TRANSFORMASI

UNTUK
MELURUSKAN
POLA GARIS

[M11] Materi 9 April 2019

TRANSFORMASI UNTUK MELURUSKAN POLA
GARIS

– Diagnosa ketidaklurusan pola pencaran titik dapat dilihat

dari rasio kelengkungan garis atau secara visual dari
plot data.
– Bila koefisien dari kedua penggalan tidak persis sama
atau rasio kelengkungannya tidak sama dengan satu,
maka kedua garis itu akan membentuk sudut. Sudut yang
terbentuk dapat diibaratkan sebagai ujung panah yang
mengarah ke sistem koordinat sumbu x-y yang
bersesuaian.
– Arah panah dan arah salib sumbu dapat dipakai sebagai
petunjuk tentang bentuk atau arah transformasi data
yang bisa dicoba.
TRANSFORMASI UNTUK MELURUSKAN POLA
GARIS

– Contoh :





  Baik nilai x maupun y mengarah ke angka
 

 yang lebih kecil atau menurun. Pola
X 




yang lebih lurus dapat dicapai dengan




memangkatkan nilai x dengan pangkat
yang lebih kecil dari satu, demikian
pula halnya untuk nilai y.
Y
 Y X 

 

 


 
X 
 
 
Y

X

Y
Contoh lain
 PEMERIKSAAN ASUMSI SEBARAN DATA

– Pola sebaran teoritis dari data (Binomial, Normal, Eksponensial,

Poisson) memegang peranan penting dalam analisis data
terutama menyangkut tahap pendugaan parameter, pengujian
hipotesis dan penetapan taraf kepercayaan atau taraf nyata atas
kesimpulan yang akan diambil.
– Dari populasi Normal  karakteristik utamanya adalah nilai
rataan dan ragamnya.
– Pemilihan jenis penduga mana yang dianggap lebih baik sangat
dipengaruhi oleh perilaku data dan kriteria yang dipilih.
– Untuk pengujian hipotesis bagi data yang berasal dari pola sebaran Normal,
penduga kuadrat terkecil (OLS) memiliki keunggulan teoritis dan penerapannya
relatif mudah karena teknik analisisnya telah berkembang lanjut.
– Hasil analisis data yang didasarkan pada asumsi sebaran tertentu
menjadi tidak sah apabila ternyata asumsi tersebut sampai batas-batas
tertentu tidak dapat dipenuhi.
– Memeriksa kebenaran asumsi pola sebaran data  Apakah betul-betul
mengikuti pola sebaran normal, dapat didekati dengan sebaran
normal atau apakah dapat diubah menjadi berpola normal?
– Penyimpangan dari asumsi pola sebaran teoritis tidak selalu
mempunyai dampak yang besar terhadap hasil analisis data, kadang-
kadang pengaruhnya kecil saja sehingga dapat diabaikan.
PEMERIKSAAN DENGAN DIAGRAM KOTAK
GARIS YANG DIPERLUAS

– Pemeriksaan kesesuaian pola sebaran data pada

umumnya kita lakukan terhadap data yang telah
diurutkan menurut besarnya nilai pengamatan
– Ringkasan 5 angka dapat diperluas lagi menjadi
ringkasan 7 angka (dengan menambahkan dua angka
“perdelapan”). Atau menjadi ringkasan 9 angka (dengan
menambahkan dua buah angka “perenambelas”)
– urutan “perdelapan” = ([urutan Kuartil]+1)/2
– urutan “perenambelas” = ([urutan “perdelapan”]+1)/2
– RINGKASAN 9-ANGKA

Me
Merupakan perluasan dari
K1 K3 tabel ringkasan 5 - angka
D1 D7
E1 E15
k b

– Contoh Data : (dibangkitkan dari sebaran normal dengan nilai

tengah 20 dan ragam 25)

16.8 25.7 21.4 22.7 28.1 17.5 14.4 20.9

13.1 15.8 21.7 26.2 18.7 20.2 24.6 24.2
14.6 16.9 14.9 26.7 20.2 21.6 15.1 6.9
22.6 12.9 14.1 25.8 17.9 17.7 18.6 20.3
24.4 16.6 20.5 19.7 17.3 18.0 13.7 17.3
DAHAN DAUN FK
RINGKASAN 9-ANGKA YANG DIHASILKAN
5
6 9 1 18.65
7
8 16.20 22.10
9
14.25 25.15
10
11 13.10 26.20
12 9 2 6.90 28.10
13 17 4
14 1469 8
15 18 10 Dengan menggantikan lambang-lambang angka
16 689 13 ringkasan dengan persentase atau fraksi
17 33579 18
18 067 21 banyaknya data yang lebih kecil daripada
19 7 22 lambang-lambang tersebut didapatkan :
20 22359 27
21 467 30
22 67 32 0.5000
23
24 246 35 0.2500 0.7500
25 78 37 0.1250 0.8750
26 27 39
0.0625 0.9375
27
28 1 40 0.000 1.0000
 – Sehingga setiap lambang kini akan memiliki sepasang nilai yaitu fraksi
dan besarannya seperti terlihat di bawah ini:

k E1 D1 K1 Me K3 D7 E15 b
0.0000 0.0625 0.1250 0.2500 0.5000 0.7500 0.8750 0.9375 1.0000 x

6.90 13.10 14.25 16.20 18.65 22.10 25.15 26.20 28.10 y

– Dengan mengambil QUANTILE BOX PLOT

nilai fraksi sebagai x
dan besarannya 30
b
sebagai y maka 25
E15
D7
kesembilan lambang 20 K3

DATA
tersebut dapat 15 Me
K1
digambarkan menjadi 10 E1
D1

9 buah titik dalam plot 5

K

x dan y seperti gambar 0

berikut: 0 0.2 0.4 0.6 0.8 1 1.2
FRAKSI
– “Quantile Box Plot” / plot kotak kuantil
merupakan cara yang sederhana tetapi kasar untuk
memeriksa pola sebaran data secara nonparametrik
– Kumpulan data dengan pola simetrik akan
memperlihatkan kecenderungan potongan-potongan
garis yang membentuk garis lurus
– Adanya potongan garis yang menaik secara tajam di
luar kotak E menunjukkan kemungkinan pencilan,
sedangkan kenaikan yang tajam di dalam kotak K
dapat memberikan petunjuk bahwa data tersebut
mungkin berasal dari dua buah populasi yang
berbeda.
– Data yang tidak berpola simetrik akan terlihat dari
kecenderungan potongan-potongan garis tersebut
membentuk kurva yang lengkung.
SOAL
– DATA A 42.2 4.0 7.4 15.4 0.6 3.6 31.2 67.2 10.6 6.4

7.6 14.6 31.8 10.6 21.4 5.8 4.8 0.6 8.6 4.0

7.0 7.8 8.8 43.0 10.8 10.6 7.0 18.4 7.8 31.8

19.8 1.2 8.8 43.4 14.6 29.8 2.6 3.8 17.8 68.2

– DATA B 0.4 0.1 1.3 2.0 1.5 1.4 2.6 0.1 0.5 2.9

0.8 3.3 2.5 2.5 2.3 0.8 0.9 2.6 2.5 3.1

2.9 0.7 2.6 0.6 2.7 1.5 2.4 2.0 2.8 2.7

2.6 0.2 2.3 2.3 2.2 1.6 2.0 2.2 0.4 0.8
 DATA A DATA B

f DAHAN DAUN
f DAHAN DAUN

5 0 . 11244
9 0 . 001233444
12 0 * 5678889
20 * 56777777888
14 1 . 34
20 1 . 000044
17 1 * 556
14 * 5789
(9) 2 . 000223334
10 2 . 1
14 2 * 555666677899
9 * 9
2 3 . 13
8 3 . 111
5 *
5 4 . 233 • A  Digit pada daun adalah
angka satuan
2 *
2 5 . • B  Digit pada daun adalah
angka desimal
2 *
2 6 .
2 * 78
 RINGKASAN 9-ANGKA RINGKASAN 9-ANGKA
DATA A DATA B
9.50 2.10
6.10 20.60 0.80 2.60
3.70 37.00 0.45 2.75
1.20 43.30 0.20 2.90
0.60 68.20 0.10 3.30

DATA A
k E1 D1 K1 Me K3 D7 E15 b
0.0000 0.0625 0.1250 0.2500 0.5000 0.7500 0.8750 0.9375 1.0000 x

0.60 1.20 3.70 6.10 9.50 20.60 37.00 43.30 68.20 y

DATA B
k E1 D1 K1 Me K3 D7 E15 b
0.0000 0.0625 0.1250 0.2500 0.5000 0.7500 0.8750 0.9375 1.0000 x

0.10 0.20 0.45 0.80 2.10 2.60 2.75 2.90 3.30 y

 QUANTILE BOX PLOT

80
70
b
60
50

DATA
40
E15
30 D7
20
K1 Me
D1 K3
10 k E1
0
0 0.2 0.4 0.6 0.8 1 1.2
FRAKSI

Plot kotak kuantil untuk masing-masing kumpulan data

dapat dilihat pada gambar di atas. Pola sebaran data A
yang miring ke kanan sebenarnya sudah dapat dilihat
dari dahan daunnya tetapi pola yang melengkung ini
ikut memperjelas adanya ketidaksimetrikan
 QUANTILE BOX PLOT

3.5
b
3
2.5 E15
D7
K3

DATA
2
Me
1.5
1
E1
0.5 k K1
D1
0
0 0.2 0.4 0.6 0.8 1 1.2
FRAKSI

Perilaku data B sulit kita deteksi karena berdasarkan

gambar di atas orang cenderung menyimpulkan bahwa
data tersebut simetrik tetapi pola dalam dahan daun
menunjukkan adanya dua puncak
Latihan
3 25 30 55 17 16 13 9 30 15 26 49
18 9 4 22 41 11 32 10 38 15 35 39
33 12 14 37 15 37 2 27 36 18 4 22
54 4 13 27