KELAS D
Nama Anggota :
1. Aufa Ulin Nuha 02111840000007
2. Denyta Kurnia Putri 02111840000015
3. Ghani Alim Nurbawono 02111840000025
4. Kanda Wibisana Nirwana 02111840000031
5. Aditya Arief Rahman Putra 02111840000051
6. Dhani Azzam Attaris 02111840000076
7. Drestanta Vidyasakti Wibowo 02111840000082
8. Farrel Al Ghifari Purnomo 02111840000101
9. Muhammad Kevin Novrian 02111840000125
ABSTRAK
Dalam dunia industri pengukuran dapat digunakan sebagai alat
komunikasi nilai dari riset, operator, pengujian dengan jaminan mutu terhadap
produk yang dihasilkan. Untuk mempercepat dan mempermudah pengukuran
dimensi produk yang dibuat secara massal diperlukan alat ukur batas atau caliber.
Untuk itu digunakan metode pengukuran tak langsung dengan bantuan rol atau
bola. Pada praktikum kali ini menggunakan image processing ( pengolahan citra )
yang dapat dilakukan di MATLAB. Pada percobaan benda 1 menggunakan mini
tab dengan one sample t didapat bahwa hasil pengukuran ditolak karena tidak
sesuai dengan acuan dan P-Value < α/2. Dan juga, tidak ada data gagal ditolak
karena P-Value > α/2. pada percobaan pada Benda 2 menggunakan minitab
dengan one sample t didapatkan bahwa hasil pengukuran yang diperoleh dapat
disimpulkan bahwa data hasil pengukuran oleh seluruh praktikan ditolak karena
P-Value < α/2. Dan juga, tidak ada data gagal ditolak karena P-Value > α/2.
ii
DAFTAR ISI
Cover ……………………………………………………………………….i
Abstrak …………………………………………………………………..…ii
Daftar Isi ………………………………………………………………...… iii
Daftar Gambar …………………………………………………………….. v
Daftar Tabel ……………………………………………………………….. vi
BAB I Pendahuluan ……………………………………………………….. 1
1.1 Latar Belakang …………………………………………….. 1
1.2 Rumusan Masalah ………………………………………….1
1.3 Tujuan Praktikum …………………………………………..
2
1.4 Batasan Masalah …………………………………………... 2
BAB II Dasar Teori ………………………………………………………...3
2.1 Pengukuran Non-Kontak ………………………………….. 3
2.2 Blok Ukur …………………………………………………. 4
2.3 Pengolahan Citra (Image Processing) …………………….. 6
2.4 Software MATLAB ……………………………………….. 7
BAB III Metode Pengukuran …………………………………………….... 9
3.1 Alat dan Bahan ……………………………………………..9
3.2 Langkah Percobaan ……………………………………...…10
3.3 Flowchart Pembuatan Program ………………………….... 11
BAB IV Analisa Data dan Pembahasan ……………………………………13
4.1 Image Processing …………………………………………..13
4.1.1 Coding ……………………………………………...13
4.1.2 Penjelasan Coding ………………………………….14
4.2 Data Acuan ………………………………………………....17
4.3 Data Praktikum ……………………………………………. 17
4.3.1 Benda Ukur 1 ……………………………………… 18
4.3.2 Benda Ukur 2 …………………………………….... 19
4.4 Analisa dan Pembahasan …………………………………...21
4.4.1 Metode One-Sample T Benda Ukur 1 ……………...21
iii
4.4.2 Metode One-Sample T Benda Ukur 2 …………...…24
BAB V Kesimpulan dan Saran ……………………………………………. 27
5.1 Kesimpulan ……………………………………………...… 27
5.2 Saran ………………………………………………………. 27
iv
DAFTAR GAMBAR
v
DAFTAR TABEL
vi
BAB I
PENDAHULUAN
1
2. Bagaimana penentuan kepresisian dari hasil pengukuran dengan
menggunakan prinsip pengolahan citra (image processing)?
3. Bagaimana faktor-faktor yang mempengaruhi hasil pengukuran dengan
menggunakan prinsip pengolahan citra?
2
BAB II
DASAR TEORI
3
2.2 Blok Ukur
Blok ukur merupakan salah satu alat ukur linear tak langsung.
Pengukuran dikatakan tidak langsung bila pembandingnya adalah suatu
yang telah dikalibrasikan terhadap besaran standar.
Blok ukur merupakan alat ukur standar yang mempunyai dua
permukaan (muka ukur) yang dibuat sangat halus, rata, sejajar, dan
mempunyai ukuran tertentu. Untuk mendapat permukaan yang halus dan
rata maka proses terakhir dari pembuatan blok ukur yaitu proses gosok halus
(lapping). Blok ukur mempunyai bentuk persegi panjang, bulat, atau persegi
empat. Blok ukur mempunyai dua sisi sejajar dengan ukuran tepat karena
kehalusan dan kerataan muka ukurnya maka dua atau lebih blok ukur dapat
di susun sedemikian rupa sehingga dapat bersatu dengan kuat. Sifat saling
cekat (wringability) ini memungkinkan untuk diperoleh dimensi atau jarak
tertentu dengan menyusun blok ukur dari berbagai ukuran. Selanjutnya
ukuran yang diperoleh tersebut dapat dipakai sebagai ukuran standar untuk
proses kalibrasi ataupun untuk pengukuran tak langsung. Blok ukur
biasanya dibuat dari baja perkakas, baja krom, baja tahan karat, krom
karbida atau karbida tungsten. Pada penggunaannya, blok ukur digunakan
sebagai pembanding pengukuran yang teliti untuk mengukur perkakas,
pengukur, die dan sebagai standar laboratorium induk untuk mengukur
ukuran selama produksi. Dimana ketelitian yang berlaku pada blok ukur
hanya pada suhu 20° C.
Berikut ini merupakan contoh ukuran dari blok ukur karbida yang
terdiri dari 112 blok :
1. 1 blok dengan imbuhan 1,0005 mm.
2. 9 blok dengan imbuhan sebesar 0,001 mm dari 1,001 sampai 1,009.
3. 49 blok dengan imbuhan sebesar 0,01 mm dari 1,01 sampai 1,49 mm.
4. 49 blok dengan imbuhan sebesar 0,5 mm dari 1,5 hingga 24,5 mm.
5. 4 blok dengan imbuhan sebesar 25 mm dari 25 hingga 100 mm.
4
Poin-poin di atas juga dapat dilihat melalui tabel berikut ini:
Tabel 2.1 Set Blok Ukur 112 Buah
Jarak Kenaikan Jumlah Blok
1.001 - 1.009 0.001 9
1.010 – 1.490 0.010 49
1.50 – 24.50 0.50 49
25 – 100 25 4
1.0005 - 1
Berikut ini merupakan gambar dari blok ukur :
5
(Sumber : https://fdokumen.com/document/blok-ukur-dan-blok-sudut-
569ca2093a97c.html)
2.3 Pengolahan Citra (Image Processing)
Image processing adalah suatu bentuk pengolahan atau pemrosesan
sinyal dengan input berupa gambar (image) dan ditransformasikan menjadi
gambar lain sebagai keluarannya dengan teknik tertentu. Image processing
dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi
akibat transmisi dan selama akuisisi sinyal, serta untuk meningkatkan
kualitas penampakan gambar agar lebih mudah diinterpretasi oleh sistem
penglihatan manusia baik dengan melakukan manipulasi dan juga
penganalisisan terhadap gambar.
Image adalah fungsi dua dimensi f (x, y) dimana x dan y adalah
koordinat spasial dan amplitudo f dari (x, y) disebut intensitas dari image
pada poin tersebut. Sebuah digital image terbentuk dari pixel yang terhingga
dan memiliki nilai.
Pengolahan citra adalah setiap bentuk pengolahan sinyal dimana input
adalah gambar, seperti foto atau video bingkai, sedangkan output dari
pengolahan gambar dapat berupa gambar atau sejumlah karakteristik atau
parameter yang berkaitan dengan gambar. Kebanyakan gambar-teknik
pemrosesan melibatkan atau memperlakukan foto sebagai dimensi dua
sinyal dan menerapkan standar-teknik pemrosesan sinyal untuk itu, biasanya
hal tersebut mengacu pada pengolahan gambar digital,tetapi dapat juga
digunakan untuk optik dan pengolahan gambar analog. Akuisisi gambar atau
yang menghasilkan gambar input di tempat pertama disebut sebagai
pencitraan.
Image processing (pengolahan citra) yang dapat dilakukan di software
MATLAB:
1. Image Enhancement
Image enhancement adalah proses perbaikan kualitas citra sehingga
hasilnya dapat digunakan untuk proses selanjutnya. Image enhancement
6
dibutuhkan karena citra mengandung derau (noise), terlalu gelap atau
terang, kurang tajam, kabur (blur), motion blur.
Beberapa metode yang dapat digunakan dalam image enhancement:
a. Morphological Operator
Mengoreksi latar belakang citra yang tidak seragam dan mengkonversi
citra menjadi biner untuk mempermudah identifikasi objek.
b. Wiener Filter
Untuk memberikan blur pada gambar dan menghilangkan noise.
c. Median Filtering
Hasil output pixel ditentukan dari median pixel di sekitarnya
(neighborhood pixel).
d. Linear contrast adjustment
Citra dengan kontras yang baik memiliki perbedaan tajam antara
hitam dan putih. Metode ini dapat digunakan untuk gambar
grayscale.
2. Image Analysis
Image analysis memproses sebuah image menjadi komponen
fundamentalnya. Image analysis dapat berupa mencari bentuk,
mendeteksi tepi, menghilangkan noise, menghitung jumlah objek, dan
menghitung statistik untuk analisis tekstur dan kualitas gambar.
3. Image Segmentation
Image segmentation adalah proses membagi gambar menjadi beberapa
bagian atau wilayah. Pembagian menjadi beberapa bagian ini seringkali
didasarkan pada karakteristik pixel pada gambar. Misalnya, salah satu
cara untuk menemukan wilayah dalam gambar adalah mencari
diskontinuitas (yang biasanya menunjukan sudut). Metode lain adalah
dengan membagi berdasarkan warna atau tekstur.
7
MATLAB adalah bahasa pemrograman tinggi, tertutup, dan case sensitive
dalam lingkungan komputasi numeric yang dikembangkan oleh
MathWorks. Salah satu kelebihannya yang paling popular adalah
kemampuan membuat grafik dengan visualisasi terbaik. MATLAB
mempunyai banyak tools yang dapat membantu berbagai disiplin ilmu. Ini
merupakan salah satu penyebab industri menggunakan MATLAB. Selain itu
MATLAB mempunyai banyak library yang sangat membantu.
8
BAB III
METODE PENGUKURAN
9
5. Benda Ukur 2
10
5. Gambar diambil sebanyak lima kali untuk diambil datanya (ketinggian
atau jarak kamera dengan benda ukur harus sama).
11
Gambar 3.5 Flowchart Pembuatan Program
(Sumber: Draft Modul 2 Praktikum Metrologi Industri)
12
BAB IV
ANALISA DATA DAN PEMBAHASAN
13
Gambar 4.2 Program untuk Deteksi Ukuran pada Benda 1
14
5. Menampilkan Gambar, dengan cara memberi fungsi
imshow(img);, untuk variable yang digunakan bebas, seperti pada
contoh kita menggunakan variable img2.
6. Membatasi lingkaran yang terdeteksi, dengan mengatur Rmax dan
Rmin, untuk nilai yang digunakan dapat dicari dengan cara try
and error hingga lingkaran yang terdeteksi hanya lingkaran
tengah.
7. Mendeteksi lingkaran, dengan cara memberi fungsi [centersDark,
radiiDark] = imfindcircles(img2, [Rmin Rmax],
'ObjectPolarity','dark');, dimana hasil dari fungsi rgb2gray(img)
adalah gambar black and white jadi pada bagian lingkaran akan
berwarna gelap/hitam, maka pada ObjectPolarity yang digunakan
adalah dark.
8. Menampilkan hasil deteksi lingkaran, dengan menggunakan
fungsi viscircles(centersDark,
radiiDark,'Color','r','LineWidth',1.3);, pada fungsi tersebut warna
garis yang digunakan adalah red, untuk mengganti warna garis,
dapat mengganti ‘r’ menjadi ‘y’ untuk warna kuning dan ‘b’
untuk warna biru. Kemudian untuk LineWidth merupakan tebal
dari garis lingkaran, semakin besar angkanya maka akan semakin
tebal garisnya.
9. Menampilkan pusat lingkaran, dengan cara memberi fungsi plot
(centersDark(:,1) ,centersDark(:,2) ,'yx','LineWidth',0.9), pada
fungsi tersebut menggunakan tebal garis sebesar 0,9.
10. Mengukur skala dan diameter lingkaran, menggunakan rumus
skala = 30 (ukuran gauge block sebenarnya)/ 127,44( ukuran
gauge block pada gambar, dapat dicari dengan menggunakan
fungsi imtool (img)), sedangkan untuk mencari diameter
lingkaran menggunakan rumus diameter = (radiiDark*2) * skala,
dimana radiidark merupakan variable yang menunjukan jari-jari
hasil deteksi lingkaran.
15
11. Menampilkan hasil perhitungan, dengan cara menggunakan
fungsi sebagai berikut message = sprintf('The estimated diameter
is %2.4f mm',diameter); text(120,630, message ,'Color', 'w',
'FontWeight', 'bold'), dimana %2.4f merupakan fungsi
pembulatan angka, untuk %2.4 berarti 4 angka dibelakang koma
jika %2.5 berarti 3 angka dibelakang koma. Untuk text (….)
merupakan fungsi untuk menentukan letak, warna, font yang akan
ditampilkan pada matlab.
Untuk mengetahui diameter lingkaran pada benda uji 2 dengan
menggunakan matlab dapat dilakukan dengan beberapa tahap sebagai
berikut:
1. Menghapus variable dan membersihkan layer, dengan cara
menambahkan fungsi clc; dan clear;.
2. Input gambar, dengan cara menambahkan fungsi imread(‘
Namefile.jpg’), untuk variable yang digunakan bebas, seperti
pada contoh kita menggunakan variable img.
3. Mengukur Panjang dari Gauge block pada gambar dengan
menggunakan fungsi imtool(img); kemudian di-drag dari
imtool(img) hingga clc; lalu klik kanan pada mouse akan ada
pilihan evaluate selection kemudian klik kiri, nanti akan muncul
gambar benda uji 1 dan juga sebuah garis ukur, pindahkan garis
ukur ke pojok gauge block bagian atas atau bagian bawah gauge
block dan akan muncul panjang gauge block pada gambar yang
nantinya nilai tersebut akan digunakan untuk menghitung skala.
4. Menampilkan Gambar, dengan cara memberi fungsi
imshow(img);, untuk variable yang digunakan bebas, seperti pada
contoh kita menggunakan variable img2.
5. Menyiapkan alat ukur, dengan menambahkan fungsi h =
imdistline(gca); api = iptgetapi(h); api.setLabelVisible(true),
setelah di-Run akan muncul suatu alat ukur berupa garis, pindah
garis tersebut ke bagian yang ingin diukur, setelah itu akan
16
muncul angka dimana angka tersebut merupakan panjang pada
gambar. Setelah memindahkan garis ukur ke bagian yang ingin di
ukur, ditambahkan fungsi pause(); untuk menjalankan lagi klik a
pada command window untuk menginput hasil ukur ke fungsi
selanjutnya.
6. Mendapatkan jarak pengukuran dan skala, dengan cara
menggunakan fungsi dist = api.getDistance(); skala=30/126,87.
Dimana api.getDistance() merupakan hasil dari pengukuran pada
gambar, sedangkan untuk mendapatkan skala menggunakan
rumus = 30 (ukuran gauge block sebenarnya)/ 126,87 ( ukuran
gauge block pada gambar, dapat dicari dengan menggunakan
fungsi imtool (img)).
7. Menampilkan hasil perhitungan, menggunakan fungsi fprintf('The
length of the segment is: %2.2f mm \n', dist*skala), dimana %2.2f
merupakan fungsi pembulatan angka, untuk %2.2 berarti 2 angka
dibelakang koma jika %2.3 berarti 3 angka dibelakang koma.
Pada pengukuran sebenarnya dapat dicari dengan mengkali
distance pada gambar dengan skala antara gambar dan gauge
block sebenarnya
17
akan bervariasi dikarenakan adanya perbedaan saat melakukan proses
kalibrasi skala. Berikut merupakan hasil data pengukuran benda 1 dan 2 dari
masing-masing praktikan.
4.3.1 Benda Ukur 1
Berikut ini merupakan data hasil pengukuran diameter dalam
dengan menggunakan image processing.
Tabel 4.1 Hasil Pengukuran Benda 1
Hasil Pengukuran Data
Nama 1 2 3 4 5
Acuan
Adit 12,5 12,41 12,39 12,48 12,48
Ghani 12,37 12,39 12,33 12,47 12,43
Dhani 12,52 12,54 12,51 12,59 12,49
Denyta 12,52 12,54 12,51 12,59 12,49
Farrel 12,5 12,52 12,4 12,29 12,38 12,05
Tata 12,49 12,48 12,4 12,41 12,39
Kanda 12,62 12,44 12,51 12,49 12,5
Kevin 12,32 12,33 12,41 12,5 12,44
Falin 12,39 12,44 12,45 12,31 12,38
Diameter Dalam
12
Diameter Dalam (dalam mm)
Adit
10
Ghani
8 Dhani
Denyta
6 Farrel
Tata
4
Kanda
2 Kevin
Falin
0
1 1.5 2 2.5 3 3.5 4 4.5 5
Pengukuran Ke-
18
pengukuran oleh Adit diperoleh trendline yang cenderung fluktuatif,
dimana rata-rata pengukuran sebesar 12,452 mm dan standar deviasi
sebesar 0,0487 mm. Pada pengukuran oleh Ghani diperoleh trendline
yang cenderung fluktuatif, dimana rata-rata pengukuran sebesar
12,398 mm dan standar deviasi sebesar 0,054 mm. Pada pengukuran
oleh Dhani diperoleh trendline yang cenderung fluktuatif, dimana
rata-rata pengukuran sebesar 12,53 mm dan standar deviasi sebesar
0,0381 mm. Pada pengukuran oleh Denyta diperoleh trendline yang
cenderung fluktuatif, dimana rata-rata pengukuran sebesar 12,53 mm
dan standar deviasi sebesar 0,0381 mm. Pada pengukuran oleh Farrel
diperoleh trendline yang cenderung fluktuatif, dimana rata-rata
pengukuran sebesar 12,418 mm dan standar deviasi sebesar 0,0939
mm. Pada pengukuran oleh Tata diperoleh trendline yang cenderung
fluktuatif, dimana rata-rata pengukuran sebesar 12,434 mm dan
standar deviasi sebesar 0,0472 mm. Pada pengukuran oleh Kanda
diperoleh trendline yang cenderung fluktuatif, dimana rata-rata
pengukuran sebesar 12,512 mm dan standar deviasi sebesar 0,0661
mm. Pada pengukuran oleh Kevin diperoleh trendline yang cenderung
fluktuatif, dimana rata-rata pengukuran sebesar 12,4 mm dan standar
deviasi sebesar 0,0758 mm. Pada pengukuran oleh Falin diperoleh
trendline yang cenderung fluktuatif, dimana rata-rata pengukuran
sebesar 12,394 mm dan standar deviasi sebesar 0,0559 mm.
19
Hasil Pengukuran Data
Nama
1 2 3 4 5 Acuan
Adit 15,66 15,66 15,86 15,82 15,81
Ghani 15,74 16,21 15,95 15,72 16,79
Dhani 15,97 16,3 16,1 15,59 16,31
Denyta 16,08 16,43 15,94 15,59 16,07
Farrel 16,74 15,87 15,7 15,81 15,73 15,1
Tata 15,6 15,81 15,71 16,08 16,21
Kanda 16,24 15,71 15,72 16,12 15,76
Kevin 15,91 15,73 15,91 15,98 15,81
Falin 15,36 15,37 15,47 15,45 15,51
Diameter Luar
17
Adit
Diameter Luar (dalam mm)
16.5 Ghani
Dhani
16 Denyta
Farrel
15.5 Tata
Kanda
15 Kevin
Falin
14.5
1 1.5 2 2.5 3 3.5 4 4.5 5
Pengukuran Ke-
20
cenderung fluktuatif, dimana rata-rata pengukuran sebesar 16,022 mm
dan standar deviasi sebesar 0,302 mm. Pada pengukuran oleh Farrel
diperoleh trendline yang cenderung fluktuatif, dimana rata-rata
pengukuran sebesar 15,97 mm dan standar deviasi sebesar 0,436 mm.
Pada pengukuran oleh Tata diperoleh trendline yang cenderung
fluktuatif, dimana rata-rata pengukuran sebesar 15,882 mm dan
standar deviasi sebesar 0,255 mm. Pada pengukuran oleh Kanda
diperoleh trendline yang cenderung fluktuatif, dimana rata-rata
pengukuran sebesar 15,91 mm dan standar deviasi sebesar 0,251 mm.
Pada pengukuran oleh Kevin diperoleh trendline yang cenderung
fluktuatif, dimana rata-rata pengukuran sebesar 15,868 mm dan
standar deviasi sebesar 0,0981 mm. Pada pengukuran oleh Falin
diperoleh trendline yang cenderung fluktuatif, dimana rata-rata
pengukuran sebesar 15,432 mm dan standar deviasi sebesar 0,065
mm.
21
12,5773)
Farrel 5 12,4180 0,0939 0,0420 (12,3014;
12,5346)
Tata 5 12,4340 0,0472 0,0211 (12,3754;
12,4926)
Kanda 5 12,5120 0,0661 0,0296 (12,4299;
12,5941)
Kevin 5 12,4000 0,0758 0,0339 (12,3058;
12,4942)
Falin 5 12,3940 0,0559 0,0250 (12,3245;
12,4635)
μ: mean of Adit; Ghani; Dhani; Denyta; Farrel; Tata; Kanda; Kevin;
Falin
Test
Null hypothesis H₀: μ = 12,05
Alternative hypothesis H₁: μ ≠ 12,05
T-
Sample Value P-Value
Adit 18,46 0,000051
Ghani 14,40 0,000135
Dhani 28,19 0,000009
Denyta 28,19 0,000009
Farrel 8,76 0,000935
Tata 18,18 0,000054
Kanda 15,63 0,000098
Kevin 10,32 0,000497
Falin 13,75 0,000162
22
memiliki P-Value berbeda-beda. Dengan menggunakan CI
(Confidence Interval) 95% dan α = 5% atau sama dengan 0,05 dengan
hipotesis H0, μ1 = μ0 dan H1, μ1 ≠ μ0. Jika diperoleh P-Value yang
lebih besar dari α/2, menunjukkan masih dalam batas toleransi yang
diberikan terhadap data acuan. Jika P-Value lebih kecil dari α/2,
menunjukkan bahwa H0 ditolak, berarti data hasil pengukuran masuk
H1. Pada penggunaan One-Sample T diperoleh P-Value oleh Adit
adalah 0,000051; P-Value oleh Ghani adalah 0,00086; P-Value oleh
Dhani adalah 0,000009; P-Value oleh Denyta adalah 0,000009; P-
Value oleh Farrel adalah 0,000935; P-Value oleh Tata adalah
0,000054; dan P-Value oleh Kanda adalah 0,000098; dan P-Value
oleh Kevin adalah 0,000497; dan P-Value oleh Falin adalah 0,000162.
Dari data hasil pengukuran yang diperoleh dapat disimpulkan bahwa
data hasil pengukuran oleh seluruh praktikan ditolak karena P-Value <
α/2. Dan juga, tidak ada data gagal ditolak karena P-Value > α/2.
Dari pembahasan diatas terdapat ketidaksesuaian data kelompok
dengan data acuan. Hal ini dapat disebabkan oleh beberapa faktor,
yaitu kesalahan operator dalam mengukur seperti keterbatasan
menggunakan MATLAB oleh pengukur dan kesalahan pembacaan
hasil pengukuran menyebabkan hasil pengukuran yang tidak sesuai
dengan data acuan, Setelah itu mungkin juga karena praktikan kurang
presisi dalam mengambil gambar pada blok ukur dan benda yang
diuji. Hal tersebut dapat disebabkan praktikan melakukan scale secara
manual sehingga menyebabkan kesalahan dalam pengukuran. Faktor
lain yang juga memengaruhi adalah object detectionnya yang buruk.
23
Descriptive Statistics
Sampl SE 95% CI
e N Mean StDev Mean for μ
Adit 5 15,7620 0,0950 0,0425 (15,6441;
15,8799)
Ghani 5 16,082 0,442 0,198 (15,533;
16,631)
Dhani 5 16,054 0,296 0,132 (15,686;
16,422)
Denyta 5 16,022 0,302 0,135 (15,647;
16,397)
Farrel 5 15,970 0,436 0,195 (15,429;
16,511)
Tata 5 15,882 0,255 0,114 (15,565;
16,199)
Kanda 5 15,910 0,251 0,112 (15,599;
16,221)
Kevin 5 15,8680 0,0981 0,0439 (15,7462;
15,9898)
Falin 5 15,4320 0,0650 0,0291 (15,3513;
15,5127)
μ: mean of Adit; Ghani; Dhani; Denyta; Farrel; Tata; Kanda; Kevin;
Falin
Test
Null hypothesis H₀: μ = 15,1
Alternative hypothesis H₁: μ ≠ 15,1
Sample T-Value P-Value
Adit 15,59 0,000099
Ghani 4,96 0,007691
Dhani 7,21 0,001966
Denyta 6,82 0,002416
Farrel 4,47 0,011109
Tata 6,84 0,002385
24
Kanda 7,22 0,001950
Kevin 17,51 0,000062
Falin 11,43 0,000335
Gambar 4.6 Perhitungan Statistika One Sample-T pada Benda 2
Pada praktikum ini, penggunaan One-Sample T untuk
memperoleh rata-rata dan deviasi standar dari masing-masing
praktikan. Hasil pengukuran diameter benda 2 dengan One-Sample T
terlihat bahwa data hasil pengukuran masing-masing praktikan
memiliki P-Value berbeda-beda. Dengan menggunakan CI
(Confidence Interval) 95% dan α = 5% atau sama dengan 0,05 dengan
hipotesis H0, μ1 = μ0 dan H1, μ1 ≠ μ0. Jika diperoleh P-Value yang
lebih besar dari α/2, menunjukkan masih dalam batas toleransi yang
diberikan terhadap data acuan. Jika P-Value lebih kecil dari α/2,
menunjukkan bahwa H0 ditolak, berarti data hasil pengukuran masuk
H1. Pada penggunaan One-Sample T diperoleh P-Value oleh Adit
adalah 0,000099; P-Value oleh Ghani adalah 0,007691; P-Value oleh
Dhani adalah 0,001966; P-Value oleh Denyta adalah 0,002416; P-
Value oleh Farrel adalah 0,011109; P-Value oleh Tata adalah
0,002385 ; P-Value oleh Kanda adalah 0,001950 P-Value oleh Kevin
adalah 0,000062; dan P-Value oleh Falin adalah 0,000335. Dari data
hasil pengukuran yang diperoleh dapat disimpulkan bahwa data hasil
pengukuran oleh seluruh praktikan ditolak karena P-Value < α/2. Dan
juga, tidak ada data gagal ditolak karena P-Value > α/2.
Dari pembahasan diatas terdapat ketidaksesuaian data kelompok
dengan data acuan. Hal ini dapat disebabkan oleh beberapa faktor,
yaitu kesalahan operator dalam mengukur seperti keterbatasan
menggunakan MATLAB oleh pengukur dan kesalahan pembacaan
hasil pengukuran menyebabkan hasil pengukuran yang tidak sesuai
dengan data acuan Setelah itu mungkin juga karena praktikan kurang
presisi dalam mengambil gambar pada blok ukur dan benda yang
25
diuji. Hal tersebut dapat disebabkan praktikan melakukan scale secara
manual sehingga menyebabkan kesalahan dalam pengukuran.
26
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil praktikum yang telah dilakukan maka didapatkan
kesimpulan sebagai berikut :
1. Pada praktikum pengukuran tak langsung ini, Untuk dapat mendeteksi
ukuran pada obyek ukur yang diinginkan, maka perlu dibuat program di
aplikasi MATLAB. data yang dihasilkan akan bervariasi dikarenakan
adanya perbedaan saat melakukan proses kalibrasi skala.
2. Hasil yang didapat pada percobaan pada Benda 1 menggunakan minitab
dengan one sample t didapatkan bahwa hasil pengukuran yang diperoleh
dapat disimpulkan bahwa data hasil pengukuran oleh seluruh praktikan
ditolak karena P-Value < α/2. Dan juga, tidak ada data gagal ditolak
karena P-Value > α/2.
3. Hasil yang didapat pada percobaan pada Benda 2 menggunakan minitab
dengan one sample t didapatkan bahwa hasil pengukuran yang diperoleh
dapat disimpulkan bahwa data hasil pengukuran oleh seluruh praktikan
ditolak karena P-Value < α/2. Dan juga, tidak ada data gagal ditolak
karena P-Value > α/2.
5.2 Saran
Berikut ini merupakan saran yang diberikan dari praktikum yang telah
dilakukan, yaitu :
1. Untuk praktikum selanjutnya mungkin bisa diperjelas tentang langkah
langkah dalam pembuatan codingnya karena praktikan mempunyai
permasalahan tentang coding-nya.
2. Kedepannya mungkin cara memfoto blok ukur dengan benda uji bisa
lebih rapi dan presisi yang mana akan berpengaruh pada uji di
MATLAB.
27
28