BAB II

LANDASAN TEORI

2.1. Data, Statistik, dan Statistika

2.1.1. Data
1
Data adalah hasil pengukuran atau pengamatan yang dikumpulkan, dapat
berupa angka-angka atau besaran-besaran atau fakta-fakta atau pernyataan-pernyataan
yang menggambarkan perbedaan atau persamaan suatu individu atau obyek dengan
yang lain pada karakteristik yang sama.
2
Jenis data dapat dibedakan menjadi dua macam, yaitu :
1. Data yang diperoleh dari sampel atau populasi berupa data kualitatif, atau data
tersebut bukan berupa angka. Maka data tersebut disebut dengan data kualitatif
atau atribut.
2. Data yang diperoleh dari sampel atau populasi yang berupa data kuantitatif atau
data berupa angka dan data tersebut disebut dengan data kuantitatif.
Diagram jenis-jenis data dapat disajikan sebagai berikut:

Sumber: Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2

Gambar 2.1. Jenis Data

1
Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2, hlm. 3
2
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 10
 Data kualitatif merupakan data non-angka (numerik) seperti jenis kelamin,
warna kesayangan, dan asal suku. Data kualitatif digunakan apabila tertarik melihat
proporsi atau bagian yang termasuk dalam kategori. Contoh warna apa yang disukai
oleh sebagian besar penduduk, perbandingan jenis kelamin dalam suatu perusahaan,
dan lain sebagainya.
Data kuantitatif merupakan data angka atau numerik seperti jumlah mobil
(bisa 0, 1, 2, dan lain-lain), jumlah TV yang terjual dalam suatu toko, berat badan (60
kg, 80 kg, 100 kg, dan lain-lain), jarak Solo-Jakarta (230,5 km) dan sebagainya. Semua
ukuran tersebut berupa angka. Data kuantitatif dibedakan menjadi dua bagian yaitu
data diskret dan data kontinu.
Data diskret merupakan data kuantitatif yang nilainya khusus dan merupakan
hasil perhitungan serta biasanya berupa bilangan bulat. Data diskret seperti jumlah
mobil 0, 1, 2, dan lain-lain. Tidak mungkin jumlah mobil 1,5 atau 2,25 dan sebagainya.
Jadi data diskret biasanya berupa angka bulat.
Data kontinu merupakan data kuantitatif yang nilainya menempati semua
interval pengukuran dan merupakan hasil pengukuran serta bisa berupa bilangan
pecahan dan bulat. Contoh berat badan bisa 60,1 kg; 80,5 kg atau bisa 60 dan 80 kg.
Tinggi badan, luas rumah, panjang jalan dan lain-lain, yang merupakan hasil
pengukuran merupakan data kontinu. Selain pembagian kualitatif, kuantitatif, diskret
dan kontinu, ada yang membagi data dalam data primer dan data sekunder.
Data primer merupakan data yang diperoleh langsung dari sumbernya atau
objek penelitian. Data primer biasanya diperoleh dengan wawancara langsung kepada
objek atau dengan pengisian kuesioner (daftar pertanyaan) yang dijawab oleh objek
penelitian.
Data sekunder merupakan data yang sudah diterbitkan atau digunakan pihak
lain. Contoh data yang diambil dari koran, majalah, jurnal, publikasi lain merupakan
data sekunder.
2.1.2. Statistik3
Statistik adalah ilmu yang mempelajari tentang seluk beluk data, yaitu tentang
pengumpulan, pengolahan, penafsiran, dan penarikan kesimpulan dari data yang
berbentuk angka-angka. Adapun pembagian statistik adalah sebagai berikut.
1. Pembagian Statistik Berdasarkan Cara Pengolahan Datanya
Berdasarkan cara pengolahan datanya, statistik dibagi dua, yaitu:
a. Statistik Deskriptif
Statistik deskriptif atau statistic deduktif adalah bagian dari statistic yang
mempelajari cara pengumpulan dan penyajian data sehingga mudah dipahami.
Statistik deksriptif hanya berhubungan dengan menguraikan atau memberikan
keterangan-keterangan mengenai suatu data keadaan atau fenomena. Dengan
kata lain, statistik deskriptif hanya berfungsi menerangkan keadaan, gejala,
atau persoalan.
b. Statistik Inferensi
Statistik inferensi atau statistik induktif adalah bagian statistik yang
mempelajari penafsiran dan penarikan kesimpulan yang berlaku secara umum
dari data yang tersedia.
Statistik inferensi berhubungan dengan pendugaan populasi dan pengujian
hipotesis dari suatu data keadaan atau fenomena. Dengan kata lain, statistik
inferensi berfungsi meramalkan dan mengontrol keadaan atau kejadian.
2. Pembagian Statistik Berdasarkan Bentuk Parameternya
Berdasarkan atas bentuk parameternya (data sebenarnya), statistik dapat dibagi
atas dua, yaitu:
a. Statistik Parametrik
Statistik parametrik adalah bagian statistik yang parameter dari populasinya
mengikuti suatu distribusi tertentu, seperti distribusi normal dan memiliki
varian yang homogen.

3
Iqbal Hasan, Analisis Data Penelitian Dengan Statistik, (2006, Jakarta: Bumi Aksara), hlm. 1-3
 b. Statistik Nonparametrik
Statistik nonparametrik adalah bagian statistik yang parameter dari
populasinya tidak mengikuti suatu distribusi tertentu atau memiliki distribusi
yang bebas persyaratan dan variannya tidak perlu homogen.

2.1.3. Statistika
4
Statistika merupakan ilmu pengetahuan yang berhubungan dengan metode-
metode untuk pengumpulan, pengorganisasian, perangkuman, pemaparn dan
penganalisisan data di samping terkait pula dengan metode-metode untuk penarikan
kesimpulan yang valid serta pengambilan keputusan yang berdasarkan alasan-alasan
yang ilmiah dan kuat yang diperoleh dari hasil analisis tadi.
5
Metode statistika adalah prosedur-prosedur yang digunakan dalam
pengumpulan, penyajian, analisis, dan penafsiran data. Metode statistika
dikelompokkan kedalam dua kelompok besar, yaitu statistika deskriptif dan statistika
inferensia.
6
Statistik deskriptif adalah metode statistika yang digunakan untuk
menggambarkan atau mendeskripsikan data yang telah dikumpulkan menjadi sebuah
informasi. Statistika inferensia adalah metode yang digunakan untuk mengetahui
tentnag sebuah populasi berdasarkan suatu sampel atau contoh dengan menganalisis
dan menginterpretasikan data menjadi sebuah kesimpulan.
Populasi adalah sebuah kumpulan dari semua kemungkinan orang-orang,
benda-bendam dan ukuran dari objek yang menjadi perhatian. Sedangkan sampel
adalah suatu bagian dari populasi tertentu yang menjadi perhatian.

4
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 1
5
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 2
6
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 7-9
2.2. Peubah acak
7
Karakteristik suatu individu atau obyek yang dapat diamati dan yang berbeda
dengan individu yang lain dalam suatu populasi (contoh) disebut peubah (variable).
Sedangkan pengamatan-pengamatan itu sendiri merupakan nilai-nilai spesifik dari
sebuah peubah.
8
Umumnya peubah dilambangkan dengan huruf Latin dari A sampai Z (huruf
besar atau kecil) walaupun biasanya 3 huruf terakhir, yaitu X, Y atau Z. Bila peubah X
mempunyai 10 pengamatan, maka nilai-nilai pengamatan tersebut dicatat dengan X1,
X2, X3 dan seterusnya sampai X10 (1, 2, 3 sampai 10 merupakan nomor urut
pengamatan). Oleh karena peubah berkaitan erat dengan nilai-nilai pengamatan atau
data, maka peubah dapat dibedakan menurut jenis data dan ruang contoh.
Ruang contoh terbagi dua, yaitu Ruang Contoh Diskret dan Ruang Contoh
Kontinu. Ruang contoh diskret adalah bila suatu ruang contoh mengandung jumlah titik
contoh yang terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi yang
sama banyaknya dengan bilangan cacah, maka ruang itu disebut ruang contoh diskret.
Ruang contoh kontinu adalah bila suatu ruang contoh mengandung tak hingga
banyaknya titik contoh yang sama dengan banyaknya titik pada sebuah ruas garis, maka
ruang itu disebut ruang contoh kontinu.
Peubah acak yang didefinisikan di atas ruang contoh yang diskret dan kontinu
masing-masing disebut peubah acak diskret dan peubah acak kontinu. Dalam
prakteknya, peubah acak kontinu digunakan untuk data yang diukur, misalnya tinggi,
bobot, suhu, jarak, atau umur. Sedangkan peubah acak diskret digunakan untuk data
yang berupa cacahan, misalnya banyaknya produk yang cacat, banyaknya kecelakaan
per tahun di suatu provinsi.

7
Suntoyo Yitnosumarto, Dasar-dasar Statistika, (1990, Jakarta: Raja Grafindo), ed. 2, hlm. 8
8
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 114-116
2.3. Fungsi Kepadatan Probabilitas9
Fungsi kepekatan probabilitas atau bisa disebut juga dengan fungsi kepekatan
peluang. Fungsi kepadatan peluang sangat berkaitan dengan sebaran peluang kontinu.
Karena sebaran peluang kontinu tidak dapat disajikan dalam bentuk tabel, tetapi
sebaran ini dapat dinyatakan dalam bentuk rumus. Rumus itu merupakan fungsi nilai-
nilai peubah acak kontinu X, sehingga dapat digambarkan oleh kurva. Fungsi ini
biasanya disebut fungsi kepekatan peluang. Fungsi f disebut fungsi kepekatan peluang
bagi peubah acak kontinu X bila luas daerah di bawah kurva dan di atas sumbu-x sama
dengan 1, dan bila luas daerah di bawah kurva antara x = a dan x = b menyatakan
peluang X terletak antara a dan b.

2.4. Jenis-jenis Distribusi Diskrit

2.4.1. Distribusi Seragam10
Distribusi Seragam adalah yang paling sederhana dibanding dengan semua
sebaran peluang diskret. Dalam sebaran ini, setiap nilai peubah acak mempunyai
peluang terjadi yang sama.
Bila peubah acak X mempunyai nilai-nilai X1, X2, …, Xk, dengan peluang
yang sama, maka sebaran seragam diskretnya diberikan oleh:
1
f(x;k)= , untuk x = X1, X2, …, Xk
k

Sumber: Ronald E. Walpole, Pengantar Statistika, (Jakarta: Gramed.ia, 1998), ed. 3

Gambar 2.2. Histogram Sebaran Seragam Pelemparan Sebuah Dadu

9
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 119-120
10
Ibid., hlm. 152
2.4.2. Distribusi Binomial11
Dalam sebuah eksperimen binomial dengan n percobaan (trial), di mana p
adalah probabilitas sukses dari 1 = 1-p adalah probabilitas gagal dalam sekali
percobaan, jika suatu variabel acak X menyatakan banyaknya sukses yang terjadi pada
n percobaan tersebut, dapat dibentuk suatu distribusi probabilitas binomial dengan
fungsi probabilitasnya :
Pb (x; n, p) = nCxpx (1-p)n-x = nCxpxqn-x
X = 0, 1, 2, …, n
N = 1, 2, 3, …
0 ≤ p ≤1
Di mana :
n Cx = Kombinasi dari n objek di mana untuk setiap pemilihan diambil x objek.

Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.3. Histogram Peluang Berdasarkan Distribusi Binomial

11
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 78
2.4.3. Distribusi Hypergeometric12
Jika variabel acak X menyatakan jumlah x sukses dalam suatu sampel
berukuran n yang dipilih secara acak dari populasi berukuran N yang memiliki M
sukses dan N – M gagal, maka dapat dibentuk distribusi probabilitas hipergeometrik
yang fungsi probabilitasnya adalah :
(M Cx ) (N-M Cn-x )
Pn (x ; n, M, N)=
1N Cn
X = 0, 1, 2, 3, …, n
Fungsi distribusi kumulatif dari distribusi probabilitas hipergeometrik di atas
dapat dinyatakan sebagai.
x x
(M Cx ) (N-M Cn-x )
Fn (x ; n, M, N)= ∑ Ph (k;n,M,N)= ∑
1N Cn
k=0 k=0

X = 0, 1, 2, 3, …, n

Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.4. Histogram Peluang Berdasarkan Distribusi Hipergeometrik

12
Ibid., hlm. 85
2.4.4. Distribusi Binom Negatif13
Bila ulangan yang bebas dan berulang-ulang dapat menghasilkan keberhasilan
dengan peluang p dan kegagalan dengan peluang q = 1 - p, maka sebaran peluang bagi
peubah acak X, yaitu banyaknya ulangan sampai terjadinya k keberhasilan, diberikan
menurut rumus :
𝑥 − 1 𝑘 𝑥−𝑘
𝑏 ∗ (𝑥; 𝑘, 𝑝) = ( )𝑝 𝑞
𝑘−1
Untuk x = k,k + 1,k + 2, …

Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.5. Histogram Peluang Berdasarkan Distribusi Binom Negatif

2.4.5. Distribusi Geometric14

Bila Tindakan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1 – p, maka sebaran
peluang bagi peubah acak X, yaitu banyaknya ulangan sampai munculnya keberhasilan
yang pertama, diberikan menurut rumus:
g (x ; p) = p qx-1 ,
Untuk x = 1, 2, 3, …

13
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 172
14
Ibid., hlm. 172
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.6. Histogram Peluang Berdasarkan Distribusi
Hipergeometrik

2.4.6. Distribusi Poisson15

Sebaran peluang bagi peubah acak Poisson X, yang menyatakan banyaknya
hasil percobaan yang terjadi selama suatu selang waktu atau daerah tertentu, adalah
e-μ μx
p(x ; μ)=
x!
Untuk x = 1, 2, …, n

Sedangkan dalam hal ini 𝜇 adalah rata-rata banyaknya hasil percobaan yang
terjadi selama selang waktu atau dalam daerah yang dinyatakan, dan e = 2,71828…

15
Ibid., hlm. 174
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, (2014, Surabaya:ITS)
Gambar 2.7. Histogram Distribusi Probabilitas Poisson

2.4.7. Distribusi Bernoulli16

Dalam sebuah percobaan Bernoulli, di mana p adalah probabilitas “sukses”
dari q = 1 – p adalah probabilitas gagal, dan jika X adalah variabel acak yang
menyatakan sukses, maka dapat dibentuk sebuah distribusi probabilitas Bernoulli
sebagai fungsi probabilitas sebagai berikut:
p X=1
PB ; p)= { (1-p)=q
(x X=0
0 X≠0 atau 1

Atau
PB (x ; p)=Px (1-p)1-x
X = 0,1
0≤p≤1
Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada persamaan
di atas, dapat dipahami bahwa fungsi tersebut adalah fungsi dengan satu buah
parameter yaitu p.

16
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 76
Sumber:Suprayogi, Distribusi Probabilitas Teoritis Diskrit, (2015, Bandung: ITB)
Gambar 2.8. Histogram Distribusi Probabilitas Bernoulli

2.5. Jenis-Jenis Distribusi Kontinu

2.5.1. Distribusi Normal17
Distribusi normal (gaussian) mungkin merupakan distribusi probabilitas yang
paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini adalah yang
paling banyak digunakan sebagai model bagi data riil di berbagai bidang yang meliputi
antara lain karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan, dll),
kesalahan-kesalahan pengukuran dalam eksperimen ilmiah, nilai skor berbagai
pengujian, dan berbagai ukuran dan indikator ekonomi. Bahkan, meskipun variabel
yang ditangani dalam distribusi adalah variabel diskrit, kurva distribusi normal sering
juga digunakan sebagai pendekatan.
Fungsi kepadatan peluang distribusi normal adalah sebagai berikut

1 (x-μx)2
fN (x; μx , σx ) = e- -∞ < x < ∞
σx √2π 2σ2x

Dimana:
𝜇𝑥 = rata-rata
𝜎𝑥 = standar deviasi

17
Ibid., hlm.92
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.9. Histogram Distribusi Probabilitas Normal

2.5.2. Distribusi T18

Bila ukuran contohnya kecil (n<30); nilai-nilai s2 berfluktuasi cukup besar
x-μ
dari contoh satu ke contoh lainnya, dan sebaran nilai-nilai s/ tidak lagi normal baku.
√n

Bila demikian halnya, permasalahan itu berhadapan dengan sebaran statistik T yang
nilai-nilainya adalah
x-μ
t = s/
√n

Sebaran T menyerupai sebaran Z, keduanya setangkup di sekitar nilai tengah

nol. Kedua sebaran tersebut berbentuk genta, tetapi sebaran t lebih bervariasi,
berdasarkan kenyataan bahwa nilai t bergantung pada fluktuasi dua besaran, yaitu x
dan s2, sedangkan nilai z bergantung hanya pada perubahan x dari contoh satu ke
contoh lainnya.

18
Ronald E. Walpole, Pengantar Statistika, (1998, Jakarta: Gramedia), ed. 3, hlm. 215-216
Sumber: Ronald E. Walpole, Pengantar Statistika, (Jakarta: Gramedia, 1998), ed. 3
Gambar 2.10. Histogram Distribusi Probabilitas T

2.5.3. Distribusi F19

Distribusi F merupakan salah satu distribusi kontinu. Dengan variabel acak X
memenuhi batas X > 0, sehingga luas daerah dibawah kurva sama dengan satu,
sementara grafik distribusi F tidak simetrik dan umumnya sedikit positif seperti halnya
distribusi lainnya.

Sumber: Nova Kristianto, The Parameter Estimation Of Three-Parameter Generalized. F Distribution

By Using Method Of Probability Weighted. Moment (Pwm), (2016, Lampung: Unila)
Gambar 2.11. Grafik FKP F Distribution

Misalkan X adalah random variabel dari distribusi F dengan parameter d1 dan

d2, dinotasikan X F(d1 , d2). Maka fungsi kepekatan peluangnya adalah

19
Nova Kristianto, The Parameter Estimation Of Three-Parameter Generalized. F Distribution By
jUsing Method Of Probability Weighted. Moment (Pwm), (2016, Lampung: Unila)
 d1
d 2 d1
(d1 ) -1
f(x) = 2 x2 ,x≥0
d d d1 +d2
B( 21 , 22 ) d1 2
(1+ d x)
( ) 2

Dimana d1 dan d2 bilangan bulat positif dengan B adalah fungsi beta.

2.5.4. Distribusi Chi-Square20

Distribusi Chi Square atau Distribusi Chi-Kuadrat merupakan yang banyak
digunakan dalam sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat
merupakan kasus khusus dari distribusi gamma dengan faktor bentuk α = v/2,di mana
v adalah bilangan bulat positif dan faktor skala β = 2.
Fungsi Kepadatan Probabilitas Chi-kuadrat
1 v -1 -1/2
v v x(2) e x≥0
Fx2 (x ; v) = { 22 Γ ( )
2
0 yang lain
Parameter n disebut angka derajat kebebasan (degree of freedomldf) dari X.
sedangkan fungsi distribusi kumulatif chi-kuadrat adalah:
x
1 v -1
( ) e-1/2
Fx2 (x ; v) = P(X ≤ x)= ∫ v v t2 dt
0 22 Γ ( 2 )

20
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 105-108
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.12. Histogram Distribusi Probabilitas Chi-Kuadrat

2.5.5. Distribusi Weibull21

Dalam aplikasinya, distribusi ini serin digunakan untuk memodelkan “waktu
sampai kegagalan (time to failure)” dari suatu sistem fisika.
Jika sebuah variabel acak kontinu X memiliki distribusi Weibull dengan
parameter bentuk α dan faktor skala β di mana α > 0 dan β > 0, maka fungsi kepadatan
probabilitas dari X adalah:
α α-1 -(xβ)α
x e x≥0
fW (x; α, β)= { βα
0 yang lain
Fungsi di atas mudah untuk diintegralkan, sehingga diperoleh fungsi distribusi
kumulatif Weibull:
x t α x
α -( ) -( )α
Fw (x; α, β)=P(X ≤ x)= ∫ α tα-1 e β dt=1-e β
0 β

21
Ibid., hlm. 106
Sumber: Maulida Yanti dan Sarini, Distribusi Weibull Power Series, (2012, Depok: UI)
Gambar 2.13. Histogram Distribusi Probabilitas Weibull

2.5.6. Distribusi Lognormal22

Distribusi Lognormal merupakan distribusi teoritis yang banyak digunakan di
bidang teknik, khususnya sebagai model untuk berbagai jenis sifat material.
Sebuah variabel acak kontinu non-negatif X dikatakan memiliki distribusi
lognormal jika ln(X) memiliki sebuah distribusi normal. Fungsi kepadatan probabilitas
dari sebuah variabel acak yang memenuhi distribusi lognormal jika ln(X) terdistribusi
normal dengan parameter µ dan 𝜎 adalah:
[ln(x)-μ]
1 -
e 2σ2 x≥0
fln (x; μ, σ)= { √2πσx
0 yang lain

22
Ibid., hlm. 108
Sumber: Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga)
Gambar 2.14. Histogram Distribusi Probabilitas Lognormal

2.5.7. Distribusi Erlang23

Distribusi Erlang adalah distribusi kontinu yang merupakan distribusi khusus
dari distribusi Gamma. Fungsi Peluang nya adalah Variabel random kontinu X
dikatakan berdistribusi Erlang dengan parameter skala 𝜃 > 0 dan parameter bentuk r
yaitu X ~ ERL (𝜃, 0)
Jika fungsi densitas probabilitasnya dituliskan dengan simbol f(x), maka
1
f(x) = r xr-1 e-x/θ ; x >0
θ (r-1)!

Dengan r adalah bilangan bulat positif.

2.5.8. Distribusi Exponential24

Distribusi eksponensial merupakan kasus khusus dari distribusi gamma
dengan faktor bentuk α = 1 dan faktor skala β = 1/λ. Distribusi ini banyak digunakan
sebagai bidang teknik dan sains

23
Rini Kurniasih dan Getut Pramesti, Distribusi Erlang Dan Penerapannya, (Surakarta: UNS, 2013)
24
Harinaldi, Prinsip-Prinsip Statistik untuk Teknik dan Sains, (2005, Jakarta: Erlangga), hlm. 102-103
 Fungsi Padatan Probabilitas eksponensial
-λx
fe (x;λ)= { λe x≥0
0 yang lain

Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.15. Histogram Distribusi Probabilitas Eksponensial

2.5.9. Distribusi Gamma25

Sebuah variabel acak kontinu X dikatakan memiliki distribusi gamma dengan
parameter bentuk α dan parameter skala β di mana α > 0 dan β > 0 jika fungsi kepadatan
probabilitas dari X adalah:
α-1 ex/β
1 x
fG (x ; α, β)= { βα Γ (α) x≥0
0 yang lain

25
Ibid., hlm. 100
Sumber: Diana Nafkiyah dan Nilamsari Farah Millatina, Analisis Data Secara Random Pada Aplikasi
Minitab Dengan Menggunakan Distribusi Peluang, 2014, Surabaya:ITS
Gambar 2.16. Histogram Distribusi Probabilitas Gamma

2.5.10. Distibusi Laplace26

Distribusi Laplace kadang-kadang disebut distribusi eksponensial ganda,
karena dapat dianggap sebagai dua distribusi eksponensial (dengan parameter lokasi
tambahan). Seperti dalam kasus distribusi simetris lainya, seperti distribusi normal dan
distribusi logistic, ukuran pemusatan Laplace sama dengan mean, median, dan modus.
Peubah acak X dikatakan berdistribusi Laplace, jika dan hanya jika fungsi densitasnya
berbentuk :
1 |x - μ|
f(x) = exp (- )
2σ σ
Dengan 𝜇 merupakan bilangan riil dan 𝜎 > 0.

2.5.11. Distribusi Beta27

Peubah acak X berdistribusi beta dan dinamakan peubah acak jika fkp-nya
berbentuk:
Γα Γβ α-1
x (1-x)β-1 , 0 < x < 1 (α, β > 0)
𝑓(x)= { Γ(α+β)
0 ; x lainnya

26
RC Sundara, BAB II Tinjauan Pustaka, (Lampung: UNILA, 2014)
27
Maman Suherman, Pengantar Statistika Matematis (2006, Bandung: UPI)
Catatan:
α dan β adalah parameter-parameter untuk distribusi beta, jika α = β = 1 Maka
distribusi beta berupa peubah uniform X : U (1,0)
Teorema:
Jika peubah acak X berdistribusi beta dengan parameter α dan β, maka rerata
dan variansnya adalah:
α
(1) μ= α + β
αβ
(2) σ2 = (α+β)2
(α+β+1)

Silahkan buktikan teorema ini, dengan petunjuk gunakan fungsi beta, yaitu:
1
Γα Γβ
∫ xα-1 (1-α)β-1 dx=
0 Γ(α+β)

2.5.12. Distribusi Triangular28

Distribusi triangular merupakan salah satu distribusi peluang kontinu dengan
3 parameter yaitu nilai minimum a dengan a   ,  , nilai maksimum b dengan b
> a dan nilai yang paling mungkin m dengan a  m  b .
Lambang dari distribusi ini adalah Tr m, a, b . Misalkan X adalah suatu
peubah acak yang berdistribusi Triangular dengan parameter a , b, dan m, maka X
dapat ditulis dengan lambang X~ Tr m, a, b .

2.5.13. Distribusi Cauchy29

Distribusi Cauchy berasal dari penelitian yang dilakukan oleh matematikawan
selama lebih dari tiga abad. Penelitian tersebut berawal dari kurva yang dipelajari oleh
Pierre de Fermat pada tahun 1630 yang kemudian dipelajari oleh Sir Isac Newton,
Gottfried Leibniz, Christian Huygens, Luigi Guido Grandi (1703), dan Maria Gaenata

28
Ribety Apriyani, Distribusi Triangular dan Sifat-sifatnya, (Yogyakarta: UNY, 2009)
29
Nazhmal Huda, Sifat-Sifat Dasar Fungsi Karakteristik Dari Distribusi Cauchy, (Padang: Unand)
Agnesi (1748). Akhirnya, pada tahun 1853, Augustin Louis Cauchy memperkenalkan
distribusi Cauchy baku dengan fungsi kepadatan peluang, f(x) = π−1 (1 + x2 )−1 dengan
x ∈ R.
Secara umum, distribusi Cauchy merupakan distribusi peluang kontinu yang
dinotasikan dengan X ∼ Cauchy(a, b), dimana X adalah peubah acak dan a, b adalah
parameter, memiliki fungsi kepadatan peluang sebagai berikut.
b
fx(x) = 2
π (b + (x-a)2 )
untuk setiap −∞ < x < ∞, −∞ < a < ∞, dan b > 0.
Distribusi Cauchy tidak memiliki nilai harapan, variansi, skewness, kurtosis,
dan fungsi pembangkit momen, tetapi hanya memiliki fungsi karakteristik sebagai
pencirinya.

2.6. Distribusi Frekuensi

30
Data mentah adalah data yang sudah terkumpul tetapi belum terorganisasi
secara numerik. Contoh dari data mentah ini adalah kumpulan data berupa tinggi badan
dari 100 orang mahasiswa yang diperoleh melalui daftar nama yang tercatat di
universitas yang diurut berdasarkan abjad.
Array adalah suatu pengaturan data numerik mentah yang disusun berurutan
dari kecil ke besar atau besar ke kecil. Selisih antara bilangan terbesar dan terkecil
disebut sebagai jangkauan (range) data.
Pada saat merangkum sejumlah besar data mentah, seringkali berguna jika
mendistribusikan data-data tersebut ke dalam kelas atau kategori data serta menentukan
banyaknya individu atau anggota dari masing-masing kelas yang disebut frekuensi
kelas. Suatu susunan data dalam bentuk tabel yang disusun berdasarkan kelas dan
frekuensi kelasnya disebut distribusi frekuensi atau tabel frekuensi. Data yang

30
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 30-31
terorganisasi dan terangkum dalam distribusi frekuensi disebut sebagai data kelompok
(data yang dikelompokkan).
Berikut adalah contoh distribusi frekuensi dari tinggi badan (yang tercatat
dalam satuan inchi terdekat) dari 100 mahasiswa Universitas XYZ.

Tabel 2.1. Tinggi Badan 100 orang mahasiswa Universitas XYZ

Tinggi Badan ( Inchi) Banyaknya Mahasiswa
60-62 5
63-65 18
66-68 42
69-71 27
72-74 8
Total 100
Sumber: Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga)

Sebuah simbol yang mendefinisikan suatu kelas, seperti misalnya 60-62

dalam Tabel 2.1, disebut sebagai interval kelas. Sementara angka-angka ujung dari
interval kelas, dalam contoh ini adalah 60 dan 62, disebut sebagai batas-batas kelas.
Angka yang lebih kecil dari 60 disebut sebagai batas bawah kelas, dan angka yang lebih
besar dari 62 disebut batas atas kelas. Interval kelas yang hanya memiliki satu batas
atas kelas atau batas bawah kelas disebut sebagai interval kelas terbuka. Contohnya,
dengan mengacu pada kelompok usia orang maka “kelompok usia 65 tahun ke atas”
merupakan sebuah interval kelas terbuka.
Jika tinggi badan seseorang dicatat hingga ukuran inchi terdekat maka kelas
interval 60-62 secara teoritis akan mencakup semua hasil pengukuran antara 59,5 dan
62,5. Angka 59,5 dan 62,5 disebut sebagai garis batas kelas. Angka yang lebih kecil
dari 59,5 adalah garis batas bawah kelas, sementara angka yang lebih besar dari 62,5
adalah garis batas atas kelas.
 Ukuran atau lebar, dari sebuah interval kelas adalah selisih antara garis atas
bawah dan atas kelas dan sering disebut pula sebagai lebar kelas, ukuran kelas, atau
panjang kelas. Sebagai contoh, interval kelas adalah 62,5-59,5 = 3.
Tanda kelas (class mark) adalah titik tengah interval kelas yang diperoleh
dengan cara menjumlahkan batas bawah dan atas kelas dan kemudian membaginya
(60+62)
dengan 2. Jadi tanda kelas untuk interval kelas 60-62 adalah = 61. Tanda kelas
2

sering disebut sebagai titik tengah kelas (class midpoint).

Frekuensi relatif dari sebuah kelas adalah frekuensi dari kelas tersebut dibagi
dengan frekuensi total dari semua kelas yang umumnya dinyatakan dalam persentase.
Frekuensi kumulatif adalah frekuensi total dari semua nilai yang kurang dari garis batas
kelas dari suatu interval kelas tersebut.
Aturan umum untuk membentuk distribusi frekuensi adalah sebagai berikut:
1. Tentukan bilangan terbesar dan terkecil pada data mentah untuk mencari
jangkauan atau kisaran datanya (yaitu selisih antara bilangan terbesar dan terkecil).
2. Bagilah jangkauan data ke dalam sejumlah interval kelas yang memiliki ukuran
yang sama. Jika hal ini tidak dapat dilakukan, gunakan interval kelas dengan
ukuran yang berbeda atau interval kelas terbuka. Banyaknya interval kelas
biasanya antara 5 sampai dengan 20, bergantung pada datanya. Interval-interval
kelas juga dipilih sedemikian hingga tanda kelas (titik tengah kelas) berhimpit
dengan data observasi actual. Hal ini dimaksudkan untuk memperkecil atau
mengurangi kesalahan pengelompokan yang akan muncul dalam analisis
matematis lanjutan. Namun demikian, garis batas kelas tidak boleh berhimpit
dengan data observasi aktual.
3. Tentukan banyaknya observasi untuk masing-masing kelas interval; yaitu mencari
frekuensi kelas. Cara terbaik untuk melakukan ini adalah dengan pentabulasian
(menggunakan batang-batang hitungan seperti dalam proses perhitungan suara)
atau dengan lembar skor.
 31
Langkah-langkah dalam pembuatan distribusi frekuensi adalah sebagai
berikut:
1. Langkah pertama dari distribusi frekuensi adalah mengurutkan data dari yang
terkecil ke yang terbesar atau sebaliknya.
2. Langkah kedua dari distribusi frekuensi adalah membuat kategori atau kelas yaitu
data dimasukkan ke dalam kategori yang sama, sehingga data dalam satu kategori
mempunyai karakteristik yang sama.
3. Langkah ketiga adalah melakukan penturusan atau pentabulasian dari data mentah
yang sudah diurutkan ke dalam kelas interval yang sudah dihasilkan pada langkah
ketiga.
Data yang sudah dikelompokkan dalam bentuk tabel distribusik frekuensi
dapat disajikan dalam bentuk grafik supaya menjadi lebih menarik dan informatif.
Penyajian data dalam bentuk grafik dapat berupa grafik poligon, histogram, maupun
ogif.
Histogram merupakan bentuk diagram balok, karena frekuensi disajikan
dalam bentuk balok. Histogram menghubungkan antara tepi kelas interval pada sumbu
horisontal (X) dan frekuensi setiap kelas pada sumbu vertikal (Y).
, 45
40
35
30
25
20
15
10
5
0
Banyaknya Mahasiswa
60-62 5
63-65 18
66-68 42
69-71 27
72-74 8

Sumber: Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga)
Gambar 2.17. Grafik Histogram

31
Suharyadi Purwanto, Statistika untuk Ekonomi & Keuangan Modern, (2003, Jakarta: Salemba Empat),
ed. 1, hlm. 25-36
 Grafik poligon hampir sama dengan histogram, perbedaannya histogram
menggunakan balok, sedangkan poligon menggunakan garis yang menghubungkan
titik-titik yang merupakan koordinat antara nilai tengah kelas dengan jumlah frekuensi
pada kelas tersebut.

45
40
35
30
25
20
15
10
5
0
60-62 63-65 66-68 69-71 72-74

Sumber: Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga)
Gambar 2.18. Grafik Poligon

Kurva ogif merupakan diagram garis yang menunjukkan kombinasi antara

interval kelas dengan frekuensi kumulatif. Kurva ogif menunjukkan frekuensi
kumulatif pada setiap tingkat atau kategori.

2.7. Pengujian Distribusi32

Hipotesis Statistik adalah asumsi-asumsi atau dugaan-dugaan tentang
populasi-populasi yang terlibat bisa benar ataupun salah. Hipotesis ini biasanya
merupakan pernyataan-pernyataan umum mengenai distribusi probabilitas dari
populasi.
Hipotesis nol (H0) adalah hipotesis statistik yang dibuat semata-mata dengan
maksud untuk menolak atau meniadakannya. Hipotesis yang berbeda dengan hipotesis
yang diberikan disebut hipotesis alternatif (H1).

32
Murray R. Spiegel, Teori dan Soal-Soal Statistik, (2007, Jakarta: Erlangga), hlm. 177
 Prosedur yang memungkinkan kita menemukan apakah hasil-hasil yang
teramati pada sampel berbeda secara signifikan dari hasil-hasil yang diperkirakan, yang
dengan demikian akan menolong kita untuk memutuskan apakah akan menerima atau
menolak hipotesis yang diberikan, disebut sebagai uji hipotesis atau uji signifikansi.
Uji hipotesis yang biasanya digunakan adalah uji chi-square dengan menggunakan
software SPSS, Microsoft Office Excel, dan lain sebagainya.

2.8. P-Value33
P-Value adalah salah satu uji hipotesis yang akan memberikan nilai
setidaknya se-ekstrim nilai statistik yang sudah diteliti ketika hipotesis nul (H0) adalah
benar. Oleh karena itu, P-Value menyampaikan banyak informasi tentang bobot
kepercayaan melawan H0, jadi pembuatan keputusan dapat menggambarkan sebuah
kesimpulan di setiap spesifik level.
P-Value adalah tingkat signifikansi terkecil yang akan mengarah kepada
penolakan hipotesis nul (H0) dengan data yang diberikan. Biasanya, anggap uji
hipotesis signifikansi ketika hipotesis nol (H0) ditolak. Oleh karena itu, kita dapat
menganggap P-Value sebagai level terkecil dimana data-data signifikan. Dengan kata
lain, P-Value adalah tingkat signifikansi yang diamati. Begitu P-Value diketahui,
pembuat keputusan dapat menentukan seberapa signifikan data tanpa analisis data
secara formal memaksakan tingkat signifikansi yang telah dipilih sebelumnya

33
Douglas C. Montgomery, Applied Statistics and Probability For Engineers, hlm. 203