Kesimpulan

Variabilitas adalah ukuran penyebaran data, memberikan informasi tentang seberapa tersebar atau seragam nilai dalam suatu kumpulan data. Ukuran ini melengkapi informasi yang diberikan oleh sentral tendensi (seperti mean) untuk memberikan gambaran menyeluruh tentang dataset.

Jika ada bagian yang ingin diperjelas, beri tahu saya! 😊