Stater 2

STATISTIK UNTUK TEKNIK SIPIL
Statistik
Deskriptif
2.1. Pengolahan Data

Sebelum bahasan statistik deskriptif (descriptive statistics) berupa penampilan dan
penyajian data perlu dipelajari terlebih dahulu mengenai pengolahan data.
Data yang dikumpulkan dapat berupa data menerus (continuous data) atau data yang
dapat digunakan angka interpolasinya atau angka antaranya.
Dan data terputus atau discrete atau Categorical data merupakan data dengan angka
satu sama lain tidak saling berhubungan dan tidak dapat diinterpolasi atau datanya
meloncat-loncat.
Pengolahan data menerus (continuous data) sebagai bagian dari statistik inferensial
dapat dilakukan untuk keperluan point estimate (perkiraan titik) atau interval estimate
(perkiraan sebaran). Pada point estimate membutuhkan data Mean, Median, Mode,
sedang untuk perkiraan sebaran atau interval estimate atau Dispersion Range
dibutuhkan Standard deviasi, Coefficient of variation (covariance) dan Percentile.
Untuk estimasi momen dibutuhkan Variance, Semivariance, Skewness, dan Kurtosis.
Pada data categorical dibutuhkan besaran frequensi dan tabel contingency.
Klasifikasi data akan mempermudah pengerjaan statistik, dengan urutan kerja:
Data diurut dari kecil ke besar, dan menentukan nilai minimum dan
maksimumnya.
Dicari jumlah kelas (k) berdasar patok: k = n, dimana n = jumlah data
Interval antar klas = (nilai maksimum minimum) dibagi k, dibulatkan ke

bawah
Menghitung frekuensi data berdasar jumlah data yang memenuhi interval klas.
Jurusan Teknik Sipil FTSP ITS
Mean atau rata-rata

Mean atau arithmatic mean atau average berupa nilai rata-rata aritmatis dari data atau
dituliskan sebagai :
x = =
1 n
xi
n i 1
Dimana :
Min (x1, ....., xn) max (x1, ....., xn)
xi = besaran data ke i sampai dengan data ke n yaitu xn
n = jumlah data
Bila data tidak membentuk kurva probabilitas yang sederhana maka besaran mean
dapat digunakan secara variatif sebagaimana tabel 2.1.
Tabel 2.1. Nilai mean
Mean
Nilai
Contoh
Hasil
Harmonic mean (H)
2*(3*4) /(3+4)
3.43
Geometric mean (G)
(3*4)^0,5
3.46
Arithmetic mean (A)
(3+4)/2
3.50
Root-mean-square (RMS)
((3^2+4^2)/2)^0,5
3.54
Jadi H G A RMS khususnya untuk jumlah data = 2 sebagaimana contoh

diatas dan tidak cocok untuk jumlah data lebih dari itu.

Median
Merupakan nilai dari x pada saat P(Xx) = 0,5 atau data/sampel yang memisahkan
separuh bagian populasi yang lebih tinggi terhadap yang lebih rendah.
Median diperoleh dengan mengambil data yang berada di tengah setelah seluruh data
diurut dari terkecil ke terbesar, bila jumlah data genap dipakai besaran data rata-rata
yang terdekat diatasnya.
Contoh:
a) Jumlah data ganjil
Data asli : 1, 5, 2, 8, 7.
Data terurut: 1, 2, 5, 7, 8.
Median = 5 sebagai nilai tengah setelah data diurut.
b) Jumlah data genap
Data asli : 1, 5, 2, 8, 7, 2.
Data terurut: 1, 2, 2, 5, 7, 8.
Median = (2 + 5)/2 = 3.5 sebagai nilai rata-rata dari data tengah setelah data diurut.
Mode
Merupakan nilai x pada posisi P(Xx) maksimum atau berupa nilai x yang paling
sering muncul.
Bila mean dan mode berimpitan menghasilkan bentuk kurva simetris dikenal sebagai
Distribusi normal Gaussian
Contoh : data asli random 1, 2, 2, 3, 4, 7, 9 maka besaran mode = 2
Skewness (= X)
Merupakan ukuran dari derajat ketidak simetrian bentuk distribusi dibanding bentuk
distribusi normal, atau dapat diartikan sebagai perbedaan posisi Mean dan Mode.
Atau X =
n
n
( X i X )3
3
(n 1) * (n 2) * X i 1
Bila X = 0 berarti distribusinya simestris (Gaussian), bila X > 0 (positive skew)

berarti distribusinya memiliki puncak (menceng) ke kiri atau mode < mean, dan
sebaliknya (negative skew), lihat gambar 2.1.

Besaran nilai skewness akan berbeda-beda antara bentuk fungsi probabilitas satu
dengan yang lain, lihat Tabel 2.2.
Gambar 2.1. Posisi skewness dari suatu distribusi

Tabel 2.2. Kurtosis dan Skewness untuk berbagi bentuk distribusi
Distribution
Kurtosis excess
Skewness
Bernoulli distribution
beta distribution
binomial distribution
chi-squared distribution
exponential distribution
Fisher-Tippett distribution
gamma distribution
geometric distribution
half-normal distribution
Laplace distribution
log normal distribution

Maxwell distribution
negative binomial
distribution
normal distribution
Poisson distribution

Rayleigh distribution
Student's t-distribution
continuous uniform
distribution
discrete uniform distribution
Kurtosis
Merupakan derajat kelancipan dari bentuk puncak kurva terhadap kurva normal.
Kurtosis berdasar software SPSS, Excel dan beberapa software lain atau berdasar
Sheskin (2000) disajikan dalam rumus x, bila x = 0 berarti distribusi normal, bila x >
0 kurva berbentuk lancip bila hasilnya negatif berarti puncak kurva lebih rendah atau
datar dibanding Normal.
X = (
n.(n 1)
(n 1) * (n 2) * (n 3) * X
3(n 1) 2
(Xi X ) )
(n 2)(n 3)
i 1
n
Besarannya akan dibahas bersama pembahasan masing-masing fungsi distribusi, lihat

gambar 2.2..
Gambar 2.2. Besaran Kurtosis untuk beberapa bentuk distribusi dengan penjelasan
sebagai berikut:
10
D: Laplace distribution = double exponential distribution, kurva merah, excess kurtosis = 3
S: hyperbolic secant distribution, kurva oranye, excess kurtosis = 2
L: logistic distribution, kurva hijau, excess kurtosis = 1.2
N: normal distribution, kurva hitam, excess kurtosis = 0
C: raised cosine distribution, kurva biru hijau, excess kurtosis = 0.593762...
W: Wigner semicircle distribution, kurva biru, excess kurtosis = 1
U: uniform distribution, kurva ungu magenta, excess kurtosis = 1.2.
Momen
Merupakan besaran selisih antara posisi data dengan mean data, jadi pada data ke n
besaran central momen dari distribusi probabilitas random dengan variabel X sebesar:
dalam hal ini nilainya = 0.
Variance
Merupakan nilai yang menunjukkan penyebaran dari kurva probabilitas, juga
menunjukkan lebar atau sempitnya kurva. Disimbolkan sebagai X2 atau besaran
standard deviasi dikuadratkan.
Covariance (coefficient of variation) = Cv
Merupakan ukuran mean dan variance untuk mendiskripsikan keterkaitan antara satu
kurva dengan lainnya. Jadi covariance digunakan untuk membandingkan 2 kurva
probabilitas yang menghasilkan juga suatu angka korelasi koefisien dan merupakan
bilangan tanpa satuan.
Coefficient of variation sangat umum digunakan dalam renewal theory (poisson

distribution), queueing theory, dan reliability theory. Dalam teori-teori ini umumnya
digunakan distribusi exponential distribution dimana standard deviasinya = mean,
covariance = 1. Distribusi dengan CV < 1 (misal Erlang distribution) dikategorikan
low-variance, sementara bila CV > 1 (misal hyper-exponential distribution)
dikelompokkan high-variance.
11

Standard Deviasi
Merupakan nilai penyebaran yang lain terkait variance berupa akar kuadrat dari
variance yang positiv atau jarak (selisih) rata-rata data terhadap mean = X
n
1
X =
( X i X )2
(n 1) i 1
Percentile
Menunjukkan data atau nilai dari kelompok yang kurang dari prosentase pada
percentile tersebut.
Quartile = Q1 = nilai atau angka data yang jatuh dibawah 25% dari total populasi,
setelah data diolah atau diurut dan dicari prosentase kumulatifnya.
Median =
Percentile untuk 50% data prosentase kumulatif, tenth percentile = P 10 = D1, P20 =
D2, P25 = Q1, P30 = D3, P40 = D4, P50 = D5 = Q2 = median, P60 = D6, P70 = D7,
P75 = Q3, P80 = D8, P90 = D9, P100 = D10 = Q4.
Jadi untuk mendapatkan besaran ke p-percentile dari N nilai data terurut maka
pertama dihitung posisi rangkingnya yaitu
lalu dibulatkan ke
bilangan terdekat dan ambil besaran yang terkait dengan rangking tersebut.
Atau cara lain dengan mengurut nilai N data v1, v2, v3,...,vN , dari kecil ke besar lalu
tentukan percentile terkait nilai ke n sebesar
Contoh : N = 5 nilai terkait percentile ketiga sebesar
artinya p3 adalah median dari data atau setara 50 percentile = Q2.
Proses perhitungan : susun data terurut, hitung data kumulatifnya, dan tentukan
percentile berdasar interpolasi dari klas data yang digunakan.
Contingency table
Digunakan untuk mencatat dan menganalisa hubungan antara 2 variabel data
categorical (discrete) meskipun keduanya kadang tidak saling berhubungan.
Contoh dalam tabel dibawah. menunjukkan antar variabel dalam tabel yang tidak
dapat diinterpolasi.
Tangan Kanan Tangan Kidal
Total
Laki-laki
43
52
Perempuan
44
48
12

Total
87
13
100
13

CONTOH SOAL
I. Terdapat data hasil pengukuran pada test Penetrasi Aspal dari sampel sebanyak 20
unit.
60
68
75
77
80
74
64
65
67
68
72
76
82
87
63
82
65
70
73
68
a). Hitunglah Mean, Median, dan Mode serta standard deviasinya!

b). Hitunglah Skewness dan bagaimana distribusinya berdasar nilai skewness ini?
c). Hitunglah Kurtosis dan jelaskan distribusinya berdasar nilai Kurtosis ini?
Jawaban :
a) Mean = 71.8, Median = 71, dan Mode = 68 , standard deviasi = X = 7,3.
Standard Deviasi X
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
60
68
75
77
80
74
64
65
67
68
72
76
82
87
63
82
65
70
73
68
71.8
n
1
( X i X )2
(n 1) i 1
X-
(11.8)
(3.8)
3.2
5.2
8.2
2.2
(7.8)
(6.8)
(4.8)
(3.8)
0.2
4.2
10.2
15.2
(8.8)
10.2
(6.8)
(1.8)
1.2
(3.8)
(X -
139.2
14.4
10.2
27.0
67.2
4.8
60.8
46.2
23.0
14.4
0.0
17.6
104.0
231.0
77.4
104.0
46.2
3.2
1.4
14.4
1,007.2
= 7,3
(X -
(1,643.0)
(54.9)
32.8
140.6
551.4
10.6
(474.6)
(314.4)
(110.6)
(54.9)
0.0
74.1
1,061.2
3,511.8
(681.5)
1,061.2
(314.4)
(5.8)
1.7
(54.9)
2,736.5
(X -
19,387.78
208.51
104.86
731.16
4,521.22
23.43
3,701.51
2,138.14
530.84
208.51
0.00
311.17
10,824.32
53,379.48
5,996.95
10,824.32
2,138.14
10.50
2.07
208.51
115,251.4
b) Skewness
X =
n
n
( X i X )3
3
(n 1) * (n 2) * X i 1
c) Kurtosis = X = (
= 0.41
Puncak menceng kiri
3(n 1) 2
(n 2)(n 3)
n.(n 1)
(n 1) * (n 2) * (n 3) * X
(X i X )4 )
i 1
14

= - 0,58 , puncak kurva lebih lancip dari kurva Normal.
15
II. Terdapat data hasil pengukuran CBR di berbagai ruas jalan dan di Jawa Timur,
sebagai berikut:
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
12
18
20
22
27
28
30
31
33
36
37
44
44
45
42
46
48
44
55
62
61
64
63
12
15
20
27
27
30
30
35
33
36
37
47
45
45
42
46
47
44
49
62
65
64
64
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
65
66
68
65
65
70
71
72
73
77
74
75
75
76
77
82
88
84
91
92
99
99
89
84
77
65
66
68
65
65
70
73
73
73
77
74
74
75
76
78
82
80
85
90
92
99
97
92
88
84
a) Pengolahan Data CBR

Perhitungan Manual Data
CBR
minmum
7
maximum
99
Jumlah Klas
7
Range
13.14
Klas
7
20
21
34
35
48
49
62
63
76
77
90
91
104
P10
P90
P50 =
Median
Mean
20.0
87.5
Jumlah
5
5
11
2
16
8
3
50
P25
P75
Frekuensi
10%
10%
22%
4%
32%
16%
6%
100%
37.2
74.7
Kumulatif
10%
20%
42%
46%
78%
94%
100%
63.8
57.9
b) Perbandingan histogram Data CBR dan CBR JATIM

Histogram of CBR J ATIM
10
8
Frequency
Row
CBRJATIM
CBR
Row
CBRJATIM
CBR
20
40
60
CBR JATIM
80
16
100
2.2. Kegunaan penyajian dan tampilan data

Penyajian dan tampilan data, baik data asli maupun terolah, yang dilakukan secara
tepat akan mampu secara langsung menjelaskan kondisi data yang ada, dan
memudahkan penelaahan lebih lanjut dari data tersebut. Metode statistik harus dapat
digunakan untuk menampilkan, menjelaskan, dan memahami pola atau perilaku yang
beragam dari data. Jadi pemilihan tampilan yang tepat menentukan kualitas sajian,
akurasi dan kebenaran analisis serta kesimpulan yang diambil.
2.3. Bentuk sajian dan tampilan data
Data asli umumnya ditampilkan dalam bentuk tabel yang terdiri dari kolom dan baris.
Bentuk tabel ini disajikan bila kondisi asli data lebih dipentingkan atau bila bentuk
analisis terhadap data tersebut belum dapat ditentukan.
Sajian dan tampilan lain berupa gambar atau grafik yang dapat digunakan untuk
menunjukkan berbagai hubungan antar data, hasil analisis keseluruhan data maupun
masing-masing individu data.
Tampilan data dalam bentuk grafis meliputi:
1. Scatter plot : Menunjukkan hubungan antara dua variabel yang dapat
digunakan untuk mencari kesimpulan ada atau tidaknya hubungan antara
kedua variabel tersebut.
Berdasar gambar atau grafik ini dapat diinterpretasikan atau dilakukan analisis
lebih lanjut misalnya dengan menambah reference line, atau regression line
dan perhitungan statistik lain.
Grafik ini dapat dibuat menggunakan beberapa software diantaranya:
MSEXCEL, MINITAB, dan SPSS.
Contoh : berdasar data hasil penelitian sebagaimana Tabel 2.3. hubungan
antara CBR dengan umur perkerasan dapat disajikan dalam grafik scatter plot
gambar 2.3. Menggunakan Minitab dapat ditambah garis bantu untuk
menerjemahkan hubungan antara kedua variabel dibantu regresi yang harus
dicek lebih dulu kebenarannya.
17
Tabel 2.3. Hasil survey kondisi Jalan
Hubungan CBR dengan Umur Perkerasan

n = 50
Ro
w
Lalu
lint
as
CB
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
8
7
12
18
20
22
27
28
30
31
33
36
37
44
44
45
42
46
48
44
55
62
61
64
63
7
7
12
15
20
27
27
30
30
35
33
36
37
47
45
45
42
46
47
44
49
62
65
64
64
36
100
CBR (%)
80
80
60
40
20
0
0
10
20
30
Umur (bulan)
40
50
60
Umu
r
Prks
n
2
5
6
6
10
12
12
15
13
15
14
16
16
20
20
17
12
15
20
18
25
36
38
32
34
Ro
w
Lalu
lint
as
CB
R
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
65
66
68
65
65
70
71
72
73
77
74
75
75
76
77
82
88
84
91
92
99
99
89
84
77
65
66
68
65
65
70
73
73
73
77
74
74
75
76
78
82
80
85
90
92
99
97
92
88
84
Gambar 2.3. Hubungan CBR dengan umur perkerasan
2. Matrix Plot : Menunjukkan hubungan antara beberapa pasang variable

sekaligus. Grafik ini digunakan untuk menampilkan tambahan variabel yang
ingin ditampilkan dalam satu grafik, tetapi jangan sampai membuat sulit untuk
menarik kesimpulan atau mempelajari pola data yang ada.
Software yang dapat menyajikannya hanya : MINITAB.
Terdapat 2 bentuk tampilan bila menggunakan MINITAB, bandingkan dan
pilih yang paling baik.
Mengacu pada Tabel 2.3 seluruh data dapat ditampilkan dalam 1 grafik seperti
dalam contoh gambar 2.4, dan grafik sebelah kanan tampak lebih jelas dan
lebih tepat untuk ditampilkan.
18
Umu
r
Prks
n
35
36
38
35
40
40
40
41
42
43
44
43
45
46
48
50
53
54
56
54
60
60
55
48
54
Matrix Plot of CBR; Umur; Kondisi Lalulintas

0
25
Matrix Plot of CBR vs Umur; angka

1
50
100
100
50
CBR
80
0
50
25
60
CBR
Umur
40
0
20
2
angka
1
0
50
100
Angka = kondisi lalu lintas Ringan (1), Sedang (2) , Berat (3)
15
30
Umur
45
60
angka
Gambar2.4. Hubungan CBR, umur perkerasan dan lalu lintas (=angka 1,2,3)
3. Marginal Plot : Sama dengan scatterplot, tetapi ditambah histogram, dotplot,
atau boxplot pada setiap variablenya diletakkan pada sela-sela gambar atau
grafik. Penambahan grafik yang menempel dapat dipilih sesuai keperluan dari
masing-masing kajian statistik. Software MINITAB menyediakan aplikasi ini
sebagai contoh gambar 2.3. dapat dirubah menjadi tampilan gambar 2.5
dengan tambahan histogram.
Marginal Plot of CBR vs Umur
100
CBR
80
60
40
20
0
0
10
20
30
Umur
40
50
60
Gambar 2.5. Hubungan CBR dengan umur perkerasan dan lalu lintas
4. Histogram Menampilkan bentuk kurva (probabilitas) kejadian. Sumbu x
berupa variabel data yang ingin ditampilkan dan sumbu y berupa jumlah data
asli atau hitungan prosentase frekuensi. Pada SPSS dan Minitab tersedia
hitungan frekuensi dan pembagian kelas data serta tampilan histogram secara
19

otomatis. Histogram ini dapat berupa balok atau berupa garis outline batas
baloknya saja ditambah dengan informasi tambahan lain yang diinginkan.
Hitungan hhistogram ini berguna untuk analisis probabilitas.
Contoh : data dalam tabel 2.3 dapat disajikan dalam
beberapa bentuk
histogram disajikan dalam gambar 2.6.
Histogram of CBR
Normal
Mean
StDev
N
12
57.94
24.95
50
Frequency
10
8
6
4
2
0
20
40
60
CBR
80
100
Gambar 2.6. Histogram dari data CBR dengan kurva probabilitasnya

5. Dotplot : menampilkan gambar yang sederhana (gambar 2.7), tampilan
menarik yang menunjukkan spread (sebaran), extremes (nilai maksimal),
centering(nilai tengah), dan voids atau gap dalam data. Hal ini penting untuk
evaluasi awal kecukupan data dalam mewakili kondisi yang sesungguhnya di
seluruh dunia.
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
Jumlah data
Dotplot of CBR
14
28
42
56
CBR (%)
70
84
Gambar 2.7. Dotplot dari data CBR
20
98
6. Stem-and-Leaf Menampilkan nilai data actual dalam format grafik tabel

terhadap
data
yang
dipilih
dan
langsung
dapat
digunakan
untuk
memperkirakan nilai statistik yang tidak terlihat dari data aslinya, terutama
median (atau nilai tengah dari data), percentile, dan quartile serta
menunjukkan perkiraan bentuk kurvanya. Pada data yang genap bisa diambil
dari data 1 angka diatas atau dibawah ranking data tengah. Stem berupa digit
pertama atau kedua dan seterusnya sedang leaf adalah digit terakhir dibelakang
koma. Dalam gambar 2.8 median adalah (65 + 65)/2 = 65 berasal dari data ke
25 dan 26. Lef unit =1, Stem unit = 10. Angka juga boleh dibulatkan, dan
memuat angka negatif.
Data outlier : nilai data yang extreme atau berbeda jauh dari data lainnya.
Outlier dapat diplot dengan meletakkan beda baris, atau mengabaikan data
tersebut.
Jumlah
Data
2
2
3
6
8
9
10
5
5
50
Stem
Leaf
0
1
2
3
4
6
7
8
9
7
2
0
0
2
2
0
0
0
7
5
7
0
4
4
3
2
2
7
3
5
4
3
4
2
5
5
5
3
5
7
6
6
5
4
8
9
7
7
5
4
7
5
5
9
6
6
8
7
Gambar 2.8. Stem-and-Leaf Display: CBR
7. Probability Plot Menampilkan kebenaran dan kesesuaian data dalam

mengikuti bentuk distribusi tertentu (dalam software dalam dipilih diantara
sekitar 20 bentuk distribusi) dilengkapi confidence interval = CI (95%). Dari
sini dapat terlihat kesesuaian garis trend atau simplifikasinya dengan meninjau
banyaknya data yang ada dalam batas CI tersebut. Lihat skala pada sumbu Y
tidak selalu linier, dan nilainya merupakan cumulatif dari frekuensi kejadian
dalam persen, lihat gambar 2.9.
21
Probability Plot of CBR

Normal - 95% CI
99
Mean
StDev
N
AD
P-Value
95
90
57.94
24.95
50
0.795
0.037
Percent
80
70
60
50
40
30
20
10
5
25
50
CBR
75
100
125
Gambar 2.9. Probability Plot dari data CBR

8. Empirical CDF Sama dengan probability plot dengan skala Y selalu linear.
Pemilihan bentuk distribusi dapat dilakukan dengan coba-coba sedemikian
hingga sebagian besar indikatornya memenuhi syarat. Contoh gambar 2.10
menunjukkan bahwa penggunaan distribusi normal menghasilkan kesesuaian
lebih besar baik dari exponential.
Empirical CDF of CBR
Empirical CDF of CBR
Normal
Exponential
Persentase Kumulatif (%)
100
Persentase Kumulatif (%)
100
Mean 57.94
StDev 24.95
N
50
80
60
40
20
0
0
20
40
60
CBR (%)
80
100
120
Mean
N
80
60
40
20
15
25
35
45
55
CBR (%)
65
75
85
Gambar 2.10. Probability Plot dari data CBR

9. Boxplot Membandingkan karakter sample distribusi misalnya median,
range, dan symetry, serta identifikasi lainnya. Jadi Boxplot diperlukan untuk
lebih dari satu set data, pada contoh gambar 2.11 merupakan gambaran dari
data sebelumnya ditambah satu set data lagi.
22
95
57.94
50
Boxplot of CBR SURABAYA (CBR); CBR J AWA TIMUR (CBRJ ATIM)

CBR
CBRJATIM
100
80
65
64.5
60
40
20
Gambar 2.11. Box Plot dari data CBR 2 lokasi di Jawa
10. Interval Plot Membandingkan nilai mean dan confidence intervalnya,

sebagai simplifikasi dari boxplot dengan meninjau data yang paling sering
muncul saja. Meskipun demikian tampilan harus berasal minimal dari 2
kelompok data, tampilan ini sangat sesuai untuk jumlah kelompok data yang
sangat besar misal pada evaluasi hasil produksi pada pabrikasi barang dengan
membandingkan data dari hari ke hari atau minggu ke minggu dan sebagainya,
lihat gambar 2.12.
Interval Plot of CBRJ ATIM; CBR
95% CI for the Mean
66
64
62
Data
60
58
57.62
57.94
56
54
52
50
CBRJATIM
CBR
Gambar 2.12. Interval Plot dari data CBR 2 lokasi di Jawa
23
11. Individual Value Plot Mempelajari dan membandingkan nilai tiap data.
Dengan menggunakan tampilan ini dapat dipelajari akurasi hasil pengamatan,
dan pola data secara umum, lihat gambar 2.13.
Individual Value Plot of CBRJ ATIM; CBR
100
80
Data
60
64.5
65
57.62
57.94
40
20
0
CBRJATIM
CBR
Gambar 2.13. Box Plot dari data CBR 2 lokasi di Jawa

12. Bar Chart Membandingkan ringkasan statistic, misalnya mean dari semua
kelompok data. Tampilan ini cocok untuk data dengan kelas data atau
kelompok data banyak, terutama data sosial, contoh gambar 2.14.
Chart of Perempuan vs Kelompok Umur

Kecamatan Benowo, Surabaya, 2003
2000
Perempuan
1500
1000
500
Kelompok
Gambar 2.14. Contoh Bar chart dari data kependudukan

13. Pie Chart Menunjukkan kombinasi relative dari setiap grup terhadap
keseluruhan data. Jadi dapat digunakan untuk menunjukkan unit terbanyak
pada satu populasi data. Bentuk pie chart ini ada beberapa macam sesuai
keindahan tampilan yang diinginkan, lihat gambar 2.15.
24
Pie Chart of Lakilaki vs Kelompok

Category
0-4
5-9
10-14
15-19
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59
60-64
65-69
70-74
> 75 th
Gambar 2.15. Contoh 2 jenis tampilan Pie chart dari data yang sama
14. Time Series Plot untuk data yang dikumpulkan dengan interval waktu yang
sama dan dalam urutan kronologis atau sejarah kejadian, contoh gambar 2.16
menunjukkan produksi tangkapan ikan laut yang didaratkan di Surabaya.
Beberapa variable dengan nilai salah satu sumbu sama dapat ditampilkan
dalam 1 grafik.
Time Series Plot of Produksi I kan
Produksi Ikan Surabaya [ton]
9400
9200
9000
8800
8600
8400
8200
8000
7800
2001
2002
2003
Year
2004
2005
Gambar 2.16. Contoh Produksi tangkapan ikan di Surabaya

15. Area Graph menunjukkan komposisi dari jumlahan hitungan yang berubah
sesuai waktu dengan data yang disusun berurut. Grafik ini sesuai untuk
tampilan data histori lebih dari satu, atau untuk membandingkan antara agregat
data dengan data total. Lihat gambar 2.17 menunjukkan aplikasi penggunaan
software tertentu menghasilkan tampilan berbeda.
25

Area Graph of Produksi Ikan; Kerang
12000
Variable
Produksi Ikan
Kerang
10000
Data
8000
6000
4000
2000
0
2001
2002
2003
Year
2004
2005
Gambar 2.17. Perbandingan tampilan area graph pada data Produksi tangkapan ikan
di Surabaya
16. Contour Plot Memetakan nilai pengukuran sebagai fungsi dari dua
variables lain yang dapat ditampilkan dalam beberapa bentuk tampilan grafis.
Variabel yang dapat ditampilkan minimal 3 jenis, tidak harus berupa data
historis, contoh gambar 2.18.
Contour Plot of Produksi I kan vs Kerang; Tahun

1500
Produksi I kan
< 8000
8000 - 8200
8200 - 8400
8400 - 8600
8600 - 8800
8800 - 9000
9000 - 9200
> 9200
1450
Kerang
1400
1350
1300
1250
2001
2002
2003
Tahun
2004
2005
Gambar 2.18. Perbandingan tampilan contour plot pada data Produksi tangkapan
ikan di Surabaya
17. 3D Scatterplot Memplotkan hasil tiap hasi observasi individual dalam 3
dimensi yang didefinisikan oleh variabel yang tertuang dalam sumbu x-, y-,
dan z. Pemakaian grafik ini kurangcocok untuk data serie menjadikan kurang
jelas (contoh gambar 2.19 kiri), sedang pada contoh data CBR (non data serie)
tampak lebih cocok dan mudah ditinjau (contoh gambar 2.19 kanan).
26
3D Scatterplot of CBR vs Umur vs angka
3D Scatterplot of Produksi Ikan vs Kerang vs Tahun
100
9200
8800
Produksi I kan
CBR
8400
8000
50
60
1500
1400
2001.0
2002.5
Tahun
1300
2004.0
2005.5
40
Kerang
1200
2
angka
20
3
Umur
Gambar 2.19. 3 D Scatterplot pada data seri (kiri) dan non seri.
18. 3D Surface Plot Seperti untuk 3D scatterplot tetapi menampilkan
permukaan yang menerus atau grid disamping titik pada tiap individu data,
dan tampilan ini juga lebih sesuai untuk non data serie, lihat gambar 2.20.
Surface Plot of CBR vs Umur; angka
100
CBR
50
60
40
0
1
2
angka
20
3
Umur
Gambar 2.20. 3 D Surface plot pada contoh data CBR
2.4. Pemilihan Bentuk tampilan data yang terbaik

Mengacu pada banyaknya grafik yang bisa dipilih maka pemakaian perlu
menyesuaikan pada kegunaan data, dan tabel 2.4 sampai dengan 2.6. dibawah.
27

Tabel 2.4. - Jenis grafik disesuaikan kegunaan tampilan
Kegunaan tampilan
Mencari hubungan antara sepasang
variable
Pilihan
Scatterplot Menunjukkan hubungan
antara dua variabel.
Matrix Plot Menunjukkan hubungan
antara beberapa pasang variable sekaligus.
Mencari bentuk distribusi
Marginal Plot Sama dengan

scatterplot, tetapi ditambah histogram,
dotplot, atau boxplot pada setiap
variablenya diletakkan pada sela-sela
gambar atau grafik.
Histogram Menampilkan bentuk dan
nilai tengah dari data.
Dotplot Sama dengan histogram,
tetapi lebih bermanfaat untuk data yang
jumlahnya kecil.
Stem-and-Leaf Menampilkan nilai
data actual dalam format tabung.
Probability Plot Menampilkan
kebenaran dan kesesuaian data dalam
mengikuti bentuk distribusi tertentu.
Empirical CDF Sama dengan
probability plot, tetapi skalanya selalu
linear.
Boxplot Membandingkan karakter
sample distribusi misalnya median, range,
dan symetry, serta identifikasi lainnya.
28

Tabel 2.5. - Lanjutan Jenis grafik disesuaikan kegunaan tampilan
Kegunaan tampilan
Membandingkan ringkasan atau
masing-masing variable nilai
individual
Pilihan
Boxplot Membandingkan sample
dari karakteristik dan cirri terpilih lainnya
pada distribusi.
Interval Plot Membandingkan ratarata dan confidence intervalnya.
Individual Value Plot Mempelajari
dan membandingkan nilai tiap data.
Bar Chart Membandingkan
ringkasan statistic, misalnya mean dari
semua kelompok data.
Menunjukkan distribusi hasil olahan

data.
Menggambarkan suatu uratan data

terhadap waktu
Pie Chart Menunjukkan kombinasi

relative dari setiap grup terhadap
keseluruhan data.
Bar Chart Membandingkan
distribusi hasil dari pendataan.
Pie Chart Membandingkan proporsi
dari tiap kelompok data terhadap
keseluruhan.
Time Series Plot untuk data yang
dikumpulkan dengan interval waktu yang
sama dan dalam urutan kronologis atau
sejarah kejadian.
Area Graph menunjukkan
komposisi dari jumlahan hitungan yang
berubah sesuai waktu dengan data yang
disusun berurut.
Scatterplot untuk data yang
dikumpulkan dengan interval tidak teratur
atau irregular atau tidak dalam urutan
kronologis tertentu saat memasukkan
dalam worksheet.
29

Tabel 2.6. - lanjutan Jenis grafik disesuaikan kegunaan tampilan
Kegunaan tampilan
Menunjukkan hubungan antara tiga
variabel
Pilihan
Contour Plot Memetakan nilai
pengukuran sebagai fungsi dari dua
variables lain.
3D Scatterplot Memplotkan hasil
tiap hasi observasi individual dalam 3
dimensi yang didefinisikan oleh variabel
yang tertuang dalam sumbu x-, y-, dan z.
3D Surface Plot Seperti untuk 3D
scatterplot tetapi menampilkan permukaan
yang menerus atau grid disamping titik
pada tiap individu data.
30

Stater 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Stater 2

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIK UNTUK TEKNIK SIPIL

2.1. Pengolahan Data

Dicari jumlah kelas (k) berdasar patok: k = n, dimana n = jumlah data

Interval antar klas = (nilai maksimum minimum) dibagi k, dibulatkan ke

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Mean atau rata-rata

Harmonic mean (H)

Geometric mean (G)

Arithmetic mean (A)

Jadi H G A RMS khususnya untuk jumlah data = 2 sebagaimana contoh

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Bila X = 0 berarti distribusinya simestris (Gaussian), bila X > 0 (positive skew)

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Gambar 2.1. Posisi skewness dari suatu distribusi

log normal distribution

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Besarannya akan dibahas bersama pembahasan masing-masing fungsi distribusi, lihat

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

D: Laplace distribution = double exponential distribution, kurva merah, excess kurtosis = 3

S: hyperbolic secant distribution, kurva oranye, excess kurtosis = 2

L: logistic distribution, kurva hijau, excess kurtosis = 1.2

N: normal distribution, kurva hitam, excess kurtosis = 0

C: raised cosine distribution, kurva biru hijau, excess kurtosis = 0.593762...

W: Wigner semicircle distribution, kurva biru, excess kurtosis = 1

U: uniform distribution, kurva ungu magenta, excess kurtosis = 1.2.

Coefficient of variation sangat umum digunakan dalam renewal theory (poisson

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

a). Hitunglah Mean, Median, dan Mode serta standard deviasinya!

Puncak menceng kiri

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

a) Pengolahan Data CBR

b) Perbandingan histogram Data CBR dan CBR JATIM

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

2.2. Kegunaan penyajian dan tampilan data

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Tabel 2.3. Hasil survey kondisi Jalan

Hubungan CBR dengan Umur Perkerasan

Gambar 2.3. Hubungan CBR dengan umur perkerasan

2. Matrix Plot : Menunjukkan hubungan antara beberapa pasang variable

Jurusan Teknik Sipil FTSP ITS

STATISTIK UNTUK TEKNIK SIPIL

Matrix Plot of CBR; Umur; Kondisi Lalulintas

Matrix Plot of CBR vs Umur; angka

STATISTIK UNTUK TEKNIK SIPIL

histogram disajikan dalam gambar 2.6.

Gambar 2.6. Histogram dari data CBR dengan kurva probabilitasnya

Gambar 2.7. Dotplot dari data CBR

Jurusan Teknik Sipil FTSP ITS