BAB I

UJI GOODNESS OF FIT SUATU DISTRIBUSI

Dalam metode-metode statistika seperti uji t atau uji f sering disyaratkan data harus
berasal dari distribusi normal, atau suatu data diambil dan distribusi tertentu. Untuk
mengecek data berasal dari distribusi normal atau tidak perlu dilakukan pengecekan atau uji
statistik. Dalam bab ini masing-masing akan dibahas mengenai aplikasi uji chisquare dan
Kolmogorov-Smirnov satu sampel dan goodness of fIt dengan contoh kasus yang diambil
dan data sekunder.

1. Kasus Uji Chi Square Satu-Sampel

Salah satu metode yang digunakan dalam uji goodness of fit suatu distribusi adalah
metode pendekatan Chi-Square yang diadopsi dari teorema di bawah ini :

Universitas Gadjah Mada 1

Contoh :
1. Suatu research bertujuan untuk melihat apakah penjualan empat merk sabun
mempunyai proporsi relatif sama atau tidak. Untuk tujuan di atas diperoleh data
sebagai berikut:

Dengan 0.05,3 7.8147 . Dari perbandingan nilai Statistik hitung dengan Statistik

tabel dapat diambil kesimpulan bahwa HO diterima yang berarti proporsi merk
sabun yang terjual relative sama.

2. Sampel random 340 mengenai jumlah kecelakaan yang berakibat pada kematian
dalam 72 jam per minggu, diduga mengikuti distribusi Poisson dengan mean
= 5.

Akan dilakukan uji apakah data berasal dari distribusi poisson. Dengan
mengambil sebagai jumlah kecelakan yang berakibat kematian per jam. Ingin
di uji, dengan hipotesis nol

Universitas Gadjah Mada 2

 terhadap semua alternatif. Jika tidak diketahui, maka dihitung maksimum
likelihood dan estimasi .

Dan didapatkan

dengan derajat bebas 7 - 1 = 6, dan = 0,05 maka dan tabel chi-square terlampir
didapatkan nilai 12,592 ,sehingga tidak ada alasan untuk menolak Ho. Data
berasal dan distribusi poisson.

2. Kasus Uji Kolmogorov-Smirnov Satu-Sampel

Dalam uji goodness of fit dengan metode chi-square di atas data merupakan data
interval yang berarti harus cukup banyak untuk mendapatkan hasil yang representatif
Satu kelemahan lain dan uji chi-square adalah bahwa metode ini merupakan metode
pendekatan. Untuk mengatasi kelemahan metode di atas dikembangkan metode
Liliefors. Metode ini mendasarkan statistik ujinya pada jarak vertikal maksimum antara
fungsi kumulatif S(x) distribusi empirik sampel random X1,...,Xn dengan fungsi kumulatif

Universitas Gadjah Mada 3

suatu distribusi F(x).

Contoh :
1. Dipunyai 16 Sampel random dan interval (0,1)
0,59 0,72 0,47 0,43 0,31 0,56 0,22 0,90 0,96 0,78 0,66 0,18
0,73 0,43 0,58 0,11
ingin dilakukan uji Ho bahwa sampel berasal dari distribusi uniform pada (0,1)
sedemikian sehingga

dari tabel berikut dihitung statistik Dn

Universitas Gadjah Mada 4

Didapat nilai D14 = 0,095 dan dari tabel Kolmogorov-Smirnov satu sampel terlampir,
untuk n = 14 dan = 0,05 dengan uji dua sisi didapat nilai 0,327. Karena nilai hitung
lebih kecil dari nilai label, maka tidak bisa untuk menolak hipotesis nol bahwa data
berasal dan distribusi uniform pada (0,1). Sehingga dapat disimpulkan bahwa data di
atas berasal dari distribusi uniform.
Muncul pertanyaan bagaimana jika data di atas diuji berdistribusi normal?
Jika diuji kenormalan akan diperoleh hitungan seperti tabel di bawah ini:

Kesimpulan yang sama dapat diambil untuk data ini, yaitu data di atas dapat
dikatakan berdistribusi normal. Tentu saja di sini data berdistribusi normal standar.

Universitas Gadjah Mada 5