1
Data
2
Type of data
– Quantitative data is always numeric and indicates
the measure of how much or how many
– Qualitative data are the labels or names used to
identify an elemental attribute
3
Type of measurement
Agroindustrial Engineering 4
Study Program - 2019
Data nominal/diskrit
• Angka berfungsi sebagai pengganti nama atau sebagai sebutan saja; hanya
merupakan lambang
• Disebut juga skala klasifikasi, Misalnya: Pria = 1 dan wanita = 2; Ya = 1 dan tidak
=0
• Jenis statistik yang cocok untuk mengolah data ini adalah statistik deskriptif,
misalnya frekuensi, persentase, mode, dan proporsi
Data ordinal:
• Angka berfungsi sebagai pengganti nama dan peringkat; disebut juga
skala peringkat atau ranking.
• Misalnya: Peringkat 1, 2, dan 3, atau Baik = 3, sedang = 2, dan kurang = 1
jarak satu nilai dengan nilai lainnya tidak sama, atau tidak ada.
• Jenis statistik yang cocok: statistik deskriptif, atau statistik non-parametrik
Data rasio:
• Data yang memiliki ciri-ciri skala interval, namum memiliki bilangan nol absolut,
berbentuk data interval yang jaraknya dibandingkan dengan nilai nol absolut.
• Contoh: Basil pengukuran bobot Balita. Misalnya, bayi A memiliki berat badan 8 kg, dan
bayi B memiliki berat badan 4 kg, maka dapat disimpulkan bahwa bayi A dua kali lebih
berat daripada bayi B.
• Merupakan bilangan yang sebenarnya dan semua operasi matematik dapat digunakan
untuk pengolahan data berskala ratio
Agroindustrial Engineering 6
Study Program - 2019
The usefulness of data:
as a basis for
drawing conclusions,
Meaningful information,
Idea justification,
Making decisions,
Planning,
Control, and
Evaluation/improvements
7
Data sources:
• Measurement
• logical thinking
Experiments
8
Data analysis
De-synthesizing data, informational, and/or factual
elements to answer research questions
Goals of an analysis:
• To explain cause-and-effect relationship
• To relate research with real-world event
• To predict/forecast the future events
• To answer a particular problem
• To make conclusions based on the research results
• To learn a lesson from the problem
9
Elements of data analysis:
• Data/information (what)
• Scientific reasoning/argument (what? who?
where? how? what happens?)
• Finding (what results?)
• Lesson/conclusion (so what? so how?
therefore,…)
10
General guides in data analysis
Analysis is NOT just narration
Go back to research flowchart
Break down into research objectives and research
questions
Identify phenomena to be investigated
Visualize the “expected” answers
Validate the answers with data
Don’t tell something not supported by data
11
Pengukuran (Meaurements)
Data merupakan hasil pengukuran
12
• Pengulangan suatu pengukuran beberapa
kali menunjukkan kepada kita presisi
(reproducibility) pengukuran tersebut
13
Presisi vs. Akurasi
• Presisi (precision/reproducibility) adalah suatu
ukuran keberulangan suatu hasil pengukuran
• Akurasi (nearness to the “truth”) didefinisikan
sebagai kedekatan terhadap nilai “sebenarnya” (true
value)
• Hasil suatu eksperimen mungkin saja sangat presisi
(reproducible), tetapi salah
• Prosedur ideal adalah prosedur yang memiliki baik
presisi maupun akurasi yang tinggi
14
15
Tipe Kesalahan dalam Pengukuran
17
Definisi Kesalahan Sistematik
Nilai rata-rata dari sejumlah besar pengukuran berulang
terhadap besaran ukur yang sama dalam kondisi pengukuran
tertentu dikurangi nilai benar besaran ukur tersebut
esistematik
xtrue x
Dalam pengukuran, taksiran nilai benar diberikan oleh nilai
dalam sertifikat kalibrasi alat ukur atau standar pengukuran
Taksiran nilai kesalahan sistematik dapat dihitung dari pengaruh
besaran yang dapat dikenali selama proses pengukuran
sehingga taksiran kesalahan sistematik ini dapat dikoreksi
dengan suatu nilai koreksi atau faktor koreksi
18
• Kesalahan Sistematik:
– Dapat dideteksi dan dikoreksi
– Terjadi akibat kesalahan akurasi alat atau
kesalahan konsisten yang dilakukan oleh personil
– Bersifat konsisten
– Berkaitan dengan akurasi pengukuran
19
Kesalahan Random:
Terjadi akibat keterbatasan dalam
pengukuran fisik, baik alat maupun personil
Tidak dapat dihindari
Kadang-kadang bersifat positif (lebih besar)
dan kadang-kadang negatif (lebih kecil)
Nilai tengah dari pengukuran merupakan
estimasi terbaik untuk tipe error ini
Berkaitan dengan presisi suatu pengukuran
20
Definisi Kesalahan Random
Hasil satu pengukuran dikurangi dengan nilai rata-rata dari
sejumlah besar pengukuran berulang terhadap besaran ukur
yang sama dalam kondisi pengukuran tertentu
e1
e3
e4
e6
e2
e5
x1 x 4 x2 x5 x 6 x3
21
Kesalahan
Kesalahan acak
acak dan
dan sistematik
sistematik
Kesalahan sistematik adalah nilai rata-rata dari sejumlah besar
hasil pengukuran berulang suatu besaran ukur, dikurangi dengan
nilai sebenarnya.
Kesalahan acak adalah suatu hasil pengukuran dikurangi dengan
nilai rata-rata dari sejumlah besar hasil pengukuran berulang
suatu besaran ukur.
Kesalahan acak
Kesalahan sistematik
m X
22
Cara mendeteksi Kesalahan Sistematik:
• Misalnya:
– 1,23 12,3 123 0,123 dan 0,00123 masing-masing hanya memiliki 3 angka
signifikan
– 13.300,0 berimplikasi bahwa angka nol setelah desimal adalah signifikan, nilai
tersebut memeiliki 6 angka signifikan
– 142,7 memiliki 4 angka signifikan,
24
• Penulisan terlalu banyak angka signifikan dapat menyebabkan
kesalahan interpretasi (misleading), karena dapat berimplikasi
derajat akurasi lebih besar daripada nilai yang sebenarnya diukur
Misalnya: Laju alir 3 m/s dikalikan dengan luas penampang 0,0706 m2, hasil
perhitungan dengan kalkulator adalah 0,2118 m3/s. Tetapi jawaban tersebut
tidak boleh memiliki angka signifikan lebih dari satu, hal ini adalah implikasi
dari penggunaan 3 (bukan 3,00)
25
• Pada skala absorbance terbaca nilai 0,234, karena angka 2
dan 3 merupakan angka pasti dan angka 4 adalah angka
perkiraan. Pembacaan oleh orang lain, mungkin 0,223 atau
0,235
26
Angka Signifikan dalam Aritmatika
• Pembulatan seyogyanya dilakukan pada akhir operasi aritmatik untuk
menghindari akumulasi kesalahan pembulatan
• Contoh pembulatan:
– 121,7948 121,80
– 121,7851 121,79
27
Beberapa contoh hasil operasi aritmatik
(perhatikan jumlah angka signifikannya):
28
Ketidakpastian Pengukuran
x- U < X < x + U
29
Ketidak-pastian Absolut:
30
Ketidak-Pastian relatif:
• Suatu ekspresi pembandingan tingkat ketidak-pastian
absolut terhadap nilai hasil pengukuran
Ketidak-pastian absolut
= -----------------------------
Hasil pengukuran
• Ketidak-pastian relatif pembacaan buret: 12,35 0,02 mL
adalah 0,02/12,35 = 0,002 (atau 0,2 persen)
31
SUMBER KETIDAKPASTIAN
Benda ukur
Peralatan
Metode pengukuran
Kondisi lingkungan
Personel
32
Propagasi Ketidak-Pastian
33
34
1,76( 0,03) e1
1,86( 0,02) e 2
0,59( 0,02) e 3
3,06( e 4 )
e4 e12 e 22 e 32
(0,03) 2 (0,02) 2 (0,02) 2
0,041
0.041
Persen ketidakast ian relatif x100 1.3 %
3.06
35
1,76(0,03)x1,89(0,02)
5,6 4 ?
0,59( 0,02)
Konversi ke ketidak pastian relatif :
Pertama :
1,76( 0,03) - 0,59( 0,02) 1,17 0,036
karena (0,03) 2 (0,02) 2 0,036
Kedua :
1,17 (0,03 6 ) 1,17 (3,1 )
0,619 0 (3, 3 %)
1,89( 0,02) 1,89( 1,1%)
karena (3,1%) 2 (1,1%) 2 3.3 %
ketidakpas tian absolut : 3% x 0,619 0 0,02 0
Jadi :
0,62 (0,02)
0,62 (2%)
37
Penyajian Data
• Data statistik tidak cukup hanya dikumpulkan, diolah atau
dianalisis tetapi perlu disajikan dalam bentuk yang mudah
dibaca dan dimengerti oleh pengguna
2
n n
n
_ xi 2
n x i x i
x i1 dan s i1 i1
n n(n 1)
• Selang kepercayaan (1-) 100% untuk (nilai rata-rata
populasi) adalah:
_
s _
s
x t α/2 μ x t α/2
n n
42
Selang kepercayaan
• Teknik estimasi yang paling umum adalah menggunakan simpangan baku dan
selang kepecayaan
• Ketidak-pastian dapat dikurangi dengan melakukan lebih banyak lagi
pengulangan pengukuran atau percobaan
_
Hasil pengukuran x kσ x
k 1, selang kepercayaan 68,3 persen
k 2, selang kepercayaan 95,5 persen
k 3, selang kepercayaan 99,7 persen
43
Distribusi Peluang (Sebaran Normal)
44
Peringkasan Data
Dua aspek penting setiap populasi:
• Tingkat respon
• Sebaran diantara anggota populasi
45
Daftar Pustaka
• Rahman, A. 2004. Pengantar Pengukuran Ketidakpastian.
46
Terima Kasih
47