LAPORAN Modul 2B Distribusi Statistik

Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik

Kelompok 17
BAB I
PENDAHULUAN
1.1
Latar Belakang
Salah satu cara untuk mengetahui bahwadata memiliki distribusi baik atau tidak
adalah dengan menggunakan cara distribusi statistik. Banyak kegunaan dari distribusi
statistic, salah satu penerapannya adalah dalam pengambilan keputusan terhadap suatu
masalah. Dalam suatu masalah pasti banyak kemungkinan-kemungkinan dalam
penyelesaian masalah membuat distribusi statistik. Hal itu lah yang membuat distribusi
statistik berguna untuk membantu dalam pencarian jalan keluar untuk memutuskan
suatu masalah.
Distribusi statistik memiliki banyak macam, yaitu uniform, exponensial, gamma,
weibull, normal, lognormal, beta, pearson type v, pearson type vi, log-logistic,
triangular, dan lain sebagainya. Masing-masing macam distribusi statistic memiliki
fungsi dan parameternya.
Pada laporan kali ini, praktikan akan menganilisis suatu data kontinu dan akan
melakukan pengolahan data dengan uji goodness of fit. Uji goodness of fit sendiri
adalah suatu pengujian untuk menguji apakah keragamannya cocok dengan distribusi
atau tidak. Dalam laporan ini, praktikan juga akan menampilkan beebrapa grafik hasil
dari pengolahan data dengan software Easyfit.
1.2
Tujuan Praktikum
Melalui Praktikum Teori Probabilitas Distribusi Statistik ini, praktikan
diharapkan:
1. Mengerti dan memahami macam-macam distribusi statistik
2. Memahami parameter-parameter distribusi statistik
3. Memahami fungsi atau kegunaan dari distribusi statistik
1
Program Studi Teknik Industri
Universitas Diponegoro

Kelompok 17
4. Mengenal dan mampu menganalisis distribusi statistik dengan software

Arena dan Easyfit
1.3
Pembatasan Masalah
Pada praktikum Teori Probabilitas Distribusi Statistik ini praktikan mengambil
data kontinu dari panjang rentang tangan 40 mahasiswa Teknik Industri Universitas
Diponegoro 2013. Setelah mendapatkan data, praktikan lalu melakukan uji goodness
of fit. Setelah itu praktikan mencari data dengan distribusi terbaik dan menyajikan
grafiknya. Lalu praktikan akan melakukan analisis data dari hasil pengolahan data.
2

Kelompok 17
1.4
Metodologi Praktikum
Start
Identifikasi dan Perumusan
Studi Pustaka
Observasi
Pengumpulan
Pengolahan Data:
1. Software Arena
2. Uji Goodness of
Fit
Analisa
Penutup
Selesai
Gambar 1.1 Flowchart Metodologi Praktikum
3

Kelompok 17
1.5
Sistematika Penulisan
Sistematika penulisan laporan praktikum Teori Probabilitas
Distribusi
StatistikModul 2B adalah sebagai berikut:
BAB I PENDAHULUAN
Membahas tentang latar belakang praktikum, tujuan praktikum, perumusan
masalah, metodologi dalam praktikum, dan sistematika penulisan laporan
praktikum.
BAB II TINJAUAN PUSTAKA

Berisi tentang dasar-dasar teori distribusi statistik, yang meliputi parameter
statistik, statistika deskriptif, distribusi kontinu, dan uji Goodness of Fit. Selain
itu juga membahas mengenai software Arena dan juga software Easyfit
BAB III PENGUMPULAN DAN PENGOLAHAN DATA

Berisi pengumpulan dan pengolahan data. Selain itu juga berisi output software
Easyfit dan uji Goodness of Fit.
BAB IV ANALISIS DATA

Menganalisa hasil pengolahan data dari hasil perhitungan yang diperoleh dan
membandingkan hasil perhitungan manual dengan software. Selain itu juga
menganalisa output yang dari software.
BAB V PENUTUP
Berisi kesimpulan dan saran mengenai praktikum yang telah dilakukan dan juga
membahas isi laporan dalam bentuk ringkasan.
4

Kelompok 17
BAB II
TINJAUAN PUSTAKA
2.1
Parameter Statistik
Parameter statistik dalam suatu distribusi statistik ada tiga jenis, yaitu location
parameter, scale parameter, dan shape parameter. Setiap distribusi statistik

mempunyai minimal satu dari ketiga parameter tersebut.
Location parameter digunakan untuk menentukan lokasi titik axis dari suatu
nilai dari distribusi. Biasanya adalah midpoint (contohnya mean untuk distribusi
normal) atau lower endpoint. Location parameter sering disebut shift parameter . Jika
distribusi random variabel X mempunyai location parameter 0, kemudian distribusi dari
random variabel Y = x + mempunyai location parameter.
Scale parameter digunakan untuk menentukan unit dari ukuran nilai dalam
suatu distribusi. Standar deviasi adalah salah satu contoh scale parameter dalam
distribusi normal. Suatu perubahan dalam menekan atau memperluas pengelompokan
distribusi tanpa merubah bentuk bentuk dasarnya. Jika distribusi dengan random
variabel X mempunyai scale parameter 1, kemudian distribusi random variabel Y = X
mempunyai scale parameter .
Shape parameter menentukan, membedakan location dan scale parameter,
bentuk dasar dari distribusi dengan memperhatikan kelompok distribusi secara umum.
Perubahan di dalam secara umum merubah isi distribusi (misalnya skewness) lebih
mendasarkan pada perubahan location dan scale parameter. Beberapa distribusi seperti
distribusi eksponensial dan normal tidak mempunyai shape parameter namun distribusi
beta mempunyai 2 buah.
(Kelton,2000)
5

Kelompok 17
2.2
Statistika Deskriptif
Statistka adalah ilmu yang mempelajari tentang cara pengumpulan, pengolahan,
penyajian, dan penganalisisan data serta penarikan kesimpulan dan pembuatan

keputusan berdasrakan fakta atau data dan hasil analisis yang telah dialakukan.
Sedangkan statistika deskriptif adalah statistika yang menjelaskan atau menggambarkan
berbagai karakteristik data, sperti rata-ratanya, seberapa jauh data-data bgervariasi dan
sebagainya.Seperti telah disebutkan bahwa statistika deskriptif lebih berhubungan
dengan pengumpulan dan peringkasan data, serta penyajian hasil peringkasan tersebut.
Data statistik yang biasa diperoleh dari hasil sensus ,survei, atau pengamatan lainnya
umumnya masih acak, dan tidak terorganisir dengan baik. Data tersebut harus diringkas
dengan baik dan teratur, baik dalam bentuk tabel atau presentasi grafis sebagai dasar
untuk berbagai pengambilan keputusan.
(Kelton,2000)
2.3
Distribusi Kontinu
Distribusi Uniform
Distribusi ini terdiri dari dua nilai yaitu nilai maksimum dan minimum.
Bentuk distribusinya adalah
, jika x a
0
x a
F ( x)
, jika a x b
b a
, jika b x
1
.(1)
U(0,1) adalah kasus spesial dari distribusi beta (ketika 1 = 2).

Parameternya adalah a dan b angka real dengan ; a adalah location
parameter, b a adalah scale parameter.
6

Kelompok 17
Aplikasinya adalah digunakan sebagai model pertama untuk kuantitas yang

dirasa bervariasi secara acak antara a dan b tapi sedikit yang lain diketahui.
Distribusi U (0,1) terutama dalam nilai acak umum dari semua distribusi yang
lain.
(Kelton, 2000)
Distribusi Exponensial
Distribusi ini banyak diaplikasikan dalam waktu antar kedatangan konsumen
suatu system yang dianggap konstan, waktu kerusakan dari komponen suatu
mesin.
1 x
e
Distribusi : F ( x)
0,
jika x 0
untuk x yang lain
.(2)
Parameternya adalah Scale parameter >0

Aplikasinya adalah waktu antar kedatangan dari pelanggan suatu sistem
yang konstan, waktu rusaknya bagian dari suatu perlengkapan
(Kelton, 2000)
Distribusi Gamma
Distribusi ini banyak diaplikasikan untuk waktu pengerjaan suatu tugas
misalnya waktu pelayanan kepada pelanggan yang memperbaiki mobil.

Distribusi ini sama dengan distribusi eksponensial ( ), jika gamma (1, ).
Sedangkan m integer positif, distribusi gamma (m, ), disebut dengan distribusi
m-Erlang.
Bentuk distribusinya adalah:
x/
1 e
F ( x)
0
(x / ) j
j!
j 0
1
jika x 0
untuk x yang lain
.(3)
7

Kelompok 17
Aplikasiya adalah waktu untuk menyelesaikan suatu pekerjaan, seperti

customer service pada reparasi mesin
Parameternya adalah Shape parameter > 0 , scale parameter > 0
(Kelton, 2000)
Distribusi Weibull
Aplikasi dari distribusi weibull sama dengan penerapan distribusi gamma.
Hal ini disebabkan parameter distribusi ini sama dengan distribusi gamma.
Hanya bentuk distribusinya yang berbeda.
jika x 0
1 e x
0 untuk x yang lain .(4)
F x =
Parameternya adalah shape parameter 0, scale parameter > 0

Aplikasinya adalah waktu untuk menyelesaikan suatu pekerjaan, waktu
untuk rusaknya bagian dari perlengkapan.
(Kelton, 2000)
Distribusi Normal atau Distribusi Gauss

Distribusi peluang kontinyu yang terpenting dalam bidang statistika adalah
distribusi normal. Bentuk kurvanya seperti lonceng. Aplikasi distribusi normal

sangat banyak. Dengan fungsi padatan:
f x
1
2
2
2
e x 2 ...........(5)
Parameternya adalah Location parameter dan scale parameter

Aplikasinya adalah data dengan kesalahan dari beberapa tipe.
(Kelton, 2000)
Distribusi Lognormal
Distribusi ini mirip dengan distribusi normal. Grafik fungsi padat dari
distribusi ini adalah:
8

Kelompok 17
1
(ln x ) 2
exp
jika x 0
f ( x) x 2 2
2 2
0
untuk x yang lain .(6)
Aplikasinya adalah Waktu untuk mennjkkan suatu tugas(kepadatannya akan

mempunyai bentuk yang mirip dengan gamma ( ) dan Weibull ( ) dengan
>1, namun bisa mempunyai paku besar yang mendekati x = 0 yang sering
berguna);produk
Parameternya adalah Shape parameter >0, scale parameter
(Kelton, 2000)
Distribusi Beta
Distribusi beta banyak digunakan untuk proporsi jumlah cacat, waktu
pengerjaan tugas seperti halnya jaringan kerja PERT.

Fungsi padatnya adalah:
x1 1 (1 x) 2 1
F ( x) B(1 , 2 )
jika 0 x 1
.(7)
untuk x yang lain
Dengan B (1, 2) adalah fungsi beta.

Aplikasinya adalah digunakan untuk model yang tak beraturan dalam hal
kekurangan data; distribusi dari bagian yang random, seperti bagian barang yang
cacat pada saat pengiriman; waktu untuk menyelesaikan tugas, misal: dalam
sebuah jaringan kerja PERT.
Parameternya adalah Shape parameter 1 > 0 dan 2 > 0
(Kelton, 2000)
Distribusi Pearson Type V

Bentuk distribusinya adalah :
1 - F (1 x )
F ( x) G
0
jika x 0
untuk x yang lain
.(8)
9


Kelompok 17
Dengan FG adalah fungsi distribusi gamma (, 1/) random variabel.

Parameternya adalah shape parameter >0, scale parameter >0.
Aplikasinya adalah waktu untuk menyajikan suatu tugas (kepadatan
mempunyai bentuk yang mirip dengan lognormal, tapi bisa mempunyai lebih
besar paku yang dekat dengan x = 0)
(Kelton, 2000)
Distribusi Pearson Type VI

)
FB (
x
F ( x)
0
jika x 0
untuk x yang lain
.(9)
Dimana FB(x) adalah fungsi distribusi beta (1, 2) variabel random.

Aplikasinya adalah waktu untuk menyajikan suatu tugas.
Parameternya adalah Shape parameter 1 >0 dan 2 >0,
scale parameter >0.
(Kelton, 2000)
Distribusi Log-logistic
Bentuk distribusinya adalah :
F ( x) 1 ( x / )
0
jika x 0
untuk x yang lain
.(10)
Aplikasinya adalah waktu untuk menyajikan suatu tugas.

Parameternya adalah Shape parameter >0, scale parameter >0
(Kelton, 2000)
Distribusi Johnson SB
Distribusi ini adalah distribusi dengan parameter paling lengkap. Distribusi
ini mempunyai tiga parameter yang ada:
Location parameter , scale parameter, dan shape parameter
10

Kelompok 17

x a
1 2 ln
F ( x)
b x
0
jika a x b
untuk x yang lain
.(11)
dimana x adalah fungsi distribusi dari peubah acak normal dengan 0

dan 2 1 .
(Kelton, 2000)
Distribusi Johnson SU
2
x y
x y
1
F x 1 2 ln

.(12)
Distribusi ini mempunyai tiga parameter yang ada:

Location parameter , scale parameter, dan shape parameter
(Kelton, 2000)
Distribusi Triangular
Distribusi ini mempunyai tiga parameter. Dengan a, b, dan c adalah bilangan
real. Distribusi ini menggambarkan model secara kasar dimana terjadi absence
data.
2x a
b a c a
2b x
F ( x)
b a b c
0
, jika a x c
, jika c x b
(13)
Aplikasinya adalah digunakan sebagai model kasar dalam suatu absen data
11

Kelompok 17
a, b, dan c adalah bilangan real dengan . a adalah location parameter, b-a adalah
scale parameter, c adalah shape parameter.
(Kelton,2000)
2.4
Uji Goodness of Fit

Pengujian hipotesis kompatibilitas (goodness of fit) merupakan pengujian
hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan sama
dengan frekuensi yang diperoleh dari suatu distribusi. Uji goodness of fit pada
prinsipnya bertujuan untuk mengetahui apakah sebuah distribusi teoritis tertentu
ataukah tidak. Sebagai contoh, jika sebuah dadu dilempar, maka kemungkinan
mendapat angka 5 adalah 1/6, juga kemungkinan untuk angka yang lain. Inilah yang
disebut distribusi teoritis sebuahd adu, karena terdiri atas 6 mata dadu yang mempunyai
kemungkinan seimbang untuk muncul dalam sekali pelemparan. Seandainya dilakukan
pelemparan 120 kali, seharusnya tiap mata dadu secara teoritis akan muncul masingmasing 1/6 x 120= 20 kali(angka 1 muncul 20 kali,angkan 2 muncul 20 kali dan
seterusnya). Namun tentu kenyataan tidaklah persissama, bisa saja angka 1 muncul
hanya 10 kali, tapi angka 3 muncul 24 kali dan kemungkinan lain. Untuk mengetahui
apakah kenyataan tersebut masih bisa dianggap selaras(fit) dengan distribusi teoritis,
akan digunakan uji goodness of fit.
Dengan demikian,goodness of fit test akan membandingkan dua distribusi data,
yakni yang teoritis(frekuensi harapan) dan yang sesuai kenyataan (frekuensi observasi).
(Singgih,2010)
2.3.1 Chi-Square
Uji ini ialah suatu uji test hipotesis tertua yang ditemukan oleh K.Pearson(1900).
Langkah untuk melakukan pengujian ini adalah dengan membagi data kedalam interval
serta menentukan frekuensi amatan dan harapan. Bentuk uji statistik ini adalah:
X 2=
k
i=1
(oi-ei )^2
ei
.(14)
(Modul Praktikum Teori Probabilitas 2014)
12


Kelompok 17
2.3.2 Kolmogorov Smirnov

Uji Kolmogorov-Smirnov (Chakravart, Laha, dan Roy, 1967) biasa digunakan
untuk memutuskan jika sampel berasal dari populasi dengan distribusi spesifik/tertentu.
Uji Kolmogorov-Smirnov digunakan untuk menguji goodness of fit antar distribusi
sampel dan distribusi lainnya. Uji ini membandingkan serangkaian data pada sampel
terhadap distribusi normal serangkaian nilai dengan mean dan standar deviasi yang
sama. Singkatnya uji ini dilakukan untuk mengetahui kenormalan distribusi beberapa
data.
Uji Kolmogorov-Smirnov merupakan uji yang lebihkuat dari pada uji chi-square
ketika asumsi-asumsinya terpenuhi. Uji Kolmogorov-Smirnov juga tidak memerlukan
asumsi bahwa populasi terdistribusi secara normal.
(https://www.academia.edu/)
2.4.3 Anderson Darling

Metode Anderson-Darling digunakan untuk menguji apakah sampel data berasal
dari populasi dengan distribusi tertentu. Anderson-Darling merupakan modifikasi dari
uji Kolmogorv-Smirnov (KS). Nilai-nilai kritis dalam uji KS tidak tergantung pada
distribusi tertentu yang sedang diuji sedangkan uji Anderson-Darling memanfaatkan
distribusi tertentu dalam menghitung nilai kritis. Ini memiliki keuntungan yang
memungkinkan tes yang lebih sensitif, tetapi kelemahannya adalah nilai-nilai kritis
harus dihitung untuk setiap distribusi. Tabel nilai-nilai kritis untuk normal, lognormal,
eksponensial, Weibull, nilai ekstrim tipe I, dan distribusi logistic dapat dilihat di
Anderson dan Darling (1954), Law danKelton (1991). Misalkan1 , 2 , adalah data
yang akan diuji distribusi normalnya dengan tingkat signifikan maka uji AndersonDarling dapatdiperoleh dengan menggunakan rumus sebagai berikut:
13

Kelompok 17
.(15)
(http://eprints.uny.ac.id/10838/1/S%20-%2019.pdf)
2.5
Software Arena
Software Arena adalah sebuah software pengolah dan penganalisa suatu data
statistika. Software Arena ini memiliki spesialisasi untuk menyelesaikan masalah pada
system diskrit. Fungsi dari software ini pun beragam, yaitu untuk mengolah data
statistik, menganalisa suatu aliran proses data, dan juga dapat menyajikan hasil
pengolahan dalam bentuk grafik. Kegunaan lainnya juga untuk identifikasi data,
mengetahui penyebaran, dan penjadwalan.
(digilib.upnjatim.ac.id)
2.6
Software Easyfit
Software Easyfit adalah sebuah software statistic yang menggunakan dasar
statistik. Kegunaan dari software Easyfit ini adalah untuk menganalisa dasar simulasi.
Selain itu juga dapat memudahkan kita dalam analisa probabilitas data dan juga
pemilihan model terbaik. Software Easyfit ini juga dapat dengan cepat memilih
distribusi terbaik yang sesuai dengan data.
(respiratory.ipb.ac.id)
14

Kelompok 17
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1
Data Kontinu
Dalam praktikum Teori Probabilitas Modul 2B data yang digunakanadalah data
panjang rentang tangan 40 mahasiswa Teknik Industri 2013 UniversitasDiponegoro.

Data tersebut sebagai berikut:
Tabel 3.1 Data Panjang Rentang Tangan
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Jenis Kelamin
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Perempuan
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Nama
Natalia Purba
Anatashia Rosa F
Pramudiastuti Ageng N
Rizqi Rahmawati C
Adinda Putri P
Almira Puan R
Laila Izzatunnisa
Dhindi Oxiana Irawan
Devi Amalia A
Andina Pratiwi
Wening Rahayuningtyas
Bella Prima Novita Sari
Octavia Putri W
Siti Nur Azizah
Octavia Rosari G
Yuni Sartika
Ulyvia Trisnawati
Bedietra Adriz R
Claudia Gita Pratiwi
Tiara Ima Khota
David Kurnia S H
Deshtyan Erlangga Adi
Dhani Alfanda
Dhialma Yonathan Susilo
Donnie Cahya Gumilang Silalahi
Eko Satriyo Nugroho
Eko Sunarto
PRT
167.2
164.5
165.4
160.8
151.9
160.4
159.5
162.3
159.0
160.0
165.4
176.7
158.8
161.9
158.1
155.8
156.8
152.2
153.8
164.6
156.6
168.2
176.2
178.1
179.8
171.2
165.6
15

Kelompok 17
Lanjutan Tabel 3.1 Data Panjang Rentang Tangan
28
29
30
31
32
33
34
35
36
37
38
39
40
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Laki-laki
Eric Priambodo S
Fahmi Farid Priyatna
Faiz Hanif Kurniawan
Hanan Muhardiansyah
Hary Utama Kurniawan
Hilal Soleh Jolang Prakoso
Hilga Prawingga
Ilham Sudrajat Ramadhon
Joy Irfan Sembiring
Lutfi Setiawan
Mario Exaudia Purba
Maulana Arif U
Meikel Zekben S
172.4
167.8
170.3
171.3
184.2
163.9
175.2
177.7
187.6
169.8
176.1
181.6
165.8
Kemudian kami menguji data kami dengan Uji Anderson darling dengan cara
mengubah data kami menjadi 10 bagian data kombinasi.Kombinasi 1 dari data ke 1
sampai data ke-30.Kombinasi 2 dari data ke-2 sampai data ke-31,begitu seterusnya
sampai data kombinasi ke-10.Berikut hasil dari uji Anderson Darling untuk sepuluh data
kombinasi.
Tabel 3.3 Rank dariUji Anderson Darling
Kombinasi
Anderson Darling
Statistik
Rank
Wakeby
0,13408
Johnson SB
0,15432
Johnson SB
0,13905
Johnson SB
0,13997
Johnson SB
0,1165
Johnson SB
0,15665
10
Johnson SB
0,11071
Johnson SB
0,10232
Johnson SB
0,15463
10
Error
0,12347
Dari tabel diatas diketahui bahwa data kombinasi ke-8merupakan data yang
memiliki rank pertama,data kombinasi ke-8 merupakan kombinasi data dari data ke-8
16

Kelompok 17
sampai data ke-37 dari data kontinu.Oleh karena itu dalam grafik output software kami
menggunakan data kombinasi yang ke-8.
3.2
Output Software Easyfit

1. Beta
Gambar 3.1 Output Software Easyfit Beta
17

Kelompok 17
2. Chi-Square
Gambar 3.2 Output Software Easyfit Chi-Square
18

Kelompok 17
3. Erlang
Gambar 3.3 Output Software Easyfit Erlang
19

Kelompok 17
4. Error
Gambar 3.4 Output Software Easyfit Error
20

Kelompok 17
5. Eksponensial
Gambar 3.5 Output Software Easyfit Eksponensial
21

Kelompok 17
6. Gamma
Gambar 3.6 Output Software Easyfit Gamma
22

Kelompok 17
7. Johnson SB
Gambar 3.7 Output Software Easyfit Johnson SB
23

Kelompok 17
8. Laplace
Gambar 3.8 Output Software Easyfit Laplace
24

Kelompok 17
9. Log Pearson 3
Gambar 3.9 Output Software Easyfit Log Pearson 3
25

Kelompok 17
10. Logistic
Gambar 3.10 Output Software Easyfit Logistic
26

Kelompok 17
11. Lognormal
Gambar 3.11 Output Software Easyfit Lognormal
27

Kelompok 17
12. Normal
Gambar 3.12 Output Software Easyfit Normal
28

Kelompok 17
13. Pareto
Gambar 3.13 Output Software Easyfit Pareto
29

Kelompok 17
14. Pearson 5
Gambar 3.14 Output Software Easyfit Pearson 5
30

Kelompok 17
15. Pearson 6
Gambar 3.15 Output Software Easyfit Pearson 6
31

Kelompok 17
16. Students
Gambar 3.16 Output Software Easyfit Students
32

Kelompok 17
17. Triangular
Gambar 3.17 Output Software Easyfit Triangular
33

Kelompok 17
18. Uniform
Gambar 3.18 Output Software Easyfit Uniform
34

Kelompok 17
19. Wakeby
Gambar 3.19 Output Software Easyfit Wakeby
35

Kelompok 17
20. Weibull
Gambar 3.20 Output Software Easyfit Weibull
36

Kelompok 17
3.3
Uji Goodness of Fit (chi square)

3.3.1 Output software arena
Gambar 3.21 Output Distribusi Normal pada Software Arena
Distribution Summary
Corresponding p-value
> 0.15
Distribution: Normal
Expression: NORM(167, 9.14)
Data Summary
Square Error: 0.022042
Number of Data Points

Min Data Value
= 152
Chi Square Test
Max Data Value
= 188
Number of intervals = 3
Sample Mean
= 167
Degrees of freedom
=0
Sample Std Dev
= 9.3
Test Statistic
= 1.17
< 0.005
Histogram Summary
Histogram Range
Kolmogorov-Smirnov Test
= 30
= 152 to 188
Number of Intervals = 5
Test Statistic = 0.0923
3.3.2 Perhitungan Manual
K= 1+3,3 Log n
K= 1 + 3,3 Log 30
37


Kelompok 17
K= 5,87 6
R =
R = 187,6 152,2
R = 35,4 36
I=
I=
36
6
I=6
Tabel 3.4 Distribusi Frekuensi
2
149,4922
2
896,9532
12
161,15
966,9 167,3767
-6,2267
38,77179
232,6308
164,2 170,1
18
167,15
1002,9 167,3767
-0,2267
0,051393
0,308357
170,2 176,1
23
173,15
865,75 167,3767
5,7733
33,33099
166,655
176,2 182,1
28
179,15
895,75 167,3767
11,7733
138,6106
693,053
182,2 188,1
30
185,15
370,3 167,3767
17,7733
315,8902
631,7804
16,6398
676,142
2621,381
Total

-12,2267
158,2 164,1
930,9 167,3767
155,15
Interval
152,2 158,1
30
Variansi
2 =
5032,5
( )2 2621,381
=
= 90,3924
1
30 1
Standart Deviasi
=
( )2
1
2621,381
30 1
= 9,50749
38

Kelompok 17
1 =
Batas Bawah Mean
2 =
Batas Atas Mean
PZ1 dan PZ2 merupakan nilai berdasarkan tabel L-3 Luas Wilayah dibawah
Standar Deviasi
Standar Deviasi
Kurva Normal pada Buku Walpole, nilai dilihat dari Z1 dan Z2.
Berikut tabel data hasil perhitungan keseluruhan

Tabel 3.5 Perhitungan Manual Kombinasi Terpilih
BB
152,15
158,15
164,15
170,15
176,15
182,15
BA
158,15
164,15
170,15
176,15
182,15
188,15
Z1
-1,60
-0,97
-0,33
0,29
0,92
1,55
Z2
-0,97
-0,33
0,29
0,92
1,55
2,18
P(Z1)
0,0548
0,166
0,3707
0,6141
0,8186
0,9394
oi
6
6
6
5
5
2
Fh
3,336
6,141
7,302
6,213
3,624
1,38
total
oi
ei
oi-ei
(oi-ei)^2
12
9,477
2,523
6,365529
6
5
7,302
6,213
-1,302
-1,213
1,695204
1,471369
5,004
1,996
3,984016
27,996
P(Z2)
0,166
0,3707
0,6141
0,8212
0,9394
0,9854
|P|=P(Z2)-P(Z1)
0,1112
0,2047
0,2434
0,2071
0,1208
0,046
13,51612
Uji Goodness of Fit

1. H0= Data berdistribusi normal
2. H1= Data tak berdistribusi normal
3. Diketahui Taraf Signifikansi() = 0,05
39

Kelompok 17
4. Daerah Kritis x2>x2

V = K-1
V = 4-1
V=3
Berdasarkan tabel L-5 Nilai Kritik Sebaran Chi-Squared di buku Walpole
Tabel 3.6 Data Tabel L-5 Nilai Kritik Sebaran Chi-Squared
V
3
0,05
2,366
5. Perhitungan
( )2
2 =
2 =
(129,477 )2
9,477
(67,032 )2
7,032
(56,213 )2
6,213
(75,004 )2
5,004
= 2,0
6. Keputusan
Karena 2 hitung < 2 tabel L-5,Maka jangan tolak H0
7. Kesimpulan
Maka ini termasuk distribusi normal.
40

Kelompok 17
BAB IV
ANALISA DATA
4.1
Analisa Output
1.
Beta
Berdasarkan gambar distribusi beta data kombinasi ke 8 dari data
kombinasi menunjukkan 2 parameter ,yaitu shape parameter 1(1)= 1,1996 dan

shape parameter 2(2= 1,6052. Distribusi beta juga menunjukkan lower
boundary(a) = 152,2 dan upper boundary (b) = 187,6.Distribusi beta data
kombinasi ini memiliki nilai skewness = 0,2373 dan kurtosis = - 0,96371. Data
tersebut memiliki skewness positif, sehinngga grafik dari data tersebut condong
ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena itu grafik datanya
landai atau disebut platykurtic. Nilai statistic chi squared pada data tersebut
sebesar 0,33333, pada data tersebut tidak ada reject, sehingga data tersebut
cocok untuk djadikan sampel.
2.
Chi Squared
Berdasarkan gambar distribusi chi squared data kombinasi ke 8 dari
data kombinasi menunujukkan deg. of freedom () = 167 dan location parameter

() = 0.Distribusi chi squared ini menunjukkan nilai skewness = 0,21887 dan
kurtosis = 0,07186. Data tersebut memiliki skewness positif, sehinngga grafik
dari data tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh
karena itu grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi
squared pada data tersebut sebesar 3,4638, pada data tersebut tidak ada reject,
sehingga data tersebut cocok untuk djadikan sampel.
3.
Erlang
Berdasarkan gambar distribusi erlang data kombinasi ke 8 dari data
kombinasi menunjukkan shape parameter (m) = 323;scale parameter () =

0,51668 ; location parameter () = 0.Distribusi erlang ini memiliki nilai
41

Kelompok 17
skewness = 0,11128 dan kurtosis = 0,01858. Data tersebut memiliki skewness

positif, sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut
leptokurtic.Nilai statistic chi squared pada data tersebut sebesar 2,0499, pada
data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
4.
Exponential
Berdasarkan gambar distribusi exponential data kombinasi ke 8 dari
data kombinasi menunjukkan inverse scale parameter () = 0,00597 dan location

parameter () = 0.Distribusi exponential ini memiliki nilai skewness = 2 dan
kurtosis = 6. Data tersebut memiliki skewness positif, sehinngga grafik dari data
tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu
grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada
data tersebut sebesar 255,77, pada data tersebut ada reject, sehingga data
tersebut tidak cocok untuk djadikan sampel.
5.
Error
Berdasarkan gambar distribusi error data kombinasi ke 8 dari data
kombinasi menunjukkan shape parameter (k) = 3,3552;scale parameter () =

9,2995;location parameter () = 167,38.Distribusi error ini memiliki nilai
skewness = 0 dan kurtosis = -0,68386. Data tersebut memiliki skewness positif,
sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari data
tersebut < 0, oleh karena itu grafik datanya landai atau disebut platykurtic. Nilai
statistic chi squared pada data tersebut sebesar 0,24035, pada data tersebut tidak
ada reject, sehingga data tersebut cocok untuk djadikan sampel.
6.
Gamma
Berdasarkan gambar distribusi gamma data kombinasi ke 8 dari data
kombinasi menunjukkan shape parameter () = 323,95;scale parameter () =

0,51668;location parameter () = 0.Distribusi gamma ini memiliki nilai
42

Kelompok 17

data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
Nilai statistic chi squared pada data tersebut sebesar 2,1012, pada data tersebut
tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
7.
Johnson SB
Berdasarkan gambar distribusi Johnson SB data kombinasi ke 8 dari
data kombinasi menunjukkan shape parameter () = 0,45553;shape parameter ()

= 1,0454;scale parameter () = 47,333;location parameter () = 147,98
.Distribusi Johnson SB ini memiliki nilai skewness = tidak ada dan kurtosis =
tidak ada. Nilai statistic chi squared pada data tersebut sebesar 1,0147, pada data
tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
8.
Laplace
Berdasarkan gambar distribusi Laplace data kombinasi ke 8 dari data
kombinasi menunjukkan inverse scale parameter () = 0,15207;;location

parameter () = 167,38.Distribusi Laplace ini memiliki nilai skewness = 0 dan
kurtosis = 3. Data tersebut memiliki skewness positif, sehinngga grafik dari data
9.
Lognormal
Berdasarkan gambar distribusi Lognormal data kombinasi ke 8 dari
data kombinasi menunjukkan scale parameter () = 0,05433;location parameter

() = 5,1188;location parameter () = 0.Distribusi Lognormal ini memiliki nilai
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut
43

Kelompok 17
leptokurtic.Nilai statistic chi squared pada data tersebut sebesar 2,2167, pada
data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
10.
Log-Pearson 3
Berdasarkan gambar distribusi Log-Pearson 3 data kombinasi ke 8 dari
data kombinasi menunjukkan shape parameter () = 86,955;scale parameter ()

= 0,00593;location parameter () = 4,6035.Distribusi Log-Pearson 3
ini
memiliki nilai skewness = 0,38498 dan kurtosis = 0,26825. Data tersebut

memiliki skewness positif, sehinngga grafik dari data tersebut condong ke kiri.
Nilai kurtosiss dari data tersebut > 0, oleh karena itu grafik datanya runcing atau
disebut leptokurtic. Nilai statistic chi squared pada data tersebut sebesar 2,1834,
pada data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
11.
Logistic
Berdasarkan gambar distribusi Logistic data kombinasi ke 8 dari data
kombinasi menunjukkan scale parameter () = 5,1271;location parameter () =

167,38.Distribusi Logistic ini memiliki nilai skewness = 0 dan kurtosis = 1,2.
Data tersebut memiliki skewness positif, sehinngga grafik dari data tersebut
condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu grafik
datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada data
tersebut sebesar 2,6707, pada data tersebut tidak ada reject, sehingga data
tersebut cocok untuk djadikan sampel.
12.
Normal
Berdasarkan gambar distribusi Normal data kombinasi ke 8 dari data
kombinasi menunjukkan scale parameter () = 9,2995;location parameter () =

167,38.Distribusi Normal ini memiliki nilai skewness = 0 dan kurtosis = -0. Data
44

Kelompok 17
sebesar 2,7196, pada data tersebut tidak ada reject, sehingga data tersebut cocok
untuk djadikan sampel.
13.
Pareto
Berdasarkan gambar distribusi Pareto data kombinasi ke 8 dari data

152,2.Distribusi Pareto ini memiliki nilai skewness = 2,7415 dan kurtosis =
13,856. Data tersebut memiliki skewness positif, sehinngga grafik dari data
data tersebut sebesar 4,0923, pada data tersebut tidak ada reject, sehingga data
tersebut cocok untuk djadikan sampel.
14.
Pearson 5
Berdasarkan gambar distribusi Pearson 5 data kombinasi ke 8 dari data

56794,0;location parameter () = 0.Distribusi Pearson 5 ini memiliki nilai
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
15.
Pearson 6
Berdasarkan gambar distribusi Pearson 6 data kombinasi ke 8 dari data
kombinasi menunjukkan shape parameter 1 (1) = 25,651; shape parameter 2

(2) = 9,5522E+8;scale parameter () = 6,3471E+9;location parameter () =
0.Distribusi Pearson 6 ini memiliki nilai skewness = 0,3949 dan kurtosis =
0,23391. Data tersebut memiliki skewness positif, sehinngga grafik dari data
45

Kelompok 17
grafik datanya runcing atau disebut leptokurtic.Nilai statistic chi squared pada
16.
Students t
Berdasarkan gambar distribusi Students t data kombinasi ke 8 dari
data kombinasi menunjukkan deg.of freedom = 2.Distribusi Students t ini

memiliki nilai skewness = tidak ada dan kurtosis = tidak ada. Nilai statistic chi
squared pada data tersebut sebesar 2,4945E+6, pada data tersebut ada reject,
sehingga data tersebut tidak cocok untuk djadikan sampel
17.
Triangular
Berdasarkan gambar distribusi Triangular data kombinasi ke 8 dari data
kombinasi menunjukkan mode parameter (m) = 162,33;lower boundary

parameter (a) = 152,2;upper boundary parameter (b) = 187,6.Distribusi
Triangular ini memiliki nilai skewness = 0,37565 dan kurtosis = -0,6. Data
sebesar 3,6667, pada data tersebut tidak ada reject, sehingga data tersebut cocok
untuk djadikan sampel.
18.
Uniform
Berdasarkan gambar distribusi Uniform data kombinasi ke 8 dari data
kombinasi menunjukkan lower boundary parameter (a) = 151,27;upper boundary

parameter (b) = 183,48.Distribusi Uniform ini memiliki nilai skewness = 0 dan
kurtosis = -1,2. Data tersebut memiliki skewness positif, sehinngga grafik dari
data tersebut condong ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena
itu grafik datanya landai atau disebut platykurtic. Nilai statistic chi squared pada
tersebut tidak cocok untuk djadikan sampel
46

Kelompok 17
19.
Wakeby
Berdasarkan gambar distribusi Wakeby data kombinasi ke 8 dari data
kombinasi menunjukkan shape parameter () = 25,09;scale parameter ()

=1,5546;location parameter () = 6,4568;shape parameter () = -0,14239;
location parameter () = 151,9.Distribusi Wakeby ini memiliki nilai skewness =
tidak ada dan kurtosis = tidak ada . Nilai statistic chi squared pada data tersebut
sebesar 0,18747, pada data tersebut tidak ada reject, sehingga data tersebut
cocok untuk djadikan sampel.
20.
Weibull
Berdasarkan gambar distribusi Weibull data kombinasi ke 8 dari data

170,73;location parameter () = 0.Distribusi Weibull ini memiliki nilai skewness
= -0,088163 dan kurtosis = 1,3158. Data tersebut memiliki skewness negatif,
sehinngga grafik dari data tersebut condong ke kanan. Nilai kurtosiss dari data
tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
4.2
Analisa Perbandingan Manual dan Software Uji Goodness of Fit

Tabel 4.1 Perbandingan Manual,Easyfit,dan Arena
Karakteristik
Data
Mean
Variansi
Standar Deviasi
Derajat
Kebebasan
X2
Manual
Easyfit
Arena
167,3767
90,3924
9,50794
0,05
167,38
86,48
9,2995
0,05
167
86,49
9.3
0,05
2,7196
1,17
47

Kelompok 17
LanjutanTabel 4.1 Perbandingan Manual,Easyfit,dan Arena
Daerah Kritis
Keputusan
Kesimpulan
2,366
Distribusi
Normal
Diterima
7,8147
Distribusi
Normal
Diterima
7,8147
Distribusi
Normal
Diterima
Dalam data perbandingan ketiga metode diatas ada beberapa perbedaan dalam
hasil perhitungan antara metode manual,software easyfit,dan arena.
Mean
Dalam perhitungan manual nilai mean = 167,3767;Easyfit = 167,38;Arena =
167.Ada sedikit perbedaan dalam hasil perhitungan mean namun selisihnya sangat
sedikit,itu dikarenakan pembulatan nilai entah itu pada manual,Easyfit ataupun Arena.
Variansi
Dalam perhitungan manual nilai variansi = 90,3924;Easyfit = 86,48;Arena =
86,49.Perbedaan nilai variansi pada perhitungan manual dengan software itu

dikarenakan pada perhitungan manual kami menggunakan nilai pendekatan yang
berasal dari data kelompok yang pastinya memiliki error saat pembuatan data
kelompoknya.Sedangkan perbedaan nilai pada kedua software hanya dikarenakan cara
pembulatan nilai.
Standar Deviasi
Dalam perhitungan manual nilai standar deviasi = 9,50794;Easyfit = 9,2995;
Arena = 9,3.Perbedaan niali standar deviasi pada perhitungan manual dengan software
itu dikarenakan pada perhitungan manual kami menggunakan nilai mean pendekatan
yang berasal dari data kelompok yang pastinya memiliki error saat pembuatan data
kelompoknya.Sedangkan perbedaan nilai pada kedua software hanya dikarenakan cara
pembulatan nilai.
Nilai
Untuk nilai dalam perhitungan manual dan kedua software memiliki nilai yang
sama yaitu,0,05.
48

Kelompok 17
Derajat Kebebasan
Untuk derajat kebebasan dalam perhitungan manual nilainya = 4;Easyfit= 3;
Arena = 0.Perbedaan nilai pada perhitungan manual dan dengan Easyfit berbeda karena
syarat penentuan nilai derjat kebebasan yang berbeda antara manual dan dengan
software Easyfit.Sedangkan nilai derajat kebebasan pada Arena = 0,karena dalam input
data kami menggunakan nilai data yang sudah ada pada software notepad sehingga nilai
derajat kebebasannya = 0.
Statistik(x2)
Nilai x2 berbeda satu sama lain dalam ketiga metode perhitungan yaitu dengan
manual =2,0;Easyfit=2,7196;Arena1,17 disebabkan perbedaan macam-macam cara

perhitungan.Jika dalam perhitungan manual errornya dikarenakan nilai-nilai yang
digunakan berasal dari data berkelompok sedangkan dalam kedua software,perbedaan
nilai yang terjadi karena perbedaan cara dan input data.
Daerah Kritis
Nilai daerah kritis dengan cara manual = 2,366;Easyfit dan Arena = 7,8147.
Selisih perhitungan itu terjadi karena dalam menghitung daerah kritis pada cara manual
kami menggunakan nilai-nilai pendekatan dari data kelompok yang bukan nilai
sebenarnya dalam artian bukan nilai baku.
Sesuai dengan data yang ada,niali ketiga metode menunjukkan bahwa data bisa
diterima dan ketiga metode menunjukkan juga bahwa data berdistribusi normal.
49

Kelompok 17
BAB V
PENUTUP
5.1
Kesimpulan
Dari praktikum modul 2B yaitu mengenai distribusi statistik dapat diambil
beberapa kesimpulan yaitu :

1. Distribusi statistik dibagi menjadi 2 yaitu :
Distribusi Diskrit
: Distribusi yang datanya diambil dari perhitungan
Distribusi Kontinu
: Distribusi yang datanya diambil dari hasil
pengukuran
Dalam modul 2B ini kami menggunakan 20 macam distribusi kontinu

yaitu
beta,chi
squared,erlang,error,ekspoential,gamma,johnson
SB,
laplace,log pearson 3,logistic,lognormal,normalpareto,pearson 5,pearson

6, students t,triangular,uniform,wakeby,dan weibull.
2. Parameter distribusi statistic dibagi menjadi 3 yaitu:
Location parameter, untuk menentukan titik axis dari suatu nilai

distribusi
Scale parameter, menentukan nilai dari ukuran nilai dalam suatu

distribusi.
Shape parameter membedakan location dan scale parameter, bentuk

dasar dari distribusi dengan memperhatikan kelompok distribusi secara
umum.
Salah satu distribusi kontinu yang menggunakan ketiga parameter ini ialah
Log Pearson 3 dengan nilai Shape Parameter = 86,995;Scale Parameter =
0,00593;dan Location Parameter = 4,6035.
3. Distribusi statistik mempunyai fungsi menentukan jenis/tipe distribusi apa yang
paling cocok digunakan dalam suatu data yang telah diketahui.Sedangkan fungsi
dari goodness of fit adalah mengetahui keragaman suatu data.
50

Kelompok 17
4. Untuk mengolah data, menyajikan dan menganalisa data diskrit ini dipermudah
dengan penggunaan software-software pada komputer seperti easyfit dan Arena.
Perbedaan pada penggunaan software easyfit dan Arena yaitu:
Easyfit : penggunaan easyfit lebih mudah digunakan oleh user
Arena : penggunaan software Arena lebih sulit penggunaanya

dikarenakan input data dilakukan dengan langka-langkah yang sulit.
Dalam modul 2b ini kami menggunakan software Arena untuk melakukan Uji
Goodness of Fit dan hasilnya sebagai berikut:
Distribution Summary
Distribution: Normal
Expression: NORM(167, 9.14)
Square Error: 0.022042
Chi Square Test

Number of intervals = 3
Degrees of freedom = 0
Test Statistic
= 1.17
< 0.005
Data Summary
Number of Data Points
Min Data Value
= 152
Max Data Value
= 188
Sample Mean
= 167
Sample Std Dev
= 9.3
= 30
51

Kelompok 17
Sedangkan Easyfit kami gunakan untuk menyajikan grafik dan melihat nilai-nilai
tertentu yang dibutuhkan.Kemudian ditentukan bahwa uji Anderson Darling,pada
distribusi normal (chi squared) merupakan uji terbaik atau paling cocok.
5.2
Saran
Saran dari kelompok 17 untuk kelancaran praktikum selanjutnya adalah
1. Lebih baik bila modul 2A dan 2B dipisah saja pengerjaannya, karena materi
yang sama sekali berbeda.
2. Pemahaman tentang materi sebaiknya lebih diperdalam oleh para praktikan.
3. Praktikan dapat lebih memahami penggunaan softwareyang akan digunakan
untuk pengerjaan laporan praktikum
52
53

LAPORAN Modul 2B Distribusi Statistik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

LAPORAN Modul 2B Distribusi Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Praktikum Teori Probabilitas

Modul 2B- Distribusi Statistik

Laporan Praktikum Teori Probabilitas

4. Mengenal dan mampu menganalisis distribusi statistik dengan software

Laporan Praktikum Teori Probabilitas

Identifikasi dan Perumusan

Gambar 1.1 Flowchart Metodologi Praktikum

Laporan Praktikum Teori Probabilitas

StatistikModul 2B adalah sebagai berikut:

BAB II TINJAUAN PUSTAKA

BAB III PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV ANALISIS DATA

Laporan Praktikum Teori Probabilitas

parameter, scale parameter, dan shape parameter. Setiap distribusi statistik

Laporan Praktikum Teori Probabilitas

penyajian, dan penganalisisan data serta penarikan kesimpulan dan pembuatan

U(0,1) adalah kasus spesial dari distribusi beta (ketika 1 = 2).

Laporan Praktikum Teori Probabilitas

Aplikasinya adalah digunakan sebagai model pertama untuk kuantitas yang

Parameternya adalah Scale parameter >0

misalnya waktu pelayanan kepada pelanggan yang memperbaiki mobil.

Laporan Praktikum Teori Probabilitas

Aplikasiya adalah waktu untuk menyelesaikan suatu pekerjaan, seperti

0 untuk x yang lain .(4)

Parameternya adalah shape parameter 0, scale parameter > 0

Distribusi Normal atau Distribusi Gauss

distribusi normal. Bentuk kurvanya seperti lonceng. Aplikasi distribusi normal

Parameternya adalah Location parameter dan scale parameter

distribusi ini adalah:

Laporan Praktikum Teori Probabilitas

Aplikasinya adalah Waktu untuk mennjkkan suatu tugas(kepadatannya akan

pengerjaan tugas seperti halnya jaringan kerja PERT.

untuk x yang lain

Dengan B (1, 2) adalah fungsi beta.

Distribusi Pearson Type V

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

Dengan FG adalah fungsi distribusi gamma (, 1/) random variabel.

Distribusi Pearson Type VI

Dimana FB(x) adalah fungsi distribusi beta (1, 2) variabel random.

Aplikasinya adalah waktu untuk menyajikan suatu tugas.

Laporan Praktikum Teori Probabilitas

Bentuk distribusinya adalah:

dimana x adalah fungsi distribusi dari peubah acak normal dengan 0

Distribusi ini mempunyai tiga parameter yang ada:

Laporan Praktikum Teori Probabilitas

Uji Goodness of Fit

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

2.3.2 Kolmogorov Smirnov

2.4.3 Anderson Darling

Laporan Praktikum Teori Probabilitas

Laporan Praktikum Teori Probabilitas

panjang rentang tangan 40 mahasiswa Teknik Industri 2013 UniversitasDiponegoro.

Laporan Praktikum Teori Probabilitas

Lanjutan Tabel 3.1 Data Panjang Rentang Tangan

Laporan Praktikum Teori Probabilitas

Output Software Easyfit

Gambar 3.1 Output Software Easyfit Beta

Laporan Praktikum Teori Probabilitas

Gambar 3.2 Output Software Easyfit Chi-Square

Laporan Praktikum Teori Probabilitas

Gambar 3.3 Output Software Easyfit Erlang