TP 2B

KATA PENGANTAR
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
Laporan Praktikum Teori Probabilitas

Modul 2B Distribusi Statistik
Kelompok 13
BAB I
PENDAHULUAN
1.1 Latar Belakang
Distribusi statistic merupakan pengolahan sekumpulan data untuk mengetahui
ukuran penyebaran data.
Distribusi statistic ini memiliki 3 parameter yang
berbeda yaitu location parameter (untuk menentukan titik axis dari nilai fungsi
yang terdistribusi, scale parameter (untuk menentukan skala pengukuran suatu
data terdistribusi) , dan shape parameter (untuk menentukan bentuk umum dari
fungsi yang terdistribusi secara general). Selain itu, distribusi statistic terbagi
menjadi distribusi diskrit (distribusi yang memiliki variable acak berhingga), dan
distribusi kontinu (distribusi yang memiliki variable acak tak berhingga)
Kegunaan dari distribusi statistic ini adalah untuk mengetahui apakah suatu
kumpulan data terdistribusi secara normal atau tidak, dan dapat digunakan untuk
menguji ketelitian dari data yang sudah diambil. Distribusi statistic ini juga
sebagai penentu pemecahan masalah dengan menggunakan distribusi tertentu.
Oleh kerena itu, pada praktikum modul 2B ini akan dipelajari mengenai
distribusi statistic dan jenis jenisnya beserta cara pengolahan datanya. Pada
praktikum kali ini, akan menggunakan 2 software berbeda yaitu, software Arena
dan software Easyfit. Data yang digunakan pada modul 2B ini adalah berupa data
kontinu yang juga telah digunakan sebelumnya pada modul 1 yaitu data tinggi
mata berdiri yang diambil dari hasil pengukuran 40 mahasiswa Teknik Industri
UNDIP angkatan 2015. Data data tersebut akan diolah dengan beberapa macam
distribusi statistic dan didapatkan diagram histogram dari macam macam
distribusi statistic yang ada beserta hasil Uji Goodness of Fit berupa uji Chi
square, Kolomogorov Smirnov, dan Anderson Darling.
1.2 Tujuan Praktikum

Berikut tujuan dari praktikum modul 2B:
1. Memahami parameter parameter dalam distribusi statistic.
Program Studi Teknik Industri
Universitas Diponegoro
2016

Kelompok 13
2.
3.
4.
5.
Mengerti dan memahami macam macam distribusi statistic.

Memahami fungsi dari distribusi statistic.
Mengenal Software Arena dan Easyfit.
Mampu menganalisa output Software Arena dan Easyfit.
1.3 Pembatasan Masalah

Pada praktikum kali ini, akan digunakan data kontinu berupa data tinggi mata
berdiri yang diambil dari 40 mahasiswa Teknik Industri UNDIP angkatan 2015.
Data tersebut akan diolah menggunakan software Arena dan Easyfit menjadi
macam macam distribusi statistic menjadi diagram histogram beserta hasil Uji
Goodness of Fit. Cara pengolahan datanya adalah dengan memasukkan data
kontinu yang telah diperoleh tersebut kedalam software yang akan digunakan,
kemudian melakukan analisa, sehingga akan didapatkan hasil Uji Goodness of Fit
yang terdiri daru uji Chi square, Kolmogorov Smirnov, dan Anderson Darling.
Selain itu juga akan didapat diagram histogram dari macam macam distribusi
statistic yang ada.
1.4 Metodologi Praktikum

Berikut metodologi praktikum modul 2B:

2016

Kelompok 13
Mulai
Identifikasi dan perumusan masalah
Observasi
Studi Pustaka
Pengumpulan Data
Pengolahan Data:
Software Easyfit dan Arena
Uji Goodness of Fit
Gambar 1.1 Flowchart Metodologi Praktikum
Analisis
Penutup
Selesai
Pada Flowchart di atas merupakan gambaran dari metodologi atau tahapan
tahapan praktikum yang akan dilaksanakan. Tahapan pertama adalah Identifikasi
Masalah. Pada bagian ini, akan dikenalkan mengenai Distribusi statistic dan Uji
Goodness of Fit, dan juga mengenai konsep serta penerapannya. Tahapan kedua
adalah Studi Pustaka. Pada bagian ini, akan dipelajari dasar dasar distribusi
statistik, serta mulai mengenai sotware software yang akan digunakan untuk
praktikum kali ini. Setelah itu, pengumpulan data. Pada tahap ini data data yang
akan digunakan untuk praktikum dikumpulkan, berupa data kontinu. Tahap
2016

Kelompok 13
keempat adalah pengolahan data. Pada bagian ini, data akan diolah mengunakan
software Arena dan software Wasyfit. Selanjutnya, adalah Analisa. Pada bagian
ini, output software yang telah didapat akan dianalisa. Terakhir, adalah
kesimpulan dan saran. Pada bagian ini, setelah melakukan analisa, akan ditarik
kesimpulan dari data yang dilakukan pengolahan, serta pemberian saran atas
kesimpulan yang telah diberikan.
1.5 Sistematika Penulisan
Berikut sistematika penulisan modul 2B ini:
BAB I PENDAHULUAN
Pada bab ini, berisi latar belakang, tujuan praktikum, pembatasan
masalah, dan metodologi praktikum, serta sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Pada bab ini, akan dibahas mengenai dasar teori mengenai distribusi
statistik dan Uji Goodness of Fit beserta jenis jenisnya, parameter, dan
penjelasan mengenai software yang digunakan.
BAB IIIPENGUMPULAN DAN PENGOLAHAN DATA
Pada bab ini, berisi pengumpulan data berupa data kontinu yaitu data
tinggi mata berdiri, dan pengolahannya yang menggunakan software
Arena dan Easyfit.
BAB IV ANALISIS DATA
Pada bab ini, akan dianalisa hasil dari pengolahan data yang telah
dilakukan. Analisa dari output software yang telah didapat pada bab 3.
BAB V PENUTUP
Pada bab ini, akan ditarik kesimpulan dan saran. Kesimpulan ini akan
menjawab dari tujuan praktikum, sedangkan saran akan berisi mengenai
hasil praktikum pada pihak yang berkaitan.

2016

Kelompok 13
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).
2.2
Distribusi Statistik
Statistka adalah ilmu yang mempelajari tentang cara pengumpulan,
pengolahan, penyajian, dan penganalisisan data serta penarikan kesimpulan dan

2016

Kelompok 13
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 datadata 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).
2.2.1 Distribusi Kontinu
Distribusi Uniform
Distribusi ini terdiri dari dua nilai yaitu nilai maksimum dan minimum.
Bentuk distribusinya adalah
0 , jika x <a
xa
F ( x )=
, jika x b ...
xb
1 , jika b< x
(2.1)
Berikut adalah gambar dari distribusi uniform :
Gambar 2.1 Grafik Distribusi Uniform
Sumber : www.rosciane.com
U(0,1) adalah kasus spesial dari distribusi beta (ketika 1 = 2).
2016

Kelompok 13
Parameternya adalah a dan b angka real dengan ; a adalah location
parameter, b a adalah scale parameter.
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).
Contoh dalam kehidupan sehari-hari adalah kemungkinan untuk setiap
angka pada dadu adalah
1
dengan ruang sampel S= (1,2,3,4,5,6).
6
Distribusi Eksponensial
Distribusi ini banyak diaplikasikan dalam waktu antar kedatangan
konsumen suatu system yang dianggap konstan, waktu kerusakan dari

komponen suatu mesin.
1 x/
jika x 0
Distribusi: F ( x ) = e
.
0 jika x yang lain
(2.2)
Berikut adalah gambar grafik dari distribusi eksponensial
Gambar 2.2 Grafik Distribusi Eksponensial
Sumber : www.wikiwand.com
Parameternya adalah scale
2016
> 0

Kelompok 13
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 / ) j
jika x >0
F ( x )= 1e
..
j!
j=0
0untuk x yang l
x /
(2.3)
Berikut adalah gambar grafik dari distribusi gamma :
Gambar 2.3 Grafik Distribusi Gamma
Sumber : (www.statisticshowto.com)
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

2016

Kelompok 13
Aplikasi dari distribusi weibull sama dengan penerapanya dengan distribusi
gamma. Dikarenakan distribusi weibull memiliki parameter yang sama
dengan distribusi gamma, hanya bentuknya saja yang berbeda (Kelton,2000).
Berikut adalah bentuk dari Distribusi Weibull adalah :
( x )
F ( x )= 1e
, jika x >0
0
(2.4)
Berikut adalah gambar dari distribusi Weibull :
Gambar 2.4 Grafik Distribusi Weibull
Sumber: www.blog.minitab.com
Distribusi Normal
Distribusi peluang kontonu yang bentuknya menyerupai lonceng. Aplikasi
dalam penggunaam distribusi ini sangat banyak (Kelton,2000). Bentuknya

adalah sebagai berikut :
2
1
F ( x )=
e
2
(x)
2
2
...
(2.5)
Berikut adalah grafik dari distribusi normal :

2016

Kelompok 13
Gambar 2.5 Grafik Distribusi Normal
Sumber : www.doctordisruption.com
Distribusi Lognormal
Distribusi ini mirip dengan distribusi normal (Kelton,2000). Bentuk dari

distribusinya adalah :
(ln x)
1
F ( x )= x 2 2 exp
2 2
0
(2,6)
Berikut adalah grafik dari Lognormal :
Gambar 2.6 Grafik Distribusi Normal
Sumber : www.investopedia.com

2016

Kelompok 13
2.2.2 Distribusi Diskrit
Bernouli
Aplikasi distribusi bernouli adalah untuk membangkitkan variasi random
diskret yang lain. Misalnya binomial, geometric dan negative binomial.

Parameter distribusi ini adalah p (Kelton,2000).
Bentuk distribusinya adalah :
0 , jika x <0
F ( X ) = 1p , jika 0 x <1
1 , jikax 1
(2.7)
Berikut adalah gambar dari grafik distribusi bernouli :
Gambar 2.7 Grafik Distribusi Bernouli

(www.probabilitycourse.com)
Uniform
Aplikasi distribusi ini adalah kejadian random dengan sejumlah hasil yang
mungkin, digunakan untuk model awal dalam menhitung variasi antara integer
I melalui j (Kelton,2000).
Bentuk distribusinya adalah:

2016

Kelompok 13
0 , jika x< 1
i+1
F ( x )=
, jika i x j
ji+1
1 , jika j< x
.(2.8)
Binomial
Suatu usaha bernouli dapat menghasilkan sukses dengan peluan p dan
gagal q = 1-p, maka distribusi peluang peubah acak binomial X , yaitu

banyaknya sukses dalam n usaha bebas yaitu :
x;n, p
n p x q x , x=0,1,2, . , n
)
.
b
x
()
(2.9)
Berikut adalah gambar grafik dari distribusi binomial :
Gambar 2.8 Grafik Distribusi Binomial
Sumber : www.tutorvista.com
Geometric
Bila usaha saling bebas dan dilakukan berulang kali menghasilkan sukses
dengan peluang p, gagal dengan q=1-p, maka distribusi peluang peubah acak
X, yaitu banyaknya usaha sampai saat terjadi sukses yang pertama dibelrikan
oleh (Kelton,2000) :
g ( x , p )= pq x1 , x=1,2,3
....(2.10)
2016

Kelompok 13
Berikut adalah gambar grafik dari geometric :
Gambar 2.9 Grafik Distribusi Geometrik
Sumber : www.boost.org
Negative Binomial
Bila usaha saling bebas dilakukan berulang kali sampai menghasilkan
sukses dengan peluang p sedangkan gagal dalam peluang q=1-p maka

distribusi peluang peubah acak X, yaitu banyaknya usaha yang berhasil sukses
ke K, diberikan oleh (kelton,2000) :
b*(x;k,p) =
1 p q
[ xk1
]
x
xk
, x=k , k +1, k +2
...(2.11)
Berikut adalah grafik dari distribusi negative binomial :
Gambar 2.10 Grafik Distribusi Negatif Binomial
Sumber : www.boost.org
2016

Kelompok 13
Poisson
Distribusi peluang peubah acak Poisson X, yang menyatakan bahwa
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu dinyatakan
dengan t,diberikan oleh :
t
p ( x ; t )=
( t )
, x=0,1,2, .
x!
(2.12)
t menyatakan rata-rata banyaknya sukses yang terjadi per satuan
waktu atau daerah (Kelton,2000).
Berikut adalah gambar dari distribusi poisson :
Gambar 2.11 Grafik Distribusi Poisson
Sumber : www.umass.edu
2.3
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
2016

Kelompok 13
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(modul praktikum teori probabilitas 2016):
k
x 2=
i=1
( oiei )2
ei
...(2.13)
2.3.2 Kolmogorov Smirnov
Uji ini dilakukan dengan membandingkan nilai probabilitas distribusi teoritik
dari jenis distribusi probabilitas yang diasumsikan terhadap distribusi empiric. Selisih
maksimum keduanya kemudian disebut dengan Dmax lalu di bandingkan dengan
nilai kritis Kolgomorov Smirnov untuk menentukan keputusan apakah satu set data
mengikuti distribusi yang diasumsikan atau tidak. Berikut adalah bentuk uji
Kolmogorov(Modul praktikum Teori Probabilitas,2016) :
D=|s ( x )Fo( x )| maksi=1,2, .. , n
....(2.14)

2016

Kelompok 13
2.3.3 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 logistik
dapat dilihat di Anderson dan Darling (1954), Law dan Kelton (1991). Misalkan
adalah data yang akan diuji distribusi normalnya dengan tingkat signifikan maka uji
Anderson-Darling
dapat
diperoleh
dengan
menggunakan
rumus
sebagai
berikut(http://eprints.uny.ac.id/10838/1/S%20-%2019.pdf) :
A=ns
Dengan
n
1
S= [ 2 i1 ] ln ( F ( Zi )) + ln ( 1F ( Z n+ 1i ) )
n i=1
Z=
X iX b
=
s
Akibatnya akan menjadi
n
1
1
A=n S= [ 2i1 ] ln ( F ( Zi ) ) +ln ( 1F ( Z n +1i ) )
n
n i=1
2.4
Software Arena
Arena adalah sebuah program penyhusun model dan juga merupakan
simulator. Arena masuk dalam kategori high level program karena bersifat sangat
interaktif. Pda Arenadibutuhkan pengetahuan mengenai sistem yang akan diamati
2016

Kelompok 13
sebelum memodelkannya.Software ARENA adalah sebuah software simulasi yang
diterbitkan oleh Sistem ModellingCorp. Software arena ini berbasis pada object
oriented. ARENA menyediakan alternatif dantemplate yang interchangeble dari
model simulasi grafik dan model simulasi analisis yangdapat dikombinasikan untuk
menciptakan model-model simulasi yang cukup luas dan bervariasi.Software arena
ini menganut sistem drag dan drop dan memiliki kemampuan animasi
2dimensi.ARENA juga memiliki tingkat kompatibilitas yang baik. Kemampuan
animasinyadapat ditunjang oleh file-file dari AutoCad.Software ARENA di
spesialisasikan untuk menyelesaikan masalah-masalah Simulasi SistemDiskret.
Kelebihan lain dari ARENA adalah memiliki kemampuan pengolahan data
statistik, walaupun tidak begitu lengkap.Dengan menggunakan software ini akan
menghemat biaya besar sebelum melakukan perubahan atau memecahkan suatu
model(https:// scribd.com/doc/90991414/BAB-II-Modul-2).
Berikut langkah langkah penggunaan software Arena :
1.
2.
3.
4.
5.
Pastikan data sudah tersimpan dalam format .txt

Buka software Arena
Pilih menu Tools, lalu klik Input Analyzer
Pada halaman Input Analyzer, pilih File lalu New
Lalu pilih File lagi, ke Data File, lalu pilih Use Existing (karena kita sudah
mempunya data yang telah disiapkan).

6. Lalu buka data yang telah tersimpan dalam format .txt sebelumnya
7. Akan muncul grafik yang menginterpretasikan data yang kita masukkan
8. Untuk melihat Distribution Summary, pilh Fit, lalu klik pada bentuk Distribusi
yang diinginkan (contoh: Beta).
9. Lalu, grafik akan berubah sesuai dengan bentuk distribusi yang kita pilih.
10. Distribution Summary ditampilkan dibawah grafik. Scrool halaman untuk melihat
hasil dari distribusi (contoh: Uji Chi-Square).
2.5
Software Easyfit

2016

Kelompok 13
Software Easyt merupakan suatu perangkat yang digunakan untuk membantu
dalam pencocokan distribusi yang dibuat untuk memudahkan analisis probabilitas
data dalam simulasi. Perangkat ini dapat dengan mudah memilih distribusi yang
terbaik sesuai dengan data yang diberikan. Dalam simulasi, perangkat ini berguna
untuk menemukan bentuk distribusi probabilitas data empiris yang paling cocok
untuk masing-masing variabel keadaan untuk selanjutnya dibangkitkan bilangan acak
sesuai dengan distribusi
Berikut langkah langkah penggunaan software Easyfit:
1. Masukkan data pada tabel
2. Klik Analyze
3. Pilih Descriptive Statistics untuk menampilkan statistika deskriptif dari data
seperti jangkauan, rata-rata, variansi, standar deviasi, dan lainnya.
4. Pilih Fit Distribution untuk menampilkan hasil uji goodness of fit dari data.
5. Akan ditampilkan 2 macam uji goodness of fit. Klik pada salah satu judul dari uji
goodness of fit (contoh: Kolmogorov Smirnov) untuk mengurutkan distribusi
statistic.
6. Klik salah satu bentuk distribusi (contoh: Poisson) untuk menampilkan detail dari
goodness of fit dari distribusi tertentu tersebut.
7. Lihat apakah semua data diterima, atau adakah salah satu yang rejected.
(http://download.portalgaruda.org/article.php?article=147286&val=4141).
.

2016

Kelompok 13
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1 Data Kontinu
Dalam praktikum Teori Probabilitas Modul 2B data yang digunakan adalah data
Tinggi Mata Berdiri 40 mahasiswa Teknik Industri 2015 Universitas Diponegoro. Data
tersebut sebagai berikut:
Tabel 3.1 Data Tinggi Mata Berdiri
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
Nama
Dewi Wulansari
Dian Dita Puspitaningrum
Dinar Anggita Restuti
Dwi Purwaningsih
Dwita Sintya Dewi
Emanuela Septia Debora
Fanny Simorangkir
Faridatul Munawaroh
Fatika Inggar Rona Sari
Fauzia Chairani Hanum
Finsaria Fidiyanti
Grace Margareth B Sianturi
Hendiana
Indah Maliyatul Chusna
Indah Ramdhani
Indah Wulan Sari
Isniya Umi Barus
Joanna Grace Situmorang
Kharisma Putri Wulandari Napit
Lativa Israr
Dwi Cahyono Putra
Edwin Printdes
Fauzi Arif Hermawan
Ghifari Basyir
Gigih Rifqyajakti
Harris Luqman Nur Ramadhan
TMB
139.4
147
144.2
140.5
155
143.8
149.4
140.1
138.3
154
142.4
151.8
148.2
151.6
136.4
137.3
142.7
147.2
144.2
152.3
139.4
160.2
153.5
142.4
167.4
162.5
Tabel 3.1 Data Tinggi Mata Berdiri (Lanjutan)
No
2016
Nama
TMB

Kelompok 13
27
Hendra Himawan
155.2
29
Ihsan Andika Lubis
159.4
30 Inosensius Riyan Kun Mahendra
159.2
31
Isyfan Falah
172.3
32
James William Silalahi
149.2
33
Jefri Dwi Kurnia
152
34
Jefri Teguh Iman Manurung
154.3
35
Kevin
162.4
36
Kevin Natanael Nainggolan
158.2
37
Kiky Sudayat
151.1
38
Laurensius Chandra Setiawan
165.4
39
Lian Fathur Ramadhan
156.2
40
Liem Kevin Renard Wiryono
164.5
Kemudian dilakukan pengujian data dengan Uji Anderson Darling dengan cara
mengubah data tersebut menjadi 11 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-11. Berikut hasil dari uji Anderson Darling untuk 11 data
kombinasi.
Tabel 3.2 Rank dari Uji Anderson Darling
No Kombinas
Statistik
Distribusi
.
i
1
"1 - 30"
0.15074 Johnson SB
2
"2 - 31"
0.14659 Johnson SB
3
"3 - 32"
0.16025 Johnson SB
4
"4 - 33"
0.20252 Johnson SB
5
"5 - 34"
0.20978
Wakeby
6
"6 - 35"
0.16533
Wakeby
7
"7 - 36"
0.18987
Wakeby
8
"8 - 37"
0.21787
Wakeby
9
"9 - 38"
0.17019
Wakeby
10 "10 - 39"
0.13839
Wakeby
11 "11 - 40"
0.12821
Wakeby
Dari tabel diatas diketahui bahwa data kombinasi ke-11 merupakan data yang
memiliki rank pertama (terbaik), data kombinasi ke-11 merupakan kombinasi data dari
data ke-11 sampai data ke-40 dari data kontinu. Tabel data kombinasi yang dipakai
yaitu sebagai berikut.
Tabel 3.3 Kombinasi Data Terbaik
No
2016
Nama
TMB

Kelompok 13
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Finsaria Fidiyanti
Grace Margareth B Sianturi
Hendiana
Indah Maliyatul Chusna
Indah Ramdhani
Indah Wulan Sari
Isniya Umi Barus
Joanna Grace Situmorang
Kharisma Putri Wulandari Napit
Lativa Israr
Dwi Cahyono Putra
Edwin Printdes
Fauzi Arif Hermawan
Ghifari Basyir
Gigih Rifqyajakti
Harris Luqman Nur Ramadhan
Hendra Himawan
Ignatius Tendy Irwanto
Ihsan Andika Lubis
Inosensius Riyan Kun Mahendra
Isyfan Falah
James William Silalahi
Jefri Dwi Kurnia
Jefri Teguh Iman Manurung
Kevin
Kevin Natanael Nainggolan
Kiky Sudayat
Laurensius Chandra Setiawan
Lian Fathur Ramadhan
Liem Kevin Renard Wiryono
142.4
151.8
148.2
151.6
136.4
137.3
142.7
147.2
144.2
152.3
139.4
160.2
153.5
142.4
167.4
162.5
155.2
159
159.4
159.2
172.3
149.2
152
154.3
162.4
158.2
151.1
165.4
156.2
164.5
Pengolahan data digunakan software Easyfit dimana data kombinasi ke-11

sebagai input data lalu dilakukan uji Goodness of Fit. Hasil output software pada
dengan uji Anderson Darling yaitu sebagai berikut.
Tabel 3.4 Uji Goodness Of Fit Data Kombinasi Terbaik
Distribution
Anderson
Darling
Statistic

2016
Rank

Kelompok 13
30
Wakeby
0.12821
11
Johnson SB
0.14421
Error
0.1567
19
Normal
0.17191
15
Log-Pearson 3
0.17279
Gamma
0.19325
32
Weibull (3P)
0.19993
Erlang
0.20014
18
Lognormal (3P)
0.20934
14
Log-Logistic (3P)
0.2137
10
17
Lognormal
0.21867
11
10
Gamma (3P)
0.2271
12
21
Pearson 5
0.2334
13
Erlang (3P)
0.23451
14
22
Pearson 5 (3P)
0.24057
15
Chi-Squared (2P)
0.30613
17
31
Weibull
0.32135
18
13
Log-Logistic
0.33042
19
26
Rayleigh (2P)
0.46136
20
12
Laplace
0.57938
21
Tabel 3.4 Uji Goodness Of Fit Data Kombinasi Terbaik (Lanjutan)
Distribution
Anderson
Darling
Statistic

2016
Rank

Kelompok 13
Beta
1.4689
22
Chi-Squared
2.2117
23
28
Triangular
2.6237
24
Exponential (2P)
4.383
25
20
Pareto
4.6781
26
23
Pearson 6
6.741
27
29
Uniform
7.5965
28
24
Pearson 6 (4P)
8.3838
29
25
Rayleigh
9.1172
30
Exponential
12.21
31
27
Student's t
290.6
32
3.2 Output Software Easyfit

3.2.1 Beta
Grafik Distribusi
Berikut merupakan grafik distribusi Beta:
Gambar 3.1 Output Anderson-Darling Distribusi Beta

2016

Kelompok 13
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Beta :
Tabel 3.5 Hasil Uji Goodness of Fit Distribusi Beta
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
1.4689
22
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
No
No
No
No
Pada distribusi ini terdapat parameter, yaitu
sebesar 1.4176,
sebesar
1.6686, a sebesar 136.4 dan b sebesar 172.3. Distribusi ini memiliki nilai skewness
sebesar 0.12972 sehingga kurva condong ke kiri dan nilai kurtosis sebesar -0.96475
sehingga kurva berbentuk runcing disebut leptokurtic. Pada tabel Goodness of Fit,
distribusi Beta memiliki nilai statistik sebesar 1.4689 dan data diterima oleh seluruh .
Nilai sebesar 0.2 memiliki nilai kritis sebesar 1.3749 yang menyatakan distribusi data
yang reject (ditolak), sedangkan untuk nilai sebesar 0.1, 0.05, 0.02, dan 0.01 memiliki
nilai kritis masing-masing 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 menyatakan
distribusi data yang reject (tolak) yang berarti bahwa pada distribusi Beta data tersebut
merupakan data yang tidak cocok dan tidak dapat diterima.
2016

Kelompok 13
3.2.2
Chi Square
Grafik Distribusi
Berikut merupakan grafik distribusi Chi Square:
Ga
mbar 3.2 Output Anderson-Darling Distribusi Chi Square
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Chi Square:
Tabel 3.6 Hasil Uji Goodness of Fit Distribusi Chi Square
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
2.2117
23
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
No
No
No
Pada distribusi ini terdapat parameter, yaitu v sebesar 3 dan
sebesar 0.
Distribusi ini memiliki nilai skewness sebesar 1.633 sehingga kurva condong ke kiri dan
nilai kurtosis sebesar 4 sehingga kurva berbentuk runcing disebut leptokurtic. Pada tabel
Goodness of Fit, distribusi Chi Square memiliki nilai statistik sebesar 2.2117 dan data
diterima oleh seluruh . Nilai sebesar 0.2 memiliki nilai kritis sebesar 1.3749 dan
nilai sebesar 0.1 memiliki nilai kritis sebesar 1.9286 yang menyatakan distribusi data
2016

Kelompok 13
yang reject (ditolak), sedangkan untuk nilai sebesar 0.05, 0.02, dan 0.01 memiliki nilai
kritis masing-masing 2.5018, 3.2892, dan 3.9074 9074 menyatakan distribusi data yang
reject (tolak) yang berarti bahwa pada distribusi Chi square data tersebut merupakan
data yang tidak cocok dan tidak dapat diterima.
3.2.3
Erlang
Grafik Distribusi
Berikut merupakan grafik distribusi Erlang:
Gambar 3.3 Output Anderson-Darling Distribusi Erlang
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Erlang:
Tabel 3.7 Hasil Uji Goodness of Fit Distribusi Erlang
Anderson-Darling
Sample Size
Statistic
Rank
30
0.20014
8
0.2

2016
0.1
0.05
0.02
0.01

Kelompok 13
Critical Value
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
Reject?
Pada distribusi ini terdapat parameter, yaitu m sebesar 3,
sebesar 1 dan
sebesar 0. Distribusi ini memiliki nilai skewness sebesar 1.1547 sehingga kurva
condong ke kiri dan nilai kurtosis sebesar 2 sehingga kurva berbentuk runcing disebut
leptokurtic. Pada tabel Goodness of Fit, distribusi Erlang memiliki nilai statistik sebesar
0.20014, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan
nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data
yang tidak reject yang berarti bahwa pada distribusi Erlang data tersebut merupakan
data yang cocok dan dapat diterima.
3.2.4
Eksponensial
Grafik Distribusi
Berikut merupakan grafik distribusi Eksponensial:
Gambar 3.4 Output Anderson-Darling Distribusi Eksponensial
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Eksponensial:
Tabel 3.8 Hasil Uji Goodness of Fit Distribusi Eksponensial
Anderson-Darling
Sample Size
Statistic
Rank
30
12.21
31

2016

Kelompok 13
Critical Value
Reject?
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
Yes
Yes
sebesar 1 dan sebesar 0.
Distribusi ini memiliki nilai skewness sebesar 2 sehingga kurva condong ke kiri dan
Goodness of Fit, distribusi Eksponensial memiliki nilai statistik sebesar 12.21, dan data
diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis 1.3749,
1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang reject yang
berarti bahwa pada distribusi Eksponensial data tersebut merupakan data yang tidak
cocok dan tidak dapat diterima.
3.2.5
Error
Grafik Distribusi
Berikut merupakan grafik distribusi Error:
Gambar 3.5 Output Anderson-Darling Distribusi Error
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Error:
Tabel 3.9 Hasil Uji Goodness of Fit Distribusi Error
Anderson-Darling
Sample Size
Statistic
Rank
30
0.1567
3
0.2

2016
0.1
0.05
0.02
0.01

Kelompok 13
Critical Value
Reject?
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
Pada distribusi ini terdapat parameter, yaitu k sebesar 3,
sebesar 1 dan
sebesar 0. Distribusi ini memiliki nilai skewness sebesar 0 sehingga kurva
condong ke kiri dan nilai kurtosis sebesar -0.5816 sehingga kurva berbentuk runcing
disebut leptokurtic. Pada tabel Goodness of Fit, distribusi Error memiliki nilai statistik
sebesar 0.1567, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01
dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi
data yang tidak reject yang berarti bahwa pada distribusi Error data tersebut merupakan
data yang cocok dan dapat diterima
3.2.6
Gamma
Grafik Distribusi
Berikut merupakan grafik distribusi Gamma:
Gambar 3.6 Output Anderson-Darling Distribusi Gamma
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Gamma:
Tabel 3.10 Hasil Uji Goodness of Fit Distribusi Gamma
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
30
0.19325
6
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074

2016

Kelompok 13
Reject?
No
No
No
No
sebesar 2,
No
sebesar 1 dan
condong ke kiri dan nilai kurtosis sebesar 3 sehingga kurva berbentuk runcing disebut
leptokurtic. Pada tabel Goodness of Fit, distribusi Gamma memiliki nilai statistik
data yang tidak reject yang berarti bahwa pada distribusi Gamma data tersebut
merupakan data yang cocok dan dapat diterima.
3.2.7
Johnson SB
Grafik Distribusi
Berikut merupakan grafik distribusi Johnson SB:
Gambar 3.7 Output Anderson-Darling Distribusi Johnson SB
Uji Goodness of Fit

2016

Kelompok 13
Berikut tabel Uji Goodness of Fit Johnson SB:

Tabel 3.11 Hasil Uji Goodness of Fit Distribusi Johnson SB
Anderson-Darling
Sample Size
Statistic
Rank
30
0.14421
2
Critical Value
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
Reject?
Pada distribusi ini terdapat parameter, yaitu sebesar -0.08595,

1.416,
sebesar 57.778,
sebesar
sebesar 123.59. Distribusi ini tidak memiliki nilai
skewness dan tidak memiliki nilai kurtosis. Pada tabel Goodness of Fit, distribusi
Johnson SB memiliki nilai statistik sebesar 0.14421, dan data diterima oleh seluruh
yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892,
dan 3.9074 serta memiliki distribusi data yang tidak reject yang berarti bahwa pada
distribusi Johnson SB data tersebut merupakan data yang cocok dan dapat diterima.

2016

Kelompok 13
3.2.8
Laplace
Grafik Distribusi
Berikut merupakan grafik distribusi Laplace:
Gambar 3.8 Output Anderson-Darling Distribusi Laplace
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Laplace:
Tabel 3.12 Hasil Uji Goodness of Fit Distribusi Laplace
Anderson-Darling
Sample Size
Statistic
30
0.57938

2016

Kelompok 13
Rank
21
Critical Value
Reject?
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 1 dan
sebesar 0.
Goodness of Fit, distribusi Laplace memiliki nilai statistik sebesar 0.57938, dan data
1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang tidak reject yang
berarti bahwa pada distribusi Laplace data tersebut merupakan data yang cocok dan
dapat diterima.
3.2.9
Lognormal
Grafik Distribusi
Berikut merupakan grafik distribusi Lognormal:
Gambar 3.9 Output Anderson-Darling Distribusi Lognormal
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Lognormal:
Tabel 3.13 Hasil Uji Goodness of Fit Distribusi Lognormal

2016

Kelompok 13
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.21867
11
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 1,
sebesar 1 dan
condong ke kiri dan nilai kurtosis sebesar 110.94 sehingga kurva berbentuk runcing
disebut leptokurtic. Pada tabel Goodness of Fit, distribusi Lognormal memiliki nilai
statistik sebesar 0.21867, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan
0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki
distribusi data yang tidak reject yang berarti bahwa pada distribusi Lognormal data
tersebut merupakan data yang cocok dan dapat diterima
3.2.10 Log Pearson 3
Grafik Distribusi
Berikut merupakan grafik distribusi Log Pearson 3:
Gambar 3.10 Output Anderson-Darling Distribusi Log Pearson 3
Uji Goodness of Fit

2016

Kelompok 13
Berikut tabel Uji Goodness of Fit Log Pearson 3:
Tabel 3.14 Hasil Uji Goodness of Fit Distribusi Log Pearson 3
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.17279
5
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 2,
sebesar 1 dan
sebesar 0. Distribusi ini tidak memiliki nilai skewness dan tidak memiliki nilai
kurtosis. Pada tabel Goodness of Fit, distribusi Log Pearson 3 memiliki nilai statistik
data yang tidak reject yang berarti bahwa pada distribusi Gamma data tersebut
3.2.11 Logistic
Grafik Distribusi
Berikut merupakan grafik distribusi Logistic:
Gambar 3.11 Output Anderson-Darling Distribusi Logistic

2016

Kelompok 13
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Logistic:
Tabel 3.15 Hasil Uji Goodness of Fit Distribusi Logistic
Anderson-Darling
Sample Size
Statistic
Rank
30
0.27525
16
Critical Value
Reject?
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 1 dan
sebesar 0.
nilai kurtosis sebesar 1.2 sehingga kurva berbentuk runcing disebut leptokurtic. Pada
tabel Goodness of Fit, distribusi Logistic memiliki nilai statistik sebesar 0.27525, dan
data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis
1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang tidak
reject yang berarti bahwa pada distribusi Logistic data tersebut merupakan data yang
cocok dan dapat diterima.
3.2.12 Normal
Grafik Distribusi
Berikut merupakan grafik distribusi Normal:

2016

Kelompok 13
Gambar 3.12 Output Anderson-Darling Distribusi Normal
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Normal:
Tabel 3.16 Hasil Uji Goodness of Fit Distribusi Normal
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.17191
4
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 1 dan
sebesar 0.
Goodness of Fit, distribusi Normal memiliki nilai statistik sebesar 0.17191, dan data
2016

Kelompok 13
berarti bahwa pada distribusi Normal data tersebut merupakan data yang cocok dan
dapat diterima.
3.2.13 Pareto
Grafik Distribusi
Berikut merupakan grafik distribusi Pareto:
Gambar 3.13 Output Anderson-Darling Distribusi Pareto
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Pareto:
Tabel 3.17 Hasil Uji Goodness of Fit Distribusi Pareto
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
4.6781
26
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
Yes
Yes
sebesar 5 dan
sebesar 1.
Distribusi ini memiliki nilai skewness sebesar 4.6476 sehingga kurva condong ke kiri
2016

Kelompok 13
dan nilai kurtosis sebesar 70.8 sehingga kurva berbentuk runcing disebut leptokurtic.
Pada tabel Goodness of Fit, distribusi Pareto memiliki nilai statistik sebesar 9.1172, dan
1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang reject
yang berarti bahwa pada distribusi Pareto data tersebut merupakan data yang tidak
3.2.14 Pearson 5
Grafik Distribusi
Berikut merupakan grafik distribusi Pearson 5:

2016

Kelompok 13
Gambar 3.14 Output Anderson-Darling Distribusi Pearson 5
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Pearson 5:
Tabel 3.18 Hasil Uji Goodness of Fit Distribusi Pearson 5
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.2334
13
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
sebesar 2,
sebesar 1 dan
sebesar 0. Distribusi ini tidak memiliki nilai skewness dan tidak memiliki nilai
kurtosis. Pada tabel Goodness of Fit, distribusi Pearson 5 memiliki nilai statistik sebesar
0.2334, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai
kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang
tidak reject yang berarti bahwa pada distribusi Pearson 5 data tersebut merupakan data
yang cocok dan dapat diterima.
3.2.15 Pearson 6
Grafik Distribusi
Berikut merupakan grafik distribusi Pearson 6:

2016

Kelompok 13
Gambar 3.15 Output Anderson-Darling Distribusi Pearson 6
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Pearson 6:
Tabel 3.19 Hasil Uji Goodness of Fit Distribusi Pearson 6
Anderson-Darling
Sample Size
Statistic
Rank
30
6.741
27
Critical Value
Reject?
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
Yes
Yes
sebesar 3 dan
sebesar 2,
sebesar 3,
sebesar 0. Distribusi ini tidak memiliki nilai skewness dan
tidak memiliki nilai kurtosis. Pada tabel Goodness of Fit, distribusi Pearson 6 memiliki
nilai statistik sebesar 6.741, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02,
dan 0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki
distribusi data yang reject yang berarti bahwa pada distribusi Pearson 6 data tersebut
3.2.16 Students t
Grafik Distribusi
Berikut merupakan grafik distribusi Students t:
2016

Kelompok 13
Gambar 3.16 Output Anderson-Darling Distribusi Students t
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Students t:
Tabel 3.20 Hasil Uji Goodness of Fit Distribusi Students t
Anderson-Darling
Sample Size
Statistic
Rank
30
290.6
32
Critical Value
Reject?
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
Yes
Yes
sebesar 1. Distribusi ini tidak
memiliki nilai skewness dan tidak memiliki nilai kurtosis. Pada tabel Goodness of Fit,
distribusi Students t memiliki nilai statistik sebesar 290.6, dan data diterima oleh
seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018,
3.2892, dan 3.9074 serta memiliki distribusi data yang reject yang berarti bahwa pada
distribusi Students t data tersebut merupakan data yang tidak cocok dan tidak dapat
diterima.
3.2.17 Triangular
Grafik Distribusi
2016

Kelompok 13
Berikut merupakan grafik distribusi Triangular:
Gambar 3.17 Output Anderson-Darling Distribusi Triangular
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Triangular:
Tabel 3.21 Hasil Uji Goodness of Fit Distribusi Triangular
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
2.6237
24
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
No
No
Pada distribusi ini terdapat parameter, yaitu m sebesar 151.09, a sebesar 136.4
dan
sebesar 172.3. Distribusi ini memiliki nilai skewness sebesar 0.17441
sehingga kurva condong ke kiri dan nilai kurtosis sebesar -0.6 sehingga kurva berbentuk
runcing disebut leptokurtic. Pada tabel Goodness of Fit, distribusi Triangular memiliki
nilai statistik sebesar 2.6237 dan data diterima oleh seluruh . Nilai sebesar 0.2, 0.1
dan 0.05
memiliki nilai kritis masing-masing sebesar 1.3749, 1.9286 dan 2.5018
menyatakan data yang reject (ditolak), sedangkan untuk nilai sebesar 0.02 dan 0.01
memiliki nilai kritis masing-masing 3.2892, dan 3.9074 menyatakan distribusi data yang

2016

Kelompok 13
tidak reject (ditolak) yang berarti bahwa pada distribusi Triangular data tersebut
3.2.18 Uniform
Grafik Distribusi
Berikut merupakan grafik distribusi Uniform:
Gambar 3.18 Output Anderson-Darling Distribusi Uniform
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Uniform:
Tabel 3.22 Hasil Uji Goodness of Fit Distribusi Uniform
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
7.5965
28
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
Yes
Yes
Yes
Yes
Yes
sebesar 0 dan b sebesar 1.
nilai kurtosis sebesar -1.2 sehingga kurva berbentuk runcing disebut leptokurtic. Pada
tabel Goodness of Fit, distribusi Uniform memiliki nilai statistik sebesar 7.5965, dan
2016

Kelompok 13
1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki distribusi data yang reject
yang berarti bahwa pada distribusi Uniform data tersebut merupakan data yang tidak
3.2.19 Wakeby
Grafik Distribusi
Berikut merupakan grafik distribusi Wakeby:
Gambar 3.19 Output Anderson-Darling Distribusi Wakeby
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Wakeby:
Tabel 3.23 Hasil Uji Goodness of Fit Distribusi Wakeby
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.12821
1
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No
Distribusi Wakeby merupakan distribusi teratas pertama untuk diterapkan pada

data kombinasi terbaik yang dipakai. Pada distribusi ini terdapat parameter, yaitu
sebesar 56.47, sebesar 3.6696, sebesar 8.8059,
sebesar -0.23377,
sebesar
134.03. Distribusi ini tidak memiliki nilai skewness dan tidak memiliki nilai kurtosis.
2016

Kelompok 13
Pada tabel Goodness of Fit, distribusi Wakeby memiliki nilai statistik sebesar 0.12821,
dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis
reject yang berarti bahwa pada distribusi Wakeby data tersebut merupakan data yang
3.2.20 Weibull
Grafik Distribusi
Berikut merupakan grafik distribusi Weibull:
Gambar 3.20 Output Anderson-Darling Distribusi Weibull
Uji Goodness of Fit

Berikut tabel Uji Goodness of Fit Weibull:
Tabel 3.24 Hasil Uji Goodness of Fit Distribusi Weibull
Anderson-Darling
Sample Size
Statistic
Rank
Critical Value
Reject?
30
0.32135
18
0.2
0.1
0.05
0.02
0.01
1.3749
1.9286
2.5018
3.2892
3.9074
No
No
No
No
No

2016

Kelompok 13
Pada distribusi ini terdapat parameter, yaitu sebesar 1.5, sebesar 1 dan
sebesar 0. Distribusi ini memiliki nilai skewness sebesar 1.072 sehingga kurva condong
ke kiri dan nilai kurtosis sebesar 1.3904 sehingga kurva berbentuk runcing disebut
leptokurtic. Pada tabel Goodness of Fit, distribusi Weibull memiliki nilai statistik
data yang tidak reject yang berarti bahwa pada distribusi Weibull data tersebut
3.3 Uji Goodness of Fit
3.3.1 Output Software Arena
Berikut output software Arena pada Distribusi Normal:
Gambar 3.21 Output Software Arena Distribusi Normal
Distribution Summary
Corresponding p-value
< 0.005
Distribution: Normal
Expression:
NORM (153, 9.03)
Square Error: 0.027019
Kolmogorov-Smirnov Test
Test Statistic = 0.0818
Corresponding p-value
> 0.15
Chi Square Test

Number of intervals = 3
Data Summary
Degrees of freedom
=0
Number of Data Points
Test Statistic
= 0.972
Min Data Value

2016
= 136
= 30

Kelompok 13
Max Data Value
= 172
Histogram Summary
Sample Mean
= 153
Histogram Range
Sample Std Dev
= 9.19
Number of Intervals = 5
3.3.2
= 136 to 173
Output Software Easyfit

Berikut grafik output software Easyfit pada Distribusi Normal :
Gambar 3.22 Output Software Easyfit Distribusi Normal
Berikut tabel output software Easyfit pada Distribusi Normal :

Tabel 3.25 Output Software Easyfit Chi-Squared
Chi-Squared
Deg. of freedo
m
Statistic
P-Value
Rank
3
0.05536
0.99659
3
0.2
Critical Value
Reject?
4.641
6
No
0.1
0.05
0.02
0.01
6.251 7.814
4
7
9.837
4
11.34
5
No
No
No
No
Tabel 3.26 Output software Easyfit Kolmogorov-Smirnov
Kolmogorov-Smirnov

2016

Kelompok 13
Sample Size
Statistic
P-Value
Rank
30
0.07484
0.9914
4
0.2
0.1
0.05
0.02
0.01
Critical Value 0.19032 0.21756 0.2417 0.27023 0.28987

Reject?
No
No
No
No
No
3.4 Perhitungan Manual

3.4.1 Uji Chi Square
Range
Range = data terbesar data terkecil = 172,3 136,4 = 35,9
Banyak kelas
K= 1+3,3 log n = 1+3,3 log 30 = 5,87 6
Panjang kelas (I)
Range
35,9
Interval =
=
= 5,98 6
Kelas
6
Tabel Distribusi Frekuensi
Berikut tabel distribusi frekuensi data kombinasi terbaik.
Tabel 3.27 Tabel Distribusi Frekuensi
Interval
fk
136,4 142,3
142,4 148,3
148,4 154,3
17
154,4 160,3
24
160,4 166,3
28
166,4 172,3
30
Total
30
BB
xi
136,3
139,3
5
142,3
5
145,3
5
148,3
5
151,3
5
154,3
5
157,3
5
160,3
5
163,3
5
166,3
5
169,3
f i xi
142,35
418,05
153,15
-13,8
190,44
571,32
148,35
872,1
153,15
-7,8
60,84
365,04
154,35
1210,8
153,15
-1,8
3,24
25,92
153,15
4,2
17,64
123,48
1101,4
5
166,35
653,4
153,15
10,2
104,04
416,16
172,35
338,7
153,15
16,2
262,44
524,88
7,2
638,64
2026,8
4594,5
x
2
fi )
BA
160,35
x ix
x
)2
Mean ( x )

2016

Kelompok 13
x =
f i xi
fi
4594 , 5
30
= 153,15
Variansi (S2)
x
2026 ,8
f ( i x )2
S2 = i
=
= 69,8896
301
n1
Standard Deviasi (S)

x
f i ( i x )2 = 2026 , 8 = 8,36
S=
301
n1
Batas Bawahmean
Z1 =
standar deviasi
Batas Atas mean
Z2 =
standar deviasi
|
P
|
= PZ2 PZ1
fh = |P|n
fob = fi
PZ1 dan PZ2 adalah nilai yang didapat dari Tabel L.3 Luas dibawah kurva
normal pada buku Walpole.
Berikut perhitungan tiap interval.
a) Interval 1
Batas Bawahmean
136,35153,15
=
= -2,0095
standar deviasi
8 , 36
Batas Atas mean
142,35153,15
Z2 =
=
= -1,2918
standar deviasi
8 , 36
PZ1 = 0,0228 (lihat tabel L3 pada buku Walpole)
|P| = PZ2 PZ1 = |0,09850,0228| = 0,057
fh = |P|n = 0,0757 x 30 = 2,271
fob = fi = 3
Z1 =
b) Interval 2
Batas Bawahmean
142,35153,15
=
= -1,2918
standar deviasi
8 , 36
Batas Atas mean
148,35153,15
Z2 =
=
= -0,5741
standar deviasi
8 , 36
|P| = PZ2 PZ1 = |0,28430,0985| = 0,1858
Z1 =

2016

Kelompok 13
fh = |P|n
fob = fi = 6
= 0,1858 x 30 = 5,574
c) Interval 3
Batas Bawahmean
148,35153,15
=
= -0,5741
standar deviasi
8 , 36
Batas Atas mean
154,35153,15
Z2 =
=
= 0,1435
standar deviasi
8 , 36
|P| = PZ2 PZ1 = |0,55570,2843| = 0,2714
fh = |P|n = 0,2714 x 30 = 8,142
fob = fi = 8
Z1 =
d) Interval 4
Batas Bawahmean
154,35153,15
=
= 0,1435
standar deviasi
8 , 36
Batas Atas mean
160,35153,15
Z2 =
=
= 0,8612
standar deviasi
8 , 36
|P| = PZ2 PZ1 = |0,80510,5557| = 0,2494
fh = |P|n = 0,2494 x 30 = 7,482
fob = fi = 7
Z1 =
e) Interval 5
Batas Bawahmean
160,35153,15
=
= 0,8612
standar deviasi
8 , 36
Batas Atas mean
166,35153,15
Z2 =
=
= 1,5789
standar deviasi
8 , 36
|P| = PZ2 PZ1 = |0,94180,8051| = 0,1367
fh = |P|n = 0,1367 x 30 = 4,101
fob = fi = 4
Z1 =
f) Interval 6
Batas Bawahmean
166,35153,15
=
= 1,5789
standar deviasi
8 , 36
Batas Atas mean
172,35153,15
Z2 =
=
= 2,2966
standar deviasi
8 , 36
Z1 =

2016

Kelompok 13
|P| = PZ2 PZ1 = |0,98900,9418| = 0,0472

fh = |P|n = 0,0472 x 30 = 1,416
fob = fi = 2
Dari hasil perhitungan di atas kemudian tabel hasil perhitungan manual di atas.
Tabel 3.28 Tabel Perhitungan Manual
Interval
Z1
Z2
136,4 142,3 -2,0095 -1,2918
142,4 148,3 -1,2918 -0,5741
148,4 154,3 -0,5741 0,1435
154,4 160,3 0,1435 0,8612
160,4 166,3 0,8612 1,5789
166,4 172,3 1,5789 2,2966
PZ1
0,0228
0,0985
0,2843
0,5557
0,8051
0,9418
Uji Goodness of Fit

1. H0 = Data berdistribusi normal
2. H1 = Data tidak berdistribusi normal
3. Diketahui taraf signifikan = 0,05
4. Daerah Kritis x2> x2
Derajat kebebasannya (deg. Of freedom)
v = k 1 = 4-1 = 3
Berdasarkan tabel L5 di buku walpole
x2 = 7,8147
5. Perhitungan
(oiei)2
2
x =
ei
2
2
(97,845)
(88,142)
x2 =
+
+
7,845
8,142
PZ2
0,0985
0,2843
0,5557
0,8051
0,9418
0,9890
|P|
0,057
0,1858
0,2714
0,2494
0,1367
0,0472
(77,482)
+
7,482
fob
3
6
8
7
4
2

2016
(65,517)
5,517
(97,845)2 (65,517)2
+
7,845
5,517
2
x = 0,1700 + 0,0024 + 0,0310 + 0,0024 + 0,1700 + 0,0024
x2 = 0,3782
6. Keputusan : Jangan tolak H0,karena nilai x2 < x2 (0,3782 < 7,8147)
7. Kesimpulan : Data terdistribusi normal
+
fh
2,271
5,574
8,142
7,482
4,101
1,416
ei
oi
7,845
8,142
7,482
8
7
5,517

Kelompok 13
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
28
29
30
Total
Tinggi Mata Berdiri

142.4
151.8
148.2
151.6
136.4
137.3
142.7
147.2
144.2
152.3
139.4
160.2
153.5
142.4
167.4
162.5
155.2
159
159.4
159.2
172.3
149.2
152
154.3
162.4
158.2
151.1
165.4
156.2
164.5
4597.9

2016
Uji Kolmogorov
Berikut adalah tabel data tinggi
mata berdiri
Tabel 3.29 Data tinggi mata berdiri

Kelompok 13
Berikut perhitungan manual yang dilakukan:

Mean ( x ) / rataan ()
Berikut ini adalah hasil perhitungan rata-rata / Mean ( x )
x=
f i xi
/ f
f i xi
/ f
4597.9
=153.2633 333
30
Variansi
Berikut ini adalah hasil perhitungan nilai variansi :
S2 =
Xi
2 =
f
2448.56967
= 84.4334368
29
Standar Deviasi
Berikut ini adalah hasil perhitungan standar deviasi :
S=
S2
92.89151 = 9.11876688
Uji Hipotesis Kolmogorov Smirnov

1. H0 = Data berdistribusi normal
2. H1 = Data tidak berdistribusi normal
3. = 0,05
2016
xi
n

Kelompok 13
4. Daerah kritis D>D
Dimana berdasarkan tabel K-S, maka
D = 0.242
5. Perhitungan
Contoh perhitungan :
Xi = 142.7
x
xi
Z =
(142.7153.2633333)
=
= -1.15
9.11876688
Berdasarkan tabel L.3 maka;
F(x) = 0.0329
f
=1
fk
Sx =
n
6
=
= 0.2
30
Dx = |Sxfx|
= |0.20.1251|
= 0.0749
Tabel 3.30 Tabel uji kolmogorov
xi
136.4
137.3
139.4
142.4
142.7
144.2
147.2
148.2
149.2
151.1
151.6
151.8
152
152.3
153.5
154.3
155.2
Z
-1.84
-1.74
-1.51
-1.18
-1.15
-0.99
-0.66
-0.55
-0.44
-0.24
-0.18
-0.16
-0.14
-0.10
0.03
0.11
0.21
fx
0.0329
0.0409
0.0655
0.119
0.1251
0.1611
0.2546
0.2912
0.33
0.4052
0.4286
0.4364
0.4443
0.4602
0.512
0.5438
0.5832

2016
f
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
fk
1
2
3
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Sx
0.033333333
0.066666667
0.1
0.166666667
0.2
0.233333333
0.266666667
0.3
0.333333333
0.366666667
0.4
0.433333333
0.466666667
0.5
0.533333333
0.566666667
0.6
Dx
0.000433333
0.025766667
0.0345
0.047666667
0.0749
0.072233333
0.012066667
0.0088
0.003333333
0.038533333
0.0286
0.003066667
0.022366667
0.0398
0.021333333
0.022866667
0.0168

Kelompok 13
156.2
158.2
159
159.2
159.4
160.2
162.4
162.5
164.5
165.4
xi
167.4
172.3
0.32
0.54
0.62
0.65
0.67
0.75
0.99
1.01
1.22
1.32
Z
1.54
2.07
0.6255
0.7054
0.7324
0.7422
0.7486
0.7734
0.8389
0.8438
0.8888
0.9066
fx
0.9382
0.9808
1
1
1
1
1
1
1
1
1
1
f
1
1
19
20
21
22
23
24
25
26
27
28
fk
29
30
0.633333333
0.666666667
0.7
0.733333333
0.766666667
0.8
0.833333333
0.866666667
0.9
0.933333333
Sx
0.966666667
1
0.007833333
0.038733333
0.0324
0.008866667
0.018066667
0.0266
0.005566667
0.022866667
0.0112
0.026733333
Dx
0.028466667
0.0192
Berdasarkan tabel 3.30 maka didapatkan nilai :

Dx terbesar = 0.0749
Maka perbandingan D>D :
= 0.0844<0.242
6. Keputusan
Karena D<D ; 0.0749<0.242 maka jangan tolak H0
7. Kesimpulannya adalah data berdistribusi normal karena D<D

2016
BAB IV
ANALISA DATA
4.1 Analisa Output
4.1.1 Analisa Distribusi Teratas (3 Rangking Teratas)
4.1.1.1 Distribusi Wakeby
Distribusi Wakeby merupakan distribusi teratas pertama untuk diterapkan pada
data kombinasi terbaik yang dipakai. Pada distribusi ini terdapat parameter, yaitu
sebesar 56.47, sebesar 3.6696, sebesar 8.8059,
sebesar -0.23377,
sebesar
134.03. Distribusi ini tidak memiliki nilai skewness dan tidak memiliki nilai kurtosis.
Pada tabel Goodness of Fit, distribusi Wakeby memiliki nilai statistik sebesar 0.12821,
dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02, dan 0.01 dengan nilai kritis
reject yang berarti bahwa pada distribusi Wakeby data tersebut merupakan data yang
4.1.1.2 Distribusi Johnson SB
Distribusi Johnson SB merupakan distribusi teratas kedua untuk diterapkan pada
data kombinasi terbaik yaitu kombinasi ke - 11. Pada distribusi ini terdapat parameter,
yaitu sebesar -0.08595,
sebesar 1.416, sebesar 57.778,
sebesar 123.59.
Distribusi ini memiliki nilai skewness tidak ada dan nilai kurtosis tidak ada. Pada tabel
Goodness of Fit, distribusi Johnson SB memiliki nilai statistik sebesar 0.14421, dan data
berarti bahwa pada distribusi Johnson SB data tersebut merupakan data yang cocok dan
dapat diterima.
4.1.1.3 Distribusi Error
Distribusi Error merupakan distribusi teratas ketiga untuk diterapkan pada data
kombinasi terbaik yaitu kombinasi ke - 11. Pada distribusi ini terdapat parameter, yaitu
sebesar 278.2, sebesar 0.5509, sebesar 0. Distribusi ini memiliki nilai skewness
sebesar 0 sehingga kurva condong ke kiri dan nilai kurtosis sebesar -0.5816 sehingga
kurva berbentuk landai disebut platykurtic. Pada tabel Goodness of Fit, distribusi Error
memiliki nilai statistik sebesar 0.1567, dan data diterima oleh seluruh yaitu 0.2, 0.1,
0.05, 0.02, dan 0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta
memiliki distribusi data yang tidak reject yang berarti bahwa pada distribusi Error data
tersebut merupakan data yang cocok dan dapat diterima.
4.1.2 Analisa Distribusi Terbawah (3 Rangking Terbawah)
4.1.2.1
Distribusi Rayleigh
Distribusi Rayleigh merupakan distribusi terbawah ketiga untuk diterapkan pada
data kombinasi terbaik yaitu kombinasi ke - 11. Pada distribusi ini terdapat parameter,
yaitu
sebesar 122.29 dan sebesar 0. Distribusi ini memiliki nilai skewness
sebesar 0.63111 sehingga kurva condong ke kiri dan nilai kurtosis sebesar 0.24509
sehingga kurva berbentuk runcing disebut leptokurtic. Pada tabel Goodness of Fit,
distribusi Rayleigh memiliki nilai statistik sebesar 9.1172, dan data diterima oleh
distribusi Rayleigh data tersebut merupakan data yang tidak cocok dan tidak dapat
diterima.
4.1.2.2
Distribusi Exponential
Distribusi Exponential merupakan distribusi terbawah kedua untuk diterapkan
pada data kombinasi terbaik yaitu kombinasi ke - 11. Pada distribusi ini terdapat
parameter, yaitu
sebesar 0.00652 dan sebesar 0. Distribusi ini memiliki nilai
skewness sebesar 2 sehingga kurva condong ke kiri dan nilai kurtosis sebesar 6
sehingga kurva berbentuk runcing dan disebut leptokurtic. Pada tabel Goodness of Fit,
distribusi Exponential memiliki nilai statistik sebesar 12.21, dan data diterima oleh
distribusi Exponential data tersebut merupakan data yang tidak cocok dan tidak dapat
diterima.
4.1.2.3
Distribusi Student's t
Distribusi Student's t merupakan distribusi terbawah pertama untuk
diterapkan pada data kombinasi terbaik yaitu kombinasi ke - 11. Pada distribusi ini
terdapat parameter, yaitu v sebesar 2. Distribusi ini memiliki nilai skewness tidak ada
dan nilai kurtosis tidak ada. Pada tabel Goodness of Fit, distribusi Student's t memiliki
nilai statistik sebesar 290.6, dan data diterima oleh seluruh yaitu 0.2, 0.1, 0.05, 0.02,
dan 0.01 dengan nilai kritis 1.3749, 1.9286, 2.5018, 3.2892, dan 3.9074 serta memiliki
distribusi data yang reject yang berarti bahwa pada distribusi Student's t data tersebut
4.2 Analisa Perbandingan Perhitungan Manual Dengan Perhitungan Software
Uji Goodness of Fit
4.2.1 Uji Chi square
Dibawah ini perbandingan perhitungan manual, Arena dan Easyfit.
Tabel 4.1 Tabel Output data Chi square secara manual dan software
Karakteristik Data
Mean
Varian
Standar Deviasi
Derajat Kebebasan
A
x2
x2
x2 x2
Manual
153,15
69,8896
8,36
3
0,05
0,2058
7,8147
0,2058 < 7,8147
Easyfit
153,26
84,433
9,1888
3
0,05
0,79788
7,8147
0,79788 < 7,8147
Keputusan
Jangan tolak H0 Jangan
Kesimpulan
karena x2< x2
Distribusi normal
tolak
H0
karena x2< x2
Distribusi normal
Arena
153
84,4561
9,19
0
0,05
P value (0.05)
7,8147
P value (0.005) <
7,8147
Jangan
tolak
H0
karena x2< x2
Distribusi normal
Dari tabel 4.1 terlihat perbedaan hasil perbedaan perhitungan yang cukup jauh.
Hal
tersebut
disebabkan
karena
ada
perbedaan
nilai
degree of freedom (v). Berdasarkan hasil uji Goodness of fit secara manual maupun
dengan software menghasilkan keputusan sama yaitu H0 diterima dan keputusan data
berdistribusi normal. Keputusan tersebut diambil karena nilai statistik dari setiap
pengujian berada diluar daerah kritis (x2< x2 ).diluar daerah kritis (x2< x2 ). Pada
perhitungan manual nilai statistik nya adalah 0,2058; nilai statistik Easyfit adalah
0,79788 dan nilai statistik Arena menggunakan P value yaitu 0.005. Sedangkan standar
deviasi pada perhitungan manual adalah 8,36; pada Easyfit 9,1888, dan pada Arena
9,19. Lalu terdapat varian, varian ini didapat dari standar deviasi yang dikuadratkan
dimana nilai varian dari perhitungan manual adalah 69,8896; pada Easyfit 84,433, dan
pada Arena 84,4561. Kemudian terdapat mean, nilai mean perhitungan manual adalah
153,15; pada Easyfit 153,26 dan Arena yaitu 153. Dari hasil pengujian semua datanya
dapat diterima
4.2.2
Uji Kolmogorov Smirnov

Berikut adalah tabel output Kolmogorov Smirnov secara manual dan software:
Tabel 4.2 Tabel Output data Kolmogorov Smirnov secara manual dan software
Karakteristik Data
Mean
Varian
Standar Deviasi
Derajat Kebebasan
A
x2
x2
x2 x2
Keputusan
Manual
153,2633333
84.4334368
9.1187668
3
0,05
0,0749
0.242
0,0749 < 0.242
Easyfit
153,26
84,433
9,1888
3
0,05
0,79788
7,8147
0,79788 < 7,8147
Jangan tolak H0 Jangan
tolak
H0
Arena
153
84,4561
9,19
0
0,05
P value (0.05)
7,8147
P value (0.005) <
7,8147
Jangan
tolak
H0
karena x2< x2
karena x2< x2
karena x2< x2
Kesimpulan
Distribusi normal Distribusi normal
Distribusi normal
Berdasarkan tabel 4.2 hasil perhitungan dengan menggunakan cara manual dan
uji goodness of fit, diperoleh hasil perhitungan manual Kolmogorov sminov untuk mean
sebesar 15.2633333 sedangkan hasil perhitungan easyfit sebesar 153.26 dan arena
sebesar 153 Antara perhitungan yang telah dilakukan pada perhitungan software terjadi
pembulatan sehingga hasilnya berbeda. Nilai variansi pada perhitungan manual sebesar
84.4334368 sedangkan easyfit 84.433 dan arena sebesar 84.4561. Pada nilai variansi
terdapat perbedaan karena kurang ketelitian saat menghitung secara manual. Standar
deviasi perhitungan manual sebesar 9.11876688 sedangkan easyfit sebesar 9.1888 dan
arena sebesar 9.19. Pada nilai standar deviasi ada perbedaan pada perhitungan manual
karena kurangnya ketelitian saat perhitungan manual. Nilai degree of freedom manual
adalah 3, arena 0 dan easy fit 0. Nilai A ketiganya sama, sehingga hasilnya akurat yaitu
sebesar 0,05. Nilai x2 untuk manual sebesar 0,0749, easyfit 0,79788, dan arena P value
(0.05). Perhitungan hasil x2 untuk manual sebesar 0,242, untuk arena 7,8147 dan
easyfit 7,8147. Sedangkan x2<x2 untuk manual 0,0749 < 0.242, untuk arena P value
(0.005) < 7,8147 dan easyfit sebesar 0.83237<7,815. Pada perhitungan di atas nilai
ketiganya nilai H0 diterima dan dari situ dapat diambil suatu keputusan bahwa data
berdistribusi normal. Walaupun nilai statistiknya berbeda tetapi masih dapat diterima
semua.
BAB V
PENUTUP
5.1 Kesimpulan
kesimpulan dari laporan modul 2B ini adalah:
1.
Parameter parameter distribusi statistik ada 3 yaitu location parameter untuk

menentukan titik axis suatu nilai terditribusi, Scale parameter untukskala ukuran nilai
suatu data terdistribusi, Shape parameter untuk menentukan bentuk umum dari suatu
data yang terdistribusi secara general.
2.
Distribusi statistik terdiri dari 2 macam yaitu distribusi diskrit yaitu distribusi peluang
yang ruang sampel variabel acaknya berhingga dan distribusi kontinu yang ruang
sampel variabel acaknya tidak berhingga.
3.
Fungsi dari distribusi statistik adalah untuk menentukan distribusi atau persebaran dari
sebuah data. Dalam penggunaan sehari hari dapat digunakan untuk menentukan
banyak produk yang cacat, dan juga distribusi statistik ini dapat digunakan untuk teori
antrean.
4.
Software Arena adalah software yang digunakan untuk mendukung analisis data
statistic dengan macam macam permodelan dan dapat digunakan untuk uji
Goodness of Fit. Software Arena ini memiliki kelebihan yaitu dapat digunakan
sebagai simulasi dalam penyelesaian suatu masalah. Sedangkan software Easyfit
merupakan software yang teknik penganalisaan datanya mudah untuk dipahami
dalam melakukan pendistribusian data. Kelebihan lain dari software Easyfit ini
adalah penggunaanya secara portable sehingga tidak perlu menginstall software
5.
Easyfit ini.
Output dari software Easyfit dan Arena berupa Uji Goodness of Fit yaitu dapat
menampilkan uji Chi square, Anderson Darling, dan Kolmogorov Smirnov.
Selain itu, dapat juga digunakan untuk grafik dari macam macam jenis
distribusi statistic, dan dapat menampilkan ukuran statistic seperti mean, median,
kurtosis, skewness.
5.2
Saran
Saran pada praktikum modul 2B ini adalah:

1.
Praktikan memahami mengenai distribusi statistik sebelum praktikum.
2.
Praktikan memperhatikan saat praktikum sehingga dapat membuat laporan dengan

baik.
3.
Praktikan membuat revisi dengan baik dan benar sehingga memaksimalkan

asistensi.

TP 2B

Diunggah oleh

Informasi Dokumen

Deskripsi:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Deskripsi:

Hak Cipta:

Format Tersedia

TP 2B

Diunggah oleh

Deskripsi:

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Laporan Praktikum Teori Probabilitas

Distribusi statistic ini memiliki 3 parameter yang

1.2 Tujuan Praktikum

Laporan Praktikum Teori Probabilitas

Mengerti dan memahami macam macam distribusi statistic.

1.3 Pembatasan Masalah

1.4 Metodologi Praktikum

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

Identifikasi dan perumusan masalah

Laporan Praktikum Teori Probabilitas

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

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

digunakan untuk menentukan lokasi titik axis dari

suatu nilai dari distribusi. Biasanya adalah midpoint

(contohnya mean untuk

digunakan untuk menentukan unit dari ukuran nilai

menekan atau memperluas

pengelompokan distribusi tanpa merubah bentuk bentuk dasarnya. Jika distribusi

X mempunyai scale parameter

menentukan, membedakan location dan scale

parameter, bentuk dasar dari distribusi dengan memperhatikan kelompok distribusi

secara umum merubah isi distribusi

(misalnya skewness) lebih mendasarkan pada perubahan location dan scale

pengolahan, penyajian, dan penganalisisan data serta penarikan kesimpulan dan

Laporan Praktikum Teori Probabilitas

Bentuk distribusinya adalah

Gambar 2.1 Grafik Distribusi Uniform

Laporan Praktikum Teori Probabilitas

konsumen suatu system yang dianggap konstan, waktu kerusakan dari

Gambar 2.2 Grafik Distribusi Eksponensial

Laporan Praktikum Teori Probabilitas

misalnya waktu pelayanan kepada pelanggan yang memperbaiki mobil.

( ) ,jika gamma (1,

. Sedangkan m integer positif, distribusi gamma (m,

dengan distribusi m-Erlang.

Gambar 2.3 Grafik Distribusi Gamma

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

Gambar 2.4 Grafik Distribusi Weibull

dalam penggunaam distribusi ini sangat banyak (Kelton,2000). Bentuknya

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

Gambar 2.5 Grafik Distribusi Normal

Distribusi ini mirip dengan distribusi normal (Kelton,2000). Bentuk dari

Gambar 2.6 Grafik Distribusi Normal

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

diskret yang lain. Misalnya binomial, geometric dan negative binomial.

Gambar 2.7 Grafik Distribusi Bernouli

Program Studi Teknik Industri

Laporan Praktikum Teori Probabilitas

gagal q = 1-p, maka distribusi peluang peubah acak binomial X , yaitu

Gambar 2.8 Grafik Distribusi Binomial

Laporan Praktikum Teori Probabilitas

Berikut adalah gambar grafik dari geometric :

Gambar 2.9 Grafik Distribusi Geometrik

sukses dengan peluang p sedangkan gagal dalam peluang q=1-p maka

Gambar 2.10 Grafik Distribusi Negatif Binomial