1

Abstrak Keberadaan minyak bumi dan berbagai

macam produk olahannya memiliki manfaat yang
sangat penting dalam kehidupan kita sehari-hari.
Kerosin (minyak tanah) biasa digunakan sebagai bahan
bakar untuk keperluan rumah tangga. Selain itu kerosin
juga digunakan sebagai bahan baku pembuatan bensin
melalui proses cracking. Dia diperoleh dengan cara
distilasi fraksional. Distilasi merupakan suatu proses
pemisahan komponen penyusun suatu zat berdasarkan
titik didihnya. Pada proses fraksinasi digunakan dasar
pemisahan trayek didih (boiling range) bukan titik didih
(boiling point) karena fraksi minyak bumi bukanlah zat
murni. Fraksi minyak bumi merupakan sekumpulan
komponen penyusun minyak bumi yang terdiri atas
beberapa jenis hidrokarbon yang secara fisika dibatasi
oleh titik didih awal (I nitial Boiling Point, IBP) dan titik
didih akhir (Final Boiling Point, FBP). Untuk analisis
lebih lanjut diperlukan pengujian asumsi bahwa data
berdistribusi multivariat dan melakukan uji
homogenitas. Berdasarkan uji normal multivariat untuk
produk kerosin daerah Kawengan dan daerah Ledok,
data IBP dan FBP dapat disimpulkan bahwa data
tersebut berdistribusi normal multivariat. Berdasarkan
uji homogenitas multivariat untuk produk kerosin
daerah Kawengan dan Ledok, dapat disimpulkan bahwa
matriks kovarian terhadap IBP dan FBP pada produk
tersebut maka dapat disimpulkan bahwa matriks
kovariannya tidak bersifat mulvariat homogenitas.

Kata KunciInitial Boiling Point (IBP), Final Boiling Point
(FBP), Uji Multivariat, Uji Homogenitas.
I. PENDAHULUAN
Keberadaan minyak bumi dan berbagai macam produk
olahannya memiliki manfaat yang sangat penting dalam
kehidupan kita sehari-hari, Sebagai contoh penggunaan
minyak tanah, gas, solar, dan bensin. Tanpa ketiga produk
hasil olahan minyak bumi tersebut mungkin kegiatan
pendidikan, perekonomian, pertanian, dan aspek-aspek
lainnya tidak akan dapat berjalan lancar.[3]
Kerosin (minyak tanah)biasa digunakan sebagai bahan
bakar untuk keperluan rumah tangga. Selain itu kerosin juga
digunakan sebagai bahan baku pembuatan bensin melalui
proses cracking. Minyak tanah (bahasa Inggris: kerosene
atau paraffin) adalah cairan hidrokarbon yang tak berwarna
dan mudah terbakar. Dia diperoleh dengan cara distilasi
fraksional dari petroleum pada 150C and 275C (rantai
karbon dari C12 sampai C15).
Distilasi merupakan suatu proses pemisahan komponen
penyusun suatu zat berdasarkan titik didihnya. Pada proses
pengolahan minyak bumi, proses distilasi yang merupakan
proses primer (primary process) disebut juga dengan proses
fraksinasi. Hal ini karena pada proses distilasi minyak bumi
(crude oil), umpan (crude oil) yang telah dipanaskan
terlebih dahulu dipisahkan di dalam sebuah kolom (menara)
menjadi fraksi-fraksinya berdasarkan trayek didih fraksi-
fraksi tersebut.
Pada proses fraksinasi digunakan dasar pemisahan trayek
didih (boiling range) bukan titik didih (boiling point) karena
fraksi minyak bumi bukanlah zat murni. Fraksi minyak bumi
merupakan sekumpulan komponen penyusun minyak bumi
yang terdiri atas beberapa jenis hidrokarbon yang secara
fisika dibatasi oleh titik didih awal (Initial Boiling Point,
IBP) dan titik didih akhir (Final Boiling Point, FBP).
Initial boiling point (IBP) adalah pembacaan
thermometer pada saat tetesan kondensat pertama jatuh yang
terlihat pada ujung tabung kondenser. Sedangkan Final
boiling point (FBP) adalah pembacaan suhu maksimum
selama distilasi berlangsung. Ini terjadi setelah cairan dalam
tabung distilasi teruapkan semua. Juga disebut suhu
maksimum. IBP dan FBP itulah yang dijadikan dasar pada
penentuan kondisi operasi pada kolom fraksinasi supaya
diperoleh produk fraksi-fraksi minyak bumi sesuai
spesifikasi yang diharapkan.[1]
Berdasarkan penjelasan diatas maka dalam penelitian ini
mengkaji data IBP dan FBP hasil laporan kerja praktek di
Pusat Pendidikan dan Pelatihan Minyak dan Gas Bumi
(PUSDIKLAT MIGAS CEPU) pada bidang pengendalian
kualitas produk kerosin.
II. TINJAUAN PUSTAKA
A. Distribusi Normal Univariat
Distribusi normal univariat adalah salah satu distribusi
kontinu. Menurut Johnson (2007) untuk bilangan random
kontinu (variabel x ) dikatakan berdistribusi normal
univariat dengan parameter mean dan varians
2
jika
mempunyai probability density function :
( ) | |
< <

= x
x
e x f ,
2
2
2
2
1
) (
o
to

B. Distribusi Normal Multivariat
Beberapa metode statistika multivariatseperti:
MANOVA, dan discriminant analysis seringkali
mensyaratkan terpenuhinya asumsi distribusi normal
multivariat. Asumsi ini diperlukan karena di dalam
MANOVA dan discriminant analysis dilakukan pengujian
dengan menggunakan statistik uji Wilk. Kesimpulan yang
diambil berdasarkan statistik ini dikatakan sahih (valid), jika
syarat distribusi normal multivariat dipenuhi.
Variabel
p
X X X ,...,
2
,
1
dikatakan berditribusi normal
multivariat dengan parameter dan jika mempunyai
probability density function :

Pengujian Normal Multivariatdan Homogenitas MultivariatPada Data Initial
Boiling Point dan Final Boiling Point pada Produk Kerosin Daerah
Kawengan dan Ledok

Nanda Praba Pramudita
(1)
dan Zahrotun Nisaa
(2)

(1)(2)
Jurusan Statistika,FMIPA, ITS, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail :
(1)
sigma22.149@gmail.com;
(2)
zahrotunnisaa11@gmail.com
Nanda Praba Pramudita
1311100110

(1)


2

(2)


(6)


(7)


(10)


(8)


(5)


) (
1
)' (
2
1
2 /
2 /
) 2 (
1
) ,...,
2
, 1 (

t

E
E
=
X X
X X X e
p
p
p
f
Jika
p
X X X ,...,
2
,
1
berdistribusi normal multivariat maka
) (
1
)' (

E X X berditribusi
2
p
_ . Berdasarkan sifat ini
maka pemeriksaan distribusi multinormal dapat dilakukan
dengan cara membuat q-q plot dari nilai sebagai berikut.
n i
i
S
i
i
d ,..., 1 , (
1
)'
2
=

= |
.
|

\
|
X X X X . (3)
Tahapan dari pembuatan q-q plot ini adalah sebagai
berikut (Johnson, 2007)
1. Mentukan nilai vektor rata-rata :

=
=
n
j
j
x
n
x
1
1
(4)

2. Mentukan nilai matriks varians-kovarians :
( )( ) p k i x x x x
n
S
n
j
k
jk
i
ji ik
,..., 2 , 1 , ,
1
1
= =

=

3. Mentukan nilai jarak Mahalanobis setiap titik
pengamatan dengan vektor rata-ratanya
( ) n i
i
S
i i
d ,..., 1 , (
1
)'
2
=

= X X X X
4. Mengurutkan nilai
2
i
d dari kecil ke besar :
2
) (
...
2
) 3 (
2
) 2 (
2
) 1 ( n
d d d d s s s s
5. Menentukan nilai n i
n
i
i
p ,..., 1 ,
2 / 1
=

=


6. Menentukan nilai
i
q sedemikian hingga
i
p
i
q
d f =
}

2
)
2
( _ _


7. Membuat scatter-plot
2
) (i
d dengan
i
q
8. Apabila scatter-plot ini cenderung membentuk garis
lurus dan lebih dari 50 % nilai
2
50 . 0 ,
2
p i
d _ s
Sehingga didapatkan nilai proporsi nilai
2
50 . 0 ,
2
p i
d _ s
.
Apabila nilai proporsi lebih dari 0,5 maka berdistribusi
normal multivariate.

Selain dengan memeriksa nilai jarak Mahalanobis setiap
pengamatan dengan vektor rata-ratanya, pemeriksaan
kemultivariat normalan data dapat juga dikaji melalui nilai :

( )( )
( ) ( )
2
) ( ) (
,
1
2
) (
1
2
) (
1
) ( ) (
j
d
j
x
n
j
q
j
q
n
j
x
j
x
n
j
q
j
q x
j
x
Q
r =

=

=

=

=
Tolak hipotesis nol apabila nilai
Q
r kurang dari nilai
critical points untuk uji normalitas q-q plot koefisien
korelasi.

C. Kehomogenan Matriks Varians-Kovarians
Beberapa analisis statistika multivariat seperti
discriminant analysis dan MANOVA membutuhkan syarat
matriks varians-kovarians yang homogen. Untuk menguji
syarat ini dapat dipergunakan statistik uji Box-M. [2]
Hipoteris dan statistik uji Box-M adalah :
Hipotesis
Ho :
k
E = = E = E ...
2 1

H1 :
j i
E = E untuk j i =
Statistik uji

(

=

=
=
k
i
k
ii
i
v
pool i i
v c
hitung
1 1
ln
2
1
ln
2
1
)
1
1 ( 2
2
S S _ (9)
dan

=
=
k
i
i
v
k
i
i i
v
pool
1
1
S
S

(
(

(
(
(

+
+

=

=
=
) 1 )( 1 ( 6
1 3
2
2
1
1
1 1
1
k p
p p
k
i
k
i
i
v
i
v
c
1 =
i i
n v

Terima hipotesis nol yang berarti matriks varians-
kovarians bersifat homogen jika

2
) 1 ( ) 1 (
2
1
2
+
s
p p k
hitung
_ _


III. METODOLOGI PENELITIAN
A. Sumber Data
Data yang digunakan pada penelitian ini adalah data
sekunder yang diperolehdari hasil laporan kerja praktek di
Pusat Pendidikan dan Pelatihan Minyak dan Gas Bumi
(PUSDIKLAT MIGAS CEPU) pada bidang pengendalian
kualitas produk kerosinoleh Nurul Azizah dan Yulindia
Federika.Data yang diperoleh adalah data IBP dan FBP pada
pengolahan kerosin.

B. Variabel Penelitian
Variabel yang digunakan dalam penelitian adalah Initial
Boiling Point(IBP) dan Final Boiling Point(FBP)produk
kerosin daerah Ledok dan daerah Kawengan.Dengan
populasi satu adalah produk kerosin daerah Kawengan serta
populasi dua adalah produk kerosin daerah Ledok. Variabel
prediktor pada penelitian ini terdiri dari dua, yaitu x
1
dan x
2
,
dengan x
1
adalah data Initial Boiling Point dan x
2
adalah
data Final Boiling Point.

C. Metode Analisis Data
Metode analisis yang digunakan dalam penelitian ini
adalah sebagai berikut.
1. Melakukan pengujian asumsi normal multivariat
pada masing-masing grup data, yaitu produk kerosin
daerah Kawengan dan produk kerosin daerah Ledok.
2. Melakukan pengujian asumsi normal univariat pada
masing variabel prediktor untuk kedua pepulasi.

3

3. Melakukan pengujian homogenitas matriks kovarian
IBP dan FBP produk kerosin daerah awengan dan
Ledok.
IV. HASIL DAN PEMBAHASAN
Pada hasil dan pembahasan ini diawali dengan
pembahasan tentang pengujian asumsi normal multivariat
terhadap IBP dan FBP untuk produk Kerosin, baik produk
kerosin daerah Kawengan maupun daerah ledok. Jumlah
sampel yang digunakan pada penelitian ini adalah 20 produk
kerosin daerah Kawengan dan 20 produk kerosin daerah
Ledok.

A. Pengujian Asumsi Normal Multivariat terhadap Initial
Boiling Point dan Final Boiling Point Produk Kerosin
Daerah Kawengan
Melakukan pengujian asumsi normal multivariat
terhadap IBP dan FBP pada produk kerosin daerah
Kawengan. Dalam melakukan pengujian ini, akan dilihat
nilai korelasi antara squared distance dan Quantil Chi-square
serta dilihat pula nilai proporsinya. Hipotesis awal yang
digunakan dalam pengujian ini adalah data IBP dan FBP
produk kerosin daerah Kawengan mengikuti distribusi
normal multivariat.
Dari output yang dihasilkan, didapatkan nilai proporsi
untuk data produk kerosin daerah Kawengan adalah 0.45.
Itu artinya, nilai proporsinya kurang dari 0.5, sehingga dapat
disimpulkan bahwa data populasi Produk kerosin daerah
Kawengan tidak berdistribusi normal multivariat.
Sedangkan jika dilihat dari nilai korelasi (r
Q
) nya adalah
0.995, sehingga dapat disimpulkan bahwa nilai r
Q
lebih dari
nilai critical point nya yaitu sebesar 0.9508, yang artinya
menerima hipotesis awal yaitu data IBP dan FBP produk
kerosin daerah Kawengan berdistribusi normal multivariat.
Berikut ini adalah scatterplot untuk produk kerosin
daerah Kawengan.
6 5 4 3 2 1 0
8
7
6
5
4
3
2
1
0
dd
q

Gambar 1.Scatterplot of q vs dd untuk Produk Kerosin Daerah Kawengan
Dari scatterplot tersebut, dapat dilihat bahwa titik-titik
atau plot-plot pada gambar membentuk garis lurus, sehingga
dapat disimpulkan bahwa data IBP dan FBP untuk produk
kerosin daerah Kawengan mengikuti distribusi normal
multivariat.
B. Pengujian Asumsi Normal univariat terhadap Initial
Boiling Point dan Final Boiling Point Produk Kerosin
Daerah Kawengan
Melakukan pengujian asumsi normal univariat terhadap
IBP dan FBP produk kerosin daerah Kawengan
menggunakan uji Kolmogorov-Smirnov.Dalam melakukan
pengujian ini, akan dilihat nilai korelasi p-value dari
masing-masing variabel prediktor (IBP dan FBP). Hipotesis
awal yang digunakan dalam pengujian ini adalah data IBP
produk kerosin daerah Kawengan mengikuti distribusi
normal univariat.
Dari output yang dihasilkan, didapatkan nilai p-value
dari pengujian IBP adalah 0.103, sehingga dapat
disimpulkan bahwa data IBP Produk kerosin daerah
Kawengan berdistribusi normal univariat dikarenakan nilai
p-value nya lebih besar dari alpha, sehingga memberikan
keputusan untuk menerima hipotesis awal.
Hipotesis yang sejenis untuk data FBP produk Kerosin
daerah Kawengan, melakukan pengujian menggunakan uji
Kolmogorov Smirnov, menghasilkan output yang nilai p-
valuenya adalah >0.150, sehingga untuk data FBP pun
mengikuti distribusi normal univariat.
C. Pengujian Asumsi Normal Multivariat terhadap Initial
Boiling Point dan Final Boiling point Produk kerosin
Daerah Ledok
Melakukan pengujian asumsi normal multivariat
terhadap IBP dan FBP pada produk kerosin daerah Ledok.
Dalam melakukan pengujian ini akan dilihat nilai korelasi
antara squared distance dan Quantil Chi-square serta dilihat
pula nilai proporsinya. Hipotesisawal yang digunakan dalam
pengujian ini adalah data IBP dan FBP produk kerosin
daerah Ledok mengikuti distribusi normal multivariat.
Dari output yang dihasilkan dari pengolahan data
tersebut, didapat nilai proporsi untuk data produk kerosin
daerah Ledok adalah 0.45. Itu artinya, nilai proporsinya
kurang dari 0.5, sehingga dapat disimpulkan bahwa data
populasi Produk kerosin daerah Ledok tidak berdistribusi
normal multivariat.Sedangkan jika dilihat dari nilai korelasi
(r
Q
) nya adalah 0.994, sehingga dapat disimpulkan bahwa
nilai r
Q
lebih dari nilai critical point nya yaitu sebesar
0.9508, yang artinya menerima hipotesis awal yang berarti
data IBP dan FBP produk kerosin daerah Ledok
berdistribusi normal multivariat.
Berikut ini adalah scatterplot untuk produk kerosin
daerah Ledok.
8 7 6 5 4 3 2 1 0
8
7
6
5
4
3
2
1
0
dd
q

Gambar 2.Scatterplot of q vs dd untuk Produk kerosin Daerah Ledok
Dari scatterplot tersebut, dapat dilihat bahwa titik-titik
atau plot-plot pada gambar membentuk garis lurus, sehingga
dapat disimpulkan bahwa data IBP dan FBP untuk produk
kerosin daerah Ledok mengikuti distribusi normal
multivariat.
4

D. Pengujian Asumsi Normal Univariat terhadap Initial
Boiling Point dan Final Boiling Point Produk Kerosin
Daerah Ledok
Melakukan pengujian asumsi normal univariat terhadap
IBP dan FBP produk kerosin daerah Ledok menggunakan
uji Kolmogorov-Smirnov. Dalam melakukan pengujian ini,
akan dilihat nilai korelasi p-value dari masing-masing
variabel prediktor (IBP dan FBP). Hipotesis awal yang
digunakan dalam pengujian ini adalah data IBP produk
kerosin daerah Ledok mengikuti distribusi normal
univariat,.
Dari output yang dihasilkan, didapatkan nilai p-value
dari pengujian IBP adalah >0.150, sehingga dapat
disimpulkan bahwa data IBP Produk kerosin daerah
Kawengan berdistribusi normal univariat dikarenakan nilai
p-value nya lebih besar dari alpha, sehingga memberikan
keputusan untuk menerima hipotesis awal.
Hipotesis yang sejenis untuk data FBP produk Kerosin
daerah Ledok, melakukan pengujian menggunakan uji
Kolmogorov Smirnov,menghasilkan output yang
menunjukkan bahwa nilai p-valuenya adalah >0.150,
sehingga untuk data FBP pun mengikuti distribusi normal
univariat.
Pembahasan selanjutnya adalah tentang pengujian
asumsi multivariat homoskedastisitas.
E. Pengujian Asumsi Homogenitas Multivariat terhadap
Matriks Kovarian IBP dan FBP Produk Kerosin Daerah
Kawengan dan Ledok
Melakukan pengujian asumsi homogenitas multivariat
terhadap IBP dan FBP pada produk kerosin daerah
Kawengan dan Ledok.Hipotesis awal yang digunakan dalam
pengujian ini yaitu matrik kovarian dari IBP dan FBP daerah
Kawengan dan Ledok bersifat homogenitas multivariat.
Dari output yang dihasilkan setelah melakukan
pengolahan data, didapatkan bahwa nilai P-value (Sig.) =
0.000. Dari nilai tersebut dapat diputuskan bahwa menolak
hipotesis awal pada tingkat kepercayaan 95%, dikarenakan
nilai P-value (Sig.) lebih kecil dibandingkan dengan alpha =
0.05, sehingga dapat disimpulkan bahwa matriks kovarian
IBP dan FBP pada produk kerosin daerah Kawengan dan
daerah Ledok tidak bersifat homogenitas multivariat.
IV. KESIMPULAN DAN SARAN
Dari penelitian yang telah dilakukan, maka didapatkan
kesimpulan sebagai berikut.
1. Berdasarkan uji normal multivariat untuk produk
kerosin daerah Kawengan, dapat disimpulkan bahwa
data Initial Boiling Point (IBP) dan Final Boiling
Point (FBP) pada produk tersebut jika dilihat dari
nilai proporsi maka tidak diterima asumsi bahwa data
tersebut berdistribusi normal multivariat, sedangkan
jika dilihat nilai r
Q
, dapat disimpulkan bahwa
diterima asumsi bahwa data tersebut berdistribusi
normal multivariat.
2. Berdasarkan uji normal multivariat untuk produk
kerosin daerah Ledok, dapat disimpulkan bahwa data
Initial Boiling Point (IBP) dan Final Boiling Point
(FBP) pada produk tersebut jika dilihat dari nilai
proporsi maka tidak diterima asumsi bahwa data
tersebut berdistribusi normal multivariat, sedangkan
jika dilihat nilai r
Q
, dapat disimpulkan bahwa
diterima asumsi bahwa data tersebut berdistribusi
normal multivariat.
3. Berdasarkan uji homogenitas multivariat untuk
produk kerosin daerah Kawengan dan Ledok, dapat
disimpulkan bahwa matriks kovarian terhadap Initial
Boiling Point (IBP) dan Final Boiling Point (FBP)
pada produk tersebut jika dilihat dari nilai P-value
(sig.) yang dihasilkan spss, maka dapat disimpulkan
bahwa tidak diterima asumsi bahwa matriks
kovariannya bersifat mulvariat homogenitas.
Dalam melakukan analisis pada penelitian ini dibutuhkan
kecermatan dalam mengolah data yang ada, sehingga akan
dihasilkan keputusan yang sebenar-benarnya atau sesuai
dengan keadaan yang terjadi di lapangan.
DAFTAR PUSTAKA
[1] Azizah, N., Federika, Y. (2008). Laporan Kerja Praktek Di Pusat
Pendidikan dan Pelatihan Minyak dan Gas Bumi (PUSDIKLAT
MIGAS CEPU) Pengendalian Kualitas Produk Kerosin. Laporan
Kerja Praktek S1: Jurusan Statistika, Institut Teknologi Sepuluh
Nopember.
[2] Johnson, R.A., Wichern,D.W. (2007). Applied Multivariat Statistical
Analysis.New Jersey: Upper Saddle Riverr.
[3] Septiadevana, R. (2008). PRODUK PENGOLAHAN MINYAK BUMI
DAN MANFAATNYA. http://kimia.upi.edu/utama/bahanajar/kuliah_
web/2008/Riski%20SeptSeptiade%200606249_IE6.0/halaman_17.ht
ml. Diakses tanggal 3 Maret 2014.




5

LAMPIRAN

Lampiran 1 Data IBP dan FBP Produk Kerosin Daerah
Kawengan dan ledok

Produk Kerosine
Daerah Kawengan
Produk Kerosine
Daerah Ledok
IBP FBP IBP FBP
138 300 140 300
126 280 142 300
100 322 130 288
90 325 162 293
72 298 149 297
90 322 152 300
100 319 145 293
120 293 145 290
96 310 160 293
140 317 152 292
158 310 139 290
171 298 148 296
130 290 153 295
125 280 149 290
130 292 136 294
135 293 145 296
98 335 143 297
100 328 142 295
103 330 149 300
145 298 145 295

Lampiran 2 Output softwere SPSS untuk Uji Mulivariat
Homogenitas

Between-Subjects Factors

N
VAR00001 1 20
2 20

Box's Test of Equality of Covariance Matrices
a

Box's M 53.914
F 16.947
df1 3
df2 2.599E5
Sig. .000
Tests the null hypothesis that the observed covariance
matrices of the dependent variables are equal across
groups.
a. Design: Intercept + VAR00001

Multivariate Tests
b

Effect Value F
Hypothesis
df Error df Sig.
Intercept Pillai's Trace
.999
1.935E4
a

2.000 37.000 .000
Wilks' Lambda
.001
1.935E4
a

2.000 37.000 .000
Hotelling's Trace
1.046E3
1.935E4
a

2.000 37.000 .000
Roy's Largest
Root
1.046E3
1.935E4
a

2.000 37.000 .000
VAR00001 Pillai's Trace .382 11.418
a
2.000 37.000 .000
Wilks' Lambda .618 11.418
a
2.000 37.000 .000
Hotelling's Trace .617 11.418
a
2.000 37.000 .000
Roy's Largest
Root
.617 11.418
a
2.000 37.000 .000
a. Exact statistic

b. Design: Intercept + VAR00001


Levene's Test of Equality of Error Variances
a


F df1 df2 Sig.
VAR00002 26.890 1 38 .000
VAR00003 46.650 1 38 .000
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
a. Design: Intercept + VAR00001

Tests of Between-Subjects Effects
Source
Dependent
Variable
Type III Sum
of Squares df Mean Square F Sig.
Correcte
d Model
VAR00002 7812.025
a
1 7812.025 21.881 .000
VAR00003 1512.900
b
1 1512.900 10.086 .003
Intercept VAR00002 700396.225 1 700396.225 1.962E3 .000
VAR00003 3620428.900 1 3620428.900 2.414E4 .000
VAR000
01
VAR00002 7812.025 1 7812.025 21.881 .000
VAR00003 1512.900 1 1512.900 10.086 .003
Error VAR00002 13566.750 38 357.020

VAR00003 5700.200 38 150.005

Total VAR00002 721775.000 40

6

VAR00003 3627642.000 40

Correcte
d Total
VAR00002 21378.775 39

VAR00003 7213.100 39

a. R Squared = .365 (Adjusted R Squared = .349)

b. R Squared = .210 (Adjusted R Squared = .189)


Lampiran 3 Output MinitabTabel Nilai d
(j)
2
dan q untuk
Produk Kerosine Daerah Kawengan
Data
Ke- d(j)2 q
Data
Ke- d(j)2 q
1 0.591 0.05064 11 1.5591 1.48888
2 0.688 0.15592 12 1.5966 1.71133
3 0.7688 0.26706 13 1.8484 1.96166
4 0.7864 0.38474 14 1.9862 2.24786
5 0.8235 0.50978 15 2.7353 2.58197
6 0.8335 0.64317 16 2.8166 2.98331
7 0.8972 0.78609 17 2.8649 3.48594
8 1.0089 0.94001 18 3.4706 4.15888
9 1.0832 1.10677 19 4.477 5.18053
10 1.3912 1.28871 20 5.7735 7.37776

Lampiran 4 Output MinitabTabel Nilai d
(j)
2
dan q untuk
Produk Kerosine Daerah Ledok

Data
Ke- d(j)2 q
Data
Ke- d(j)2 q
1 0.0406 0.05064 11 1.8525 1.48888
2 0.1586 0.15592 12 1.9314 1.71133
3 0.1748 0.26706 13 2.128 1.96166
4 0.2285 0.38474 14 2.2966 2.24786
5 0.3477 0.50978 15 2.4228 2.58197
6 0.4721 0.64317 16 2.6837 2.98331
7 0.6687 0.78609 17 3.1622 3.48594
8 0.7849 0.94001 18 3.7778 4.15888
9 1.2795 1.10677 19 4.8551 5.18053
10 1.6511 1.28871 20 7.0833 7.37776

Lampiran 5 Output softwere R untuk Pengujian Normal
multivariat Data IBP dan FBP Produk Kerosin
Daerah Kawengan


Lampiran 6 Output softwere R untuk Pengujian Normal
multivariat Data IBP dan FBP Produk Kerosin
Daerah Ledok


$distance
[,1]
[1,] 3.1622431
[2,] 2.6837193
[3,] 7.0832647
[4,] 4.8550641
[5,] 0.4720667
[6,] 2.4227801
[7,] 0.2285420
[8,] 1.6511154
[9,] 3.7778474
[10,] 1.2795110
[11,] 2.2965732
[12,] 0.1586041
[13,] 0.7849423
[14,] 1.9313700
[15,] 1.8525152
[16,] 0.1747888
[17,] 0.6687146
[18,] 0.3477047
[19,] 2.1280179
[20,] 0.0406154

$chisquared
[1] 1.386294

$proportion
[1] 0.45
$distance
[,1]
[1,] 0.5909996
[2,] 2.8165667
[3,] 0.8972235
[4,] 1.5966001
[5,] 5.7735003
[6,] 1.3911858
[7,] 0.6879847
[8,] 0.8235289
[9,] 0.8334696
[10,] 1.9862357
[11,] 3.4706263
[12,] 4.4769740
[13,] 1.0089397
[14,] 2.8649058
[15,] 0.7864117
[16,] 0.7688057
[17,] 2.7352939
[18,] 1.5591420
[19,] 1.8484329
[20,] 1.0831729

$chisquared
[1] 1.386294

$proportion
[1] 0.45

7

Lampiran 7 output Minitab untuk Pengujian Normal
multivariat dan Normal univariat

MTB > %D:\macro_ujinorm.txt C1-C2
Executing from file: D:\macro_ujinorm.txt

Answer = 0.5910
Answer = 2.8166
Answer = 0.8972
Answer = 1.5966
Answer = 5.7735
Answer = 1.3912
Answer = 0.6880
Answer = 0.8235
Answer = 0.8335
Answer = 1.9862
Answer = 3.4706
Answer = 4.4770
Answer = 1.0089
Answer = 2.8649
Answer = 0.7864
Answer = 0.7688
Answer = 2.7353
Answer = 1.5591
Answer = 1.8484
Answer = 1.0832
Scatterplot of q vs dd
Data Display

t 0.450000

Data Display
q
0.05064 0.15592 0.26706 0.38474
0.50978 0.64317 0.78609
0.94001 1.10677 1.28871 1.48888
1.71133 1.96166 2.24786
2.58197 2.98331 3.48594 4.15888
5.18053 7.37776
MTB >Correlation 'dj2' 'q'.
Correlations: dj2, q
Pearson correlation of dj2 and q = 0.995
P-Value = 0.000

MTB > %D:\macro_ujinorm.txt C7-C8
Executing from file: D:\macro_ujinorm.txt
Answer = 3.1622
Answer = 2.6837
Answer = 7.0833
Answer = 4.8551
Answer = 0.4721
Answer = 2.4228
Answer = 0.2285
Answer = 1.6511
Answer = 3.7778
Answer = 1.2795
Answer = 2.2966
Answer = 0.1586
Answer = 0.7849
Answer = 1.9314
Answer = 1.8525
Answer = 0.1748
Answer = 0.6687
Answer = 0.3477
Answer = 2.1280
Answer = 0.0406
Scatterplot of q vs dd
Data Display
t 0.450000

Data Display
q
0.05064 0.15592 0.26706 0.38474
0.50978 0.64317 0.78609
0.94001 1.10677 1.28871 1.48888
1.71133 1.96166 2.24786
2.58197 2.98331 3.48594 4.15888
5.18053 7.37776
MTB >Correlation 'dj2_L' 'q_L'.
Correlations: dj2_L, q_L
Pearson correlation of dj2_L and q_L = 0.994
P-Value = 0.000

Lampiran 7 Probability Plot untuk Data IBP Daerah
Kawengan


Lampiran 8Probability Plot untuk Data FBP Daerah
Kawengan



Lampiran 9Probability Plot untuk Data IBP Daerah Ledok



175 150 125 100 75 50
99
95
90
80
70
60
50
40
30
20
10
5
1
IBP_1
P
e
r
c
e
n
t
Mean 118.3
StDev 25.63
N 20
KS 0.175
P-Value 0.103
Probability Plot of IBP_1
Normal
350 340 330 320 310 300 290 280 270 260
99
95
90
80
70
60
50
40
30
20
10
5
1
FBP_1
P
e
r
c
e
n
t
Mean 307
StDev 16.93
N 20
KS 0.160
P-Value >0.150
Probability Plot of FBP_1
Normal
165 160 155 150 145 140 135 130
99
95
90
80
70
60
50
40
30
20
10
5
1
IBP_2
P
e
r
c
e
n
t
Mean 146.3
StDev 7.568
N 20
KS 0.118
P-Value >0.150
Probability Plot of IBP_2
Normal
8

Lampiran 10Probability Plot untuk Data FBP Daerah Ledok





Lampiran 11 Syntax softwere R untuk Pengujian Normal
Multivariat


Lampiran 12 Syntax softwere Macro Minitabuntuk
Pengujian Normal Multivariat

305 300 295 290 285
99
95
90
80
70
60
50
40
30
20
10
5
1
FBP_2
P
e
r
c
e
n
t
Mean 294.7
StDev 3.658
N 20
KS 0.126
P-Value >0.150
Probability Plot of FBP_2
Normal
macro
qq x.1-x.p
mconstant i n p t chis
mcolumn d x.1-x.p dd pi q ss tt
mmatrix s sinv ma mb mc md
let n=count(x.1)
cova x.1-x.p s
invert s sinv
do i=1:p
let x.i=x.i-mean(x.i)
enddo
do i=1:n
copy x.1-x.p ma;
use i.
transpose ma mb
multiply ma sinv mc
multiply mc mb md
copy md tt
let t=tt(1)
let d(i)=t
enddo
set pi
1:n
end
let pi=(pi-0.5)/n
sort d dd
invcdf pi q;
chis p.
plot q*dd
invcdf 0.5 chis;
chis p.
let ss=dd<chis
let t=sum(ss)/n
print t
endmacro


multinorm.test <- function(X){
#input X adalah matriks berukuran n p
X <- as.data.frame(X) #memastikan X berbentuk
matriks (kenapa?)
mu<- colMeans(X) #menghitung vector mean dari
matriks X
S <- cov(X) #menghitung matriks penduga S
invS<- solve(S)
d <- matrix(rep(0,nrow(X)),nrow(X),1)
eval<- matrix(rep(0,nrow(X)),nrow(X),1)
q <- qchisq(0.5,ncol(X)) #menghitung titik kritis
for (i in 1:nrow(X)){ #fungsi ini menghitung jarak dan
mengevaluasinya terhadap titik kritis
d[i] <- as.numeric(X[i,] - mu) %*% (invS) %*%
as.numeric (t(X[i,] - mu))
ifelse (d[i] <= q, eval[i] <- 1, eval[i] <- 0)
}
prop<- sum(eval)/nrow(X) #menghitung proporsi jarak
yang memenuhi kriteria pengujian
result<- list(distance = d, chisquared = q, proportion =
prop)
return(result)
}