TL;DR
Standar deviasi adalah ukuran seberapa jauh data nyebar dari rata-ratanya. Angka kecil berarti data ngumpul rapat di sekitar mean, angka besar berarti nyebar jauh. Buat data yang sebarannya normal, sekitar 68% data ada di rentang satu standar deviasi dari mean. Di Excel pakai STDEV.S, di SQL pakai STDDEV_SAMP.
Standar deviasi adalah ukuran seberapa jauh data kamu nyebar dari rata-ratanya. Angka kecil berarti ngumpul rapat, angka besar berarti berantakan.
Dua kurir bisa punya rata-rata waktu antar yang sama persis: 30 menit. Tapi yang satu selalu 28-32 menit, yang satu lagi kadang 12 menit kadang 55 menit.
Rata-ratanya nggak bisa bedain mereka. Standar deviasi bisa.
Standar deviasi adalah rata-rata jarak tiap titik data dari nilai mean-nya. Satuannya sama persis kayak data aslinya. Kalau datanya menit, standar deviasinya juga menit. Makin kecil angkanya, makin konsisten datanya.
Coba dua kelompok waktu antar (dalam menit):
Kurir A: 28, 29, 30, 31, 32 -> mean 30, SD = 1,58
Kurir B: 12, 20, 30, 40, 48 -> mean 30, SD = 14,42Mean-nya sama. Standar deviasi Kurir B sembilan kali lipat lebih gede.
Kalau kamu pelanggan, kamu jelas milih Kurir A. Bukan karena dia lebih cepat (dia nggak lebih cepat), tapi karena kamu bisa percaya sama janjinya.
Empat langkah. Aku pakai data Kurir A biar gampang diikutin.
Dua pertanyaan yang biasanya muncul:
Kenapa dikuadratin? Kalau nggak, selisih positif dan negatif saling menghapus dan hasilnya selalu nol. Dikuadratin bikin semuanya positif.
Kenapa dibagi 4, bukan 5? Karena ini sampel, bukan populasi. Dibagi n-1 bikin estimasinya nggak terlalu optimis. Kalau data kamu seluruh populasi, baru bagi n.
Buat data yang sebarannya kira-kira normal (kurva lonceng), ada aturan cepat yang gampang diinget:
| Rentang | Kira-kira berapa persen data ada di situ |
|---|---|
| mean ± 1 SD | 68% |
| mean ± 2 SD | 95% |
| mean ± 3 SD | 99,7% |
Kurir A: mean 30, SD 1,58. Jadi 68% pengiriman dia ada di rentang 28,4 sampai 31,6 menit. Rapat.
Kurir B: mean 30, SD 14,42. Rentang 68%-nya jadi 15,6 sampai 44,4 menit. Nyaris nggak ada gunanya buat janjiin ke pelanggan.
Aturan 3 SD juga kepake buat deteksi anomali. Data yang jatuh di luar 3 SD dari mean itu langka (cuma 0,3%), jadi biasanya patut dicurigai sebagai outlier atau error input.
Di Excel dan Google Sheets, anggap data ada di A2:A100.
=STDEV.S(A2:A100) ' buat sampel <- ini yang biasanya kamu pakai
=STDEV.P(A2:A100) ' buat populasi penuh
=AVERAGE(A2:A100) ' mean-nya, buat pembandingBedanya cuma di pembagi: STDEV.S bagi n-1, STDEV.P bagi n. Kalau ragu, pakai STDEV.S. Data yang kamu pegang di kerjaan hampir selalu sampel.
Di SQL:
SELECT
kurir_id,
AVG(durasi_menit) AS rata_rata,
STDDEV_SAMP(durasi_menit) AS std_dev,
COUNT(*) AS jumlah_kiriman
FROM pengiriman
WHERE tanggal >= DATE '2026-04-01'
GROUP BY kurir_id
ORDER BY std_dev DESC;Urutkan dari standar deviasi terbesar, dan kamu langsung dapat daftar kurir yang paling nggak konsisten. Detail fungsinya ada di halaman STDDEV.
Dari dataset toko_berkah, ini waktu pengiriman 5 kurir sepanjang April 2026:
| Kurir | Rata-rata (menit) | Standar deviasi | CV | Kiriman |
|---|---|---|---|---|
| Kurir A | 34,2 | 4,1 | 0,12 | 218 |
| Kurir B | 31,8 | 6,3 | 0,20 | 194 |
| Kurir C | 29,5 | 15,7 | 0,53 | 206 |
| Kurir D | 36,1 | 5,2 | 0,14 | 177 |
| Kurir E | 33,0 | 4,8 | 0,15 | 231 |
Kalau kamu cuma lihat rata-rata, Kurir C menang: 29,5 menit, paling cepat dari semuanya.
Tapi standar deviasinya 15,7 menit. Artinya sepertiga pengiriman dia jatuh di luar rentang 13,8 sampai 45,2 menit. Ada pelanggan yang nunggu 46 menit sementara ada yang dapet 14 menit.
Kurir A rata-ratanya 34,2 (5 menit lebih lambat dari C). Tapi SD-nya cuma 4,1. Hampir semua pelanggannya dapat pengalaman yang sama.
Kolom CV itu coefficient of variation: standar deviasi dibagi mean. Angkanya bikin perbandingan jadi adil antar skala yang beda. Di bawah 0,15 = konsisten. Kurir C di 0,53, tiga setengah kali lebih berantakan dari Kurir A.
Kalau kamu manajer operasional, Kurir C bukan yang terbaik. Dia yang paling perlu diajak ngobrol.
1. Pakai SD di data yang miring parah. Data gaji atau nilai transaksi punya ekor panjang ke kanan. SD-nya jadi kegedean dan aturan 68% nggak berlaku. Buat kasus gini, pakai IQR atau rentang persentil. Cek dulu apakah mean dan median-nya jauh beda. Kalau iya, datanya miring.
2. Bandingin SD antar skala yang beda. SD 10 menit versus SD 10 juta rupiah nggak ada artinya. Pakai CV kalau mau bandingin lintas satuan.
3. Salah pilih STDEV.S atau STDEV.P. Di sampel kecil bedanya lumayan kerasa. Data 10 baris: pembagi 9 versus 10, selisihnya sekitar 5%.
4. Ngelaporin SD tanpa mean. Angka 4,1 nggak berarti apa-apa sendirian. Selalu bawa mean-nya.
Definisi formalnya, kalau kamu mau yang matematis, ada di halaman standard deviation Wikipedia.
Standar deviasi adalah rata-rata jarak tiap data dari nilai rata-ratanya. Kalau angkanya kecil, data kamu ngumpul rapat di sekitar mean dan hasilnya konsisten. Kalau gede, datanya nyebar jauh dan hasilnya nggak bisa diandalin. Satuannya sama kayak data aslinya, jadi kalau datanya menit, standar deviasinya juga menit.
STDEV.S dipakai kalau data kamu cuma sampel dari kelompok yang lebih besar, misalnya 100 transaksi dari ribuan. STDEV.P dipakai kalau data kamu seluruh populasi, misalnya nilai semua 30 murid di satu kelas. Bedanya cuma di pembagi rumusnya. Buat kerjaan sehari-hari, hampir selalu STDEV.S yang bener.
Nggak ada angka mutlak, tergantung skala datanya. SD 10 menit itu jelek buat waktu antar ojek online, tapi bagus buat paket antar kota. Cara bandingin yang lebih adil adalah pakai coefficient of variation, yaitu SD dibagi mean. Kalau hasilnya di bawah 0,15, data kamu tergolong konsisten.
Kalau jaraknya nggak dikuadratin, selisih positif dan negatif saling menghapus dan hasilnya selalu nol. Dikuadratin bikin semuanya positif. Setelah dirata-ratain, hasilnya diakar lagi supaya satuannya balik ke satuan asli. Kalau nggak diakar, kamu dapat varians, yang satuannya menit kuadrat dan susah dibaca.
Nggak. Dia paling berguna kalau sebaran datanya kira-kira simetris. Buat data yang miring parah kayak gaji atau nilai transaksi dengan outlier ekstrem, SD jadi kegedean dan nyesatin. Buat kasus kayak gitu, pakai IQR atau rentang antar persentil.
Ringkasnya:
Buka data waktu pengiriman atau nilai transaksi kamu, hitung mean dan STDEV.S-nya berdampingan. Sepuluh detik, dan kamu bakal lihat hal yang selama ini kelewat. Lanjut ke panduan mean, median, modus kalau kamu belum yakin metrik pusat mana yang harusnya kamu pakai.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Cara pakai pandas rolling buat hitung moving average dan haluskan data time series yang naik-turun. Lengkap dengan contoh penjualan harian UMKM.
Data transaksi harian sering terlalu ramai buat dilihat. Pandas resample ngeringkasnya jadi total per minggu atau per bulan cuma dengan satu baris, asal indeksnya tanggal.
Kolom tanggal yang kebaca sebagai teks bikin sortir dan hitung selisih hari jadi kacau. Ini cara pd.to_datetime ubah teks jadi tanggal asli, plus tangani format berantakan.