Pelatihan Good Laboratory Practices (GLP) bagi Mahasiswa

Bogor, 23 Januari 2021

ANALISIS DAN PENYAJIAN DATA

(

Prof. Dr.-Ing. Ir. Suprihatin

Departemen Teknologi Industri Pertanian

Institut Pertanian Bogor
2021

1
 Data

 Something that is known exactly

 To illustrate a situation or problem
 the recorded factual material commonly accepted
in the scientific community as necessary to
validate research findings.
 Data are commonly results from measurement of
variables
 Data can be quantitative or qualitative

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

Agroindustrial Engineering Study 5

Program - 2019
Data Interval:
• Data yang mempunyai ciri-ciri skala ordinal, jarak antar bilangan diketahui, tetapi tidak
memiliki nilai nol absolut (nol yang sebenarnya); Jarak data interval bersifat pasti atau
tetap.
• Contoh: skala termometer; air dengan suhu 0 oC tidak berarti air tersebut tidak memiliki
suhu; skala penilaian 0 - 100
• Semua operasi matematik dapat digunakan, misalnya perhitungan rata-rata, simpangan
baku, tingkat persentil, uji hipotesis, uji korelasi, regresi, dll.

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

 Mengukur adalah membandingkan dengan suatu unit:

 Pembandingan tidak pernah bersifat pasti

 Setiap pengukuran mengandung kesalahan (error),

error bisa besar atau kecil

 Terbaik yang dapat dilakukan adalah menerapkan

secara hati-hati suatu teknik yang realiable

12
• Pengulangan suatu pengukuran beberapa
kali menunjukkan kepada kita presisi
(reproducibility) pengukuran tersebut

• Pengukuran suatu kuantitas yang sama

dengan menggunakan metode berbeda
dapat menunjukkan tingkat akurasi metode
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

Kesalahan yang terjadi dalam suatu

pengukuran dapat dikategorikan
menjadi tiga kelas, yaitu:
1. Kesalahan blunder, mistake, atau careless;
2. Kesalahan sistematik (Systematic /
Determinate Error)
3. Kesalahan random
(Random/Indeterminate Error)
16
• Kesalahan Bulder (Careless errors) terjadi, misalnya akibat
kekurang hati-hatian dalam pembacaan pembacaan skala.
Careless dapat dihindari dengan cara pelaksanaan pengukuran /
eksperimen secara hati-hati. Kesalahan ini biasanya akan terlihat
jika pembacaan diulang. Oleh karena itu, setiap pengukuran
hendaknya dilakukan paling tidak dua kali (duplo).

• Blunder bukan merupakan sumber ketidakpastian. Kesalahan ini

dapat dieliminasi dengan cara kerja secara hati-hati; dalam
pelaporan hasil jangan sekali-kali memasukkan kesahalan
pembacaan atau menggunakan satuan yang salah sebagai
sumber ketidakpastian.

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

 Nilai kesalahan acak tidak dapat dikoreksi karena bervariasi dari

satu pengukuran ke pengukuran lainnya

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

Rentang nilai Nilai sebenarnya

m X

22
Cara mendeteksi Kesalahan Sistematik:

1) Lakukan analisis terhadap sampel yang telah diketahui

komposisisinya. Metode yang digunakan harus memperlihatkan
hasil sebagaimana komposisi yang diketahui
2) Lakukan analisis terhadap blanko. Apabila hasilnya tidak nol, berarti
metode memberi respon lebih besar dari pada seharusnya
3) Gunakan beberapa metode pengukuran berberda untuk mengukur
sampel dengan komposisi sama. Jika hasilnya tidak bersesuaian,
berarti ada kesalahan pada satu atau beberapa metode tersebut
4) Sampel yang identik dapat dianalisis oleh beberapa orang dari
laboratorium yang berbeda (menggunakan metode yang sama atau
berbeda). Ketidak-sesuaian di luar error random menunjukkan
adanya error sistematik
23
 Definisi Angka Signifikan
(Significant Figure)
• Jumlah angka signifikan = jumlah minimum digit yang diperlukan
untuk menuliskan suatu nilai tertentu dalam notasi ilmiah tanpa
kehilangan akurasi

• 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,

• Angka signifikan terakhir selalu terkait dengan ketidak-pastian

24
• Penulisan terlalu banyak angka signifikan dapat menyebabkan
kesalahan interpretasi (misleading), karena dapat berimplikasi
derajat akurasi lebih besar daripada nilai yang sebenarnya diukur

• Hasil perhitungan tidak boleh lebih akurat daripada nilai akurasi

paling kecil dari data original

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)

 Jawaban lebih baik dibulatkan menjadi 0,2 m3/s

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

• Pada skala transmittance adalah 58,3 (3 angka signifikan);

pendugaan ketidak-pastian yang rasional adalah 58,3  0,2

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

• Kasus khusus, jika nilai tepat setengahnya maka pembulatan dilakukan

ke bilangan genap terdekat
– 43,55000  43,6
– 1,4250  1,42
– 1,42511,43

27
 Beberapa contoh hasil operasi aritmatik
(perhatikan jumlah angka signifikannya):

1,362  3,111  4,473

5,345  6,728  12,073
7,26  6,69  0,57
18,9984032  18,9984032  83,80  121,80

28
 Ketidakpastian Pengukuran

• Ketidakpastian pengukuran didefinisikan sebagai suatu

parameter yang terkait dengan hasil pengukuran, yang
menyatakan sebaran nilai yang secara beralasan dapat
diberikan kepada besaran ukur

 Apabila taksiran nilai besaran ukur dinyatakan dengan x,

dan ketidakpastian pengukuran untuk tingkat kepercayaan
tertentu dinyatakan dengan U, maka nilai dari besaran
ukur tersebut, yaitu X diyakini berada dalam rentang:

x- U < X < x + U
29
Ketidak-pastian Absolut:

• Suatu ekspresi margin dari ketidakpastian yang terkait

dalam suatu pengukuran

• Misalnya,jika ketidak-pastian suatu pengukuran dengan

buret adalah  0,02 mL, maka ketidak-pastian absolut
pengu-kuran tersebut adalah  0,02 mL, yaitu ketidak-
pastian yang berkaitan dengan pembacaan

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

 Standar atau acuan

 Benda ukur

 Peralatan

 Metode pengukuran

 Kondisi lingkungan

 Personel

32
 Propagasi Ketidak-Pastian

• Ketidak-pastian dapat didasarkan pada perkiraan , seberapa

baik anda dapat membaca suatu instrumen, atau pada
pengalaman anda pada suatu metode tertentu
• Jika mungkin, ketidak-pastian dinyatakan sebagai simpangan
baku (standard deviation) atau selang kepercayaan
(confidence interval)  pengulangan pengukuran
• Dalam kebanyakan eksperimen sering diperlukan operasi
aritmatik dari berbagai data, yang masing-masing terkait
dengan kesalahan random

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

Ketidakpas tian absolut  3.06( 0,04)

Ketidakast ian relatif  3,06( 1%)

35
1,76(0,03)x1,89(0,02)
 5,6 4  ?
0,59( 0,02)
Konversi ke ketidak  pastian relatif :

1,76 (1.7 %) x 1,89 (1.1%)

 5,6 4  ?
0,59( 3, 4 %)
%e 4  (1.7) 2  (1,1) 2  (3,4)  4.0 %
Ketidakpastian absolut : 4, 0 %x5,6 4  0,2 3
jadi :
5,6(0,2) (ketidakpastian absolut)
5,6(4%) (ketidakpastian relatif)
36
1,76( 0,03) - 0,59( 0,02)
 0,619 0  ?
1,89( 0,02)

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

• Penyajian data bisa umumnya dalam bentuk gambar atau

tabel  “satu gambar  seribu kata”
Misal: Penyajian data (misalnya hasil reaksi) terhadap waktu :
 Menunjukkan trend hasil reaksi (menaik/menurun)
 Meramalkan (forchasting)
 Merencanakan

• Bentuk penyajian data bersifat seni (art)

 Analisis Data
1) Menguraikan menjadi bagian-bagian yang lebih kecil,
sesuai dengan tujuan analisis untuk:

a) Mengetahui bagian/komponen yang bersifat menonjol

atau mempunyai nilai ekstrem, kemudian
menyimpulkan
b) Melakukan pembandingan antar komponen dengan
menggunakan nilai selisih atau rasi, kemudian
menyimpulkan
c) Melakukan pembandingan antara komponen dengan
keseluruhan, dengan menggunakan nilai proporsi
(persentase), kemudian menyimpulkan
2) Membandingkan dua hal atau dua nilai untuk
menge-tahui selisihnya (X-Y) atau perbandingannya
(X/Y)

3) Memperkirakan atau memperhitungkan besarnya

pengaruh secara kuantitatif dari suatu perubahan
terhadap suatu kejadian lainnya, misalnya:
a) Pengaruh kenaikan temperatur terhadap kecepatan proses
pengeringan
b) Pengaruh peningkatan pupuk terhadap produksi padi
c) etc
Nilai Rata-Rata dan Standard Deviasi
• Nilai parameter suatu populasi (misalnya proporsi, nilai rata-rata dan
simpangan baku) sering tidak atau belum diketahui
• Tujuan utama pengukuran adalah untuk mendapatkan keterangan
mengenai parameter populasi
• Jika x1, x2, …, xn menyatakan sampel acak berukuran n, maka nilai
perkiraan rata-rata (x-bar) dan simpangan baku (s) untuk suatu populasi
tersebut adalah:

2
n n
 n

_  xi  2

n x i   x i 
x  i1 dan s  i1  i1 
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

t α/2 adalah nilai dari distribusi t

dengan derajad bebas  n - 1

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

Data dapat dinyatakan dalam dua ukuran yaitu:

 Pemusatan (Median, Modus, Kuartil, Mean, dll)
 Penyebaran (Range, Interquartile Range, Ragam)

45
 Daftar Pustaka
• Rahman, A. 2004. Pengantar Pengukuran Ketidakpastian.

• Harris, D. C. 1995. Quantitative Chemical analysis. 4th ed. W.H. Freeman

and Company, New York

• Romli, M. 2000. Analisis dan Penyajian Hasil Pengukuran. Modul training

Analisis Air dan Air Limbah Industri. CDSAP-IPB.

• Supranto, J. 1992. Statistik: Teori dan Aplikasi. Penerbit Erlangga

46
Terima Kasih

47