PS4 - ADL - 01 - Putri Sandi Daniar - 25321314 - Nadiyatur PDF

PROBLEM SET 4 “MENGENALI KARAKTERISTIK DATA LANJUTAN”
MATA KULIAH ANALISIS DATA LINGKUNGAN
Oleh:
Putri Sandi Daniar
25321314
Asisten:
Nadiyatur Rahmatikal Wasi'ah, ST, MT
Dosen Pengampu:
Ir. Driejana, MSCE, Ph.D
Dr. Sukandar, MT
PROGRAM MAGISTER
JURUSAN TEKNIK LINGKUNGAN
FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN
INSTITUT TEKNOLOGI BANDUNG
2022
KARAKTERISTIK MASING-MASING PARAMETER
1. Identifikasi data yang tidak normal berdasarkan problem set 2

Grafik Deskripsi
1. Bicarbonate (mg/L) Berdasarkan grafik scatterplot, dapat
diketahui bahwa kandungan bikarbonat
pada keseluruhan sumur pemantauan
400
memiliki sebaran terbanyak pada

rentang konsentrasi sekitar 150-300
BICARBONATE
300
mg/L.
Apabila dihubungkan dengan
200
normalitas, maka distribusi data

konsentrasi bikarbonat pada analisis ini
dianggap tidak normal, sebab terdapat
100
kecenderungan data yang menceng ke

0 20 40 60 80
SAMPLE_NUMBER
nilai > 300 mg/L. Hal ini tentunya akan
membuat nilai tengah (median) tidak
sama dengan nilai mean dari data
tersebut.
2. Magnesium Berdasarkan grafik scatterplot, dapat
diketahui bahwa kandungan magnesium
80

70

rentang konsentrasi sekitar 14,2-40
60
MAGNESIUM
mg/L.
50

40

30
konsentrasi magnesium pada analisis ini

20

0 20 40 60 80
SAMPLE_NUMBER
tersebut.
3. Potassium Berdasarkan grafik scatterplot, dapat

diketahui bahwa kandungan potassium
rentang konsentrasi sekitar 1-6 mg/L.
8
konsentrasi potassium pada analisis ini
POTASSIUM

6

4

tersebut.
2
0 20 40 60 80
SAMPLE_NUMBER
4. Specific conductance Berdasarkan grafik scatterplot, dapat

diketahui bahwa nilai konduktansi pada
keseluruhan sumur pemantauan
1500

SPECIFIC_CONDUCTANCE
rentang nilai sekitar 332-1000 S/cm.

1000
normalitas, maka distribusi data nilai

konduktansi pada analisis ini dianggap
tidak normal, sebab terdapat
500

nilai > 1000 S /L. Hal ini tentunya
0 20 40 60 80
SAMPLE_NUMBER
akan membuat nilai tengah (median)
tidak sama dengan nilai mean dari data
tersebut.
5. Sulfate reducers (× 103 ) Berdasarkan grafik scatterplot, dapat
diketahui bahwa nilai sulfate reducer
80000

rentang nilai sekitar 5103 −
SULFATE_REDUCERS
60000
18.000103 copies/L.
40000

20000
sulafte reducers pada analisis ini

0

0 20 40 60 80
SAMPLE_NUMBER
nilai > 18.000103 copies/L. Hal ini
tentunya akan membuat nilai median
tersebut.
6. TCE reducers (× 103) Berdasarkan grafik scatterplot, dapat
500000 diketahui bahwa nilai TCE reducer
400000

TCE_REDUCERS
300000
580.000103 copies/L.
200000

100000
TCE reducers pada analisis ini

0

0 20 40 60 80
SAMPLE_NUMBER nilai > 580.000103 copies/L. Hal ini

tersebut.
7. VC reducers (× 103) Berdasarkan grafik scatterplot, dapat
diketahui bahwa nilai VC reducer pada
6000000

VC_REDUCERS
4000000
2.000.000103 copies/L.
2000000
VC reducers pada analisis ini dianggap

tidak normal, sebab terdapat
0

0 20 40 60 80
SAMPLE_NUMBER nilai > 1.000.000103 copies/L. Hal ini

tersebut.
8. Temperature Berdasarkan grafik scatterplot, dapat
diketahui bahwa temperatur pada
memiliki nilai yang cukup bervariasi
dengan rentang nilai yang berberiksar
antara 12,57-17,92C.
temperature pada analisis ini
18
kemungkinan dianggap normal, sebab
17
tidak terlihat dengan jelas adanya
16 kecenderungan arah data, sehingga bisa
TEMPERATURE
saja nilai median akan sama dengan

15
nilai mean dari data tersebut.

14
13
0 20 40 60 80
SAMPLE_NUMBER
2. Metode transformasi data

Transformasi data dapat digunakan untuk mengatasi data yang tidak terdistribusi
dengan normal. Adapun pemilihan metode transformasi yang tepat dapat dilakukan
menggunakan tangga transformasi yang dibuat oleh Tukey, dimana pemilihannnya
dapat dilakukan berdasarkan tipe juraian diagram box plot ataupun kemencengan
pada histogram.
Apabila box plot menjurai ke bawah (median lebih dekat dengan kuartil atas) atau
histogram menceng ke kiri, maka metode transformasi yang digunakan adalah yang
berada di ruas kanan secara berurutan dari transformasi x2 sampai anti log z, sampai
didapatkan bentuk box plot ataupun histogram yang simetris (menyerupai data
normal). Kemudian apabila box plot menjurai ke atas (median lebih dekat dengan
kuartil bawah) atau histogram menceng ke kanan, maka metode transformasi yang
digunakan adalah yang berada di ruas kiri secara berurutan dari transformasi √𝑥
1
sampai 𝑥 2
3. Plot data hasil transformasi
Grafik Deskripsi
1. Bicarbonate (mg/L) Berdasarkan histogram dapat dilihat
• Sebelum tarnsformasi bahwa data konsentrasi bikarbonat
cenderung menceng ke kanan,
sehingga untuk mentranformasinya
digunakan metode transformasi ke
30
arah kiri sampai didapatkan bentuk

histogram yang menyerupai data
frequency
20
normal. Dalam percobaan ini

didapatkan bahwa histogram
menyerupai data normal pada
10
tansformasi √𝑥. Hasil transfromasi

data yang didapatkan menampilkan
histogram dengan persebaran data
0
100 200 300 400 500

yang lebih homogen, dimana dari
BICARBONATE_DISS
hasil transfromasi tersebut
Shapiro-Wilk normality test didapatkan p-value yang nilainya
data: BICARBONATE_DISS lebih mendekati distribusi normal
W = 0.7731, p-value = 2.47e-10 (0,05), yaitu p-value =
• Transformasi √𝑥 0.000000006763.
40
30
frequency
20
10
0
8 10 12 14 16 18 20 22
BICARBONATEsqrt
Shapiro-Wilk normality test

data: BICARBONATEsqrt
W = 0.82257, p-value = 0.000000006763
2. Magnesium (mg/L) Berdasarkan histogram dapat dilihat
• Sebelum tarnsformasi bahwa data konsentrasi magnesium
60
50
40 normal. Dalam percobaan ini
frequency

30

20
tansformasi -1/x. Hasil transfromasi

10

0

20 40 60 80
MAGNESIUM_DISS
didapatkan p-value yang nilainya
Shapiro-Wilk normality test lebih mendekati distribusi normal
data: MAGNESIUM_DISS (0,05), yaitu p-value =
W = 0.56943, p-value = 1.155e-14 0.000006841.
• Transformasi √𝑥
50
40
30
frequency
20
10
0
4 5 6 7 8 9
MAGNESIUMsqrt
• Transformasi log10(x)
50
40
30
frequency
20
10
0
1.2 1.4 1.6 1.8 2.0
MAGNESIUMlog10
• Transformasi -1/x
50
40
30
frequency
20
10
0
-0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01
MAGNESIUM1x

data: MAGNESIUM1x
W = 0.90301, p-value = 0.000006841
3. Potassium (mg/L) Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data konsentrasi potassium
40
30 yang lebih homogen, dimana dari
frequency

20
didapatkan p-value = 0.1558 yang

nilainya >0,05 sehingga data dapat
10
dikatakan terdistribusi normal.

0
2 4 6 8 10
POTASSIUM_DISS

data: POTASSIUM_DISS
W = 0.76819, p-value = 1.827e-10
40
30
frequency
20
10
0
2 4 6 8 10
POTASSIUM_DISS
30
25
20
frequency
15
10
5
0
0.2 0.4 0.6 0.8 1.0
POTASSIUMlog10
15
10
frequency
5
0
-0.6 -0.5 -0.4 -0.3 -0.2 -0.1
POTASSIUM1x

data: POTASSIUM1x
W = 0.97868, p-value = 0.1558
4. Specific conductance (S/cm) Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data nilai specific
conductance cenderung menceng ke
kanan, sehingga untuk
mentranformasinya digunakan
metode transformasi ke arah kiri
sampai didapatkan bentuk
50
40
frequency
30

20
didapatkan p-value yang nilainya

lebih mendekati distribusi normal
10
(0,05), yaitu p-value = 0.001086.

0
500 1000 1500 2000
SPECIFIC.CONDUCTANCE_YSI

data: SPECIFIC.CONDUCTANCE_YSI
W = 0.66261, p-value = 6.473e-13
60
50
40
frequency
30
20
10
0
15 20 25 30 35 40 45
SPECIFIC_CONDUCTANCEsqrt
40
30
frequency
20
10
0
2.6 2.8 3.0 3.2
SPECIFIC_CONDUCTANCElog10
50
40
frequency
30
20
10
0
-0.0035 -0.0030 -0.0025 -0.0020 -0.0015 -0.0010 -0.0005
SPECIFIC_CONDUCTANCE1x

data: SPECIFIC_CONDUCTANCE1x
W = 0.94583, p-value = 0.001086
5. Dsr (copies/L) Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data nilai Dsr cenderung
menceng ke kanan, sehingga untuk
80
tansformasi log10(x). Hasil
transfromasi data yang didapatkan
60
menampilkan histogram dengan
persebaran data yang lebih
frequency
homogen, dimana dari hasil

40
transfromasi tersebut didapatkan p-

value = 0.3178 yang nilainya >0,05
20
sehingga data dapat dikatakan

terdistribusi normal.
0
0 20000000 40000000 60000000 80000000 100000000
DSR

data: DSR
W = 0.29511, p-value < 2.2e-16
70
60
50
40
frequency
30
20
10
0
0 2000 4000 6000 8000 10000
DSRsqrt
25
20
15
frequency
10
5
0
0 2 4 6 8
DSRlog10

data: DSRlog10
W = 0.9833, p-value = 0.3178
6. Dhc (copies/L) Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data nilai Dhc cenderung
80
60

frequency

40

20

0
0 100000000 300000000 500000000

DHC
Shapiro-Wilk normality test transfromasi tersebut didapatkan p-
data: DHC value yang nilainya lebih mendekati
W = 0.32617, p-value < 2.2e-16 distribusi normal (0,05), yaitu p-
value = 0.04039.
60
frequency
40
20
0
0 5000 10000 15000 20000 25000
DHCsqrt
25
20
frequency
15
10
5
0
0 2 4 6 8
DHClog10

data: DHClog10
W = 0.97024, p-value = 0.04039
7. Vcr (copies/L) Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data nilai Vcr cenderung
80
60
frequency

40
transfromasi tersebut didapatkan p-

value = 0.05692 yang nilainya >0,05
20
sehingga data dapat dikatakan

0
0 2000000000 4000000000 6000000000 8000000000
VCR

data: VCR
W = 0.26458, p-value < 2.2e-16
60
frequency
40
20
0
0 20000 40000 60000 80000
VCRsqrt
20
15
frequency
10
5
0
0 2 4 6 8 10
VCRlog10

data: VCRlog10
W = 0.97239, p-value = 0.05692
8. Temperature Berdasarkan histogram dapat dilihat
• Sebelum transformasi bahwa data nilai temperature
20

15

frequency

10

5

0
13 14 15 16 17 18
TEMP_YSI
Shapiro-Wilk normality test transfromasi tersebut didapatkan p-
data: TEMP_YSI value = 0.07842 yang nilainya >0,05
W = 0.96224, p-value = 0.01157 sehingga data dapat dikatakan
30
25
20
frequency
15
10
5
0
3.6 3.8 4.0 4.2
TEMPsqrt
25
20
frequency
15
10
5
0
1.10 1.15 1.20 1.25
TEMPlog10

data: TEMPlog10
W = 0.97439, p-value = 0.07842
KESIMPULAN
Berdasarkan percobaan transformasi data dan hasil uji normalitas menggunakan Rcmdr,
dapat disimpulkan bahwa transformasi data dapat digunakan untuk mengatasi data yang
tidak terdistribusi dengan normal, hal ini dapat dibuktikan dengan hasil p-value setelah
transformasi pada keseluruhan data yang lebih mendekati atau bahkan lebih dari 0,05. Pada
percobaan yang telah dilakukan, diketahui bahwa data yang nilai p-valuenya >0,05 adalah
potassium, Dsr, dan Vcr, sedangkan data lainnya hanya lebih mendekati nilai 0,05.
REFERENSI
Permana, R.D. (2014). Praktikum Statistika dan Penyajian Data. Yogyakarta: Sekolah
Vokasi Universitas Gadjah Mada.

PS4 - ADL - 01 - Putri Sandi Daniar - 25321314 - Nadiyatur PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PS4 - ADL - 01 - Putri Sandi Daniar - 25321314 - Nadiyatur PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PROBLEM SET 4 “MENGENALI KARAKTERISTIK DATA LANJUTAN”

MATA KULIAH ANALISIS DATA LINGKUNGAN

1. Identifikasi data yang tidak normal berdasarkan problem set 2

memiliki sebaran terbanyak pada

normalitas, maka distribusi data

kecenderungan data yang menceng ke

pada keseluruhan sumur pemantauan

memiliki sebaran terbanyak pada

Apabila dihubungkan dengan

normalitas, maka distribusi data

konsentrasi magnesium pada analisis ini

kecenderungan data yang menceng ke

3. Potassium Berdasarkan grafik scatterplot, dapat

kecenderungan data yang menceng ke

nilai > 4 mg/L. Hal ini tentunya akan

sama dengan nilai mean dari data

4. Specific conductance Berdasarkan grafik scatterplot, dapat

memiliki sebaran terbanyak pada

rentang nilai sekitar 332-1000 S/cm.

normalitas, maka distribusi data nilai

kecenderungan data yang menceng ke

memiliki sebaran terbanyak pada

Apabila dihubungkan dengan

sulafte reducers pada analisis ini

kecenderungan data yang menceng ke

rentang nilai sekitar 5103 −

normalitas, maka distribusi data nilai

TCE reducers pada analisis ini

kecenderungan data yang menceng ke

SAMPLE_NUMBER nilai > 580.000103 copies/L. Hal ini

memiliki sebaran terbanyak pada

VC reducers pada analisis ini dianggap

kecenderungan data yang menceng ke

SAMPLE_NUMBER nilai > 1.000.000103 copies/L. Hal ini

saja nilai median akan sama dengan

nilai mean dari data tersebut.

2. Metode transformasi data

arah kiri sampai didapatkan bentuk

normal. Dalam percobaan ini

tansformasi √𝑥. Hasil transfromasi

100 200 300 400 500

Shapiro-Wilk normality test

didapatkan bahwa histogram

menyerupai data normal pada

tansformasi -1/x. Hasil transfromasi

histogram dengan persebaran data

yang lebih homogen, dimana dari

1.2 1.4 1.6 1.8 2.0

-0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01

Shapiro-Wilk normality test

hasil transfromasi tersebut

didapatkan p-value = 0.1558 yang

dikatakan terdistribusi normal.

Shapiro-Wilk normality test

0.2 0.4 0.6 0.8 1.0

-0.6 -0.5 -0.4 -0.3 -0.2 -0.1

Shapiro-Wilk normality test

yang lebih homogen, dimana dari

didapatkan p-value yang nilainya

(0,05), yaitu p-value = 0.001086.

500 1000 1500 2000

Shapiro-Wilk normality test

2.6 2.8 3.0 3.2