Box Plot: Contoh Soal & Cara Mudah Pahami Visualisasi Data

by ADMIN 59 views
Iklan Headers

Hai teman-teman data enthusiast! Pernahkah kalian melihat atau mendengar istilah Box Plot? Mungkin sebagian dari kalian langsung membayangkan grafik aneh dengan kotak dan garis-garis yang terlihat rumit. Jangan panik dulu, guys! Box Plot itu sebenarnya adalah salah satu alat visualisasi data yang sangat powerful dan intuitif, lho. Kalau kalian sering berhadapan dengan data, entah itu di kuliah, kerjaan, atau sekadar hobi, memahami Box Plot itu hukumnya wajib banget! Kenapa? Karena dia bisa kasih tahu kita banyak banget informasi tentang sebaran data kita hanya dalam satu pandangan. Bayangkan, guys, satu grafik kecil tapi bisa menceritakan seluruh 'kisah' data kita! Dalam artikel ini, kita akan bedah tuntas apa itu Box Plot, kenapa dia penting, bagaimana cara membuatnya, dan tentu saja, kita akan langsung praktik dengan contoh soal Box Plot yang gampang banget dipahami. Jadi, siapkan diri kalian, karena setelah ini, kalian bakal jadi jagoan Box Plot!

Yuk, Kenalan Lebih Dekat dengan Box Plot!

Jadi, apa sebenarnya Box Plot itu? Secara sederhana, Box Plot atau sering juga disebut Box-and-Whisker Plot adalah metode grafis untuk menampilkan distribusi data numerik melalui kuartilnya. Grafik ini sangat efektif untuk menunjukkan lokasi pusat data, sebaran data, dan mengidentifikasi keberadaan outlier atau data pencilan. Jujur aja, sebagai seorang yang sering berkutat dengan data, saya pribadi sering banget mengandalkan Box Plot untuk melihat gambaran awal sebuah dataset. Daripada hanya melihat angka-angka mentah yang bikin pusing, Box Plot ini adalah penyelamat sejati, teman-teman!

Dalam sebuah Box Plot, kita akan menemukan beberapa komponen kunci yang masing-masing punya cerita sendiri. Mari kita bedah satu per satu, ya:

  1. Median (Kuartil Kedua/Q2): Ini adalah garis tengah yang membelah kotak. Median menunjukkan nilai tengah dari seluruh data yang sudah diurutkan. Jadi, setengah data berada di bawah median, dan setengahnya lagi di atas median. Ini penting banget untuk mengetahui pusat data kita.
  2. Kuartil Pertama (Q1): Ini adalah batas bawah dari kotak. Kuartil pertama (Q1) menunjukkan nilai di mana 25% data berada di bawah nilai ini, dan 75% data berada di atasnya. Q1 ini memberi kita gambaran tentang bagian bawah sebaran data.
  3. Kuartil Ketiga (Q3): Ini adalah batas atas dari kotak. Kuartil ketiga (Q3) menunjukkan nilai di mana 75% data berada di bawah nilai ini, dan 25% data berada di atasnya. Q3 ini memberi kita gambaran tentang bagian atas sebaran data.
  4. Rentang Antar Kuartil (Interquartile Range/IQR): Ini adalah panjang kotak itu sendiri, yang dihitung dari Q3 dikurangi Q1 (IQR = Q3 - Q1). IQR adalah ukuran sebaran data yang robus karena tidak terpengaruh oleh outlier. Semakin lebar IQR, semakin bervariasi data di bagian tengah.
  5. Whisker (Garis Kumis): Nah, ini adalah garis-garis yang membentang dari kotak ke arah luar. Whisker biasanya mewakili nilai minimum dan nilai maksimum dari data yang bukan outlier. Ada beberapa cara untuk menentukannya, tapi yang paling umum adalah batas 1.5 * IQR dari Q1 dan Q3. Jadi, whisker ini menunjukkan rentang normal data kita.
  6. Outlier (Data Pencilan): Ini adalah titik-titik data individual yang berada di luar batas whisker. Outlier adalah nilai-nilai yang sangat jauh berbeda dari sebagian besar data lainnya. Mereka seringkali diwakili sebagai titik-titik atau bintang di luar garis kumis. Mengidentifikasi outlier ini penting banget karena mereka bisa jadi indikasi kesalahan data, atau justru fenomena menarik yang perlu penyelidikan lebih lanjut. Misalnya, kalau kita menganalisis data pendapatan, ada satu orang yang pendapatannya miliaran sendiri, dia bisa jadi outlier!

Memahami komponen-komponen dasar Box Plot ini adalah kunci utama untuk bisa membaca dan menginterpretasi setiap grafik dengan benar. Jangan sampai salah artikan ya, teman-teman. Setiap garis dan titik di Box Plot itu punya makna yang dalam, lho!

Mengapa Box Plot Itu Penting Banget Sih buat Analisis Data?

"Kenapa sih kita harus pusing-pusing belajar Box Plot? Bukannya ada histogram atau grafik lainnya?" Pertanyaan bagus, guys! Meskipun ada banyak cara untuk memvisualisasikan data, Box Plot punya keunggulan unik yang membuatnya sangat berharga dalam toolkit setiap analis data. Dari pengalaman saya, Box Plot ini adalah senjata rahasia yang sering saya gunakan untuk memahami dataset dengan cepat dan efisien. Mari kita bahas kenapa Box Plot itu penting banget dan mengapa kalian harus akrab dengannya!

Pertama, Box Plot sangat efektif dalam menunjukkan sebaran data. Dengan melihat panjang kotak (IQR) dan panjang whisker, kita bisa langsung tahu seberapa tersebarnya data kita. Apakah datanya mengumpul di satu titik atau justru menyebar luas? Ini penting, misalnya, saat membandingkan performa dua kelompok siswa. Jika Box Plot nilai ujian kelompok A lebih pendek daripada kelompok B, itu artinya nilai kelompok A cenderung lebih konsisten, sementara kelompok B lebih bervariasi. Informasi ini susah didapat secepat itu hanya dari melihat rata-rata atau tabel angka saja.

Kedua, Box Plot memudahkan identifikasi outlier. Seperti yang sudah kita bahas sebelumnya, outlier adalah data-data yang 'menyimpang' dari pola umum. Mereka bisa jadi kesalahan input, kejadian langka, atau anomali yang signifikan. Dalam banyak kasus, outlier bisa sangat mempengaruhi hasil analisis statistik kita, seperti rata-rata. Dengan Box Plot, outlier divisualisasikan secara eksplisit sebagai titik-titik di luar whisker. Ini memungkinkan kita untuk dengan cepat melihat apakah ada data yang mencurigakan dan perlu diperiksa lebih lanjut. Bayangkan, guys, kalau kita menganalisis data sensor suhu dan tiba-tiba ada satu pembacaan yang sangat ekstrem, Box Plot akan langsung menunjukkannya kepada kita!

Ketiga, Box Plot ideal untuk perbandingan antar kelompok. Ini adalah salah satu kekuatan terbesar Box Plot. Kalian bisa menempatkan beberapa Box Plot berdampingan untuk membandingkan distribusi data dari kelompok yang berbeda. Misalnya, kalian ingin membandingkan penjualan produk di berbagai wilayah, atau efektivitas dua jenis obat baru. Dengan menumpuk Box Plot secara horizontal atau vertikal, kita bisa langsung melihat perbedaan median, sebaran, dan keberadaan outlier di setiap kelompok. Kita bisa tahu, misalnya, wilayah mana yang penjualannya paling stabil (IQR kecil), atau obat mana yang punya efek samping paling ekstrem (banyak outlier).

Keempat, Box Plot adalah ringkasan visual yang padat informasi. Dalam satu grafik sederhana, kalian mendapatkan informasi tentang pusat data (median), sebaran (IQR, rentang whisker), dan simetri data. Kalau kotak Box Plot tidak simetris (misalnya, bagian bawah kotak lebih panjang dari bagian atas), itu bisa mengindikasikan kemencengan (skewness) dalam data. Hal ini bisa memberi petunjuk awal apakah data kita cenderung berkumpul di nilai rendah atau tinggi. Jadi, daripada harus membuat banyak grafik terpisah atau menghitung banyak metrik statistik, Box Plot memberikan gambaran komprehensif secara instan. Ini sangat membantu dalam tahap eksplorasi data awal, lho!

Singkatnya, guys, Box Plot itu bukan sekadar gambar kotak dan garis. Dia adalah alat analisis yang efisien, informatif, dan mudah dipahami. Dengan menguasainya, kalian akan bisa membaca data lebih dalam dan membuat keputusan lebih baik berdasarkan fakta. Jadi, jangan sampai ketinggalan untuk menguasai senjata rahasia ini ya!

Panduan Lengkap: Cara Membuat Box Plot Sendiri, Step by Step!

Setelah kita tahu betapa pentingnya Box Plot, sekarang saatnya kita belajar bagaimana cara membuat Box Plot itu sendiri. Jangan khawatir, guys, bikin Box Plot itu gampang kok kalau tahu caranya! Prosesnya memang butuh beberapa langkah perhitungan, tapi kalau sudah terbiasa, kalian pasti akan lancar jaya. Yuk, kita ikuti panduan step by step ini. Anggap saja kita sedang menyiapkan bahan-bahan untuk memasak resep paling enak!

Mari kita ambil contoh dataset sederhana untuk panduan ini. Misalkan kita punya data nilai ujian matematika dari 10 siswa: [60, 65, 70, 70, 75, 80, 85, 90, 90, 95].

Langkah 1: Urutkan Data

Ini adalah langkah paling dasar dan krusial. Pastikan semua data kalian sudah diurutkan dari yang terkecil hingga terbesar. Kalau ada data yang belum urut, segera urutkan ya, karena semua perhitungan selanjutnya bergantung pada ini. Data kita sudah urut nih: 60, 65, 70, 70, 75, 80, 85, 90, 90, 95. Jumlah data (n) = 10.

Langkah 2: Cari Median (Kuartil Kedua/Q2)

Median adalah nilai tengah dari data yang sudah diurutkan. Jika jumlah data ganjil, median adalah nilai yang tepat di tengah. Jika genap, median adalah rata-rata dari dua nilai tengah. Karena n=10 (genap), median adalah rata-rata nilai ke-5 dan ke-6.

Posisi Median = (n + 1) / 2 = (10 + 1) / 2 = 5.5 Nilai ke-5 = 75, Nilai ke-6 = 80 Q2 (Median) = (75 + 80) / 2 = 77.5

Langkah 3: Cari Kuartil Pertama (Q1)

Kuartil Pertama (Q1) adalah median dari setengah bagian bawah data (tidak termasuk median jika n ganjil). Setengah bagian bawah data kita adalah: 60, 65, 70, 70, 75. Jumlah data di bagian bawah ada 5.

Posisi Q1 = (n_bawah + 1) / 2 = (5 + 1) / 2 = 3 Q1 = Nilai ke-3 dari data bawah = 70

Langkah 4: Cari Kuartil Ketiga (Q3)

Kuartil Ketiga (Q3) adalah median dari setengah bagian atas data (tidak termasuk median jika n ganjil). Setengah bagian atas data kita adalah: 80, 85, 90, 90, 95. Jumlah data di bagian atas ada 5.

Posisi Q3 = (n_atas + 1) / 2 = (5 + 1) / 2 = 3 Q3 = Nilai ke-3 dari data atas = 90

Langkah 5: Hitung Rentang Antar Kuartil (Interquartile Range/IQR)

IQR adalah perbedaan antara Q3 dan Q1.

IQR = Q3 - Q1 = 90 - 70 = 20

Langkah 6: Tentukan Batas Pagar (Fences) untuk Mengidentifikasi Outlier

Ini adalah bagian penting untuk menentukan batas whisker dan outlier. Kita akan menghitung batas pagar bawah (Lower Fence) dan batas pagar atas (Upper Fence).

  • Batas Pagar Bawah (Lower Fence) = Q1 - (1.5 * IQR) Lower Fence = 70 - (1.5 * 20) = 70 - 30 = 40

  • Batas Pagar Atas (Upper Fence) = Q3 + (1.5 * IQR) Upper Fence = 90 + (1.5 * 20) = 90 + 30 = 120

Langkah 7: Identifikasi Nilai Minimum dan Maksimum (non-outlier)

Nilai Minimum yang akan menjadi ujung whisker bawah adalah nilai terkecil dalam data yang tidak lebih kecil dari Lower Fence. Dalam kasus kita, nilai terkecil adalah 60. Karena 60 > 40 (Lower Fence), maka Minimum = 60.

Nilai Maksimum yang akan menjadi ujung whisker atas adalah nilai terbesar dalam data yang tidak lebih besar dari Upper Fence. Nilai terbesar adalah 95. Karena 95 < 120 (Upper Fence), maka Maksimum = 95.

Langkah 8: Identifikasi Outlier

Outlier adalah setiap data yang lebih kecil dari Lower Fence ATAU lebih besar dari Upper Fence. Dalam dataset kita (60, 65, 70, 70, 75, 80, 85, 90, 90, 95), tidak ada nilai yang lebih kecil dari 40 atau lebih besar dari 120. Jadi, pada contoh ini, tidak ada outlier.

Langkah 9: Gambar Box Plotnya!

Sekarang kita punya semua angka yang dibutuhkan:

  • Min (non-outlier): 60
  • Q1: 70
  • Median (Q2): 77.5
  • Q3: 90
  • Max (non-outlier): 95
  • Outlier: Tidak ada

Gambarlah garis bilangan horizontal atau vertikal yang mencakup rentang data kalian. Lalu, gambar kotak dari Q1 ke Q3, dengan garis median di dalamnya. Tarik whisker dari Q1 ke Min dan dari Q3 ke Max. Jika ada outlier, tandai dengan titik atau bintang di luar whisker. Tadaaa! Box Plot kalian sudah jadi! Proses ini memang butuh ketelitian, tapi dengan latihan, kalian pasti akan jago banget, guys!

Contoh Soal Box Plot dan Pembahasannya yang Gampang Dipahami!

Oke, sekarang kita sudah tahu apa itu Box Plot dan bagaimana cara membuatnya secara teori. Saatnya kita turun ke lapangan dan langsung praktik dengan contoh soal Box Plot! Ini adalah bagian paling seru karena kita akan melihat Box Plot 'hidup' dari data mentah. Saya akan kasih beberapa contoh soal dengan tingkat kesulitan yang bervariasi, termasuk soal yang ada outlier-nya, biar kalian makin jago dan pede dalam menganalisis data. Yuk, kita bedah satu per satu, guys!

Contoh Soal 1: Analisis Data Kehadiran Karyawan (Tanpa Outlier)

Sebuah perusahaan mencatat jumlah hari karyawan tidak hadir dalam setahun untuk 12 orang karyawan. Data yang terkumpul adalah sebagai berikut: [2, 3, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11]

Buatlah Box Plot dari data tersebut dan interpretasikan hasilnya.

Pembahasan:

  1. Urutkan Data: Data sudah terurut: 2, 3, 4, 4, 5, 6, 7, 7, 8, 9, 10, 11. Jumlah data (n) = 12.

  2. Cari Median (Q2): Karena n=12 (genap), median adalah rata-rata nilai ke-(12/2) dan ke-(12/2 + 1), yaitu nilai ke-6 dan ke-7. Nilai ke-6 = 6 Nilai ke-7 = 7 Q2 (Median) = (6 + 7) / 2 = 6.5

  3. Cari Kuartil Pertama (Q1): Setengah bagian bawah data (6 nilai pertama): 2, 3, 4, 4, 5, 6. Q1 adalah median dari kelompok ini. Karena ada 6 nilai (genap), Q1 adalah rata-rata nilai ke-3 dan ke-4. Nilai ke-3 = 4 Nilai ke-4 = 4 Q1 = (4 + 4) / 2 = 4

  4. Cari Kuartil Ketiga (Q3): Setengah bagian atas data (6 nilai terakhir): 7, 7, 8, 9, 10, 11. Q3 adalah median dari kelompok ini. Karena ada 6 nilai (genap), Q3 adalah rata-rata nilai ke-3 dan ke-4 dari kelompok ini. Nilai ke-3 = 8 Nilai ke-4 = 9 Q3 = (8 + 9) / 2 = 8.5

  5. Hitung Rentang Antar Kuartil (IQR): IQR = Q3 - Q1 = 8.5 - 4 = 4.5

  6. Tentukan Batas Pagar (Fences):

    • Lower Fence = Q1 - (1.5 * IQR) = 4 - (1.5 * 4.5) = 4 - 6.75 = -2.75
    • Upper Fence = Q3 + (1.5 * IQR) = 8.5 + (1.5 * 4.5) = 8.5 + 6.75 = 15.25

  7. Identifikasi Nilai Minimum dan Maksimum (non-outlier):

    • Nilai terkecil dalam data adalah 2. Karena 2 > -2.75 (Lower Fence), maka Minimum = 2.
    • Nilai terbesar dalam data adalah 11. Karena 11 < 15.25 (Upper Fence), maka Maksimum = 11.

  8. Identifikasi Outlier: Tidak ada data yang lebih kecil dari -2.75 atau lebih besar dari 15.25. Jadi, tidak ada outlier dalam data kehadiran karyawan ini.

Interpretasi Box Plot (Contoh Soal 1): Dari Box Plot yang terbentuk:

  • Median (6.5) menunjukkan bahwa setengah karyawan tidak hadir kurang dari 6.5 hari, dan setengahnya lagi tidak hadir lebih dari 6.5 hari. Ini adalah angka pusat kecenderungan ketidakhadiran karyawan.
  • Rentang tengah (IQR = 4.5) dari Q1 (4) hingga Q3 (8.5) menunjukkan bahwa 50% karyawan yang paling 'tipikal' tidak hadir antara 4 hingga 8.5 hari. Ini menandakan konsistensi atau variasi di antara sebagian besar karyawan.
  • Minimum (2) dan Maksimum (11) menunjukkan bahwa rentang ketidakhadiran karyawan bervariasi dari 2 hari hingga 11 hari dalam setahun, tanpa adanya data yang ekstrem (outlier).
  • Karena Box Plot terlihat relatif simetris (jarak Q1 ke Median mirip dengan Median ke Q3, begitu juga dengan whisker-nya), ini mengindikasikan bahwa distribusi data kehadiran karyawan cukup merata di sekitar median tanpa kecenderungan yang kuat ke salah satu sisi.

Contoh Soal 2: Analisis Harga Properti (Dengan Outlier)

Seorang agen properti mencatat harga (dalam ratusan juta rupiah) 15 unit rumah yang baru terjual di suatu area: [200, 220, 250, 280, 290, 300, 300, 310, 320, 330, 350, 380, 400, 450, 800]

Buatlah Box Plot dari data harga properti ini dan interpretasikan hasilnya.

Pembahasan:

  1. Urutkan Data: Data sudah terurut: 200, 220, 250, 280, 290, 300, 300, 310, 320, 330, 350, 380, 400, 450, 800. Jumlah data (n) = 15.

  2. Cari Median (Q2): Karena n=15 (ganjil), median adalah nilai ke-((15+1)/2) = nilai ke-8. Nilai ke-8 = 310 Q2 (Median) = 310

  3. Cari Kuartil Pertama (Q1): Setengah bagian bawah data (7 nilai pertama sebelum median): 200, 220, 250, 280, 290, 300, 300. Q1 adalah median dari kelompok ini. Karena ada 7 nilai (ganjil), Q1 adalah nilai ke-((7+1)/2) = nilai ke-4. Nilai ke-4 = 280 Q1 = 280

  4. Cari Kuartil Ketiga (Q3): Setengah bagian atas data (7 nilai setelah median): 320, 330, 350, 380, 400, 450, 800. Q3 adalah median dari kelompok ini. Karena ada 7 nilai (ganjil), Q3 adalah nilai ke-((7+1)/2) = nilai ke-4. Nilai ke-4 = 380 Q3 = 380

  5. Hitung Rentang Antar Kuartil (IQR): IQR = Q3 - Q1 = 380 - 280 = 100

  6. Tentukan Batas Pagar (Fences):

    • Lower Fence = Q1 - (1.5 * IQR) = 280 - (1.5 * 100) = 280 - 150 = 130
    • Upper Fence = Q3 + (1.5 * IQR) = 380 + (1.5 * 100) = 380 + 150 = 530

  7. Identifikasi Nilai Minimum dan Maksimum (non-outlier):

    • Nilai terkecil dalam data adalah 200. Karena 200 > 130 (Lower Fence), maka Minimum = 200.
    • Nilai terbesar dalam data adalah 800. Apakah 800 < 530 (Upper Fence)? Tidak! 800 lebih besar dari Upper Fence. Jadi, 800 adalah outlier. Oleh karena itu, Maksimum (non-outlier) adalah nilai terbesar sebelum 800 yang masih di bawah 530, yaitu 450.

  8. Identifikasi Outlier:

    • Data yang lebih kecil dari Lower Fence (130): Tidak ada.
    • Data yang lebih besar dari Upper Fence (530): Ada, yaitu 800.
    • Jadi, Outlier = 800.

Interpretasi Box Plot (Contoh Soal 2): Dari Box Plot yang terbentuk:

  • Median (310) menunjukkan bahwa setengah harga rumah yang terjual berada di bawah 310 ratusan juta (31 Milyar) dan setengahnya lagi di atas 31 Milyar. Ini adalah harga tipikal di area tersebut.
  • Rentang tengah (IQR = 100) dari Q1 (280) hingga Q3 (380) menunjukkan bahwa 50% harga rumah berada di kisaran 28 Milyar hingga 38 Milyar. Variasi harga di tengah cukup luas, menunjukkan beragamnya tipe atau ukuran rumah.
  • Nilai Minimum (200) dan Maksimum (450) sebagai ujung whisker menunjukkan bahwa sebagian besar harga rumah (non-outlier) berkisar antara 20 Milyar hingga 45 Milyar.
  • Terdapat satu outlier, yaitu 800 (80 Milyar). Ini menandakan ada satu rumah yang harganya jauh lebih mahal dibandingkan rumah-rumah lain yang terjual di area tersebut. Outlier ini bisa menjadi properti mewah, ukuran yang sangat besar, atau memiliki keunggulan lokasi khusus. Kehadiran outlier ini penting untuk dicatat karena bisa menarik rata-rata harga secara signifikan ke atas, sehingga median menjadi ukuran pusat yang lebih representatif untuk data harga properti ini.
  • Box Plot ini terlihat menceng ke kanan (positively skewed) karena whisker atas dan jarak Q3 ke Median lebih panjang daripada bagian bawah, ditambah adanya outlier di sisi atas. Ini menunjukkan bahwa sebagian besar harga rumah cenderung lebih rendah, tetapi ada beberapa rumah dengan harga yang sangat tinggi.

Gimana, guys? Dengan contoh soal ini, kalian sudah bisa melihat kan bagaimana Box Plot bekerja dan informasi apa saja yang bisa kita gali darinya? Praktik terus ya, biar makin lancar!

Tips Jitu Membaca dan Menginterpretasi Box Plot Bak Profesional!

Setelah kita jago bikin Box Plot, sekarang saatnya kita jago membacanya, guys! Box Plot itu kayak buku cerita, kita cuma perlu tahu cara membacanya untuk memahami alur kisahnya. Menginterpretasi Box Plot dengan baik akan membuat analisis data kalian jadi lebih tajam dan penuh wawasan. Yuk, kita pelajari beberapa tips jitu untuk menjadi pro dalam membaca Box Plot!

1. Fokus pada Median untuk Pusat Data

Lihatlah posisi garis median di dalam kotak. Ini adalah nilai tengah data kalian. Jika kalian membandingkan beberapa Box Plot, perbedaan posisi median akan langsung menunjukkan perbedaan nilai pusat antar kelompok. Misalnya, kalau median Box Plot A lebih tinggi dari Box Plot B, itu artinya, secara umum, nilai di kelompok A lebih tinggi daripada kelompok B.

2. Perhatikan Panjang Kotak (IQR) untuk Sebaran Data

Panjang kotak (IQR) adalah indikator utama variabilitas atau sebaran 50% data tengah. Kotak yang pendek berarti data di tengah cenderung mengumpul atau konsisten. Sebaliknya, kotak yang panjang menunjukkan data di tengah lebih tersebar atau bervariasi. Ini penting banget untuk melihat konsistensi sebuah proses atau hasil. Contohnya, dua tim penjualan mungkin punya median penjualan yang sama, tapi kalau Box Plot tim A lebih pendek, berarti penjualan mereka lebih stabil daripada tim B.

3. Amati Panjang Whisker untuk Rentang Non-Outlier

Whisker menunjukkan rentang normal data kalian, di luar 50% tengah. Perhatikan panjang whisker atas dan bawah. Jika salah satu whisker jauh lebih panjang dari yang lain, itu bisa jadi tanda kemencengan (skewness) dalam data kalian. Panjang whisker juga melengkapi informasi sebaran yang diberikan oleh IQR, memberikan gambaran rentang total data yang tidak ekstrem.

4. Cari dan Analisis Outlier

Titik-titik individual di luar whisker adalah outlier. Mereka adalah data anomali yang perlu perhatian khusus. Tanyakan pada diri sendiri: