MODUL I
Oleh :
Fita Asri Karomah 10611910000008
Lidwina Galuh Wandira 10611810000023
Asisten Dosen
Fifi Dwi Haryanti
Dosen :
Ir. Sri Pingit Wulandari, M.Si
Mike Prastuti, S.Si, M.Si
ii
DAFTAR ISI
Halaman
ABSTRAK..............................................................................................................ii
DAFTAR ISI.........................................................................................................iii
DAFTAR TABEL...................................................................................................v
DAFTAR GAMBAR.............................................................................................vi
DAFTAR LAMPIRAN.......................................................................................viii
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang.........................................................................................1
1.2 Rumusan Masalah....................................................................................2
1.3 Tujuan......................................................................................................2
1.4 Manfaat....................................................................................................2
1.5 Batasan Masalah......................................................................................3
BAB II TINJAUAN PUSTAKA............................................................................4
2.1 Missing Value..........................................................................................4
2.1.1 Deteksi Missing Value....................................................................4
2.1.2 Penanganan Missing Value............................................................4
2.2 Deteksi Outlier........................................................................................6
2.2.1 Deteksi Outlier Data Univariat......................................................6
2.2.2 Deteksi Outlier Data Multivariat...................................................6
2.3 Pemeriksaan dan Pengujian Asumsi..........................................................7
2.3.1 Pemeriksaan dan Pengujian Asumsi Distribusi Normal
Univariat.........................................................................................7
2.3.2 Pemeriksaan dan Pengujian Asumsi Distribusi Normal
Multivariat......................................................................................8
2.4 Boxplot.......................................................................................................9
2.5 Scatterplot..................................................................................................9
2.6 Kualitas Udara..........................................................................................10
2.6.1 PM10 concentration (ug/m3)..........................................................10
2.6.2 SO2 concentration (ug/m3)............................................................10
2.6.3 NO2 concentration (ug/m3)...........................................................11
2.6.4 CO concentration (ug/m3)............................................................11
iii
Halaman
BAB III METODOLOGI PENELITIAN..........................................................12
3.1 Sumber Data.............................................................................................12
3.2 Variabel Penelitian...................................................................................12
3.3 Struktur Data............................................................................................12
3.4 Langkah Analisis......................................................................................12
3.5 Diagram Alir............................................................................................13
BAB IV ANALISIS DAN PEMBAHASAN.......................................................14
4.1 Analisis Missing Value pada Data Kualitas Udara di Beijing
Secara Univariate dan Multivariate.........................................................14
4.1.1 Deteksi Missing value..................................................................14
4.1.2 Mengatasi Missing value..............................................................15
4.2 Deteksi Outlier pada Data Kualitas Udara di Beijing Secara
Univariate dan Multivariate.....................................................................16
4.2.1 Deteksi Outlier Secara Univariate...............................................16
4.2.2 Deteksi Outlier Secara Multivariate............................................17
4.3 Pemeriksaan dan Pengujian Distribusi Normal pada Data
Kualitas Udara di Beijing.........................................................................18
4.3.1 Pemeriksaan dan Pengujian Distribusi Normal Secara
Univariate....................................................................................18
4.3.2 Pemeriksaan dan Pengujian Secara Multivariate.........................22
BAB V KESIMPULAN DAN SARAN...............................................................24
5.1 Kesimpulan..............................................................................................
5.2 Saran.........................................................................................................
DAFTAR PUSTAKA
LAMPIRAN
iv
DAFTAR TABEL
Halaman
Tabel 3.1 Variabel Penelitian................................................................................12
Tabel 3.2 Struktur Data.........................................................................................12
Tabel 4.3 Uji Little's MCAR.................................................................................15
Tabel 4.4 Penaganan Missing Value.....................................................................15
Tabel 4.5 Deteksi Outlier Secara Univariate.........................................................17
v
DAFTAR GAMBAR
Halaman
Gambar 2.1 Contoh Boxplot...................................................................................9
Gambar 2.2 Contoh Scatterplot............................................................................12
Gambar 3.1 Diagram Alir.....................................................................................15
Gambar 4.1 Boxplot Deteksi Outlier....................................................................15
Gambar 4.2 Q-Q plot PM10...................................................................................17
Gambar 4.3 Q-Q plot SO2
Gambar 4.4 Q-Q plot NO2
Gambar 4.5 Q-Q plot CO20
Gambar 4.6 Q-Q plot O3
Gambar 4.7 Scatterplot Data Variabel
vi
DAFTAR LAMPIRAN
.....................................................................................................................Halaman
Lampiran 1. Data Kualitas Udara di Beijing
Lampiran 2. Data Setelah ditangani Missing Value
Lampiran 3. Output Software SPSS
Lampiran 4. Output Software Minitab
Lampiran 5. Perhitungan Manual
Lampiran 6. Dokumentasi
vii
BAB I
PENDAHULUAN
3
BAB II
TINJAUAN PUSTAKA
4
B. Variable kuantitatif:
i) Jika missing value < 5%, menggunakan List-wise option.
ii) Jika antara 5% dan 15%, menggunakan replace missing value. Jika lebih
dari 15%, hapus variabel atau observasi.
Berikut merupakan beberapa tipe penanganan missing value.
1. Missing Completely at Random (MCAR)
Missing Completely at Random (MCAR) yang berarti bahwa missing
data terjadi secara acak dari sampel lengkap. Berikut penulisan hipotesis secara
statistik.
H0: Data yg hilang bersifat random atau MCAR
H1: Data yg hilang bersifat non-random atau MARET
Jika probabilitas hilang sama untuk semua kasus, maka data dikatakan
hilang seluruhnya secara acak (MCAR). Secara efektif menyiratkan bahwa
penyebab data yang hilang tidak terkait dengan data. Akibatnya, kita dapat
mengabaikan banyak kerumitan yang muncul karena data hilang, selain hilangnya
informasi secara nyata (Judith dkk, 2009).
2. Missing at Random (MAR)
Missing at Random (MAR) merupakan distribusi data yang hilang pada
suatu atribut tergantung pada data pengamatan tetapi tidak tergantung pada
missing data. MAR yang berarti bahwa probabilitas sebuah observasi dari
missing data biasanya berkaitan dengan informasi yang diberikan responden
dengan suatu alasan untuk tidak memberikan data. Mekanisme missing data pada
MAR yang mana data yang hilang tidak tergantung pada nilai data yang
hilang, tetapi tergantung pada nilai data yang teramati (Judith dkk, 2009).
3. Missing Not at Random (MNAR)
Missing not at Random (MNAR) yang berarti bahwa probabilitas dari
sebuah observasi yang hilang tidak derkaitan dengan hasil observasi lain.
Sehingga nilainya tersebut berkaitan dengan dirinya sendiri. data MNAR bahwa
data yang hilang secara sistematis berkaitan dengan data yang belum teramati,
yaitu terkait dengan peristiwa atau faktor yang tidak diukur oleh peneliti. Namun,
jika analisis kasus lengkap bias, namun fakta bahwa sumber data yang hilang itu
5
sendiri tidak terukur berarti bahwa (secara umum) masalah ini tidak dapat
ditangani dalam analisis dan perkiraan efeknya kemungkinan besar akan bias
(Judith dkk, 2009).
Daerah Kritis: Tolak H0 jika r < r (α, n) yang berarti data tidak berdistribusi
normal multivariat.
Keterangan :
x = data pengamatan
q = kuantil normal standar
2. Uji Kolmogorov-Smirnov
Uji ini dilakukan untuk melihat apakah data memenuhi asumsi distribusi
normal atau tidak. Dilakukan pengujian masing-masing variabel, untuk
mengetahui variabel mana yang tidak berdistribusi normal, apakah keduanya atau
hanya salah satu variabel saja. Pengujian dapat dilakukan dengan uji Kolmogorov-
Smirnov. Uji ini dilakukan untuk melihat apakah data memenuhi asumsi distribusi
normal univariat atau tidak. (Augusty, 2006)
Hipotesis:
H0: Data berdistribusi normal univariat
H1: Data tidak berdistribusi normal univariat
Statistik uji :
D0 = max | F(x)– S(x) | atau p-value (2.2)
Daerah Kritis : Tolak H0 jika D0 > D(α,n) atau p-value < α yang berarti data tidak
berdistribusi normal univariat.
Keterangan :
F(x) = probabilitas kumulatif normal
S(x) = probabilitas kumulatif empiris
2.3.2 Pemeriksaan dan Pengujian Asumsi Distribusi Normal Multivariat
Uji normalitas multivariat harus dilakukan pada seluruh variabel secara
bersama-sama. Namun uji ini juga bisa dilakukan pada setiap variabel (univariat),
dengan logika bahwa jika masing-masing variabel memenuhi asumsi nomalitas
maka secara bersama-sama (multivariat) variabel tersebut juga dianggap
8
memenuhi asumsi normalitas (Augusty, 2006). Uji normalitas multivariat dapat
dilakukan menggunakan scatterplot dan uji t proporsi. Adapun untuk penjelasan
dari uji t proporsi adalah sebagai berikut.
1. Uji T-Proporsi
Proporsi adalah suatu pecahan, rasio atau persentase yang menunjukkan
suatu bagian populasi atau sampel yang mempunyai sifat luas. Perumusan
hipotesis dan statistik uji secara statistik adalah sebgai berikut.
Hipotesis:
H0: Data beberapa variabel berdistribusi normal multivariate.
H1: Data beberapa variabel tidak berdistribusi normal multivariate.
Dengan penetapan taraf signifikan α sebesar 0,05 maka di dapatkan daerah
penolakan tolak H0 jika nilai T proporsi berada diluar 45%<α<55%.
2.4 Boxplot
Boxplot (juga dikenal sebagai diagram box-and-whisker) merupakan suatu
box (kotak berbentuk bujur sangkar). Boxplot adalah salah satu cara dalam
statistik deskriptif untuk menggambarkan secara grafik dari data numeris melalui
lima ukuran yaitu nilai observasi terkecil, kuartil terendah atau kuartil pertama
(Q1), yang memotong 25 % dari data terendah, median (Q2) atau nilai
pertengahan, kuartil tertinggi atau kuartil ketiga (Q3), yang memotong 25 % dari
data tertinggi, nilai observasi terbesar. Selain itu, dalam boxplot juga ditunjukkan
apabila nilai outlier dari observasi. (Badri, 2012). Contoh Boxplot ditunjukkan
pada gambar 2.1.
9
2.5 Scatterplot
Scatterplot adalah grafis yang digunakan untuk mengilistrasikan asosiasi
dua variabel. Data dipresentasikan secara visual dengan menggunakan grafik
yaitu, x (horizontal) dan y (vertical). Setiap titik mempresentasikan satu
observasi. Bila semua observasi disusun dalam satu diagram akan menyampaikan
informasi tentang arah dan besar dari kedua variabel (Walpole, 2016). Contoh
scatterplot dintujukkan pada Gmbar 2.2.
10
Suspended Perticulates (PM10) adalah partikel kecil dari bahan padat dan
cair yang ada dalam emisi pembakaran bahan bakar (Saryanto, 2018). NAB
PM10 = 150 µgram/m3. Nilai Ambang Batas (NAB) adalah Batas konsentrasi
polusi udara yang diperbolehkan berada dalam udara ambien.
2.6.2 SO2 concentration (ug/m3)
Sulfur dioksida (SO2) adalah gas yang tidak berwarna dan berbau
merangsang yang dapat berasal dari pembakaran hasil fosil, pembakaran batu
bara, dan minyak (Mukono, 2014). Gas ini sangat mudah terlarut dalam air,
memiliki bau namun tidak berwarna.
2.6.3 NO2 concentration (ug/m3)
NO2 adalah gas beracun yang berasal dari bahan bakar fosil (Mukono,
2014). Gas ini berwarna merah-kecoklatan dan merupakan gas beracun, baunya
menyengat, dan merupakan salah satu polutan udara utama.
2.6.4 CO concentration (ug/m3)
CO adalah gas yang tak berwarna, tak berbau, dan tak berasa (Saryanto,
2018). Gas ini banyak dihasilkan pada saat terjadi kebakaran pada tambang bawah
tanah dan menyebabkan tingkat kematian yang tinggi.
2.6.5 O3 concentration (ug/m3)
Ozon (O3) adalah molekul yang terdiri atas tiga atom oksigen yang tidak
stabil (Saryanto, 2018). Ozon adalah molekul anorganik dengan rumus kimia O3.
Ozon (O3) terdiri dari 3 molekul oksigen dan berbahaya pada kesehatan manusia.
Ozon melindungi kehidupan di Bumi dari radiasi ultraviolet (UV) Matahari.
11
BAB III
METODOLOGI PENELITIAN
12
2. Melakukan deteksi missing value dan uji keacakan. Jika tolak Ho dilakukan
EM dilanjutkan deteksi outlier. Akan tetapi jika gagal tolak Ho dilakukan
Listwise.
3. Melakukan deteksi outlier secara univariate menggunakan boxplot dan nilai
standarisasi dan melakukan deteksi secara multivariate.
4. Melakukan pengujian distribusi normal secara univariate menggunakan Q-
Q plot dan uji Kolmogorv-Smirnov.
5. Melakukan pemeriksaan distribusi normal secara multivariate menggunakan
scatterplot dan uji t-proporsi.
6. Menarik kesimpulan dan saran.
Mulai
Mengumpulkan Data
Tolak Ho
Apakah Missing
EM
Value Acak?
Galak Tolak Ho
Listwise
Deteksi Outlier
Kesimpulan
Selesai
13
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Analisis Missing Value pada Data Kualitas Udara di Beijing Secara
Univariate dan Multivariate
Analisis untuk mendeteksi adanya missing value dan cara penanganan
terhadap data missing value secara univariate dan multivariate adalah sebagai
berikut.
4.1.1 Deteksi Missing value
Deteksi missing value variabel pada pada data kualitas udara di Beijing
secara univariate dan multivariate adalah berikut.
Tabel 4.1 Deteksi Missing Value secara Univariate
Missing
Variabel Percen
Count
t
PM10 1 0,3%
SO2 3 1%
NO2 3 1%
CO 9 3%
O3 2 0,7%
Tabel 4.1 menunjukkan bahwa secara univariate persentase missing value
pada variabel data kualitas udara di Beijing tidak terdapat missing value yang
lebih dari 30%, sehingga tidak ada variabel yang harus dihilangkan. Berikut
adalah deteksi missing value secara multivariat ditampilkan pada tabel berikut ini.
Tabel 4.2 Deteksi Missing Value secara Multivariate
Data Missin Persentas Jumlah Hilang
Baris
ke- g e Hilang (%)
3 1 20 289 1 20
98 1 20 290 1 20
193 1 20 4 2 40
99 1 20 299 2 40
194 1 20 100 1 20
223 1 20 195 1 20
250 1 20 5 1 20
288 1 20 203 1 20
Tabel 4.2 menunjukkan bahwa secara multivariate persentase missing value
pada setiap baris variabel data kualitas udara di Beijing tidak terdapat missing
value yang lebih dari 50%, sehingga tidak ada baris yang harus dihilangkan atau
dihapus.
14
4.1.2 Mengatasi Missing value
Sebelum Mengatasi missing value, terlebih dahulu dilakukan pengujian
keacakan. Berikut adalah hasil uji keacakan dan penanganan missing value.
a. Uji Little’s MCAR atau Uji Keacakan
Mengatasi missing value dilakukan dengan menggunakan uji little’s MCAR
atau uji keacakan. Hasil uji little’s MCAR missing value pada data kualitas udara
di Beijing adalah sebagai berikut.
Hipotesis :
H0 : Missing value pada setiap variabel data kualitas udara di Beijing bersifat
random atau MCAR
H1 : Missing value pada setiap variabel data kualitas udara di Beijing bersifat non
random atau MAR
Taraf Signifikan : α 0,05
Daerah Penolakan : Tolak H 0 jika χ2 χ20,05;19 atau P-value < α
Statistik Uji :
Tabel 4.3 Uji Little's MCAR
χ2 χ20,05;19 P-
value
21,815 30,144 0,294
Tabel 4.3 menunjukkan bahwa nilai χ2 sebesar 21,815 lebih kecil dari χ20,05;19
sebesar 30,144 dan diperkuat oleh nilai P-value sebesar 0,294 lebih kecil dari α
sebesar 0,05 sehingga diperoleh keputusan gagal tolak H0 yang artinya missing
value data kualitas udara di Beijing bersifat random atau MCAR.
b. Penanganan Missing Value
Setelah mengetahui bahwa data missing value bersifat random atau MCAR,
maka penanganan untuk mengatasi data yang hilang yaitu dengan memasukkan
nilai rata-rata dalam metode listwise pada tabel 4.4 berikut ini.
Tabel 4.4 Penaganan Missing Value
PM10 SO2 NO2 CO O3
141,5 49,54 94,07 1820,22 64,34
4
15
Tabel 4.4 menunjukkan nilai rata-rata dengan metode listwise tiap variabel
indikator pada data kualitas udara di Beijing. Nilai rata-rata dengan metode
listwise tersebut akan dimasukkan pada kolom data yang hilang sehingga variabel
indikator pada data kualitas udara di Beijing telah lengkap.
4.2 Deteksi Outlier pada Data Kualitas Udara di Beijing Secara Univariate
dan Multivariate
Deteksi data outlier pada data kualitas udara di Beijing dilakukan secara
univariate dan multivariate adalah sebagai berikut.
4.2.1 Deteksi Outlier Secara Univariate
Deteksi data outlier secara univariate dapat dilihat melalui boxplot dan nilai
standarisasi. Deteksi outlier pada data kualitas udara di Beijing adalah sebagai
berikut.
a. Deteksi Outlier Menggunakan Boxplot
Deteksi data outlier pada data kualitas udara di Beijing secara visual
menggunakan boxplot adalah sebagai berikut.
7000
6599,00
6200,00
6000 6000,00
5500,00
5500,00
5400,00
5400,00
5000
4000
Data
3000
2000
1000
602,00
585,00
587,00
556,00
552,00
518,00
495,00
493,00
455,00
198,00 254,00
257,00
258,00
249,00
0
17
Hipotesis :
H0 : Data kualitas udara di Beijing tidak terdapat data outlier
H1 : Data kualitas udara di Beijing terdapat data outlier
Taraf Signifikan : α 0,05
Daerah Penolakan : Tolak H0 jika Z > 2,5
Statistik Uji :
Tabel 4.6 Deteksi Outlier Secara Multivariate
Z
Data ke-
Mahalanobis
73 2,592466
149 2,517826
150 4,05406
151 4,860012
152 5,298538
165 2,75102
166 3,249872
167 3,534006
168 2,629904
174 3,320528
175 5,583352
176 4,372558
181 2,861786
202 6,736082
204 9,329198
205 9,942624
206 6,678106
251 12,18713
256 3,76807
Tabel 4.6 menunjukkan bahwa terdapat 19 data outlier yakni pada baris 283
sampai baris 300 karena nilai Z Mahalanobis lebih dari 2,5. Data yang ternyata
memang benar-benar data outlier baik secara univariate dan multivariate pada
data kualitas udara di Beijing dapat ditangani dengan menghilangkan baris-baris
yang mengandung data outlier.
4.3 Pemeriksaan dan Pengujian Distribusi Normal pada Data Kualitas
Udara di Beijing
Pemeriksaan dan pengujian distribusi normal data kualitas udara di Beijing
dengan menggunakan 2 cara yaitu secara univariate dan multivariate adalah
sebagai berikut.
18
4.3.1 Pemeriksaan dan Pengujian Distribusi Normal Secara Univariate
Pemeriksaan dan pengujian distribusi normal data kualitas udara di Beijing
secara univariate adalah sebagai berikut.
a. Q-Q plot
Pemeriksaan dan pengujian distribusi normal data kualitas udara di Beijing
secara visual menggunakan boxplot adalah sebagai berikut.
19
Gambar 4.3 menunjukkan Q-Q plot variabel SO2 tidak mendekati garis
linear. Sehingga dapat disimpulkan bahwa data SO2 tidak berdistribusi normal
univariate.
20
Gambar 4.6 Q-Q plot O3
Gambar 4.6 menunjukkan Q-Q plot variabel O3 tidak mendekati garis linear.
Sehingga dapat disimpulkan bahwa data O3 tidak berdistribusi normal univariate.
b. Uji Kolmogorov Smirnov
Pemeriksaan yang telah dilakukan dengan melihat qq plot belum mampu
menjelaskan secara jelas mengenai distribusi normal univariate dari setiap
variabel penelitian. Oleh sebab itu, perlu dilakukan pengujian menggunakan uji
Kolmogorov Smirnov.
Hipotesis:
H0 : Data ke-i berdistribusi normal univariate , i = 1, 2, 3, 4, 5
H1 : Data ke-i tidak berdistribusi normal univariate , i = 1, 2, 3, 4, 5
Taraf signifikan : α = 0,05
Daerah Penolakan : Tolak H0 jika KS > KS α (n) atau P-value <α
Statistik uji:
Tabel 4.7 Uji Distribusi Normal Univariate
P-
Variabel KS KStabel
value
0.10
PM10 0.000
5
0.14
SO2 0.000
9
0.09 0,0785
NO2 0.000
0
0.13
CO 0.000
2
0.17
O3 0.000
4
21
Tabel 4.7 menunjukkan hasil uji distribusi normal univariate dengan p-
value untuk variabel PM10, variabel SO2, variabel NO2, variabel CO, dan variabel
O3 memiliki nilai p-value yang sama yaitu sebesar 0.000 yang lebih kecil dari α
sebesar 0,05 maka diputuskan tolak H0 yang artinya data PM10, SO2, NO2, CO, dan
O3 tidak berdistribusi normal univariate.
4.3.2 Pemeriksaan dan Pengujian Secara Multivariate
Pemeriksaan dan pengujian distribusi normal data kualitas udara di Beijing
secara multivariate adalah sebagai berikut.
a. Scatterplot
Pemeriksaan dan pengujian distribusi normal data kualitas udara di Beijing
secara visual menggunakan scatterplot adalah sebagai berikut.
20
15
10
C6
0 5 10 15 20 25 30 35
C7
Gambar 4.3 menunjukkan scatter plot antara nilai qc dan dj tidak mendekati
garis linear. Sehingga dapat disimpulkan bahwa data PM10, SO2, NO2, CO, dan O3
tidak berdistribusi normal multivariate.
b. Uji T-proporsi
Pemeriksaan yang telah dilakukan dengan melihat scatter plot belum
mampu menjelaskan secara jelas mengenai distribusi normal multivariate dari
setiap variabel penelitian. Oleh sebab itu, perlu dilakukan pengujian menggunakan
T proporsi.
Hipotesis:
H0: Data PM10, SO2, NO2, CO, dan O3 berdistribusi normal multivariate.
H1: Data PM10, SO2, NO2, CO, dan O3 tidak berdistribusi normal multivariate.
22
Ditetapkan taraf signifikan α sebesar 0,05 maka di dapatkan daerah
penolakan tolak H0 jika nilai T proporsi berada diluar 45%≤α≤55%.
Statistik uji:
Tabel 4.8 Uji Distribusi Normal Multivariate
T proporsi Ttabel
0,587 45%≤α≤55%
Tabel 4.8 menunjukkan hasil uji distribusi normal multivariate, karena
nilai T proporsi sebesar 0,587 lebih besar dari 58,7% maka dapat diputuskan tolak
H0 yang artinya data PM10, SO2, NO2, CO, dan O3 tidak berdistribusi normal
multivariate.
23
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Hasil analisis data analisis mobil di kota Washington DC tahun 2003
didapatkan kesimpulan sebagai berikut.
1. Hasil analisis missing value secara univariat dan multivariat diperoleh
bahwa tidak terdapat variabel yang harus dihapus dalam proses analsis.
Penanganan missing value dilakukan dengan metode pairwise.
2. Hasil deteksi outlier secara univariat menggunakan boxplot dan nilai
standarisasi terdapat data outlier pada variabel PM10, SO2, NO2, dan CO,
variabel yang memiliki data outlier terbanyak adalah PM10. Deteksi outlier
secara multivariat terdapat 19 data outlier.
3. Hasil pemeriksaan dan pengujian berdistribusi normal secara univariate
maupun secara multivariate adalah data PM10, SO2, NO2, dan CO tidak
berdistribusi normal.
5.2 Saran
Saran bagi pihak terkait yaitu pemerintahan maupun masyarakat Beijing
dapat memperhatikan kualitas udara di Beijing dengan cara mengurangi polusi
kendaraan, pembakaran sampah, membuka lahan dengan cara pembakaran laha,
dan lain-lain. Untuk peneliti lebih teliti dalam melihat data karena terdapat banyak
data hilang dan memiliki nilai outlier.
24
DAFTAR PUSTAKA
25
LAMPIRAN
26
Lampiran 2. Data Setelah ditangani Missing Value
NO PM10 SO2 NO2 CO O3
1 9 3 17 300 89
2 4 3 16 300 88
3 7 49,54 17 300 60
4 3 5 18 1820,22 64,34
5 3 7 94,07 200 84
6 4 9 25 300 78
7 5 10 29 400 67
8 6 12 40 400 52
9 6 12 41 500 54
10 6 9 31 400 69
: : : : : :
190 53 50 84 1700 99
191 69 51 104 2299 99
192 77 55 79 2399 99
193 93 49,54 76 2399 99
194 98 52 89 1820,22 99
195 99 59 94,07 2100 99
196 108 71 110 2799 99
197 112 69 125 3000 99
198 135 60 118 2399 99
199 140 60 116 2399 99
200 158 74 110 2100 99
201 365 92 105 2100 99
202 556 51 48 800 99
203 141,54 8 23 400 99
204 587 3 19 300 99
205 602 3 17 300 95
: : : : : :
290 6 9 19 1820,22 76
291 7 8 19 300 79
292 10 9 28 400 79
293 14 15 35 500 79
294 20 19 59 600 79
295 31 22 57 600 79
296 30 18 43 500 79
297 26 11 32 400 79
298 16 7 25 400 79
299 75 15 44 1820,22 64,34
300 72 12 45 600 18
28
Number of
cases PM10 SO2 NO2 CO O3
Lampiran 6. Dokumentasi
UCI Machine Learning
31
32
LEMBAR ASISTENSI
PRAKTIKUM METODE MULTIVARIATE TERAPAN
SEMESTER GENAP 2021/2022
1. Judul
2. Abstrak
3. Latar Belakang
4. Diagram Alir
5. Bab IV
Materi yang 6. Lampiran
direvisi
33
34