BAB 2

GALAT DAN PENGOLAHAN DATA ANALITIK

2.1 GALAT
Istilah galat yang dipergunakan di sini didasarkan pada perbedaan numeric antara
nilai yang dihitung dengan nilai yang sebenarnya. Nilai sebenarnya dari suatu kuantitas
adalah sesuatu yang kita tidak pernah tahu secara pasti, meskipun ilmuwan secara umum
menerima suatu nilai sebagai nilai sebenarnya ketika dipercaya bahwa ketidakpastian
dalam nilai tersebut lebih kecil dibandingkan dengan ketidakpastian nilai lainnya, dengan
mana nilai ini dibandingkan. Perbedaan antara nilai standar dengan nilai yang didapat
dari metode yang baru nantinya akan dianggap sebagai galat.

2.1a. Galat Pasti

Galat yang berasal dari penyebab yang pasti diistilahkan sebagai galat pasti
atau galat sistematis. Galat pasti biasanya tidak mempunyai arah terhadap nilai
yang sebenarnya, biasanya terjadi berulang kali, dan dalam banyak kasus, galat ini
dapat diperkirakan oleh seseorang yang mengetahui secara menyeluruh semua
aspek dari perhitungan.contoh-contoh dari sumber galat pasti di antaranya adalah
instrument yang tidak dikalibrasi dengan benar, seperti buret, timbangan atau pH-
meter, pengotor dalam tabung reaksi, reaksi sampingan dalam suatu titrasi, dan
pemanasan sampel pada suhu yang terlalu tinggi.
Galat pasti diklasifikasikan ke dalm galat metodik, operatif, dan
instrumental, disesuaikan dengan asal-usulnya, yaitu : (a) metode analisis yang
sekaligus mencerminkan sifat dari system kimiawi yang terlibat, (b)
kekurangmampuan pelaku eksperimen, dan (c) ketidakmampuan dari alat-alat
pengukuran untuk bekerja sesuai dengan standar yang diperlukan.

Galat Konstan

1
 Galat pasti dapat pula digolongkan sebagai konstan atau proporsional. Galat
konstan tidak bergantung pada besarnya kuantitas yang diukur dan akan menjadi
kurang signifikan apabila besarnya kuantitas bertambah.

Galat Proporsional
Nilai absolut dari tipe galat ini bervariasi sesuai dengan ukuran sampel
sedemikian rupa sehingga galat realtifnya bernilai tetap konstan. Sebuah substansi
yang mengganggu dalam suatu metode analitik dapat menghasilkan galat jika
substansi ini ada dalam sampel. Dengan mengambil sampel yang lebih besar, galat
total bias bertambah, namun galat relative tetap konstan apabila dihasilkan dari
sampel yang homogen.

2.1b. Galat tidak pasti

Galat tidak pasti, seperti namanya, tidak dapat ditentukan apa penyebab
pastinya dan tak dapat dihindarkan jika pengukuran dilakukan oleh manusia. Galat
ini jarang ada secara alami dan mengarah ke hasil yang tinggi dan rendah dengan
probabilitas yang sama. Galat itu tidak dapat dieliminasi atau dikoreksi karena
merupakan keterbatasan finalpada pengukuran tersebut. Galat tidak pasti dapat
diolah secara statistic dan pengukuran berulang kali dengan variable yang sama
dapat mengurangi pengaruhnya.

2.1c. Akurasi dan Presisi

Akurasi
Hasil yang akurat adalah sesuatu yang disepakati sangat mendekati nilai yang
sebenarnya dalam suatu pengukuran kuantitas. Perbandingan biasanya dibuat atas
dasar pengukuran keakuratan terbalik dari akurasi, yaitu galat (semakin kecil galat,
semakin besar keakuratan). Galat absolut adalah perbedaan antara nilai eksperimen
dengan nilai yang sebenarnya. Sebagai contoh, jika ada seorang analis menemukan
nilai 20,44% besi dalam sebuah contoh yang sebenarnya mengandung 20,34%,
galat absolutnya adalah :
20,44 20,34 = 0,10%
Galat ini biasanya ditampilkan relative terhadap ukuran dari kuantitas yang diukur,
misalnya dalam persen atau bagian per seribu. Di sini galat relatifnya adalah :

2
 0,10
100 = 0,5%
20,34
atau
0,10
1000 = 5
20,34

Presisi
Istilah presisi mengacu kepada kesepakatan di dalam satu kelompok hasil
eksperimen; kesepakatan ini tidak berdampak apa pun terhadap hubungannya
dengan nilai yang sebenarnya. Nilai presisi mungkin saja tidak akurat, disebabkan
karena adanya galat akibat deviasi dari nilai yang sebenarnya yang dapat
berpengaruh sama rata terhadap pengukuran namun tidak mengganggu
kepresisiannya. Presisi ini biasanya digunakan untuk deviasi standar, deviasi rata-
rata atau rentang. Untuk galat, kepresisiannya dapat diwujudkan atas dasar absolut
atau pun relative.

2.2 DISTRIBUSI GALAT ACAK

2.2a. Distribusi Frekuensi
Tabel 2.1. mengandung beberapa data actual yang didapat oleh seseorang
yang mempersiapkan 60 replika larutan berwarna dan mengukur nilai
absorbansinya dengan spektrofotometer. Data dalam Tabel 2.1 masih mentah dan
hanya berbentuk daftar sederhana dalam urutan bagaimana data tersebut diperoleh.
Marilah sekarang kita melakukan langkah-langkah berikut, yang memungkinkan
kita untuk menginterpretasikan data tersebut lebih lengkap.
1. Susun nilai yang ada dari yang terkecil sampai yang tertinggi. Hasilnya dapat
dilihat pada Tabel 2.2. langkah sederhana ini menghasilkan informasi yang
tadinya tidak terlihat jelas dalam data mentah, yaitu nilai maksimum dan
minimum, dan dengan melanjutkan perhitungan, nilai tengah atau median.
2. Padatkan data dengan mengelompokkannya ke dalam sel-sel. Kita bagi
skalanya dari nilai yang terendah sampai yang tertinggi ke dalam sejumlah
interval atau sel dan kemudian kita hitung jumlah nilai yang tidak cocok dalam
setiap sel. Proses ini melibatkan hilangnya sejumlah informasi, namun hal ini
akan dikompensasi dengan bertambahnya efisiensi yang diperoleh dari
signifikansi data yang dipadatkan.

3
Tabel 2.1. Nilai individual yang disusun berdasarkan urutan pengambilang data
1 0,458 21 0,462 41 0,450
2 0,450 22 0,450 42 0,455
3 0,465 23 0,454 43 0,456
4 0,452 24 0,446 44 0,456
5 0,452 25 0,464 45 0,459
6 0,447 26 0,461 46 0,454
7 0,459 27 0,463 47 0,455
8 0,451 28 0,457 48 0,458
9 0,446 29 0,460 49 0,457
10 0,467 30 0,451 50 0,456
11 0,452 31 0,456 51 0,455
12 0,463 32 0,455 52 0,460
13 0,456 33 0,451 53 0,456
14 0,456 34 0,462 54 0,463
15 0,449 35 0,451 55 0,457
16 0,454 36 0,469 56 0,455
17 0,456 37 0,458 57 0,457
18 0,441 38 0,458 58 0,453
19 0,457 39 0,456 59 0,455
20 0,459 40 0,454 60 0,453

Tabel 2.2. Nilai individual yang disusun berdasarkan besar nilainya

1 0,441 21 0,454 41 0,457
2 0,446 22 0,455 42 0,458
3 0,446 23 0,455 43 0,458
4 0,447 24 0,455 44 0,458
5 0,449 25 0,455 45 0,458
6 0,450 26 0,455 46 0,459
7 0,450 27 0,455 47 0,459
8 0,450 28 0,456 48 0,459
9 0,451 29 0,456 49 0,460
10 0,451 30 0,456 50 0,460

4
 11 0,451 31 0,456 51 0,461
12 0,451 32 0,456 52 0,462
13 0,452 33 0,456 53 0,462
14 0,452 34 0,456 54 0,463
15 0,452 35 0,456 55 0,463
16 0,453 36 0,456 56 0,463
17 0,453 37 0,457 57 0,464
18 0,454 38 0,457 58 0,465
19 0,454 39 0,457 59 0,467
20 0,454 40 0,457 60 0,469

Table 2.3 menunjukkan bahwa informasi yang tadinya tidak Nampak pada
Tabel 2.1 dan 2.2, sekarang menjadi jelas. Jadi, meskipun rentang nilainya
antara 0,441 sampai 0,469, kita melihat dengan cepat bahwa hanya sedikit nilai
yang berada di bawah 0,448 ataupun di atas 0,464

Tabel 2.3 Pengelompokan nilai individu ke dalam sel

Titik tengah sel Batas sel jumlah Nilai

0,4405
0,4425 0,4445
0,4465 0,4485 3
0,4505 0,4525 11
0,4545 0,4565 21
0,4585 0,4605 14
0,4625 0,4645 7
0,4665 0,4685 2
0,4705 0,4725 1

3. Buat representasi gambar untuk distribusi frekuensi. Langkah ini sebenarnya

tidak penting, dan amat jarang dilaksanakan kecuali untuk tujuan pengajaran
atau untuk presentasi popular dari apa yang ditakutkan menjadi data kering
bagi kalangan awam. Dua tipe grafik ditunjukkan dalam Gambar 2.1 :
Histogram, terdiri dari lajur-lajur berdampingan yang tingginya menunjukkan

5
 frekuensi, dibangun di atas lebar maksimum dari sel; polygon frekuensi
dibentuk dengan memplot frekuensi pada titik tengah sel dan menghubungkan
titik-titik tersebut dengan garis lurus.

2.2b. Kurva Galat Normal

Pembatasan kasus untuk polygon frekuensi setelah pengukuran replica
dilakukan terus-menerus adalah kurva distribus normal atau Gaussian, yang
digambarkan pada Gambar 2.2. Kurva ini merupakan cara penyajian fungsi
matematika yang telah diketahui, dan lebih mudah ditangani daripada kurva kurang
ideal dan lebih tak teratur yang sering muncul dari pengamatan dalam jumlah kecil.

Populasi dan Sampel

Ada anggapan bahwa terdapat semesta data yang terbentuk dari
pengukuran dalam jumlah tak terbatas, dan terhadap populasi infinit (tak terbatas)
inilah, fungsi galat normal sesungguhnya terjadi. Sejumlah tertentu pengukuran
replica dianggap oleh ahli statistic sebagai sampel yang diambil secara acak dari
sebuah hipotesis populasi infinit;

6
 Persamaan dari kurva normal dapat ditulis seperti ini :
1 2 2 2
= ()
2

Parameter Populasi
Kuantitas dan , yang disebut dengan parameter populasi, menjelaskan
perihal distribusi. adalah rata-rata dari populasi yang tak terbatas, dan karena
kita di sini tidak memikirkan besar yang tepat dari kuantitas yang diukur. yang
disebut deviasi standar, yaitu jarak dari rata-rata terhadap salah satu titik infleksi
dari kurva distribusi dan dapat dianggap sebagai ukuran penyebaran nilai yang
membuat populasi; jadi berhubungan dengan presisi. mempunyai signifikasi
sendiri, dan e adalah basis dari system logaritma natural. Suku ( ) mewakili
perluasan ini dimana nilai individual x mengalami deviasi dari rata-rata.

Normalisasi dari Fungsi Distribusi

Fungsi distribusi dapat dinormalisasi dengan menetapkan luas daerah di
bawah kurva sama dengan satu, dan menggambarkan kemungkinan total sama

7
 dengan satu untuk keseluruhan populasi. Daerah di bawah kurva di antara
sembarang 2 (dua) nilai dari ( ) memberikan fraksi dari populasi total yang
tepat di antara kedua nilai. Terlihat bahwa sekitar dua per tiga (sebenarnya
68,26%) dari semua nilai yang ada dalam populasi tidak terbatas berada dalam
batas , sedangkan 2 berarti 95,46% dan 3 berarti hamper
semuanya (99,74%) dari nilai yang ada. Hal yang menggembirakan adalah bahwa
kemungkinan terjadinya galat yang kecil lebih banyak ketimbang galat yang besar.
Tentu saja dalam kenyataannya kita tidak akan pernah menemukan dari
populasi yang tak terbatas, namun deviasi standar dari sejumlah observasi yang
terbatas dapat dianggap sebagai penetapan dari . Selanjutnya mungkin kita dapat
memperkiran sesuatu seperti kemungkinan timbulnya galat pada suatu nilai tertentu
dalam pekerjaan individu begitu dibuat pengukuran yang cukup untuk membuat
perkiraan dari karakteristik populasi khusus yang tak terbatas ini.

2.3 PENGOLAHAN STATISTIK DARI SAMPEL YANG TERBATAS

2.3a. Ukuran dari Tendensi Sentral dan Variabilitas
Tendensi sentral dalam suatu kelompok hasil adalah nilai di mana hasil
individual cenderung membentuk klaster. Untuk sebuah populasi yang tak terbatas,
nilai itu adalah , rata-rata dari contoh tersebut.

Rata-rata (Mean)
Rata-rata dari sejumlah pengukuran yang terbatas, 1 , 2 , 3 , , , sering
disebut untuk membedakannya dengan . Perhitungan rata-rata secara sederhana
merata-ratakan hasil individunya :

1 + 2 +3 + + =
=1
= =

Rata-rata adalah ukuran yang sangat berguna untuk tendensi sentral. Dapat
digambarkan bahwa rata-rata dari hasil n adalah kali lebih meyakinkan
dibanding salah satu individu. Maka ada suatu diminishing return dari semakin
banyaknya pengukuran replika yang dilakukan: rata-rata dari 4 buah hasil adalah
dua kali lebih pasti dari sebuah hasil dalam pengukuran tendensi sentral; rata-rata
dari 9 buah hasil adalah tiga kali lebih pasti; rata-rata dari 25 buah hasil adalah

8
lima kali lebih pasti, dan seterusnya. Secara umum dikatakan bahwa tidak efisien
untuk seorang pekerja yang cermat, yang memiliki kepresisian yang baik, untuk
mengulangi pengukuran lebih dari sekali.

Median
Median dari sejumlah ganjil hasil adalah nilai tengah yang didapat ketika
hasil-hasil tersebut disusun menurut besarnya; untuk sejumlah hasil yang genap,
median adalah nilai rata-rata dari 2 buah nilai yang berada di tengah. Secara umum
dikatakan, median adalah pengukuran yang lebih tidak efisien untuk tendensi pusat
dibandingkan rata-rata, namun dalam kasus-kasus tertentu mungkin amat berguna,
terutama bila kita berurusan dengan sampel yang sangat kecil.

Rentang (Jangkauan)
Mengingat dua parameter, yaitu dan , dibutuhkan untuk menentukan
frekuensi distribusi, jelas bahwa dua populasi mungkin mempunyai tendensi
sentral yang sama namun berbeda dalam penyebaran atau variabilitas (atau
disperse, sebagaimana beberapa kalangan menyatakannya), seperti yang
digambarkan dalam Gambar 2.3. untuk sejumlah nilai yang terbatas, pengukuran
yang termudah untuk varian adalah dengan rentangnya, yaitu selisih antara nilai
terbesar dan terendah. Seperti median, rentang ini kadang berguna dalam statistic
untuk sampel yang kecil, namun secara umum dianggap pengukur variabilitas yang
tidak efisien. Perhatikan bahwa satu hasil yang tidak lazim akan mempunyai
dampak yang penuh terhadap rentang, padahal efek ini akan dihilangkan oleh
semua hasil lainnya dalam pengukuran variabilitas yang lebih baik, perhatikan
gambar.

9
Gambar 2.3 Dua populasi dengan tendensi pusat yang sama, tetapi variabilitas
berbeda.

Deviasi Rata-rata
Deviasi rata-rata dari mean (rata-rata) sering ditulis dalam makalah-makalah
ilmiah sebagai ukuran untuk variabilitas, meskipun sangat tidak signifikan dari
sudut pandang statistic, terutama untuk observasi dengan jumlah kecil. Untuk
sekelompok data besar yang terdistribusi normal, deviasi rata-rata mendekati 0,8.
Untuk menghitung rata-rata atau deviasi rata-rata, cari selisih antara hasil individu
dengan nilai rata-rata., tanpa menghiraukan tanda, dan tambahkan deviasi individu,
lalu bagi dengan banyaknya hasil.

=
=1 | |
Deviasi rata-rata = =

Deviasi Rata-rata Relatif

Seringkali deviasi rata-rata dinyatakan relatif terhadap besarnya kuantitas
yang diukur, misalnya, sebagai persentase:

=
=1 | |/
Deviasi rata-rata relatif (%) = 100 = 100

Karena hasil analisis sering dinyatakan dalam persentase (mis: persentase besi
dalam sampel bijih besi), mungkin membingungkan untuk melaporkan deviasi

10
relatif dalam basis persentase, dan disarankan untuk menggunakan satuan per
seribu (permil), alih-alih satuan persen (per seratus):

=
=1 | |/
Deviasi rata-rata relatif (ppt) = 1000

Deviasi Standar
Secara statistik deviasi standar lebih signifikan dibandingkan deviasi rata-
rata. Simbol s dipergunakan untuk deviasi standar dari sejumlah nilai yang
terbatas; s dicadangkan untuk parameter populasi. Deviasi standar, yang dianggap
sebagai akar pangkat nilai deviasi dari rata-rata, dihitung dengan menggunakan
rumus

=| |2
= =1
1

Jika n besar (katakanlah 50 atau lebih), maka tidak penting apakah

penyebutnya 1 (yang sebenarnya tepat) atau pun n. Ketika deviasi standar
yang dinyatakan sebagai persentase dari rata-rata, deviasi ini disebut koefisien dari
variasi, v:

= 100

Varians
Varians, dinyatakan dengan s2, pada dasarnya lebih penting dalam statistik
dibandingkan s itu sendiri, namun belakangan secara umum lebih sering
dipergunakan dalam penanganan data kimiawi.
Contoh berikut ini menggambarkan perhitungan dari semua persyaratan
dalam hal menentukan normalitas dari suatu larutan.
Normalitas dari larutan ditentukan oleh 4 titrasi terpisah, dan hasilnya 0,2041,
0,2049, 0,2039, dan 0,2043. Hitung rata-rata, median, rentang, deviasi rata-rata,
rata-rata relative deviasi , deviasi standar, dan koefisien variasi.
0,2041+0,2049+0,2039+0,2043
Nilai rata-rata = 4

11
 = 0,2043
0,2041+0,2043
Median: = 2

= 0,2042
Rentang: = 0,2049 0,2039
= 0,0010
(0,002)+(0,0006)+(0,004)+(0,0000)
Deviasi rata-rata: = 4

= 0,0003

0,0003
Deviasi rata-rata relatif: 1000 = 1000 = 1,5
0,2043

(0,0002)2 +(0,0006)2 +(0,0004)2 +(0,0000)2

Devisi standar: = 41

= 0,0004

0,0004
Koefisien variansi: = 0,2043 100

= 0,2%

2.3b. t-Student
Seorang kimiawan dari Inggris, W.S. Gosset, menulis dengan nama samara
Student, mempelajari masalah pembuatan prediksi yang berdasarkan gambaran
sampel yang terbatas dari suatu populasi yang tidak diketahui dan
mempublikasikan solusinya pada tahun 1908. Teori student ini berada di luar
ringkup dari buku ini, namun kita dapat menerimanya dan melihat bagaimana teori
ini dipergunakan di dalam ilmu kimia. Kuantitas t (sering disebut t Student)
didefinisikan dengan pernyataan:

= ( )

Jumlah Jumlah Derajat Tingkat Probabilitas

Pengamatan Kebebasan
50% 90% 95% 99%
n n-1
2 1 1,000 6,314 12,706 63,665
3 2 0,816 2,920 4,303 9,925

12
 4 3 0,765 2,353 3,182 5,841
5 4 0,741 2,132 2,776 4,604
6 5 0,727 2,015 2,517 4,032
7 6 0,718 1,943 2,447 3,707
8 7 0,711 1,895 2,365 3,500
9 8 0,706 1,860 2,306 3,355
10 9 0,703 1,833 2,262 3,250
11 10 0,700 1,812 2,228 3,169
21 20 0,687 1,725 2,086 2,845
0,674 1,645 1,960 2,576

Tabel dari nilai-t berhubungan dengan berbagai kemungkinan atau tingkat

probablitas dan untuk membuat variasi dengan derajat kebebasan(degree freedom).
Derajat kebebasan dalam hubungan ini adalah salah satu lebih sedikit dari n,
jumlah observasi.

2.3c. Interval Keyakinan dari Rata-rata

Dengan mengatur ulang rumus di atas yang mendefinisikan t, kita
mendapatkan interval keyakinan dari rata-rata, atau batas keyakinan:

Kita mungkin menggunakan rumus ini untuk memperkirakan

kemungkinan dari rata-rata populasi , yang berada di didalam daerah tertentu
dengan pusat , rata-rata dari eksperimen dari pengukuran kita. Dapat dilihat pada
Tabel 2.4 bahwa nilai t bertambah selama n, jumlah observasi, berkurang.

Contoh berikut menggambakan penggunaan dari Tabel 2.4

Seorang kimiawan yang menentukaan persentase dari besi di dalam bijih besi
menemukan hasil berikut ini: x = 15,30, s = 0,10, n = 4 (a) Hitung 90% interval
keyakinan dari rata-rata. Dari tabel 2.4, t = 2,353 untuk n = 4 Untuk itu

2,3530,10
= 15,30
4

13
 = 15,30 0,12

(b) Hitung 99% interval keyakinan dari rata-rata

Dari Tabel 2.4, t = 5,841 untuk n = 4. Untuk itu

5,8410,10
= 15,30
4

= 15,30 0,29

Dalam beberapa kasus di mana analisis lebih diulang secara luas, seorang
kimiawan mungkin mempunyai perkiraan yang layak dipercaya tentang deviasi
standar populasi, . Selanjutnya tidak ada ketidakpastian mengenai nilai , dan
interval keyakinan ditentukan dengan

Dimana Z adalah nilai nilai t untuk nilai n = (Tabel 2.4). Perhatikan bahwa pada
contoh di atas interval keyakian untuk bagian (a) akan ditentukan dengan

1,645 0,10
15,30 = 15,30 0,08
4

Interval ini lebih dekat karena ketidakpastian dari telah dihilangkan.

Dimungkinkan untuk menghitung interval kayakinan dalam suatu
rentang, R, dari sebuah rangkaian pengukuran, dengan menggunakan hubungan
=

Nilai cn untuk sejumlah observasi dan tingkat probabilitas yang berbeda beda
telah ditabulasi; beberapa nilai ini ditunjukkan dalam Tabel 2.5.

Jumlah Tingkat Probalilitas

Pengamatan 95% 99%
2 6,353 31,828
3 1,304 3,008
4 0,717 1,316
5 0,507 0,843
6 0,399 0,628

14
2.3d. Tes untuk Signifikansi
Perbandingan antara Dua Rata-rata
Pendekatan statisik untuk masalah ini adalah dengan hipotesis nol. Hipotesis ini
menyatakan, dalam contoh ini, bahwa kedua rata-rata adalah identik. Prosedurya
adalah sebagai berikut: yang berbeda, yang menghasilkan rata-rata 1 dan 2 serta
deviasi standar s1 dan s2 ; n1 dan n2 adalah jumlah dari observasi individu yang
didapat dari kedua metode. Langkah pertama adalah menghitung nilai-t dengan
menggunakan rumus:

|1 2 | 1 2
=
1 + 2

Perbandingan antara Dua Deviasi Standar

Tersedia sebuah tes untuk menentukan apakah perbedaan antara s1 dan s2

signifikan: tes ini dinamakan tes rasio-varian atau tes F. Prosedurnya mudah,
temukan rasio = 11 2 2 tempatkan nilai-s yang lebih besar sebagai pembilang
sehingga F > 1; lalu lihat pada tabel F. Jika nilai F dalam tabel tersebut lebih kecil
daripada nilai F yang dihitung, maka kedua deviasi standar berbeda secara
signifikan; jika tidak maka perbedaaan itu tidak signifikan. Beberapa contoh nilai F
diberikan pada tabel 2.6dengan tingkat probabilitas 95%.

Tabel 2.6 Nilai F pada Tingkat Probabilitas 95%.

n - 1 untuk n - 1 untuk s2 yang lebih besar
s2 yang
3 4 5 6 10 20
lebih kecil

3 9,28 9,12 9,01 8,94 8,79 8,66

4 6,59 6,39 6,26 6,16 5,96 5,80

5 5,41 5,19 5,05 4,95 4,74 4,56

6 4,76 4,53 4,39 4,28 4,06 3,87

10 3,71 3,48 3,33 3,22 2,98 2,77

20 3,10 2,87 2,71 2,60 2,35 2,12

15
Contoh:
Sebuah contoh abu soda (Na2CO3) dianalisis dengan dua metode yang berbeda,
hasil yang didapat untuk persentase dari Na2CO3:

Metode 1 Metode 2

1 = 42,34 2 = 42,44

s1 = 0,10 s1 = 0,12

n1 = 5 n1 = 4

Apakah s1 dan s2 berbeda secara signifikan? Gunakan tes rasio varian atau tes F :

22
= = 1,44
12

Lihat pada Tabel 2.6 di bawah kolom n 1 = 3(karena 2 > 1 ) dan baris 1 =
4, ditemukan F = 6,59. Karena 6,59 > 1,44, deviasi standar ternyata tidak berbeda
secara signifikan.

Perbandingan antara Rata-Rata Eksperimen dengan Rata-Rata yang

Sebenarnya

Terkadang kita ingin membandingkan dua hasil untuk mendapatkan satu hasil
yang meyakinkan. Contohnya adalah perbandingan antara rata-rata dari beberapa
analisis yang dilakukan terhadap sebuah sampel yang disertifikasi oleh national
Institute of Standards and Technology (NIST). Tujuannya adalah untuk
menentukan apakah metode yang dipergunakan memberikan hasil yang disetujui
oleh institut di atas. Dalam hal ini, nilai dari institut dianggap sebagai dalam
rumus yang menentukan t student, dan nilait dihitung berdasarkan x, n, dan s
untuk hasil analitik yang sudah ditangan. Jika nilai-t hasil perhitungan lebih besar
dibandingkan dengan yag ada di tabel-t untuk (n-1) derajat kebebasan dan
probabilitas yang diinginkan, maka metode analitis yang dipermasalahkan telah
memberikan sebuah nilai rata-rata yang berbeda secara signifikan dengan nilai
NIST; jika tidak perbedaan di antara kedua nilai dapat diabaikan dengan
sendirinya.

Contoh :

16
 Seorang kimiawan menganalisis sebuah sampel bijih besi yang diberikan oleh
National Institute of Standards and Technology dan mengandung hasil berikut: =
10,52, = 0,05, = 10. Nilai NIST untuk sampel ini adalah 10,60% besi (Fe).
Apakah nilai ini berbeda secara signifikan pada tingkat probabilitas 95%/

Hitung t dengan rumus :

=

0,05
10,60 = 10,52
10

= 5,06

Dalam tabel 2.4, pada derajat kebebasan = 9 dan tingkat probabilitas 95%, =
2,262. Karena 5,06 > 2,262, maka hasil ini berbeda secara signifikan dengan NIST.

2.3e. Kriteria untuk Penolakan terhadap Suatu Observasi

Sudah menjadi kesepakatan dalam ilmu pengetahuan bahwa pengukuran akan

secara otomatis ditolak apabila diketahui ada galat yang terjadi; ini adalah suatu
kepastian yang tidak akan kita hiraukan. Harus dicatat bahwa adalah keliru (namun
manusiawi) untuk menolak hasil yang diketahui mengandung galat terdeteksi,
apabila hasil tersebut hanya muncul sesekali saja. Salah satunya jalan untuk
mencegah masuknya bias pengukuran yang tidak disadari adalah dengan menolak
setiap hasil di mana diketahui bahwa galat telah terjadi, tanpa memperdulikan
kesepakatan dengan yang lainnya.

Peraturan Berdasarkan Deviasi Rata-Rata

Dua peraturan yang dipakai kimiawan adalah peraturan 2,5d dan 4d.
Peraturan-peraturan tersebut diaplikasikan dengan cara menghitung rata-rata dan
deviasi rerata dari hasil yang baik dan menentukan deviasi hasil yang
mencurigakan dari rata-rata yang baik. Jika deviasi dari hasil yang mencurigakan
sekurang-kurangnya 4 kali lipat deviasi rerata hasil yang baik (sebesar 2,5 kali
untuk peraturan 2,5d), maka hasil yang mencurigakan itu akan ditolak. Jika tidak,
hasil tersebut akan diambil.

17
Peraturan Berdasarkan Rentang

Tes Q dideskripsikan oleh dean dan dixon, secara statistik benar dan amat
mudah untuk diaplikasikan. Ketika tes-Q dipergunakan untuk penolakan, ada
keyakinan yang tinggi (90%) bahwa hasil yang mencurigakan memang menderita
galat khusus. Dengan menggunakan tes-Q untuk penolakan, galat jenis pertama
jarang terjadi. Namun, ketika diterapkan pada kelompok data yang kecil
(katakanlah, tiga atau lima hasil), tes-Q membolehkan penolakan hanya apanila
hasil tersebut memiliki simpanagan yang jauh melebar, dan akibatnya
menimbulkan galat jenis kedua (penyimpangan hasil yang semestinya ditolak).
Jadi, tes-Q memberikan pembenaran yang tepat untuk membuang nilai-nilai yang
secara kasar keliru, namun tes ini tidak mengeliminasi dilema dengan nilai-nilai
yang berdeviasi kecil namun mencurigakan.

Tes-Q diterapkan sebagai berikut :

1. Hitung rentang dari hasil-hasil

2. Temukan selisih antara hasil yang mencurigakan dengan hasil yang terdekat
3. Bagi selisih yang didapat dalam tahap 2 dan tahap 1 untuk mendapatkan
kuosien penolakan, Q.
4. Lihat dalam tabel nilai Q. Apabila nilai Q yang dihitung lebih
besardibandingkan nilai yang ada dalam tabel, hasil tersebut dapat
diabaikan dengan keyakinan 90% bahwa nilai itu disebabkan bebrapa faktor
yang tidak mempengaruhi hasil yang lainnya.

Beberapa nilai Q diberikan pada Tabel 2.7

Jumlah
0,90
pengamatan

3 0,94

4 0,76

5 0,64

6 0,56

7 0,51

18
 8 0,47

9 0,44

10 0,41

Contoh berikut menggambarkan penerapan tes-Q. Lima kali penentuan vitamin C

dalam minuman jeruk nipis memberikan hasil-hasil sebagai berikut: 0,218, 0,219;
0,230; 0,215 dan 0,020 mg/ml. Terapkan tes-Q untuk melihat apakah nilai 0,230
dapat diabaikan.
Nilai Q adalah
0,230 0,220
=
0,230 0,215
= 0,67
Nilai Q dalam dalam tabel 2.7 untuk n = 5 adalah 0,64. Karena 0,67 lebih besar
dibandingkan 0,64, peraturan mengatakan bahwa hasil tersebut dapat diabaikan.

2.4 BAGAN KONTROL

Metode bagan kontrol awalnya dikembangkan sebagai sistem untuk menjaga
kualitas selama produksi dalam skala yang besar. Metode bagan kontrol telah terbukti
sangat berguna dalam menjaga kemampuan metode analitik pada laboratorium yang
sibuk di mana pada tipe yang sama dari sampel dilakukan analisis ulang dari hari ke hari
untuk periode waktu yang lama. Metode ini cenderung membedakan, dengan derajat
efisiensi yang tinggi, tren yang pasti atau keanehan yang terjadi secara periodik dari
fluktuasi yang acak.
Bagan kontrol untuk analisis disiapkan sebagai berikut (lihat Gambar 2.4).
Persentase air dalam sampel standar dinyatakan pada bagan sebagai garis horizontal.
Batas kontrol juga dicantumkan pada bagan tersebut. Hasil analitis yang berada di luar
batas-batas ini dianggap sebagi hasil kerja dari suatu faktor definit yang sangat berguna
untuk diselidiki dan dikoreksi. Ketika hasil-hasil berada di dalam batas-batas, metode ini
disebut di bawah kendali, dan fluktuasinya hanyalah acak dan tidak dapat dipastikan.
(Kesimpulannya yang analog untuk sebuah kontrol produksi adalah: ketika tes sampel
memberikan hasil di luar batas kontrol, maka proses dihentikan demi mencari
penyebabnya).

19
2.5 PERAMBATAN GALAT

Dalam pengukuran, perhatian tentu difokuskan pada hasil numeric yang

diharapkan, tetapi tetap saja tidak dapat mengabaikan pegamatan bagaimana galat
merambat dan memengaruhi hasil yang diharapkan tersebut.

2.5a. Galat Pasti

Penambahan dan Pengurangan

Jika sebuah hasil perhitungan ,R, berdasarkan kuantitas A, B, dan C yang

diukur. Tentukan , , dan yang mewakili galat pasti mutlak masing-masing
dalam A, B dan C dan anggap mewakili galat hasil dari R. Apabila pengukuran
sebenarnya adalah A + , B + dan C + . Jika galat dipindahkan melalui
penambahan dan pengurangan maka akan menjadi R = A + B C. Dengan
mengubah setiap kuantitas melalui jumlah galatnya, maka dapat ditulis:

R + = (A + ) + ( B +) ( C + )

R=(A+BC)+ (+)

Dikurangi dengan R = A + B C menjadi

R= +

20
 Perkalian dan Pembagian

Perkalian dan pembagian yang terlibat diumpamakan sebagai = , sehingga

( + )( + ) + + +
+= =
( ) +

diabaikan karena dianggap sebagai galat yang sangat kecil. Kemudian dengan

cara mengurangi = menghasilkan

+ +
=

Penempatan suku-suku sebelah kanan di atas pembagi bersama menghasilkan

+ +
=
( )

selanjutnya adalah penentuan galat relatif dengan membagi = , Setelah

penghapusan menghasilkan

+ +
=
( )

karena sangat kecil disbanding C maka

= +

Kesimpulan rambatan galat, sebagai berikut :

1. Di mana penambahan dan pengurangan teribat, galat pasti absolute diteruskan

secara langsung ke dalam hasil.
2. Di mana perkalian atau pembagian terlibat, galat pasti relative diteruskan secara
langsung ke dalam hasil.
2.5b. Galat Tidak Pasti

21
 Galat tidak pasti terbukti dengan adanya hamburan pada data bila suatu
pengukuran dilakukan lebih dari satu kali. Umpamakan R = A + B C pada satu

pihak dan = di pihak lain. Hasil teori statistiknya adalah :

1. Pada penjumlahan atau pengurangan, varian (kuadrat deviasi standar) dari

harga-harga yang diukur adalah aditif untuk penentuan varian dari hasil, yaitu
R = A + B C,
S2 R = S2 A + S2 B + S2 C.
2. Dengan perkalian atau pembagian, maka kuadrat dari deviasi standar relative

telah ditransmisikan, yaitu = ,

2 2 2
=( ) +( ) +( )

2.5c. Perhitungan Dari Hasil Analitik

Contoh soal :

Seorang kimiawan menentukan presentase tembaga dalam bijih besi dengan

menggunakan data: titran dalam milliliter = 30,34 0,03 mL ; titran dalam mol =
0,1012 0,0002 mmol/mL; sampel dalam milligram = 1073,2 0,2 ; berat atom
dari tembaga = 63,546 0,003 mg/mmol. Perhitungannya adalah

30,34 0,1012 63,546

100 = 18,18 %
1073,2

Hitung ketidakpastian dalam presentase tembaga yang disebabkan penyebaran dari

ketidakpastian yang ada dalam data.

Ketidakpastian relative dalam ppt adalah

0,03
1000 = 1,0
30,34

0,0002
1000 = 2,0
1,1012

0,003
1000 = 0,05
63,546

22
 0,2
1000 = 0,2
1073,2

Maka,

1000 = (1,0)2 + (2,0)2 + (0,05)2 + (0,2)2
18,18

= 0,04

Sehingga hasilnya dapat ditulis 18,18 0,04 % tembaga.

2.6 ANGKA SIGNIFIKAN

Kebanyakan ilmuwan mendefinisikan angka signifikan sebagai semua digit

yang pasti ditambah satu digit yang mengandung ketidakpastian. Penggunaan angka
signifikan sangat penting dalam mengekspresikan data eksperimen. Contoh dalam
pembacaan volume buretdiketahui bahwa ukuran terkecil adalah 0,1 mL. angka 1,4 yang
terbaca pasti, decimal kedua diestimasi menjadi divisi yang terkecil ke dalam 10 bagian
ayang sama. Pembacaan terakhir adalah 1,42, mengandung tiga angka signifikan, yang
dua adalah angka pasti dan yang satu adalah angka dengan ketidakpastian.

2.6a. Pengakuan dari Angka Signifikan

Digit nol dapat dan mungkin juga tidak dapat dianggap sebagai angka signifikan,
tergantung fungsinya dalam bilangan tersebut. Fungsi dari angka nol adalah untuk
menentukan poin decimal; sehingga inisial nol (angka nol yang di depan) tidak
bermakna. Nol yang terminal (di belakang) adalah bermakna.
2.6b. Peraturan Perhitungan

Penambahan dan Pengurangan

Dalam penambahan dan pengurangan, pertahankan angka decimal seperti yang

dimiliki angka yang mempunyai angka decimal yang paling sedikit.
Contoh: 14,23 + 8,145 36,750 + 12,04 , nilai desimal yang paling sedikit adalah
dengan satu decimal, sehingga hasilnya akan dibulatkan menjadi satu angka
decimal yaitu dari 139,09 menjadi 139,1

Perkalian dan Pembagian

23
 Dalam perkalian dan pembagian, pertahankan dalam setiap suku dan jawaban
sejumlah angka signifikan yang akan mengidikasikan ketidakpastian relative yang
tidak lebih besar dari suku dengan ketidakpastian relative terbesar. Kriteria utama
dalam pembulatan sejumlah jawaban dalam pengalian dan pembagian adalah
ketidakpastian relative bukan jumlah signifikan dalam data.

2.6c. Logaritma dan Angka Signifikan

Logaritma terdiri dari dua bagian yaitu :
1. Keseluruhan angka (karakteristiknya)
Karakteristiknya adalah seluruh fungsi dari posisi decimal dalam angka
dimana logaritma ditentukan dan untuk itu bukanlah suatu angka bermakna.
2. Pecahan desimal, mantisa
Mantisa adalah sama namun tidak tergantung opsisi desimal, dan semua digit
diperhitungkan sebagai angka signifikan.
Contoh : ekspresikan antilog dari 2,947
Dengan menggunakan empat lajur table log kita akan melihat 0,9741 adalah
mantisa dari angka 942. Jika kalkulator dipergunakan untuk menghitung antilog,
hasilnya adalah 941,8896. Jawaban ini seharusnya hanya mengandung tiga angka
signifikan dank arena itu seharusnya ditulis sebagai 942 atau 942 x 102.

2.7 METODE KUADRAT TERKECIL

Contoh umum dari prosedur analitik yang melibatkan pengukuran instrumental dari
sebuah parameter fisika yang sebanding dengan konsentrasi dari analit adalah penentuan
dari konsentrasi dengan mengukur daerah puncak yang didapat dalam kromatograf gas.
Alat yang digunakan dalam eksperimen akan menunjukkan respon yang kemudian
digunakan untuk memberikan sebuuah kurva standar (grafik kalibrasi). Titik eksperimen
jarang berada tepat pada garis lurus tersebut karena adanya galat yang tidak ditentukan.
Dalam statistik ada hubungan matematis yang memungkinkan kimiawan untuk
menghitung secara obyektif kemiringan dan mengantisipasi garis lurus yang terbaik.
Proses ini disebut metode kuadrat terkecil ( least square mothod ) . Di dalam grafik,
angka-angka pada sumbu X menyatakan konsentrasi dari larutan standar. Angka-angka
pada sumbu Y menyatakan respon alat. Garis lurus yang terbaik dapat digambarkan
dengan menghitung persamaan linear

24
 = +

m adalah kemiringan dan b adalah perpotongan pada sumbu y.

Rumus kemiringan dan perpotongan garis dalam statistic adalah sebagai berikut :

( )/
Kemiringan : = , sedangkan perpotongan : , n adalah

jumlah data.

Deviasi standar dari nilai dan yang dinyatakan oleh

( 2 )
=
2

Jumlah derajat kebebasan disini adalah 2 . karena dua derajat telah dipergunakan
dalam perhitungan nilai . Deviasi standar dari kemiringan adalah

1 1 ( +)2
Deviasi standar hasil ini, = ++
2

25