Tugas Individu 1 Pengukuran & Visualisasi Aliran Terapan

Statistical Tests to Reject Bad Data

Puji Wantah Budiman 0906631345

Departemen Teknik Mesin-UI Depok 2012

A. Latar Belakang Dalam sebuah pengambilan data baik untuk kepentingan riset maupun untuk kepentingan perhitungan proyek pada dunia industri terkadang atau bahkan sering dijumpai beberapa data yang dapat dikatakan buruk. Data yang buruk tersebut untuk beberapa kasus dapat di reject dengan mudah karena telah diketahui konsep dasar dari nilai sebenarnya dan juga error pengukuran yang terjadi. seperti pada pengambilan data temperatur didih untuk air pada keadaan tekanan atmosfer sebesar 240C, sementara hal tersebut telah diketahui bersama bahwa nilai yang sebenarnya ialah 1000C atau paling tidak mendekati nilai 1000C. Dalam kasus seperti itu, mungkin nilai 240C mungkin dapat di reject secara langsung karena pengukur telah sangat yakin mengenai pemahaman konsep dasar titik didih dan nilai yang telah disepakati bersama, namun jika kasus yang sama kita temukan pada pengukuran yang kita sendiri tidak yakin berapa nilai sesungguhnya, maka harus dilakukan test data secara statistik sebelum kita membuang data aneh tersebut. Terdapat 3 cara tes data secara statistik yang telah diterapkan secara luas baik di tingkat akademik maupun di tingkat industri, yaitu Chauvenets Criterion, Pierces Criterion dan B. Pembahasan 1. Chauvenets Criterion Chauvenets Criterion dilakukan dengan menentukan sebuah penyebaran data disekitar nilai rata-rata dari N pengukuran yang masih dapat di terima. Kriteria ini menyatakan bahwa data pengukuran yang layak untuk digunakan ialah jika probabilitas data yang berada diantara mean hingga nilai deviasi sebesar 1 1/(2N). Dengan kata lain, data pengukuran hanya dapat di reject bila probabilitas yang dihasilkan nilai yang memiliki deviasi terhadap nilai rata rata berada di bawah 1/(2N). Criterion

Gambar 1. Chauvenets Criterion

Untuk menentukan deviasi data maksimum yang masih boleh diterima (tidak di reject) ialah dengan persamaan berikut : | Sehingga : |

dimana : = deviasi data maksimum = Rasio deviasi data maksimum terhadap standar deviasi (tabel 1) = Standar Deviasi

Tabel 1. Contoh Chauvenets Criterion : Misalkan dalam suatu pengambilan data temperatur nyala api korek api dari jarak 5 cm didapatkan data sebagai berikut: 900C, 90,350C, 89,750C, 90,20C, 85 0C Solusi : [

maka : data ke-5 dimana deviasinya sebesar | | berada di luar deviasi

maksimum, data ke-5 boleh di reject karena probabilitasnya lebih kecil dari 1/(2N) 2. Pierces Criterion Pierces Criterion ialah metode pengeliminasian data buruk dengan cara rasional yang didasari teori probabilitas. Pierces criterion, tidak memberikan asumsi tidak tepat seperti yang dinyatakan dalam Chauvenets Criterion bahwa Chauvenets Criterion memiliki asumsi yang memperbolehkan reject data jika probabilitasnya di bawah 1/(2N). Pierces Criterion memiliki prosedur untuk me-reject data sebagai berikut : 1. Hitung nilai rata rata dan standard deciasi sampel 2. Hasilkan R berdasarkan banyaknya pengukuran yang dilakukan dari pierces criterion table, asumsikan satu obeservasi keraguan (one doubtful observation) | 3. Dapatkan nilai | 5. Eliminasi data jika | | | | | | |

4. Untuk seluruh data buruk , dapatkan |

6. Jika ada 2 data buruk maka lakukan proses 2-5 dengan merubah nilai R ke nilai dua observasi keraguan (two doubtful observation). biarkan nilai rata rata dan standar deviasi seperti di awal seperti ketika belum di eliminasi. 7. Jika ada lebih dari 2 data buruk gunakan nilai tiga observasi keraguan (three doubtful observation) dan seterusnya. 8. Ulangi langkah 2-5 hingga tidak ada yang dapat di eliminasi 9. Hasilkan nilai rata rata dan standar deviasi baru dari nilai yg telah di reduksi. Contoh Pierces Criterion Misalkan dalam 10 kali pengukuran tekanan pada gage terbaca nilai 101,2 , 90, 99, 102, 103, 100,2 , 89, 98,1 , 101,5 , 102 kPa. lakukan metode Pierces Criterion seperti pada prosedur 1. cari standar deviasi dan nilai rata rata, didapat

2. Dapatkan nilai R dari tabel R= 1,878 (one doubtful observation) 3. Hitung deviasi maksimum | 4. Tentukan nilai yang buruk : | | | | |

5. Cek untuk mengeliminasi : 9,6 > 9,43 Eliminasi 8,6 < 9,43 pertahankan 6. Ulangi langkah seperti diatas untuk nilai R = 1,570 (two doubtful observation) sehingga | cek | | | | yang lebih besar dari 6,93 sehingga proses eliminasi | | eliminasi

7. lakukan lagi untuk nilai R = 1,38 (three doubtful observation) sehingga tidak ada nilai | selesai 8. Standar deviasi dan nilai rata rata baru ialah

Tabel 2. R Value for Pierces Criterion

3.

Criterion Setelah saya cari di satu buku statistik dan di Internet, Kriteria ini saya tidak tahu pasti tapi saya asumsikan kriteria ini ialah interquartile range. Sehingga data yang berada di luar range Q1 Q3 dapat di reject. Q1 = Q2 = Dimana : Q1 = lower quartile Q3 = upper quartile = mean = standar deviasi = standar score (dapat ditentukan dari gambar 2) atau z
| |

xi = nilai pengukuran ke-i

Gambar 2. Normal Distribution and Scale

C. Kesimpulan Data yang aneh belum benar-benar dapat di reject jika belum melewati tes statistik, dari ketiga tes statistik, diketahui bahwa penggunaan pierces criterion yang paling baik karena melakukan evaluasi nilai batas reject, dalam setiap me-reject 1 nilai hasil pengukuran hingga tidak terdapat lagi nilai yang dapat di reject, chauvenets criterion memiliki kurang lebih cara yang sama, namun dalam menentukan data yang dapat di reject, chauvenets criterion tidak melakukan evaluasi, dalam satu modul tertulis bahwa penggunaannya lebih baik untuk 1 kali reject saja dalam n-pengukuran. Interquartile Range juga merupakan metode statistik untuk menentukan data yang boleh untuk di reject, yang membedakannya ialah, nilai dari koefisien pembatas boleh reject ditentukan dari diagram distribusi. Dalam pembahasan di paper ini, contoh diagram distribusinya ialah diagram diagram distribusi normal

Daftar Pustaka
http://mechse.illinois.edu www.physics.ohio-state.edu ull.chemistry.uakron.edu classes.engineering.wustl.edu

http://en.wikipedia.org/wiki/File:Normal_distribution_and_scales.gif