DPLP 23 Pedoman Statistik Uji Profisiensi

(1)

PEDOMAN STATISTIK

UJI PROFISIENSI

Komite Akreditasi Nasional

National Accreditation Body of Indonesia Gedung Manggala Wanabakti, Blok IV, Lt. 4

Jl. Jend. Gatot Subroto, Senayan, Jakarta 10270 – Indonesia Tel. : 62 21 5747043, 5747044

Fax. : 62 21 57902948, 5747045

Email : sertifikasi@bsn.or.id atau laboratorium@bsn.or.id Website : http://www.bsn.or.id

(2)

Bagian: DPLP 23 Revisi: 0 Tanggal: 16 Desember 2005

DAFTAR ISI

I. UJI HOMOGENITAS... 2

II. UJI STABILITAS ... 8

III. UJI PROFISIENSI... 10

III.1. Homogenitas Data Hasil Uji Profisiensi ... 10

III.2. Uji Dixon. ... 12

(3)

I. UJI HOMOGENITAS

Contoh dalam jumlah 10-20 kg dihomogenkan, kemudian dibagi dan dimasukkan

kedalam beberapa wadah. Selanjutnya dipilih sejumlah (n ≥ 10) kemasan secara acak.

Dari setiap wadah (subsample) dihomogenkan kembali dan diambil dua bagian untuk dianalisis secara duplo kemudian dihitung nilai variansi dari pengambilan contoh (sampling) (Ss2) dan variansi dari keberulangan analisis (Sa2). Kedua nilai tersebut

masing-masing diperoleh dari MSB (mean square between) dan MSW (mean square

within).

(

)

( )

Homogenitas contoh dapat dilihat melalui salah satu dari kedua cara dibawah ini:

Kriteria 1; Uji F

Contoh dinyatakan homogen apabila F hitung < F tabel (db1, db2, α).

Apabila F hitung yang diperoleh lebih besar dari F tabel, maka homogenitas contoh dapat diuji dengan:

Kriteria 2; melalui persamaan

Horwitz S

0,5

SD

S

=

Ss adalah simpangan baku sampling yang diperoleh melalui persamaan berikut,

(

)

(4)

Contoh Perhitungan

I.1. Homogenitas teruji dengan kriteria 1.

Uji Homogenitas : Penetapan Total Nitrogen dalam Pupuk Urea

Kode contoh Total N (%)

(

ai +bi

)

(

a

i

+

b

i

)

-

X

(ai+bi)

[

(

)

( )

]

2 b a i

i

b

-

X

i i

a

+

a b

1 43.94 47,34 91,280 0,857 0,7344

2 46,77 44,43 91,200 0,777 0,6037

3 43,19 47,02 90,210 -0,213 0,0454

4 43,34 44,61 87,950 -2,473 6,1157

5 46,00 45,67 91,670 1,247 1,5550

6 43,22 46,14 89,360 -1,063 1,1300

7 42,87 48,43 91,300 0,877 0,7691

8 44,51 43,38 87,890 -2,533 6,4161

9 44,76 46,12 90,880 0,457 0,2088

10 44,42 48,07 92,490 2,067 4,2725

n = 10

Σ = 904,230 21,8508

) (ai bi

X

− = _90,423

2139

,

1 1)

-2(10

21,8508

(5)

Total N (%) Kode contoh

a b

(6)

I.2. Homogenitas teruji dengan kriteria 2.

Uji Homogenitas: Penetapan COD dalam Air

Konsentrasi (ppm) Kode

contoh

a b (ai+bi)

(

a

i

+

b

i

)

-

X

(ai+bi)

[

(

)

( )

]

2 b a i

i

b

-

X

i i

a

+

S4 158,00 159,84 317,840 0.7960 0.6336

S11 160,10 156,20 316,300 -0.7440 0.5535

S17 161,10 163,20 324,300 7.2560 52.6495

S19 158,90 159,20 318,100 1.0560 1.1151

S24 158,80 156,40 315,200 -1.8440 3.4003

S32 159,20 158,70 317,900 0.8560 0.7327

S34 156,40 155,90 312,300 -4.7440 22.5055

S41 160,60 163,20 323,800 6.7560 45.6435

S45 159,30 156,20 315,500 -1.5440 2.3839

S52 156,40 152,80 309,200 -7.8440 61.5283

n = 10

Σ = 3170.440 191.1462

) (ai bi

X

− = _317.044

X

= 158,522

6192

,

10 1)

-2(10

21,2385

(7)

Konsentrasi (ppm)

a b

(8)

Kriteria 2; SD sampling < 0.5 SDp (Horwitz)

MSB = MSW + Variansi sampling

Variansi sampling = MSB - MSW = 7.9413

bagi 2 (duplikasi) 3.9706

SD sampling = 1.9926

Persamaan Horwitz : KVp (%) = 21-0,5 log C

X = 158,522 (ppm = mg/L)

Fraksi konsentrasi = 1,59E-04 (mg/ mL)

log C = -3.7999

0,5 log C = -1.899955

1 - 0,5 log C = 2.8999552

KVp = 7.4640323

KVp = (SDp / X) x 100

SDp = (KVp x X) / 100 = 11.8321

0.5 SDp = 5.916

1.9926 < 5.916

SD sampling < 0,5 SDp

(9)

II. UJI STABILITAS

(Sumber: Course Notes, Proficiency Testing Training Course, APLAC)

Untuk Uji Stabilitas, sebagai data pertama digunakan data kandungan analit dari hasil uji homogenitas. Data kedua diperoleh dengan melakukan analisis pada saat semua peserta telah melaksanakan uji profisiensi. Apabila diinginkan, data ketiga dan seterusnya diperoleh dengan melakukan analisis pada saat yang diinginkan, misal 1,2 atau 3 bulan penyimpanan. Suatu contoh dikatakan stabil jika antara data pertama dan kedua atau data pertama dan ketiga, tidak menunjukkan perbedaan yang signifikan yang ditentukan dengan persamaan:

IQR

n

X

_i

−

HM

〈

0 .

3 ×

i

X = rata-rata contoh hasil uji kedua;

HM

X = rata-rata hasil uji homogenitas;

0.3 = konstanta yang ditetapkan oleh APLAC

n IQR = selisih antara kuartil 3 dan kuartil 1 yang ternormalisasi

Contoh Perhitungan Uji Stabilitas

Uji Homogenitas : Penetapan Total Nitrogen dalam Pupuk Urea

Total N (%) Kode contoh

a b Rata-rata

1 43,94 47,34 45,640

2 46,77 44,43 45,600

3 43,19 47,02 45,105

4 43,34 44,61 43,975

5 46,00 45,67 45,835

6 43,22 46,14 44,680

7 42,87 48,43 45,650

8 44,51 43,38 43,945

9 44,76 46,12 45,440

10 44,42 48,07 46,245

HM

(10)

Untuk memperoleh data kedua dilakukan kembali analisis penetapan Nitrogen dalam pupuk urea dan diperoleh data sebagai berikut:

Total N (%) Kode Contoh

a b Rata-rata (%)

11 45,27 45,24 42,25 12 44,35 44,75 44,55 13 44,90 45,21 45,06

i

X 44,95

HM i

X

−

=  45,2115 - 44,95 = 0.26 %

Dianggap nilai n IQR yang dikirim oleh peserta untuk penentuan N total adalah 1.1%, maka:

0,3 x n IQR = 0,3 x 1.1 = 0,33 %

Contoh dikatakan stabil apabila

X

_i

−

X

HM < 0,33

(11)

III. UJI PROFISIENSI

III.1. Homogenitas Data Hasil Uji Profisiensi

Homogenitas data dapat dilihat secara visual dari tampilan bentuk histogramnya. Untuk membuat histogram mula-mula data disusun mulai dari yang terkecil hingga yang paling besar dan grafik histogram yang dibuat memuat kode laboratorium vs hasil analisis, seperti yang tertera pada contoh dibawah ini:

Hasil Analisis Kadar Abu dalam Contoh Mie Instan

0.00 0.20 0.40 0.60 0.80 1.00 1.20 1.40

L B O K C A N F H I G M D J E

Kode Laboratorium

Hasil Analisis ( % )

Histogram hasil analisis kadar abu diatas memberikan data yang hampir seragam oleh karena itu maka data dapat langsung diolah dengan menggunakan metode perhitungan Robust Z-Score. Keadaan yang sebaliknya dimana data tidak seragam ditunjukkan pada histogram dibawah ini:

Suatu data hasil uji profisiensi baru dapat diolah apabila

jumlah laboratorium peserta sekurang-kurangnya 8,

sehingga diperoleh 8 pasangan data untuk dapat diolah

(12)

Hasil Analisis Asam Benzoat dalam Contoh S1

0 100 200 300 400 500 600 700 800 900 1000

11 14 12 19 10 20 1 15 8 5 17 18 9 7

Kode Laboratorium

Hasil Analisis (mg/kg)

Untuk histogram yang memperlihatkan data yang tidak seragam seperti contoh penentuan asam benzoat diatas, maka kumpulan data harus diseleksi terlebih dahulu dengan menggunakan uji Dixon. Kemudian data yang terseleksi dapat diolah menggunakan metode Robust Z-Score.

(13)

Analisis Cr dalam Air Limbah (4 AL 1) KAN IV - 2001

Kode Laboratorium

H

III.2. Uji Dixon.

Uji Dixon digunakan untuk menseleksi data hasil uji profisiensi apabila ternyata tampilan histogram memperlihatkan bentuk kurva seperti pada contoh hasil analisis asam benzoat pada halaman 15. Pada tampilan histogram tersebut terlihat sebagian besar data memperlihatkan kurva yang mendatar, akan tetapi ada satu, dua atau tiga data yang memberikan nilai diluar sebagian besar kumpulan data (satu data terlihat jauh lebih kecil dari kumpulan data dan dua data lainnya lebih besar).

Agar data dapat diolah dengan uji Dixon, terlebih dahulu data disusun mulai dari data yang paling kecil. Data dibuang apabila:

Jumlah Data Untuk Data terendah Untuk Data tertinggi

(14)

Jumlah Data Untuk Data terendah Untuk Data tertinggi

Antara 13 - 40 n

Nilai Dn dalam tabel diatas dalam bentuk lengkapnya diberikan dalam bentuk tabel

(15)

Contoh Perhitungan

Contoh S1

Analit: Asam Benzoat

Kode Hasil (mg/kg) Kode Hasil (mg/kg)

Pada tabel hasil analisis dari contoh S1 untuk analit asam benzoat, jumlah data adalah 14, untuk itu rumus yang digunakan adalah

14

Perhitungan untuk data terendah:

68

(16)

Perhitungan untuk data tertinggi:

71

maka data dari laboratorium 7 harus dibuang.

Untuk perhitungan selanjutnya, jumlah data menjadi tinggal 12 dan untuk itu digunakan rumus:

Perhitungan dilanjutkan seperti pada contoh diatas. Hasil selengkapnya dapat dilihat pada tabel dibawah ini:

Hasil Uji Dixon

(17)

III.3. Perhitungan Statistika Robust Z-score

Data duplo hasil analisis yang dikirimkan oleh setiap laboratorium dihitung secara statistika menggunakan metode perhitungan statistika robust Z-score. Dua parameter

yang dihitung disini adalah

i Z-score.

Untuk menghitung

i

B

Z

, mula-mula dihitung Si dengan rumus berikut ini:

(

)

IQR x 0,7413 adalah IQR ternormalisasi (n IQR) yang merupakan ukuran dari variabilitas data, yang mirip dengan simpangan baku.

n IQR ≈ SD

IQR yang merupakan singkatan dari interquartile range adalah selisih antara quartile

atas dan bawah. Quartile bawah (Q1) adalah suatu harga dibawa mana seperempat dari

seluruh hasil berada/terletak sedangkan quartile atas (Q3) adalah suatu harga diatas

mana seperempat dari seluruh hasil berada/terletak.

IQR = Q3 - Q1

n IQR = IQR x 0,7413

Untuk menghitung

i

W

Z

, dihitung mula-mula Di, dengan rumus berikut ini:

(18)

Z

dapat dikelompokkan kedalam 3 katagori:

1. Laboratorium yang termasuk dalam katagori outlier ($$), apabila laboratorium

tersebut memperoleh nilai

i

W

Z

dan/atau

i

B

Z

yang bukan terletak diantara -3 dan +3.

-3 >

berarti antara hasil duplo analisisnya (data I dan data II) terdapat perbedaan yang

cukup besar. Besaran

i

W

Z

menggambarkan presisi didalam laboratorium.

-3 >

Besaran

i

B

Z

menggambarkan presisi antara laboratorium.

2. Laboratorium yang termasuk dalam katagori “diperingati” (questionable).

3 Z

2〈 〈 : berarti hasil analisisnya belum termasuk outlier, tetapi sudah dalam batas

“diperingati” ($).

3. Laboratorium yang kompeten.

2 〈

(19)

Contoh perhitungan

Dengan menggunakan studi kasus pada halaman 13 dilakukan Robust Z-Score untuk 11 data yang terseleksi. Data dari laboratorium 7, 9 dan 11 sudah dinyatakan outlier dengan uji Dixon. Data yang terseleksi dimasukkan dalam tabel dibawah ini.