1

Pengantar
STATISTIKA DESKRIPTIF

ARIF RAHMAN
 2

Industrial Engineering
..is concerned with the design, improvement, and installation of
integrated systems of men, materials, information, energy,
and equipments. It draws upon specialized knowledge and
skill in the mathematical, physical and social sciences
together with the principles and methods of engineering
analysis and design to specify, predict and evaluate the result
to be obtained from such systems
 3

Knowledge & Skill

Physical Sciences
Mathematical
Industrial
Engineering

Engineering
Specify
Social Sciences Predict

Evaluate

Optimal
Result

Design

Integrated
Systems

Improvement Installation
 4

Paradigma Kebutuhan Data

dan Informasi
Kondratieff Waves

Cybernetics,
Wireless Technology,
Nanotechnology,
Biotechnology
Revolusi Industri

Water wheel, Chemicals, Fusion reaction, Cybernetics,

Steam Engine Electricity, Electronics, Wireless Technology,
Mechanics, Computers, Nanotechnology,
Petrochemicals Mechatronics Biotechnology
Revolusi Industri
 8

Apakah ???
Internet of Things Cloud Technology

Big Data

Bagaimanakah data ???
 Tunggal (univariate)
 Bebas (independent)
 Sama (homogen)
 Tetap (fixed)
 Statis
 Pasti (certain)
 Tertentu (deterministic)
 Teratur/berpola (pattern)
 ...
9
 Jamak (multivariate)
 Terikat (dependent)
 Berbeda (heterogen)
 Berubah (variable)
 Dinamis
 Tidak pasti (uncertain)
 Tak tentu (stochastic)
 Acak (random)
 ...
 10

Apakah ???
 11

Apakah ???
Apakah ???
 13

Bagaimanakah pola data ???

 Mengumpul  Menyebar
 Konstan  Berfluktuasi
 Stasioner  Non-stasioner
 Kovergen  Divergen
 Mempunyai tren  Acak
 Seragam (uniformity)  Beragam (diversity)
 Koheren  Kacau
 Stereotype  Anomali
 Jelas (distinct)  Tak jelas (fuzzy)
 ...  ...
 14

Mengapa Statistika Diperlukan ?

Data dan informasi, serta keragamannya
Ketidakpastian dan variasi data
Keacakan dan sebaran data
Variabilitas data dan hubungan kausal dependensi
Struktur data, kesimpulan dan keputusan
Populasi dan sampel
Observasi dan eksperimen
Estimasi dan prediksi
 15

Tujuan Instruksional &

Capaian Pembelajaran
Mata Kuliah
 16

Tujuan Instruksional
Pada matakuliah ini:
1)Mahasiswa belajar tentang pemilihan sampel dalam observasi
atau eksperimen;
2)Mahasiswa belajar tentang statistika deskriptif dalam ukuran
numerik, format tabulasi dan grafis.
 17

Capaian Pembelajaran Mata Kuliah

CPMK 1 - Menguasai pengetahuan matematika
khususnya Statistika Deskriptif untuk memahami
prinsip-prinsip keteknikan di bidang teknik industri
(CPL1/I)
1.1 Mampu menentukan lingkup populasi sesuai tujuan studi
dan melakukan pemilihan sampel
1.2 Mampu mengolah data untuk memperoleh statistik
sampel atau parameter populasi
 18

Capaian Pembelajaran Mata Kuliah

CPMK 2 - Mampu menganalisis dan
menginterpretasikan data observasi di bidang teknik
industri dengan Statistika Deskriptif (CPL3/I)
2.1 Mampu menganalisis dan menginterpretasikan data
observasi menggunakan ukuran numerik dari statistik
sampel atau parameter populasi
2.2 Mampu menganalisis dan menginterpretasikan data
observasi menggunakan daftar atau tabel
2.3 Mampu menganalisis dan menginterpretasikan data
observasi menggunakan grafik
 19

Referensi
 Walpole, RE, Myers, RH, & Myers, SL, Probability and Statistics for Engineers
and Scientists, Prentice Hall
 Hines, WW, Montgomery, DC, Goldsman, DM, & Borror, CM, Probability and
Statistics in Engineering, John Wiley & Sons
 Montgomery, DC, & Runger, GC, Applied Statistics and Probability for
Engineers, John Wiley & Sons
 Ross, SM, Introduction to Probability and Statistics for Engineers and
Scientists, Academic Press
 Weiss, NA. Introductory Statistics, Addison-Wesley
 Bluman, AG, Elementary Statistics: A Steb by Step Approach, McGraw-Hill
 Arnab, R. Survey Sampling Theory and Applications, Academic Press
 Scheaffer, RL, Mendenhall III, W, Ott, RL, & Gerow, K. Elementary Survey
Sampling, Cengage Learning
 20

Referensi
 21

Data, Keragaman &

Probabilitas
bagi Teknik Industri
22
23
 28

LALU, darimanakah
kita akan MEMULAI
???

Faculty Group of
Laboratory of Quality Engineering&
Statistics & Reliability Engineering
Quality Engineering
 29

Statistika memberikan problem solving tools

Penting memperhatikan
cara memperoleh Demikian pula
data yang akan diolah cara mengolah data
juga penting diperhatikan
 30

Statistika memberikan problem solving tools

Pilih alat yang dikenali fungsi Pilih alat yang sesuai

dan syarat penggunaannya dengan tujuannya
 31

Statistika memberikan problem solving tools

Metode statistika bukan
Alat statistika bukan ramuan sihir
tongkat sihir
 32

LALU dimanakah kita memanfaatkan Statistika ???

 33

Deductive & Inductive Reasoning

 34

Riset Ilmu Pengetahuan dan Teknologi

Riset penelitian dasar (basic research)
 Riset untuk pengembangan ilmu pengetahuan melalui metode
ilmiah yang memadukan antara deductive reasoning dan inductive
reasoning yang mempelajari timbal balik fenomena alam dan ilmu
 Riset yang bersifat discovery
Riset pengembangan teknologi (technology
development)
 Riset untuk pengembangan teknologi yang menerapkan ilmu
pengetahuan hingga menciptakan karya rekayasa baru.
 Riset yang bersifat invention
 35

Riset Ilmu Pengetahuan dan Teknologi

BASIC RESEARCH TECHNOLOGY DEVELOPMENT

Science Technology
Discovery Invention
Research Research
36
 37

Apakah Statistika?
Terkait dengan data dan pengolahannya.
Alat bantu problem solving
Memiliki banyak alat dan metode, yang berbasis
matematika.
Bukan tongkat sihir dan bukan ramuan sihir
Kekeliruan dalam pengumpulan data dan/atau
penggunaan statistika dapat menghasilkan sampah
Membantu dalam menarik kesimpulan dalam deductive
reasoning dan inductive reasoning
 38

Statistika Deskriptif
 39

Statistika

STATISTIKA
 40

Statistika
Statistika adalah cabang ilmu matematika yang
mempelajari metode ilmiah untuk mengumpulkan,
mengorganisasi, merangkum, menyederhanakan,
menyajikan, menginterpretasikan, menganalisa dan
mensintesa data (numerik atau nonnumerik) untuk
menghasilkan informasi dan/atau kesimpulan, yang
membantu dalam penyelesaian masalah dan/atau
pengambilan keputusan.
 41

Statistika
Mengumpulkan data

Mengorganisasi, Menganalisa Menggeneralisasi

Merangkum, Mensintesa Mengestimasi,
Menyederhanakan, Menguji hipotesa,
Menyajikan, Menilai relasi,
Menginterpretasikan Memprediksi

Menghasilkan informasi dan/atau kesimpulan

Menyelesaikan masalah Mengambil keputusan

 42

Statistika
Probabilitas
given model, predict data

Model
Probabilitas Data
Observasi

given data, predict model

Statistika
 43

Cabang Statistika
Statistika

Statistika Deskriptif Statistika Inferensia

Mengorganisasi Menggeneralisasi sampel
Merangkum terhadap populasi
Menyederhanakan Mengestimasi parameter
Menyajikan Menguji hipotesa
Menginterpretasi Menilai relasi
Membuat prediksi
 44

Statistika Deskriptif
Cabang statistika yang mengorganisasi, merangkum,
menyederhanakan, menyajikan dan
menginterpretasikan data dalam ukuran numerik atau
tabulasi atau grafis yang memudahkan pemeriksaan
dengan cermat (perusal) untuk menghasilkan
informasi dan/atau kesimpulan.
Menunjukkan fitur dasar data ilmiah (scientific data)
dalam format yang teratur (manageable form) dan
ringkasan yang lebih sederhana (simpler summary).
 45

Statistika Inferensia
Cabang statistika yang menganalisa atau mensintesa
data untuk menggeneralisasi sampel terhadap
populasi, mengestimasi parameter, menguji hipotesa,
menilai relasi, dan membuat prediksi untuk
menghasilkan informasi dan/atau kesimpulan.
Terdapat banyak alat bantu statistika (statistical
tools) yang dapat dipergunakan untuk menginferensi
populasi atau sistem yang menjadi sumber asal data
sampel
 46

Sistem, Populasi dan

Sampel
 47

Sistem
Sistem merupakan suatu kesatuan
(dengan struktur tertentu) yang
terdiri dari sekumpulan elemen-
elemen (entitas atau subsistem)
yang saling berinteraksi (selaras
atau bertolak belakang,
bergabung atau terurai) secara
simultan dan terpadu (dengan
mekanisme tertentu) untuk
mewujudkan tujuan tertentu
dengan mendapatkan masukan
dan menghasilkan keluaran pada
lingkungan di luar batasan sistem
 48

Sistem
 49

System of Interest
 System of Interest (SoI) adalah
sistem yang relevan dengan
lingkup studi fokus perhatian
peneliti.
 Wider system or meta system
or super system adalah sistem
yang lebih luas di mana system
of interest menjadi bagian dari
sistem tersebut.
 Narrower system or subsystem
adalah sistem yang lebih kecil
dan menjadi bagian dari system
of interest.
 50

Populasi
Populasi atau semesta (universe) adalah set
lengkap observasi yang menjadi perhatian peneliti.
Populasi adalah grup keseluruhan unsur yang
menjadi fokus studi.
Populasi adalah total keanggotaan dari semua
elemen sistem yang relevan dengan lingkup batasan
permasalahan.
 51

Populasi
Populasi (population) adalah himpunan semua objek,
percobaan, pengamatan, data, keluaran, atau nilai
yang memiliki kesamaan kondisi umum (common
state) dalam rentang (range) tertentu (finite atau
infinite) dengan parameter identik sesuai dengan
batasan permasalahan yang menjadi fokus studi
peneliti.
 52

Sampel
Sampel (sample) adalah sejumlah observasi yang
diambil dari populasi
Sampel adalah beberapa unsur yang menjadi bagian
dari populasi
Sampel adalah sebagian anggota dari populasi
 53

Sampel
Sampel diambil dari populasi yang sama.
Saat penarikan sampel, setiap anggota populasi
mempunyai peluang yang sama terpilih sebagai
sampel.
Sebaran sampel mengikuti pola distribusi populasi.
Sampel dapat merepresentasikan populasi.
 54

Populasi dan Sampel

Tujuan studi terhadap populasi Observasi atau eksperimen pada sampel

SAMPLING

INFERENSI

Parameter :
N (banyaknya anggota populasi),
μ (rata-rata populasi),
σ (simpangan baku populasi),
π (proporsi populasi)
Statistik :
n (banyaknya anggota sampel),
͞x (rata-rata sampel),
s (simpangan baku sampel),
p (proporsi sampel)
 55

Populasi dan Sampel

 56

Statistik
Statistik adalah sekumpulan data, angka atau bukan
angka, yang dimiliki sampel yang diperoleh melalui
observasi atau eksperimen yang terorganisasi dalam
daftar / tabel, atau terilustrasi dalam grafik / peta /
diagram, atau terrangkum dalam ukuran numerik.
Statistik adalah ukuran numerik yang merangkum
informasi dari sekumpulan data dari sampel untuk
merepresentasikan nilai tertentu.
 57

Statistik dan Parameter

 Parameter adalah nilai yang menjelaskan karakteristik
populasi
 Statistik adalah nilai yang menjelaskan karakteristik sampel
 58

Keluaran dan Kejadian

Keluaran (outcome) adalah fakta hasil pengumpulan
data dalam observasi ataupun eksperimen
Kejadian (event) adalah peristiwa yang termasuk
dalam keluaran-keluaran yang mungkin (possible
outcomes) terjadi saat pengumpulan data.
 59

Tipe Data
 60

Data
Data adalah fakta mentah yang diperoleh langsung
dari proses pengumpulan, yang perlu diolah lebih
lanjut untuk menghasilkan informasi yang memiliki
makna spesifik bagi pihak yang berkepentingan.
Data adalah bentuk jamak dari datum.
Datum adalah satu unit fakta mentah yang diperoleh
dari proses pengumpulan, misalnya hasil pengukuran
dalam observasi atau eksperimen.
 61

Tipe Data
Kuantitatif dan Kualitatif
Parametrik dan Nonparametrik
Nominal, Ordinal, Interval dan Rasio
Diskrit dan Kontinyu
Serentak dan Deret waktu
Tunggal dan Berkelompok
Tunggal dan Jamak
 62

Tipe Data
Data Kuantitatif atau Numerical, data yang diperoleh dari
pencacahan, penghitungan, pengukuran atau penilaian dalam
format angka atau bilangan yang dapat diperbandingkan
 Biner (0 atau 1)  data logik (true/false), data tanggapan (yes/no,
accept/decline), data kegagalan (sukses/gagal, baik/rusak)
 Bilangan Bulat  Bil asli (1,2,...), Bil cacah (0,1,2)
 Bilangan Nyata
...
 63

Tipe Data
...
Data Kualitatif atau Categorical, data yang tidak bernilai
numerik.
 Dikotomi
 Pelabelan atau simbol
 Klasifikasi atau stratifikasi
 Penilaian verbal
 64

Tipe Data
Data Parametrik, data kuantitatif yang mempunyai
sebaran variabel acak mengikuti pola distribusi
probabilitas dengan parameter tertentu (independent
and identically distributed random variables)
Data Nonparametrik, data yang tidak mempunyai
distribusi probabilitas (distribution-free) atau tiada
pengetahuan (sulit diperkirakan) mengenai distribusi
probabilitas populasinya
 65

Tipe Data
Data Nominal, data yang hanya berupa simbol
(meski berupa angka) untuk membedakan nilainya
tanpa menunjukkan tingkatan
A=B;A≠B
Contoh: jenis kelamin, warna kulit, ras, suku bangsa,
agama, bentuk rambut
...
 66

Tipe Data
 67

Tipe Data
Data Ordinal, data yang mempunyai nilai untuk
menunjukkan tingkatan, namun tanpa skala yang
baku dan jelas antar tingkatan.
A>B;A<B
Contoh : Kelompok usia (bayi, anak-anak, remaja,
dewasa, manula), Tingkat pendidikan, Status
ekonomi, Tingkat kepentingan
...
 68

Tipe Data
 69

Tipe Data
Data Interval, data yang mempunyai nilai untuk
menunjukkan tingkatan dengan skala tertentu sesuai
intervalnya. Nilai nol hanya untuk menunjukkan titik
acuan (baseline).
A–B=C–D
Contoh : Temperatur, tingkat keasaman
...
 70

Tipe Data
 71

Tipe Data
Data Rasio, data yang mempunyai nilai untuk
menunjukkan tingkatan dengan skala indikasi rasio
perbandingan. Nilai nol menunjukkan titik asal ( origin)
yang bernilai kosong (null).
A = k.B
Contoh : Tinggi badan, Berat badan, Banyaknya orang,
dll
 72

Tipe Data
 73

Tipe Data
Data Diskrit, data yang nilainya tertentu (certain), jelas
(distinct), terpisah gap (separate), dan dapat tersusun di
daftar (listed) yang berada dalam interval tertentu,
meskipun bisa dengan batas tak hingga (misalnya: x = 1,
2, 3, ...).
Biasanya data hasil pencacahan atau penghitungan,
dalam angka bilangan cacah (whole numbers), misalnya
banyaknya orang. Meskipun ada pula data yang
menunjukkan ukuran spesifik, misalnya ukuran sepatu,
ukuran kemeja, ukuran celana.
 74

Tipe Data
Data Kontinyu, data yang nilainya tersebar (any value at
any point), tersambung tiada gap (continuum), dan sulit
tersusun di daftar (cannot be listed) yang berada dalam
interval tertentu, meskipun bisa dengan batas tak hingga
(misalnya: x > 0).
Biasanya adalah data hasil pengukuran, dalam angka
bilangan nyata (real numbers), misalnya panjang meja,
volume cairan. Meskipun dapat pula dibulatkan, data
pengukuran yang lebih teliti juga masih mungkin
diperoleh, misalnya 2,5 cm ≈ 2,482468... cm.
 75

Tipe Data
 76

Tipe Data
Pengukuran Pengukuran
Data Diskrit Data Kontinyu
 77

Tipe Data
Data serentak (cross sectional) adalah data yang
diperoleh dari observasi pada waktu yang sama atau
dalam jeda waktu yang tidak signifikan, karena
diasumsikan data tidak sensitif terhadap pergerakan
waktu.
Data deret waktu (time series) adalah data yang
diperoleh dari observasi dengan mempertimbangkan
pergerakan waktu, dan biasanya disertai dugaan
bahwa data dipengaruhi oleh waktu.
 78

Tipe Data
Data tunggal (ungrouped data) adalah data mentah
yang belum terorganisasi dalam kelompok atau grup.
Data berkelompok (grouped data) adalah data yang
terorganisasi dalam kelompok atau grup.
 Klaster (clustered data). Pengelompokan data berdasarkan kategori dari variabel
lain (yang terikat dengan data), sehingga data dalam satu klaster masih
heterogen, dan antar klaster bisa serupa atau beririsan.
 Kategori (categorical data). Pengelompokan data berdasarkan kategori nominal
dari data itu sendiri, sehingga data dalam satu klaster sudah homogen, dan antar
klaster berbeda dan tidak beririsan.
 Strata (stratified data). Pengelompokan data berdasarkan stratum atau kelas
berjenjang dari data mulai kelas terkecil hingga terbesar.
 79

Tipe Data
 80

Tipe Data
Pengendalian
Kualitas (Klaster)
Statistik

Data Berkelompok
Eksperimen satu faktor
dan Regresi Linier

(Kategori atau
Strata)
 81

Tipe Data
Data tunggal (univariate data) adalah data yang
hanya merepresentasikan satu variabel.
Data jamak (multivariate data) adalah data yang
merepresentasikan pasangan atau himpunan dari
dua atau lebih variabel secara simultan dengan
mempertimbangkan hubungan antar variabelnya.
 82

Tipe Data

ID A1 B1 A2 C1 B2 B3 A3 C2 B4 C3 B5 C4 A4 A5 A6 C5 B6 C6 C7 C8

Klaster A B A C B B A C B C B C A A A C B C C C

Warna H H C C B B H H M M H C B M C B M B C H

Intensitas S T T S S T T G S T T G T G S G S T G T

Masing-masing baris adalah data univariate Gabungan 2 atau lebih baris adalah data multivariate

Distribusi data univariate Distribusi data multivariate Plot data multivariate

Plot data bivariate

 83

Tipe Data
Plot data univariate

Plot data multivariate

 84

Angka Penting dan

Pembulatan
 85

Angka Penting atau Angka Berarti

 Dalam pengukuran data, banyaknya angka yang
dipergunakan menyatakan tingkat ketelitian dari besarannya.
 Seringkali saat pengukuran, terdapat satu angka terakhir
yang tidak pasti.
 Angka penting atau angka berarti menunjukkan banyaknya
angka yang penting dalam bilangan eksak, baik yang pasti,
maupun yang pembulatan (tidak pasti)
 86

Angka Penting atau Angka Berarti

 87

Pembulatan
 Pembulatan terkadang dilakukan pada data sesuai dengan
tingkat presisi yang diharapkan.
 Secara umum pembulatan dilakukan ke bilangan terdekat.
Angka > 5 dibulatkan ke atas dan angka < 5 dibulatkan ke
bawah.
 Secara pesimistik, angka dibulatkan ke atas.
 Secara optimistik, angka dibulatkan ke bawah.
 Pembulatan terkadang perlu memperhatikan bahwa jumlah
total data hasil pembulatan tidak berubah dari jumlah total
data sebelumnya
 88

Pembulatan
Fakta Pembulatan Pembulatan
Pengukuran Umum Berimbang
4,525 5 4
7,573 8 8
6,375 6 6
5,624 6 6
4,852 5 5
6,051 6 6
35 36 35
 89

Pengumpulan Data
 90

Pengumpulan Data
 91

Metode Pengumpulan Data

 Census untuk mengumpulkan data atau informasi dari semua
anggota populasi.
 Retrospective study untuk mengumpulkan data atau
informasi yang terjadi di masa lalu (historical data)
 Observational study untuk mengumpulkan data atau
informasi yang sedang terjadi di sistem aktual
 Designed experiment untuk mengumpulkan data atau
informasi melalui eksperimentasi yang telah dirancang
kondisi terlebih dahulu
 92

Teknik Pengumpulan Data

Pengukuran
Pencacahan atau penghitungan
Checklist
Angket atau Kuesioner
Wawancara dan diskusi
Pencatatan dan perekaman data
Studi pustaka atau arsip data
Penambangan data
 93

Ketelitian Pengukuran
Akurasi (accuracy), kesesuaian hasil pengukuran
terhadap nilai obyek sesungguhnya (bias kecil)
Presisi (precision), tingkat skala ketelitian pengukuran dari
alat pengukur, atau ketersebaran yang relatif mengumpul
(variansi atau deviasi kecil)
Keandalan (reliability), konsistensi kemampuan alat ukur
untuk mengukur obyek tanpa terpengaruh waktu atau lainnya
Kesahihan (validity), ketepatan hasil pengukuran yang
bebas dari kesalahan alat ukur, pengukur dan obyek ukur
 94

Ketelitian Pengukuran
 95

Ketelitian Pengukuran
 Tidak presisi, akibat besarnya random error
menyebabkan deviasi yang besar, beresiko
pada galat tipe 2.
 Tidak akurat, akibat besarnya systematic
error menyebabkan bias yang besar,
beresiko pada galat tipe 1.
 Akurat dan presisi, bias dan deviasi kecil,
membutuhkan sampel sedikit.
 96

Elemen Pengukuran
 97

Elemen Pengukuran
Obyek yang diukur (measured objects), terutama
pada besaran yang dimiliki atau mewakilinya.
Orang yang mengukur (measuring operator)
Alat ukur (measuring instruments or devices),
termasuk skala dan satuannya.
Metode pengukuran (measurement methods)
Lingkungan saat pengukuran (environment), yang
mungkin mempengaruhi pengukuran
 98

Kesalahan Pengukuran
Random error : kesalahan tak terkendali antar
pengukuran, karena faktor keacakan dari objek ukur,
operator, alat ukur, lingkungan atau noise lainnya.
Systematic error : kesalahan yang berulang dan
membiaskan hasil, karena kegagalan operator atau
alat ukur, kesalahan prosedur, pengaruh lingkungan
Illegitimate error : kesalahan insidental dan
menghasilkan outlier, karena keteledoran, keliru
kalkulasi, atau kesalahan lainnya
 99

Kesalahan Pengukuran
 100

Kesalahan Pengukuran
Unusual value (outlier), data yang sangat jauh dari
kumpulan data utama, karena illegitimate error
pengukuran atau mungkin sampel berasal dari
populasi lain (terdapat faktor yang berbeda).
Missing value, data relevan yang kurang atau tidak
lengkap, karena kealpaan pengukuran atau
pencatatannya, atau sebaran sampel kurang baik.
Bias, pergeseran data dari nilai yang sebenarnya,
karena systematic error pengukuran.
 101

Kesalahan Membuat Kesimpulan

Galat tipe 1 () : kesalahan menyimpulkan karena
menolak hipotesa yang semestinya diterima
Galat tipe 2 () : kesalahan menyimpulkan karena
menerima hipotesa yang semestinya ditolak

 
 102

Kesalahan Pengambilan Sampel

Random error : kesalahan sampling karena
sebaran sampel kurang merepresentasikan distribusi
populasi.  abandoned subset of population
Systematic error : kesalahan sampling karena
sampel terkumpul di sebagian populasi yang dibatasi
rentang waktu tertentu atau lokasi tertentu dan
melalaikan sebagian yang lain.  undercoverage
Illegitimate error : kesalahan sampling karena
sampel dari populasi yang berbeda  overcoverage
 103

Kesalahan Pengambilan Sampel

 104

Sumber Data
Subyek observasi, yaitu pihak-pihak yang melakukan
pengukuran atau penghitungan.
Obyek observasi, yaitu elemen sistem yang akan
diobservasi.
Responden, yaitu pihak-pihak yang mengenal dan
berkepentingan dengan obyek observasi.
Hasil observasi, yaitu laporan observasi baik fakta
mentah atau yang telah diolah
 105

Jenis Data Berdasarkan Sumber Data

Data primer, fakta yang diperoleh langsung dari
pengukuran atau penghitungan obyek observasi
Data sekunder, data yang diperoleh dari merujuk
hasil observasi atau pernyataan subyek observasi
atau responden (melalui wawancara atau curah
pendapat)
Data tersier, dst..., data yang diperoleh dari pustaka
lainnya.
 106

Yang Melemahkan Data Sekunder

 Data palsu, fiktif, manipulasi, dugaan, prediksi
 Data dari sumber yang belum/tidak terpercaya
 Data yang berubah, bertambah atau berkurang sepanjang
aliran perpindahan data
 Data yang diambil dengan purposive sampling (misalnya memilih
sampel potensial untuk memperkuat pembuktian, untuk mengeksplorasi faktor, untuk
menentukan pemusatan data, untuk mengevaluasi pengaruh diversitas data, dll)
 Data yang diambil dari populasi yang berbeda (misalnya berbeda
lingkup, karakteristik, situasi, perilaku, dll)
 107

Yang Melemahkan Data Sekunder

 108

Penanganan atas
Kesalahan pada Data
 109

Penanganan Umum
Membuang data yang salah.
Memperbaiki faktor penyebab kesalahan.
Melakukan pengukuran ulang dengan dua (atau
lebih) sistem pengukuran (ada elemen yang berbeda)
Menggantikan dengan pengukuran pada sampel baru
dengan mengendalikan kondisi yang sama.
Menambahkan sampel baru.
 110

Penanganan Bias
Jika karena alat ukur mengalami degradasi atau
deteriorasi, maka reset atau atur ulang alat ukur
(mungkin juga reparasi atau penggantian), kalibrasi
alat ukur dan lakukan pengukuran ulang.
Jika karena kelelahan, maka beristirahat yang cukup
sebelum melakukan pengukuran berikutnya.
Jika karena pengaruh lingkungan (misalnya suhu dan
tekanan udara, lokasi dan elevasi geografis, atau
faktor lainnya), maka lakukan konversi.
 111

Penanganan Outlier
Jika terbukti dari populasi lain, buang data tersebut.
Jika diakibatkan oleh faktor khusus yang insidental
(misalnya ada kejutan atau lonjakan arus listrik abnormal,
ada impuritas, dan lainnya), buang data tersebut.
Jika diakibatkan oleh faktor umum (keacakan), maka
 Jika membutuhkan informasi mengenai sebaran data,
pertahankan data tersebut, dan tambah pengukuran baru
 Jika hanya membutuhkan informasi pemusatan data, gunakan
trimmed mean atau truncated mean.
 112

Penanganan Missing Data

Gunakan alat statistik dengan ukuran sampel tidak
sama.
Tambahkan pengukuran pada sampel baru untuk
menutupinya
Jika terdapat data yang sangat banyak, maka
bangkitkan data semu untuk menutupinya
 113

Terima kasih ...

... Ada pertanyaan ???