3.

GALAT DAN
PENGOLAHAN DATA
ANALITIK
BIOTEKNOLOGI
UNIVERSITAS MUHAMMADIYAH BANDUNG
 GALAT
• Galat: Perbedaan antara nilai standar dengan nilai yang didapat dari
metode yang baru dilakukan

Galat
Pasti/sistematis
Galat
Galat tidak
pasti
 1. GALAT PASTI/INSTRUMENTAL
• Galat yang berasal dari penyebab yang pasti
• 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 dalam galat metodik, operatif, dan
instrumental
 GALAT PASTI/INSTRUMENTAL
• Galat pasti 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
• x
 2. GALAT TIDAK PASTI
• 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.
 AKURASI

• Hasil yang akurat adalah sesuatu yang disepakati sangat mendekati nilai
yang sebenarnya dalam suatu pengukuran kuantitas
• semakin kecil galat, semakin besar keakuratan
 GALAT ABSOLUT
• Galat absolut adalah perbedaan antara nilai eksperimen dengan nilai yang
sebenarnya
• Contoh:
• 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. Galat relative contoh diatas yaitu
0,10
• 𝑥 100 = 0,5%
20,34
• atau
0,10
• 𝑥 1000 = 5 𝑝𝑝𝑡
20,34
 PRESISI
• 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
• Presisi ini biasanya digunakan untuk deviasi standar, deviasi rata-rata atau
rentang.
 DISTRIBUSI GALAT ACAK
1. DISTRIBUSI FREKUENSI
• Contoh data hasil pengukuran nilai absorbansi dengan spektrofotometer
dari 60 replika larutan berwarna
• Tabel 2.1  data mentah
• Tabel 2.2  pengurutan nilai terkecil sd terbesar  diketahui nilai maksimum dan
minimum
• Tabel 2.3  pengelompokan nilai individu ke dalam sel dengan nilai tengah
atau medianefisiensi pembacaan data
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

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

 Tabel 2.3 Pengelompokan nilai individu ke dalam sel

Titik tengah sel Batas sel jumlah Nilai

0,4405 KITA MELIHAT DENGAN

0,4425 0,4445
CEPAT BAHWA HANYA
0,4465 0,4485 3
SEDIKIT NILAI YANG
BERADA DI BAWAH 0,448
ATAUPUN DI ATAS 0,464,
0,4505 0,4525 11

0,4545 0,4565 21
BISA JUGA DITAMPILKAN
0,4585 0,4605 14
DALAM BENTUK GRAFIK
0,4625 0,4645 7

0,4665 0,4685 2

0,4705 0,4725 1
 DISTRIBUSI GALAT ACAK
2. KURVA DISTRIBUSI
NORMAL/GAUSSIAN
• Terdapat “semesta” data yang terbentuk dari pengukuran dalam jumlah tak
terbatas, dan terhadap populasi infinit (tak terbatas) inilah, fungsi galat normal
sesungguhnya terjadi
• Persamaan dari kurva normal dapat ditulis seperti ini :
1 𝑥−𝜇 2 2𝜎2
• 𝑦= 𝑒−
𝜎 2𝜋
• Kuantitas µ dan σ, yang disebut dengan parameter populasi, menjelaskan perihal
distribusi
• µ adalah rata-rata dari populasi yang tak terbatas
• σ adalah 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 σ berhubungan dengan presisi
• Suku 𝑥 − 𝜇 mewakili perluasan ini dimana nilai individual x mengalami deviasi dari
rata-rata
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
1. RATA-RATA (MEAN)
• Rata-rata dari sejumlah pengukuran yang terbatas, 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛, sering disebut 𝑥
𝑖=𝑛
𝑥1 +𝑥2 +𝑥3 + ⋯+𝑥𝑛 𝑖=1 𝑥𝑖
• 𝑥= =
𝑛 𝑛
• Rata-rata adalah ukuran yang sangat berguna untuk tendensi sentral
• Dapat digambarkan bahwa rata-rata dari hasil n adalah 𝑛 kali lebih meyakinkan
dibanding salah satu individu
• Contoh:
• 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 lima kali lebih pasti
• Dst
Note: tidak efisien untuk seorang pekerja yang cermat, yang memiliki kepresisian yang
baik, untuk mengulangi pengukuran lebih dari sekali.
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
2. MEDIAN (NILAI TENGAH)
• Susun data terlebih dahulu menurut besarnya
• Jumlah data ganjil: langsung ambil nilai tengah
• Jumlah data genap: rata-rata dari 2 buah nilai yang berada di tengah

• Note:
• 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
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
3. RENTANG (JANGKAUAN)
• 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
• rentang kadang berguna dalam statistic untuk sampel yang kecil
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
4. 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 0,8𝜎
• 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.
𝑖=𝑛
𝑥𝑖 −𝑥
• Deviasi rata-rata = 𝑑 = 𝑖=1
𝑛
𝑖=𝑛
𝑑 𝑥𝑖 −𝑥 /𝑛
• Deviasi rata-rata relatif (%) = × 100 = 𝑖=1
× 100
𝑥 𝑥
𝑖=𝑛
𝑥𝑖 −𝑥 /𝑛
• Deviasi rata-rata relatif (ppt) = 𝑖=1
× 1000
𝑥
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
5. DEVIASI STANDAR
• Secara statistik deviasi standar (s) lebih signifikan dibandingkan deviasi rata-
rata
𝑖=𝑛 𝑥𝑖 −𝑥 2
• 𝑠= 𝑖=1
𝑛−1
• Jika n besar (katakanlah ≥ 50), maka tidak penting apakah penyebutnya
𝑛 − 1 (yang sebenarnya tepat) atau pun n
• deviasi standar yang dinyatakan sebagai persentase dari rata-rata, deviasi
ini disebut koefisien dari variasi, v:
𝑠
• 𝑣= × 100
𝑥
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
6. 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 SOAL
• 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 𝑥=
4
• 𝑥 = 0,2043
0,2041+0,2043
• Median: 𝑀=
2
• 𝑀 = 0,2042
• Rentang: 𝑅 = 0,2049 − 0,2039
• 𝑅 = 0,0010
0,002 + 0,0006 + 0,004 +(0,0000)
• Deviasi rata-rata: 𝑑 = 4
• 𝑑 = 0,0003
𝑑 0,0003
• Deviasi rata-rata relatif: 𝑥 × 1000 = 0,2043 × 1000 = 1,5 𝑝𝑝𝑡
0,0002 2 + 0,0006 2 + 0,0004 2 + 0,0000 2
• Devisi standar: 𝑠= 4−1
• 𝑠 = 0,0004
0,0004
• Koefisien variansi: 𝑣 = 0,2043 × 100
• 𝑣 = 0,2%
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
T-STUDENT
• Seorang kimiawan dari Inggris, W.S. Gosset, menulis dengan nama samaran
Student, mempelajari masalah pembuatan prediksi yang berdasarkan
gambaran sampel yang terbatas dari suatu populasi yang tidak diketahui
• Kuantitas t (sering disebut t Student) didefinisikan dengan pernyataan:
𝑛
• ±𝑡 = (𝑥 − 𝜇)
𝑠
 PENGOLAHAN STATISTIK DARI SAMPEL
YANG TERBATAS
INTERVAL KEYAKINAN DARI RATA-
𝑡𝑠 RATA (BATAS KEYAKINAN)
• 𝜇=𝑥±
𝑛
• Rumus ini untuk memperkirakan kemungkinan dari rata-rata populasi 𝜇, yang
berada di didalam daerah tertentu dengan pusat 𝑥, rata-rata dari
eksperimen dari pengukuran kita
 TES UNTUK SIGNIFIKASI
1. PERBANDINGAN ANTARA DUA
RATA-RATA
• Pendekatan statisik untuk masalah ini adalah dengan hipotesis nol
• Hipotesis ini menyatakan bahwa kedua rata-rata adalah identik
 TES UNTUK SIGNIFIKASI
2. PERBANDINGAN ANTARA DUA
DEVIASI STANDAR
• tes rasio-varian atau tes F untuk menentukan apakah perbedaan antara s1
dan s2 signifikan
• 𝐹 = 𝑠11 𝑠2 2
• nilai-s yang lebih besar sebagai pembilang sehingga F > 1
• Jika nilai F lebih kecil daripada nilai F yang dihitung, maka kedua deviasi
standar berbeda secara signifikan
• jika tidak maka perbedaaan itu tidak signifikan
 CONTOH
• Sebuah contoh abu soda (Na2CO3) dianalisis dengan dua metode yang berbeda, hasil yang
didapat untuk persentase dari Na2CO3:
• Metode 1 Metode 2
• 𝑥1 = 42,34 𝑥2 = 42,44
• s1 = 0,10 s1 = 0,12
• n1 = 5 n1 = 4
• Apakah s1 dan s2 berbeda secara signifikan?
Jawab:
• Gunakan tes rasio varian atau tes F :
𝑠22
• 𝐹= = 1,44
𝑠12
Lihat pada Tabel 2.6 di bawah kolom n – 1 = 3(karena 𝑠2 > 𝑠1 ) dan baris 𝑛 − 1 = 4, ditemukan F = 6,59
6,59 > 1,44 (F > F hitung), deviasi standar ternyata tidak berbeda secara signifikan.
 TES UNTUK SIGNIFIKASI
3. PERBANDINGAN ANTARA RATA-
RATA EKSPERIMEN DENGAN RATA-
RATA YANG SEBENARNYA
• membandingkan dua hasil untuk mendapatkan satu hasil yang meyakinkan
• Jika nilai-t hasil perhitungan > t table untuk (n-1) derajat kebebasan dan
probabilitas yang diinginkan, maka metode analitis yang dipermasalahkan
telah memberikan sebuah nilai rata-rata yang berbeda secara signifikan
• jika tidak ada perbedaan di antara kedua nilai , dapat diabaikan dengan
sendirinya.
 CONTOH
• Seorang kimiawan menganalisis sebuah sampel bijih besi yang diberikan oleh
National Institute of Standards and Technology dan mengandung hasil berikut: 𝑥 =
10,52, 𝑠 = 0,05, 𝑛 = 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 :
𝑡𝑠
• 𝜇=𝑥±
𝑛
𝑡×0,05
• 10,60 = 10,52 ±
10
• 𝑡 = 5,06
• Dalam tabel 2.4, pada derajat kebebasan = 9 dan tingkat probabilitas 95%, 𝑡 =
2,262. Karena 5,06 > 2,262, maka hasil ini berbeda secara signifikan dengan NIST.
 Jumlah Jumlah Derajat Tingkat Probabilitas
Pengamatan Kebebasan
n n-1

50% 90% 95% 99%

2 1 1,000 6,314 12,706 63,665

3 2 0,816 2,920 4,303 9,925
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 2.4
 KRITERIA UNTUK PENOLAKAN
TERHADAP SUATU OBSERVASI
• kesepakatan dalam ilmu pengetahuan bahwa pengukuran akan secara
otomatis ditolak apabila diketahui ada galat yang terjadi
• 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
 KRITERIA UNTUK PENOLAKAN
TERHADAP SUATU OBSERVASI
A. PERATURAN BERDASARKAN DEVIASI
RATA-RATA
• peraturan “2,5d” dan “4d” 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.
 KRITERIA UNTUK PENOLAKAN
TERHADAP SUATU OBSERVASI
B. PERATURAN BERDASARKAN
RENTANG
• tes-Q dipergunakan untuk penolakan, ada keyakinan yang tinggi (90%)
bahwa hasil yang mencurigakan memang menderita galat khusus
• Tes-Q diterapkan sebagai berikut :
• Hitung rentang dari hasil-hasil
• Temukan selisih antara hasil yang mencurigakan dengan hasil yang terdekat
• Bagi selisih yang didapat dalam tahap 2 dan tahap 1 untuk mendapatkan
kuosien penolakan, Q.
• 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.
Jumlah pengamatan 𝑄0,90

3 0,94

4 0,76

5 0,64

6 0,56

7 0,51

8 0,47

9 0,44

10 0,41
 CONTOH
• 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
• 𝑄=
0,230−0,215
• 𝑄 = 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
 BAGAN KONTROL
• bagan kontrol dikembangkan sebagai sistem untuk menjaga kualitas
selama produksi dalam skala yang besar, 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.
• Persentase air dalam
sampel standar dinyatakan
pada bagan sebagai garis
horizontal.
• 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”
• ketika tes sampel
memberikan hasil di luar
batas kontrol, maka proses
dihentikan demi mencari
penyebabnya
 PERAMBATAN GALAT
A. GALAT PASTI
• Di mana penambahan dan pengurangan teribat, galat pasti absolute
diteruskan secara langsung ke dalam hasil.
• Di mana perkalian atau pembagian terlibat, galat pasti relative diteruskan
secara langsung ke dalam hasil.
• Contoh: penjumlahan dan pengurangan galat:
• R + ρ = (A + α) + ( B +β) – ( C + ϒ )
• R+ ρ = ( A + B – C ) + ( α + β – ϒ )
• Dikurangi dengan R = A + B – C menjadi
• ρ= α+β–ϒ
 PERAMBATAN GALAT
B. GALAT TIDAK PASTI
• 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.
• Dengan perkalian atau pembagian, maka kuadrat dari deviasi standar
𝐴𝐵
relative telah ditransmisikan, yaitu 𝑅 = ,
𝐶
𝑆𝑅 𝑆𝐴 2 𝑆𝐵 2 𝑆𝐶 2
• = + +
𝑅 𝐴 𝐵 𝐶
 CONTOH SOAL
• Diketahui:
• 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
• Ditanya:
• Hitung ketidakpastian dalam presentase tembaga yang disebabkan penyebaran dari ketidakpastian yang ada dalam
data.
• Jawab:
𝑆𝑅 𝑆𝐴 2 𝑆𝐵 2 𝑆𝐶 2
• Ketidakpastian relative dalam ppt adalah: = + +
𝑅 𝐴 𝐵 𝐶
0,03
• × 1000 = 1,0 𝑝𝑝𝑡
30,34
0,0002
• × 1000 = 2,0 𝑝𝑝𝑡
1,1012
0,003
• × 1000 = 0,05 𝑝𝑝𝑡
63,546
0,2
• × 1000 = 0,2 𝑝𝑝𝑡
1073,2
• Maka,
𝜌 2 2 2 2
• × 1000 = 1,0 + 2,0 + 0,05 + 0,2
18,18

• 𝜌 = 0,04
• Sehingga hasilnya dapat ditulis 18,18 ± 0,04 % tembaga.
 ANGKA SIGNIFIKAN

• Kebanyakan ilmuwan mendefinisikan angka signifikan sebagai semua digit

yang pasti ditambah satu digit yang mengandung ketidakpastian
• Contoh:
• Dalam pembacaan volume buret diketahui 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.
 PEMBULATAN BILANGAN
• Buang digit terakhir bila kurang dari 5: 4,33 menjadi 4,3
• Jika digit terakhir lebih besar dari 5, tambahkan digit di depannya dengan 1:
4,36 menjadi 4,4
• Jika digit yang harus di buang itu adalah 5, bulatkan digit di depannya
menjadi bilangan genap terdekat
• 4,35 menjadi 4,4
• 4,65 menjadi 4,6

• Prosedur ini menghindari kecenderunagn membulatkan ke satu arah saja.

 CONTOH
• 14,23 + 8,145 – 3,6750 + 120,4

• Jawab:
• Bilangan dibulatkan dulu ke 2 tempat decimal
• 14,23  14,23
• 8,145  8,14
• 3,6750  3,68
• 120,4  120,4
• 14,23 + 8,14 + 3,68 + 120,4 = 139,09  139,1. 1 angka di belakang koma,
seperti angka yang dimiliki oleh soal yaitu satu angka desimal
 LOGARITMA
• Suatu logaritma terdiri dari 2 bagian:
• Suatu bilangan bulat, yang disebut dengan karakteristik  bukan angka bermakna,
karena merupakan fungsi posisi desimal
• Suatu fraksi decimal, yang disebut dengan mantisa  semua digitnya dianggap
bermakna
• Contoh:
• Nyatakan dengan tepat logaritma 2,4 x 105
• Jawab
• Log 2,4 x 105 = log 2,4 + log 105
• = 0,3802 + 5 karakteristik, bukan angka bermakna
• = 5,38  2 angka bermakna, karena terdapat 2 angka bermakna
dalam bilangan 2,4 x 105
 METODE KUADRAT TERKECIL

• Diterapkan pada kurva standar (grafik kalibrasi)

• Titik eksperimen jarang berada tepat pada garis lurus tersebut karena
adanya galat yang tidak ditentukan
• metode kuadrat terkecil ( least square mothod ) adalah hubungan
matematis yang memungkinkan kimiawan untuk menghitung secara
obyektif kemiringan dan mengantisipasi garis lurus yang “terbaik”.
• sumbu X menyatakan konsentrasi dari larutan standar
• sumbu Y menyatakan respon alat
• Garis lurus yang terbaik dapat digambarkan dengan
menghitung persamaan linear 𝑦 = 𝑚𝑥 + 𝑏
• m adalah kemiringan dan b adalah perpotongan pada sumbu
y.
𝑥𝑦− 𝑥 𝑦 /𝑛
• Rumus kemiringan : 𝑚= , n=jumlah data
𝐶
𝑦−𝑚 𝑥
• Rumus perpotongan :
𝑛
𝐷−𝑚2 𝐶
• Deviasi standar dari y 𝑆𝑦 =
𝑛−2
𝑆𝑦
• Deviasi standar dari kemiringan 𝑆𝑚 =
𝐶
𝑆𝑦 1 1 𝑦𝑢 +𝑦 2
• Simpangan standar 𝑆𝑢 = + + . nu =banyaknya penetapan
𝑚 𝑛𝑢 𝑛 𝑚2 𝐶