outlier roby.doc

11
NAMA : ROBY ADZANI NIM : 125090507111017 MATA KULIAH : ANALISIS DATA EKSPLORATORI B OUTLIER (PENCILAN) Dalam statistika sendiri outlier atau pencilan sebuah datum yang menyimpang sangat jauh dari datum lainnya di dalam satu sampel atau kumpulan datum. Datum adalah catatan keterangan atau informasi yang diperoleh dari sebuah peneliatian. Dalam matematika, datum dapat berbentuk bilangan, lambang, sifat atau keadaan dari objek yang sedang di teliti . Seringkali, outlier di dalam satu kumpulan datum dapat menjadi peringatan bagi ahli statistik akan adanya ketidaknormalan atau kesalahan eksperimen pada pengukuran yang diambil, yang dapat membuat ahli statistik membuang outlier tersebut dari kumpulan datum. Jika ahli statistik membuang outlier dari kumpulan datum, kesimpulan yang diambil dari penelitian dapat menjadi sangat berbeda. Oleh karena itu, mengetahui cara menghitung dan menangalisis outlier sangat penting untuk memastikan pengertian yang benar dari sebuah kumpulan datum statistik. Suatu data mungkin letaknya terpencil, tapi bila pengaruhnya terhadap koefisien kecil maka kita tidak perlu member perhatian besar padanya. Makin besar ukuran sampel n makin kecil pengaruh suatu titik data. Pengaruh suatu data mungkin merupakan pencilan bila menggunakansuatu model, tapi tidak bila model lain yang digunakan. Dalam statistik ruang,

Upload: melindadwianggraeni

Post on 10-Nov-2015

226 views

Category:

Documents


4 download

TRANSCRIPT

NAMA

: ROBY ADZANINIM

: 125090507111017MATA KULIAH: ANALISIS DATA EKSPLORATORI BOUTLIER (PENCILAN)Dalam statistika sendiri outlier atau pencilansebuah datum yang menyimpang sangat jauh dari datum lainnya di dalam satu sampel atau kumpulan datum. Datum adalah catatan keterangan atau informasi yang diperoleh dari sebuah peneliatian. Dalam matematika, datum dapat berbentuk bilangan, lambang, sifat atau keadaan dari objek yang sedang di teliti. Seringkali, outlier di dalam satu kumpulan datum dapat menjadi peringatan bagi ahli statistik akan adanya ketidaknormalan atau kesalahan eksperimen pada pengukuran yang diambil, yang dapat membuat ahli statistik membuang outlier tersebut dari kumpulan datum. Jika ahli statistik membuang outlier dari kumpulan datum, kesimpulan yang diambil dari penelitian dapat menjadi sangat berbeda. Oleh karena itu, mengetahui cara menghitung dan menangalisis outlier sangat penting untuk memastikan pengertian yang benar dari sebuah kumpulan datum statistik.

Suatu data mungkin letaknya terpencil, tapi bila pengaruhnya terhadap koefisien kecil maka kita tidak perlu member perhatian besar padanya. Makin besar ukuran sampel n makin kecil pengaruh suatu titik data. Pengaruh suatu data mungkin merupakan pencilan bila menggunakansuatu model, tapi tidak bila model lain yang digunakan. Dalam statistik ruang, data pencilan harus dilihat terhadap posisi dan sebaran data yang lainnya sehingga akan dievaluasi apakah data pencilan tersebut perlu dihilangkan atau tidak.Karena sangat pentingnya pada data untuk tidak terdapat outlier, banyak cara untuk mendeteksi adanya outlier dalam data. Seperti pada data berikut :

Data berikut diambil dari Skipsi mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas Jember atas nama Singgih Adhiyatma (101910201031) tahun 2014 dengan judul ANALISIS PENAMBAHAN DISTRIBUTED GENERATION (DG) DENGAN METODE BACKWARD FORWARD SWEEP PADA SISTEM DISTRIBUSI RADIAL TERHADAP RUGI DAYA DAN PROFIL TEGANGAN(STUDI KASUS PADA PENYULANG WATU ULO JEMBER). Data Daya Beban Trafo Distribusi Penyulang Watu Ulo

No.Dari BusKe BusDaya (kVA)Pembebanan (%)Resistansi (pu)Reaktansi (pu)

11215091.80.98260.9001

223150840.06330.0808

3341001040.04670.0595

44520053.60.02440.0311

55616081.30.03060.039

667160400.03640.0464

77810019.70.04310.055

88916057.70.02720.0347

9910250520.06010.0768

1091616060.60.02980.038

111011200680.02290.0292

12111215054.80.08560.1092

13121310063.10.03690.02903

14131410010.20.31290.2187

151415160720.35310.0254

16151710079.70.17390.075

17161810048.30.57760.2422

18171916036.80.36080.1506

1917205067.40.04070.052

20192125080.40.97810.8944

2112216093.80.02580.033

22212310079.10.09090.0116

23222420039.60.02180.0277

24222516057.50.09350.1192

25242610051.10.04080.0521

26252716061.10.06660.085

2726285030.60.11310.1444

28272916091.20.08040.1026

29283010038.30.04890.0624

30293116059.10.15050.1885

31303210079.30.03650.0466

32313316042.30.09710.1239

3331345052.50.08460.108

34333516053.80.07650.0976

35343610086.10.05580.0713

36363716045.70.00790.0101

3737382523.30.10220.0785

38383916066.30.15540.1465

39394050640.98220.1252

403941160160.02780.0355

4141425031.90.04740.0377

4242435038.20.10.0469

43414416073.70.10340.0132

44444516084.70.05780.0738

45454616066.60.05020.0642

46464716084.50.09830.1256

4747485052.60.03270.0417

48484920074.40.03070.0391

49495010025.70.04460.0569

50495110067.30.12610.1088

5151525053.70.12580.0879

5252535079.50.32110.2281

53525420058.20.08850.0619

54545516047.30.12670.1229

55545620049.60.24160.169

565657400800.04880.04

57575810084.20.070.0548

58585920075.90.06490.0454

59596010083.50.05120.0653

60606110071.80.03410.0435

61616216090.50.07170.0915

626263160790.11070.1413

634564200760.04930.0629

6465655076.70.09540.0357

65646610086.10.43640.1481

66646720068.40.0260.0332

67676825067.30.0570.0728

68686910087.50.0440.0526

69697025490.2130.1489

70697125073.30.05490.0384

71717216030.59120.2432

727173160800.13590.095

73737410056.50.11960.0836

74737516081.30.09530.0666

Dengan menggunakan Software Minitab17 dan menggunakan Outlier Grubbs Test diperoleh hasil sebagai berikut :

Pada Plot data Daya, terdapat pencilan dengan nilai 400 pada titik merah tersebut. Nilai P-Value kurang dari 0,05 sehingga data tersebut terdapat pencilan.

Pada plot data pembebanan tidak terdapat outlier dikarenakan tidak adanya titik merah pada plot dan P-value lebih dari 0,05.

Pada Plot data resistansi, terdapat pencilan dengan nilai 0,9826 pada titik merah tersebut. Nilai P-Value kurang dari 0,05 sehingga data tersebut terdapat pencilan.

Pada Plot data reaktansi, terdapat pencilan dengan nilai 0,90010 pada titik merah tersebut. Nilai P-Value kurang dari 0,05 sehingga data tersebut terdapat pencilan.

Selanjutnya untuk mendeteksi adanya pencilan dapat mengunakan box plot , diperoleh hasil sebagai berikut :

Dari hasil diatas, dapat dilihat bahwa pada data daya terdapat satu pencilan yaitu yang bernilai 400. Dan pada data pembebanan juga terdapat 1 pencilan yaitu pada nilai 3,0.

Dari data diatas dapat dilihat bahwa terdapat lebih dari satu pencilan pada data resistansi dan data reaktansi.Selanjutnya pencilan juga dapat di analisis menggunakan Histogram, diperoleh hasil sebagai berikut :

Dari hasil tersebut, dapat dilihat bahwa pada daya ada 1 pencilan yaitu pada rentang 380-420.

Dilihat dari hasil diatas, tidak terdapat pencilan pada data pembebanan.

Untuk data resistansi, data yang diperoleh juga terdapat pencilan dengan rentang antara 0,95 1,05.

Untuk data reaktansi, data yang diperoleh juga terdapat pencilan dengan rentang antara 0,85 0,95.

ANALISIS PENAMBAHAN DISTRIBUTED GENERATION (DG) DENGAN METODE BACKWARD FORWARD SWEEP PADA SISTEM DISTRIBUSI RADIAL TERHADAP RUGI DAYA DAN PROFIL TEGANGAN

(STUDI KASUS PADA PENYULANG WATU ULO JEMBER)SKRIPSI

diajukan guna melengkapi skripsi dan memenuhi salah satu syarat untuk menyelesaikan Program Studi Teknik Elektro (S1)

dan mencapai gelar Sarjana Teknik

Oleh

Singgih AdhiyatmaNIM 101910201031PROGRAM STUDI STRATA 1 TEKNIK ELEKTROJURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS JEMBER

2014