Pengolahan dan Penyajian

Data
 Pengorganisasian Data

Data

Data Kualitatif Data Kuantitatif

Bukan berupa angka/bilangan: Berbentuk angka

Sangat tidak suka,
Tidak suka,
Suka,
Suka sekali

Data Kontinu Data Diskrit

Pengukuran Pencacahan, pemilu

Data Mentah (Raw data) Data Terjajar (Data Array)

10 T (s) T (s) = 10T/10 T (s)

7.018 0.7018 0.7018
7.345 0.7345 0.7039
7.322 0.7322 0.7057
7.266 0.7266 0.7077
7.109 0.7109 0.7085
7.455 0.7455
0.7088
7.265 0.7265
7.057 0.7057
0.7098
7.457 0.7457 0.7109
7.345 0.7345 0.7129
7.255 0.7255 0.7139
7.465 0.7465 0.7147
7.199 0.7199 0.7148
7.555 0.7555 0.7155
7.225 0.7225 0.7155
7.469 0.7469 0.7178
7.479 0.7479 0.7179
7.039 0.7039
0.7188
7.543 0.7543
0.7199
7.245 0.7245
7.525 0.7525 0.7225
0.7235
 Distribusi Frekuensi
T (s) Kelas T (s) Frekuensi
0.7018 0.7000 - 0.7099 7
0.7039
0.7057 Distribusi Frekuensi
0.7077
0.7085
Kelas T (s) Frekuensi
0.7088 0.7000 - 0.7099 7
0.7098
0.7109 0.7100 - 0.7199 11
0.7100 - 0.7199 11
0.7129 0.7200 - 0.7299 17
0.7139
0.7147 0.7300 - 0.7300 23
0.7148 0.7400 - 0.7499 20
0.7155
0.7155 0.7500 - 0.7599 14
0.7178 0.7600 - 0.7699 10
0.7179
0.7188 0.7700 - 0.7799 8
0.7199
0.7200 - 0.7299
Jumlah Pengukuran 110
0.7225 17
0.7235
0.7245
0.7246
 Distribusi Frekuensi
Distribusi Frekuensi
Interval Kelas : 0.7000 – 0.7099, ….
Kelas T (s) Frekuensi
0.7000 - 0.7099 7 Batas Kelas:
0.7100 - 0.7199 11
0.7200 - 0.7299 17 Batas Kelas Bawah : 0.7000, 0.7100, …
0.7300 - 0.7300 23 Batas Kelas Atas : 0.7099, 0.7199, ….
0.7400 - 0.7499 20
0.7500 - 0.7599 14 Batas Kelas Nyata : 0.69995, 0.70995, …..
0.7600 - 0.7699 10
Lebar Interval Kelas : c =0.70995 – 0.69995 = 0.0100
0.7700 - 0.7799 8
Jumlah Pengukuran 110 Nilai Tengah Kelas : (0.7000+0.7099)/2 = 0.70495

Pertimbangan Penyusunan Distribusi Frekuensi

c = R/K c :lebar interval kelas

R : range (data terbesar – data terkecil)
Rumus Sturge: K = 1+ 3.3 log N K : jumlah interval kelas
N : jumlah data
Presentasi Grafik Distribusi Frekuensi
Histrogram Distribusi Frekuensi
25 Perioda Bandul Matematik

20
Frekuensi Kelas

15

10

0
9 9 9 9 9 9 0 0 9 9 9 9
70 71 72 73 49 75
9
76
9
77
9
0 . 0 . 0 . 0 . .7 . . .
- - - - -0 - 0 - 0 - 0
0 00 10
0
20
0
30
0
40
0
50
0
60
0
70
0
7 7 7 7 7 7 7 7
0. 0. 0. 0. 0. 0. 0. 0.
Kelas Perioda (s)
Presentasi Grafik Distribusi Frekuensi
Poligon Histrogram Distribusi Frekuensi
25 Perioda Bandul Matematik

20
Frekuensi Kelas

15

10

0
9 9 9 0 9 9 9 9
7 09 7 19 7 29 7 30 7 49 7 59 7 69 7 79
- 0. - 0. - 0. - 0. - 0. - 0. - 0. - 0.
00 00 00 00 00 00 00 00
.70 .71 .72 73 74 75 .76 77
0 0 0 0. 0. 0. 0 0.
Kelas Perioda (s)
 Distribusi Probabilitas
Distribusi Frekuensi
Poligon Histrogram Distribusi Frekuensi
Perioda Bandul Matematik Kelas T (s) Frekuensi
25
0.7000 - 0.7099 7
20
0.7100 - 0.7199 11
0.7200 - 0.7299 17
Frekuensi Kelas

15 0.7300 - 0.7300 23
0.7400 - 0.7499 20
10 0.7500 - 0.7599 14
0.7600 - 0.7699 10
5 0.7700 - 0.7799 8
Jumlah Pengukuran 110
0
Kemungkinan untuk mendapatkan nilai
9

99

9
09

29

30

49

59

69

79
1

T pada daerah nilai

.7

.7

.7

.7

.7

.7
.7

.7

-0

-0

-0

-0
-0

-0

-0

-0

00

00

00

00
00

00

00

00

(0,7400-0,7499) adalah 20 kali

75
70

71

72

73

74

76

77
0.

0.

0.

0.

0.

0.

0.

0.

Kelas Perioda (s)

Probabilitasnya adalah 20/110=0,182

Probabilitas P(T) untuk mendapatkan nilai

T pada daerah nilai (0,69995 – 0,77995) = 1
 Penggambaran Fungsi Distribusi Probabilitas
Kelas T (s) Frekuensi Probabilitas
0.7000 - 0.7099 7 0.064
0.7100 - 0.7199 11 0.100
0.7200 - 0.7299 17 0.155
0.7300 - 0.7300 23 0.209
0.7400 - 0.7499 20 0.182
0.7500 - 0.7599 14 0.127
0.7600 - 0.7699 10 0.091
0.7700 - 0.7799 8 0.073
110 1

f(T) : fungsi kepadatan probabilitas

T : interval nilai T yang dibatasi oleh a & b
Probabilitas P (a ≤ T ≤ b) = f(T). T
f (T) Jika fungsi f(T) kontinyu: b

f(T) P( a  T  b )   f ( T )dT
a
Secara umum dapat dinyatakan:
T
1. f(x) ≥ 0

T
a b 2.
 f ( x )dx  1

 Penggambaran Fungsi Distribusi Probabilitas

f(T) : fungsi kepadatan probabilitas

T : interval nilai T yang dibatasi oleh a & b

f (T)

f(T)

T

T
a b

Probabilitas P (a ≤ T ≤ b) = f(T). T

Fungsi Kepadatan Probabilitas: f (T) = P (a ≤ T ≤ b) /T

 Distribusi Frekuensi Distribusi Probabilitas
Kelas T (s) Frekuensi Probabilitas f (T)
0.7000 - 0.7099 7 0.064 6.364
0.7100 - 0.7199 11 0.100 10.000
0.7200 - 0.7299 17 0.155 15.455
0.7300 - 0.7300 23 0.209 20.909
0.7400 - 0.7499 20 0.182 18.182
0.7500 - 0.7599 14 0.127 12.727
0.7600 - 0.7699 10 0.091 9.091
0.7700 - 0.7799 8 0.073 7.273
110 1

Distribusi Probabilitas

P = F/N
Fungsi Kepadatan Probabilitas f(T)

25.000

20.000

15.000
F (T) = P/c
10.000

5.000

0.000 P: probabilitas
F: frekuensi
N: jumlah pengambilan data
c: lebar interval kelas
Kelas Perioda (s)
 Distribusi Induk dan Sampel
Distribusi Probabilitas

Distribusi Induk:
Fungsi Kepadatan Probabilitas f(T)

25.000
- Pengambilan data N ∞
20.000
- Kelas data dx
15.000
- Fungsi kepadatan probabilitas
10.000 f(x) kontinyu
5.000
Distribusi Sampel:
0.000 - Pengambilan data N terbatas
- Kelas data x
- Fungsi kepadatan probabilitas
f(x) diskrit ( “ketinggian”)
Kelas Perioda (s)

( Parameter Induk ) = lim ( parameter eksperimental )

N ∞
 Mean, Median, Mode

mode

mode
mean
mean
median

median
N
1 1 N
Mean (rata-rata): x x i
  lim  x  i
Centroid/average value N i 1 N  N i 1

Distribusi sampel/eksperimen Distribusi induk/populasi

1
Median ½ : P( xi  1 / 2 )  Pi ( x  1 / 2 ) 
2

Mode max : P(  max )  P( x   max )

Most probable value
 Deviasi
Deviasi/penyimpangan data xi terhadap mean dari distribusi induk
d i  xi  
Deviasi rata-rata selalu sama dengan nol
1   1 
lim
N 
d  lim 
N   N
 i
( x   ) lim  N


N  
 i     0
x

Agar tidak nol deviasi rata-rata dinyatakan dalam simpangan mutlak

1 
  lim 
N   N
 xi   


Demi kemudahan analitis didefinisikan deviasi standar  dan varian 2

1 2 1 2
 2  lim 
N   N
 i
( x   )  lim  N

 N  
 i    2
x

Deviasi standar untuk distribusi sampel

1
s  2

 ix  x  2

N 1
   lim 
1 N

Mean dan Deviasi
 xi
Distribusi Induk
Data tak-terkelompok
N
Mean
N  i 1
N
1
  lim  f i xi  Data terkelompok
N  N i 1

1 2 1 2
 2  lim   i
( x   )  lim  N
  i
x    2
Data tak-terkelompok
Varian

N   N  N  
1  1 
 2  lim 
N   N
 f i ( xi   )2   lim 
 N   N
 f i xi2    2

Data terkelompok

N
1
x x Data tak-terkelompok
Rata-rata

i
N
Distribusi Sampel

i 1

 f x 1 N
x i i
 f xi Data terkelompok
f
i
i N i 1

1
 xi  x  
N  x    x 
2 2


2 i i
s 
2
Data tak-terkelompok
N 1 N  N  1
Varian

1
f i  xi  x  
N  f x    f x 
2 2


2 i i i i
s 
2
Data terkelompok
N 1 N  N  1
 Mean dan Deviasi dari Distribusi
Jika ada fungsi probabilitas diskrit P(x) dan suatu n kemungkinan kuantitas
pengamatan xj (j dari 1 sampai n, dan tidak ada nilai xj yang sama). Nilai mean
dan variannya dapat dinyatakan dengan:
Distribusi DISKRIT

  x NP( x )  lim   x P( x )
n n
1
  lim  x j  lim j j j j
N  N  N j 1 N   j 1

 2   ( x j   )2 P( x j )    x j P( x j )   2
n n

j 1 j 1

Secara umum nilai harap (expectation value) suatu fungsi f(x) dari suatu
variabel x dapat dinyatakan:

 
n
f ( x )   f ( x j )P( x j )
j 1
 Mean dan Deviasi dari Distribusi
Distribusi KONTINYU


Mean    x P( x ) dx


 

Varian  2   ( x   )2 P( x )dx   x 2 P( x )dx   2

 

Nilai harap (expectation value) suatu fungsi f(x) dapat dinyatakan:


f(x)   f ( x )P( x )dx

 TUGAS
Grafik Persentase Muncul Angka (Koin) dalam 1000 kali
Percobaan

60
Kelompok 1
50

%Muncul Angka
40

Kondisi percobaan:
30

20

Jenis koin? 10

Tinggi awal koin 50 cm 0

0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000

Posisi awal? Jumlah Percobaan

Kondisi lantai?
Grafik Persentase Muncul Gambar (Koin) dalam 1000
kali Percobaan

60
%Muncul Gambar

50

40

30

20

10

0
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000

Jumlah Percobaan
 TUGAS

Kelompok 2
0.57
0.56
Kondisi percobaan: 0.55
0.54
Jenis koin? 0.53
Tinggi awal koin ? 0.52
Posisi awal? 0.51
Kondisi lantai? 0.5
0.49
0.48
0.47
0 200 400 600 800 1000
 TUGAS
GRAFIK ANGKA TERHADAP GRAFIK PERSENTASE GAMBAR
JUMLAH PERCOBAAN TERHADAP JUMLAH PERCOBAAN
54

P E R S E N TA S E GA MB A R
54
52 53
PERSENTASE
ANGKA (%)

52
50 51
48 50
49
46 48
44 47
46
45

JUMLAH PERCOBAAN JUMLAH PERCOBAAN

Kelompok 3

Kondisi percobaan:

Jenis koin?
Tinggi awal koin 10 cm
Posisi awal?
Kondisi lantai?
 TUGAS
persentase angka
GRAFIK
persentase gambar
100
90
80
70
PERSENTASE

60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19
URUTAN PELEMPARAN (DIKALIKAN 50)

Kondisi percobaan:
Kelompok 5
Jenis koin?
Tinggi awal koin?
Posisi awal?
Kondisi lantai?
 TUGAS
grafik peluang keluarnya ANGKA dalam percobaan
melempar koin
47
46

ANGKA 45
dalam percobaan
persentase keluarnya
44
43
42
41
0 200 400 600 800 1000 1200
jumlah percobaan

Kondisi percobaan:
Kelompok 6
Jenis koin 500 rupiah
Tinggi awal koin 10 cm
Posisi awal horisontal
Kondisi lantai?
 Grafik Persentase Muncul Angka (Koin) dalam 1000 kali 0.57
Percobaan
0.56
60 0.55
50
0.54
0.53
%Muncul Angka

40
0.52
30 0.51
20 0.5
0.49
10
0.48
0
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800 850 900 950 1000
0.47
Jumlah Percobaan 0 200 400 600 800 1000
 Problem Kombinatorial
Berapa banyaknya cara untuk
mendapatkan 2 koin dengan
Ada 3 koin memperhatikan urutan
pengambilan?
A
C 1 2
B

Berapa banyaknya cara untuk

mendapatkan 2 koin tanpa
memperhatikan urutan
pengambilan?
 Analisis Kombinatorial
Permutasi: suatu cara penyusunan obyek x dengan memperhatikan
urutan susunannya, yang mana x adalah banyaknya obyek
yang diambil dari suatu n buah obyek

n!
Pm( n , x ) 
( n  x )!
Kombinasi: suatu cara penyusunan obyek x tanpa memperhatikan
urutan susunannya, yang mana x adalah banyaknya obyek
yang diambil dari suatu n buah obyek

Pm( n , x ) n! n
C( n , x )    
x! x! ( n  x )!  x 
 Distribusi Binomial
Probabilitas untuk mendapatkan angka atau gambar pada suatu koin
adalah ½, Jika dilempar n buah koin dan diamati x koin menunjukkan
angka dan (n-x) koin menunjukkan gambar, maka Probabilita P(x;n)
merupakan perkalian dari kombinasi C(n,x) dengan probabilitas tiap
kombinasinya yaitu (1/2)n atau dapat dijabarkan:

P(x;n) = C(n,x) (1/2)x (1/2)n-x

Secara umum dapat dituliskan jika probabilitas untuk

mendapatkan x adalah p dan probabilitas untuk mendapatkan
(n-x) adalah q, maka p+q=1. Maka probalilitas:

x n x n! n x
PB ( x; n , p )  C( n , x ) p q  p (1  p )
x

x! ( n  x )!
Distribusi Binomial
 Mean dan Deviasi Standar Distribusi Binomial

n
n
n! n x 
    xP( x )    x p ( 1  p )   np
x

x 0 x  0  x! ( n  x )! 

  ( x   ) P( x )  np( 1  p )
n
 2 2

x 0
 Distribusi Poisson
Terjadi jika p<<1, sehingga dapat dikatankan <<1
1 n!
PB ( x ; n , p )  p x ( 1  p ) x ( 1  p )n
x! ( n  x )!
n!
Karena x<<n  n( n  1 )( n  2 )....( n  x  2 )( n  x  1 )  n x
( n  x )!

Jadi perkalian suku ke-2 dan ke-3: (np)x = x

Suku ke-4 dapat didekati dengan (1+px) sebab p<<1
Suku ke-5 mendekati e-karena:


lim( 1  p )n  lim ( 1  p ) 
1/ p  1
   e
p 0 p 0
e
Sehingga kombinasi dari perkalian suku-suku diatas menghasilkan

  x
lim PB ( x; n , p )  PP ( x;  )  e
p 0 x!
Distribusi Poisson: tidak berlaku untuk x negatif
 Mean dan Deviasi Standar Distribusi Poisson

 
  x   
 x 1 
y
x    xP( x )    x e   e 

 e 


x 0 x 0  x!  x 1 ( x  1 )! y  0 y!

  
  
  x
  ( x   )   ( x   ) P( x )   ( x   )
2 2 2 2
e 
x 0 x 0  x! 
 Distribusi Gaussian/Normal
1  1 x  
2

PG ( x;  , )  exp    
 2  2    

Jika suatu pengukuran diduga mempunyai distribusi Normal,

maka :
N
1
x
N
x
i 1
i

1
 
N  x    x 
2 2

 
2 i i
2
s 
2
x  x 
N  N  1
i
N 1
 Estimasi Mean dan Error
Pada eksperimen, umumnya tidak diketahui nilai mean-nya, sebab
hanya dipunyai distribusi sampel, dengan demikian perlu diestimasi
terlebih dulu nilai mean-nya.

Estimasi mean: ’
deviasi standar (dianggap): ’=
distribusi pengukuran mengikuti Gaussian, sehingga
probabilitas untuk mengamati nilai xi:

1  1  xi  '  
2

Pi ( ' )  exp    
 2  2    
Jika ada N set pengamatan, maka probabilitas pengamatan tersebut:
N
P( ' )   Pi ( ' )
i 1
 Sehingga dihasilkan:
1  1  x  ' 
2

Pi ( ' )    exp   
N i
 
 2  2    
Pada distribusi Gaussian nilai  adalah nilai maksimumnya, jadi
maksimum Pi(’) ekivalen dengan minimum X dari eksponensialnya:
 1  i
x  '  
2

X      
 2    
Nilai minimum X dapat dicari dengan:
dX d  1  xi  '  
2

     0
d' d'  2    
2
dX 1 d  xi  '   xi  ' 
      0
d' 2 d'      
2

Nilai rata2 adalah

1 estimasi terbaik
Karena konstan, maka:
'  x 
N
x i untuk nilai mean
(true value)
 Error dari Mean
Perambatan ralat (propagation error) digunakan untuk mendapatkan
kontribusi ketidakpastian dari beberapa bentuk kontribusi pada suatu
nilai ralat tunggal.  2

 ' 
    
2
 i
2
 
  xi  
Estimasi mean: ’
deviasi standar (dianggap): ’=,
Deviasi standar nilai rata-rata (mean) dapat dihitung:
d'  1  1  2 1   
2 2
 
dx xi  N
 xi   N      i    
2

  N   N

1
Karena:  s   xi  x  2

N 1 Error dari nilai
rata2 (mean):
 
N
 Hati-hati dengan Statistik
Error dari nilai rata2 (mean):


  Ralat menjadi kecil atau bahkan nol jika dilakukan
pengukuran sampai tak berhingga kali?
N
Statistik (deviasi standar)

Ingat!!! Ralat
Sistematik (alat, metoda, lingkungan)

Pada banyak eksperimen, ralat sistematis

lebih dominan dari pada ralat statistik
 Bobot dari Data
- Ketidakpastian yang tidak seragam -
Pada eksperimen, terkadang hasil pengukuran mempunyai
kepresisian yang berbeda, dengan demikian diperoleh nilai standar
deviasi yang tidak sama.
Estimasi mean: i ’
deviasi standar (dianggap): i
distribusi pengukuran mengikuti Gaussian, sehingga
probabilitas untuk mengamati nilai xi:
n
1  1  xi  '  
2

P ( ' )     exp    
i 1  i 2  2   i  
Nilai maksimum probabilitas diperoleh jika nilai bagian exp minimum:
2
1 d  xi  '   xi  ' 
       0
Estimasi
 x / 
2 d'   i    
2


2
terbaik adalah
'  i i

 1 /   2 rata2 berbobot
i dari data
 Error dari Rata-rata Berbobot
' 
  x /  i
2
i

 1 /  
Rata2 berbobot dari data 2
i

Perambatan Ralat:
  '  2 
 2    i2   
  xi  

Maka: '

 x /    1/ 
i i
2 2

 1 /    1 /  
i

xi xi i
2
i
2

Deviasi standar rata-rata berbobot:

1 /  i2 1
 
2


 1 /   i
2 2
 i
1 / 
 2

 Ketidakpastian Relatif
Kasus ralat mutlak dari pengukuran tidak diketahui, tetapi ralat
relatifnya diketahui,
Contoh: pengukuran dengan range skala yang berbeda, i untuk tiap
range sama tetapi berbeda faktor skalanya
Seandainya didefinisikan faktor pembobot wi: kw  1 / 
i i
2
k: konstanta skala yang tak diketahui
i: deviasi standar untuk setiap pengukuran
Diasumsikan: nilai w diketahui dan nilai mutlak i tidak diketahui

  x /   kw x
2
 wx
Mean: '   i i i i
 i i

 1 /    kw w
2
i i i

Deviasi standar :
 2
1 1
 
2
 
1   wi
2 N  1 /  i
2
 k  wi
N
k 2
1
i  
 wi
2

kwi Nw i

 Kasus Distribusi Poisson
Digunakan untuk eksperimen counting persatuan waktu

Deviasi
Mean
 t  t  xt
2
1
t '  xt 
N
x i
t t xt
t   
N N N

Pada umumnya ditampilkan dalam counting / unit waktu

t  t 
   
t t Nt
 Propagation of Errors
(Perambatan Ralat)
x  f ( u ,v ,...)
x  f ( u ,v ,...)
xi  f ( ui , vi ,...)

x  x 
1 
x
2 2
 lim  i 
N  N

 x   x 
xi  x  ( ui  u )   ( vi  v )   ...
 u   v 
 1 
 x  x 
2 2
x  lim  i i 
N  N

2
1   x   x  
x  ( ui  u
2
 lim )   ( vi  v )   ...
N  N
  u   v  
1   x 
2
 x 
2
 x  x  
 lim
N  N
 ( ui  u )  u   ( vi  v )  v   2( ui  u )( vi  v ) u  v   ...
2 2

 

1 2 1 2
 i  v  lim   i
2
 u  lim 
2
( u  u ) ( v  v ) 
N  N
  N  N
 
1 
 uv  lim    ( ui  u )( vi  v )  
2
N  N
 
2 2
2 2 x  2 x  2  x  x 
x   u     v    ...  2 uv     ...
 u   v   u  v 
2 2
2  x  2  x 
 x   u     v    ...
2

 u   v 