LAPORAN STATISTIKA INDUSTRI II GOODNESS OF FIT

Dosen Pengampu:
Fahriza Nurul Azizah, S.T., M.T.

Disusun Oleh:
Kelompok 3
Wulan Raisa Nabila 1810631140046
Salman Al-Faridzi 1810631140047
Hamdani 1810631140048
Ratna Senjaya 1810631140049

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS SINGAPERBANGSA KARAWANG
2019
 DAFTAR ISI

DAFTAR ISI ........................................................................................................ i

A. Latar Belakang .............................................................................................. 1
B. Landasan Teori .............................................................................................. 1
1. Uji Kebaikan Suai ......................................................................................... 2
2. Chi-Square test ........................................................................................... 2
3. Kolmogorov Test.......................................................................................... 5
C. Pengumpulan Data ........................................................................................ 7
1. Pelemparan dadu ......................................................................................... 7
2. Pelipatan pesawat kertas ............................................................................... 8
3. Berat badan mahaswa pria ............................................................................ 8
4. Berat badan mahasiswi ................................................................................. 9
5. Berat badan keseluruhan ............................................................................. 10
D. Pengolahan Data ......................................................................................... 11
1. Perhitungan Distribusi Poisson ..................................................................... 11
2. Perhitungan Distribusi Normal ...................................................................... 13
3. Perhitungan Distribusi Binomial .................................................................... 16
4. Perhitungan dengan SPSS ........................................................................... 18
a. Chi-Square ............................................................................................ 18
b. Kolmogorov Test .................................................................................... 20
E. Analisa ........................................................................................................ 21
1. Analisa Hasil Masing-Masing Perhitungan Distribusi ......................................... 21
2. Hasil Perhitungan Metode Chi-Square dan Metode Kolmogorov Smirnov ............... 22
3. Analisa Pengaruh Taraf Nyata Terhadap Hasil Masing-Masing Perhitungan .......... 23
F. Kesimpulan dan Saran ................................................................................. 23
1. Kesimpulan ............................................................................................... 23
2. Saran ....................................................................................................... 24

i
 1

A. Latar Belakang
Sebagian besar penelitian dalam statistika berhubungan dengan asumsi
distribusi, baik secara teori maupun praktik langsung di lapangan. Salah satu uji
yang sering digunakan dalam pengujian asumsi distribusi yaitu uji goodness of fit
atau bisa juga disebut dengan uji kebaikan suai. Uji kebaikan suai yaitu uji yang
digunakan untuk mengetahui distribusi dari suatu data empiris. Maka dari itu, uji ini
digunakan untuk menguji hipotesis bahwa suatu sampel yang diperoleh dari populasi
memiliki fungsi distribusi, seperti distribusi binomial, distribusi poisson, distribusi
normal.
Distribusi binomial adalah suatu distribusi probabilitas yan dapat digunakan
apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.
Distribusi ini adalah distribusi teoritis yang menggunakan variable random diskrit
yang terdiri dari dua kejadian yang berkomplemen seperti sukses-gagal, ya-tidak,
baik-cacat, kepala-ekor, dan sebagainya. Distribusi poisson adalah probabilitas
diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu
tertentu apabila rata-rata kejadian tersebut diketahui dan waktu yang saling bebas
sejak kejadian terakhir. Distribusi poisson dapat digunakan dalam industri seperti
menghitung produktifitas karyawan dalam merakit suatu produk dalam jangka waktu
tertentu. Selanjutnya distribusi normal, distribusi normal adalah suatu alat statitik
yang sangat penting untuk menaksir atau meramalkan peristiwa-peristiwa yang lebih
luas. Suatu data berbentuk distribusi normal apabila jumlah data diatas dan dibawah
mean adalah sama.
Dalam penelitian kali ini, digunakan juga pengujian dengan metode uji
Kolmogorov smirnov. Uji Kolmogorov smirnov adalah pengujian normalitas yang
banyak dipakai, terutama setelah adanya banyak program statistic yang beredar.
Konsep dasarnya adalah dengan membandingkan distribusi data (yang akan di uji
normalitasnya) dengan distribusi normal baku. Distribusi normal baku yaitu data
yang telah ditransformasikan ke dalam bentuk Z-score dan diasumsikan normal.
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi
diantara satu pengamat dengan pengamat lain yang sering terjadi pada uji
normalitas dengan menggunakan grafik.
Dalam uji normalitas, ada pula metode chi square atau khi kuadrat. Uji khi
kuadrat adalah pengujian hipotesis tentang perbandingan antara frekuensi sampel
yang benar-benar terjadi (frekuensi pengamatan) dengan frekuensi harapan yang
didasarkan atas hipotesis tertentu pada setiap kasus atau data. Skala yang
digunakan dalam uji khi kuadrat adalah skala yang bersifat nominal yang berarti jika
data berskala interval, maka tidak dapat diolah dengan khi kuadrat.
 2

B. Landasan Teori
1. Uji Kebaikan Suai
Kebaikan suai adalah suatu uji untuk menentukkan apakah suatu populasi
memiliki sebaran teoretik tertentu. Uji ini didasarkan pada seberapa baik
kesesuaian antara frekuensi yang teramati dalam data contoh dengan frekuensi
harapan yang didasarkan pada sebaran yang dihipotesiskan. ( Ronald E Walpole,
1995).
Uji kebaikan suai merupakan suatu uji untuk menentukan apakah suatu
populasi memiliki sebaran teoritik tertentu. Pengujian Goodness of Fit (Uji
Kebaikan Suai) didasarkan pada seberapa baik kesesuaian antara frekuensi yang
teramati dalam data contoh dengan frekuensi harapan yang didasarkan pada
sebaran yang dihipotesakan. (Fahriza, 2019)
Sebagai gambaran, perhatikan percobaan pelemparan sebuah dadu. Kita
hipotesiskan bahwa dadu itu setimbang, yang ekivalen dengan pengujian
hipotesis bahwa sebaran hasil percobaan itu adalah seragam. Misalkan bahwa
dadu tersebut dilemparkan 120 kali dan setiap hasilnya dicatat. Secara teoritik,
bila dadu itu setimbang, kita mengharapkan setiap sisi muncul 20 kali.
Dengan membandingkan frekuensi yang teramati dengan frekuensi harapan , kita
harus memutuskan apakah ketaksuain itu disebabkan hanya oleh fluktuasi
penarikan contoh, atau karena dadunya tidak setimbang, sehingga hasil
percobaan tidak seragam.

2. Chi-Square Test
Uji chi-square di sebut juga dengan Kai Kuadrat. Uji chi-squeare adalah
salah satu uji statistic no-parametik (distibusi dimana besaran – besaran populasi
tidak diketahui) yang cukup sering digunakan dalam penelitian yang menggunaka
dua variable, dimana skala data kedua variable adalah nominal atau untuk
menguji perbedaan dua atau lebih proporsi sampel. Uji chi-square diterapkan
pada kasus dimana akan diuji apakah frekuensi yang akan di amati (data
observasi) untuk membuktikan atau ada perbedaan secara nyata atau tidak
dengan frekuensi yang diharapkan. Chi-square adalah teknik analisis yang
digunakan untuk menentukan perbedaan frekuensi observasi (Oi) dengan
frekuensi ekspektasi atau frekuensi harapan (Ei) suatu kategori tertentu yang
dihasilkan. Uji ini dapat dilakukan pada data diskrit atau frekuensi.
Pengertian chi-quare atau chi kuadrat lainya adalah sebuah uji hipotesis
tentang perbandingan Antara frekuensi observasi dengan frekuensi harapan yang
didasarkan oleh hipotesis tertentu pada setiap kasus atau data yang ambil untuk
diamati. Uji ini sangat bermanfaat dalam melakukan analisis statistic jika kita
 3

tidak memiliki informasi tantang populasi atau jika asumsi-asumsi yang

dipersyaratkan untuk penggunaan statistic parametric tidak terpenuhi. Chi
kuadrat biasanya di dalam frekuensi observasi berlambangkan dengan frekuensi
harapan yang didasarkan atas hipotesis yang hanya tergantung pada suatu
parameter, yaitu derajat kebebasan (df).
Pengujian yang dilakukan pada chi square test adalah seperti pengujian
distribusi binomial, distribusi poisson, distribusi normal.
a. Distribusi Binomial
Distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan
dalam n percobaan ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap
hasil percobaan memiliki probabilitas p. Eksperimen berhasil/gagal juga
disebut percobaan bernoulli. Ketika n = 1, distribusi binomial adalah distribusi
bernoulli. Distribusi binomial merupakan dasar dari uji binomial dalam uji
signifikansi statistik.
Distribusi ini seringkali digunakan untuk memodelkan jumlah keberhasilan
pada jumlah sampel n dari jumlah populasi N. Apabila sampel tidak saling
bebas (yakni pengambilan sampel tanpa pengembalian), distribusi yang
dihasilkan adalah distribusi hipergeometrik, bukan binomial. Semakin besar N
daripada n, distribusi binomial merupakan pendekatan yang baik dan banyak
digunakan.
Dalam percobaan binomial, hasil-hasilnya seringkali diklasifikasikan sebagai
hasil yang sukses atau gagal. Sebagai contoh, jawaban benar suatu
pertanyaan pilihan ganda dapat diklasifikasikan sebagai hasil yang sukses,
sehingga pilihan jawaban lainnya merupakan jawaban yang salah dan
diklasifikasikan sebagai hasil yang gagal. Notasi-notasi yang umumnya
digunakan dalam percobaan binomial dan distribusi binomial adalah sebagai
berikut.
Tabel 1. Notasi Distribusi Binomial

Notasi Keterangan

P(S) Simbol untuk peluang sukses.

P(F ) Simbol untuk peluang gagal.
p Peluang sukes.
q Peluang gagal.
P(S) = p dan P(F ) = 1 – p =
q
n Banyaknya percobaan
Banyaknya sukses dalam n kali
X
percobaan

Perhatikan bahwa 0 ≤ X ≤ n dan X = 0,

1, 2, 3, …, n .
 4

Rumus Peluang Binomial

Dalam suatu percobaan binomial, peluang untuk mendapatkan tepat X
sukses dalam n percobaan adalah

b. Distribusi Poisson
distribusi Poisson adalah distribusi probabilitas diskret yang menyatakan
peluang jumlah peristiwa yang terjadi pada periode waktu tertentu apabila
rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas sejak
kejadian terakhir. (distribusi Poisson juga dapat digunakan untuk jumlah
kejadian pada interval tertentu seperti jarak, luas, atau volume).
Distribusi ini pertama kali diperkenalkan oleh Siméon-Denis Poisson (1781–
1840) dan diterbitkan, bersama teori probabilitasnya, pada tahun 1838 dalam
karyanyaRecherches sur la probabilité des jugements en matière criminelle et
en matière civile (“Penelitian Probabilitas Hukum Masalah Pidana dan
Perdata”). Karyanya memfokuskan peubah acak N yang menghitung antara
lain jumlah kejadian diskret (kadang juga disebut "kedatangan") yang terjadi
selama interval waktu tertentu.
Ciri-ciri distribusi poisson:
 variabel yang digunakan adalah variabel diskret,
 percobaan bersifat random/acak,
 percobaan bersifat independen.
c. Distribusi Normal
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisis statistika.
Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan
simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve)
karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun
ilmu sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti
jumlah foton dapat dihitung melalui pendekatan dengan mengikuti distribusi
normal. Distribusi normal banyak digunakan dalam berbagai bidang statistika,
misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi
populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak
digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan
pengujian hipotesis mengasumsikan normalitas suatu data.
 5

Fungsi densitas distribusi normal diperoleh dengan persamaan sebagai berikut

dimana
π = 3,1416
e = 2,7183
µ = rata-rata
σ = simpangan baku
Persamaan di atas bila dihitung dan diplot pada grafik akan terlihat seperti
pada Gambar 1 berikut.
Gambar 1. kurva distribusi normal umum

Sifat-sifat penting distribusi normal adalah sebagai berikut:

 Grafiknya selalu berada di atas sumbu x
 Bentuknya simetris pada x = µ
 Mempunyai satu buah modus, yaitu pada x = µ
 Luas grafiknya sama dengan satu unit persegi, dengan rincian
 Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
 Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
 Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ

3. Kolmogorov Smirnov-Test
Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak
dipakai, terutama setelah adanya banyak program statistik yang beredar.
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan
persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi
pada uji normalitas dengan menggunakan grafik. Konsep dasar dari uji normalitas
Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan
diuji normalitasnya) dengan distribusi normal baku.
 6

Persyaratan Uji Kolmogrov Smirnov adalah:

a. Data bersekala interval atau ratio (kuantitatif)
b. Data tunggal/belum diklompokkan pada table distribusi frekuensi
c. Dapat untik n besar maupun n kecil.
Langkah-langkah prinsip uji Kolmogorov-Smirnov ialah sebagai berikut:
a. Susun frekuensi-frekuensi dari tiap nilai teramati, berurutan dari nilai terkecil
sampai nilai terbesar. Kemudian susun frekuensi kumulatif dari nilai-nilai
teramati itu.
b. Konversikan frekuensi kumulatif itu ke dalam probabilitas, yaitu ke dalam fungsi
distribusi frekuensi kumulatif [S(x)]. Sekali lagi ingat bahwa, distribusi frekuensi
teramati harus merupakan hasil pengukuran variabel paling sedikit dalam skala
ordinal (tidak isa dalam skala nominal).
c. Hitung nilai z untuk masing-masing nilai teramati di atas dengan rumus z=(xi–
x) /s. dengan mengacu kepada tabel distribusi normal baku (tabel B), carilah
probabilitas (luas area) kumulatif untuk setiap nilai teramati. Hasilnya ialah
sebagai Fo(xi).
d. Susun Fs(x) berdampingan dengan Fo(x). hitung selisih absolut antara S(x) dan
Fo(x) pada masing-masing nilai teramati.
e. Statistik uji Kolmogorov-Smirnov ialah selisih absolut terbesar Fs(xi) dan Ft(xi)
yang juga disebut deviasi maksimum D.
f. Dengan mengacu pada distribusi pencuplikan kita bisa mengetahui apakah
perbedaan sebesar itu (yaitu nilai D maksimum teramati) terjadi hanya karena
kebetulan. Dengan mengacu pada tabel D, kita lihat berapa probabilitas (dua
sisi) kejadian untuk menemukan nilai-nilai teramati sebesar D, bila Ho benar.
Jika probabilitas itu sama atau lebih kecil dari a, maka Ho ditolak.
 7

C. Pengumpulan Data
1. Pelemparan Dadu
Tabel 1. Pelemparan dadu

No Jumlah Angka Ganjil Yang Muncul

1 3
2 3
3 1
4 -
5 3
6 3
7 3
8 4
9 3
10 2
11 -
12 1
13 -
14 1
15 4
16 2
17 3
18 2
19 -
20 2
21 4
22 1
23 4
24 2
25 4
26 2
27 -
28 2
29 1
30 2
 8

2. Pelipatan Pesawat Kertas

Tabel 3. Lipatan pesawat kertas

Jumlah Lipatan Oi
0 -
1 18
2 11
3 1
4 -

3. Berat Badan Mahasiswa Pria

Tabel 4. Pengumpulan data berat badan mahasiswa pria kelas B

No Mahasiswa Laki-laki
1 48,9
2 48,9
3 68,7
4 55,6
5 60,1
6 69,1
7 59
8 50,1
9 68,9
10 76,4
11 48,3
12 55,9
13 48,1
 9

4. Berat Badan Mahasiswi

Tabel 5. Pengumpulan data berat badan mahasiswi kelas B

No Mahasiswa Perempuan
1 49,1
2 49,1
3 42,7
4 46,8
5 39,3
6 39,9
7 51
8 41,9
9 46,6
10 64,3
11 63,4
12 50,4
13 72,8
14 84,7
15 43,6
16 80,3
17 88,3
 10

5. Berat Badan Keseluruhan

Tabel 6. Berat badan keseluruhan

No Mahasiswa Laki-laki & Perempuan

1 48,9
2 48,9
3 68,7
4 55,6
5 60,1
6 69,1
7 59
8 50,1
9 68,9
10 76,4
11 48,3
12 55,9
13 48,1
14 49,1
15 49,1
16 42,7
17 46,8
18 39,3
19 39,9
20 51
21 41,9
22 46,6
23 64,3
24 63,4
25 50,4
26 72,8
27 84,7
28 43,6
29 80,3
30 88,3
 11

D. Pengolahan Data
1. Perhitungan Distribusi Poisson
Data pembuatan pesawat kertas oleh mahasiswa TI B 2018
Tabel 10. Tabel Lipatan Pesawat

Jumlah Lipatan
(x)

0 -
1 18
2 11
3 1
4 -

Waktu yang dibutuhkan = 1 menit

Σ𝑂𝑖
Rata-rata = 𝑥̅ =
𝑛
30
=
5

=6
𝜆 = 𝑥̅ x waktu
=6x1
=6

Probabilitas (𝑥, 𝜆)
 Pr (0) = Pr (0)
= 0,025
 Pr (1) = Pr – Pr (0)
= 0,0174 – 0,0025
= 0,01149
 Pr (2) = Pr (2) – Pr (1)
= 0,0620 – 0,0149
= 0,0471
 Pr (3) = Pr (3) – Pr (2)
= 0,1512 – 0,0471
= 0,1041
 Pr (4) = Pr (4) – Pr (3)
= 0,2851 – 0,1041
= 0,181
 12

Frekuensi harapan (ℓ𝑖)

 (𝑒𝑖) = n x Pr
= 30 x 0,025
= 0,075
 (𝑒𝑖) = n x Pr
= 30 x 0,0149
= 0,447
 (𝑒𝑖) = n x Pr
= 30 x 0,0471
= 1,413
 (𝑒𝑖) = n x Pr
= 30 x 0,1041
= 3,123
 (𝑒𝑖) = n x Pr
= 30 x 0,181
= 5,43
 Σ(𝑒𝑖) = 10,488

(𝑂𝑖−𝑒𝑖)2
 X2 hitung =
𝑒𝑖

(0 – 0,075)2
=
0,075

= 0,075
(𝑂𝑖−𝑒𝑖)2
 X2 hitung =
𝑒𝑖
(18 – 0,447)2
=
0,447
308,10789
=
0,447

= 689,2792
(𝑂𝑖−𝑒𝑖)2
 X2 hitung =
𝑒𝑖
(11 – 1,413)2
=
1,413
91,910569
=
1,413

= 65,0464
(𝑂𝑖−𝑒𝑖)2
 X2 hitung =
𝑒𝑖
(1 – 3,123)2
=
3,123
4,507129
=
3,123

= 1,443204
 13

(𝑂𝑖−𝑒𝑖)2
 X2 hitung =
𝑒𝑖

(30 – 10,488)2
=
10,488
380,718144
=
10,488

= 36,300
Taraf nyata
(∝) = 5% 𝑑𝑎𝑛 10%
= 0,05 dan 0,10

Derajat Bebas v
v=k–m–1
v = 5 – 1 -1 = 3

Tabel 11. Hasil perhitungan distribusi poisson

Jumlah Frekuensi Pengamatan (Oi) Probabilitas Frekuensi Harapan (ei) X2 hitung X2 tabel 5% X2 tabel 10%

0 0 0,0025 0,075
1 18 0,0149 0,447
2 11 0,0471 1,413
755,8438 7,81472 6,25139
3 1 0,1041 3,123
4 0 0,181 5,43
10,488

2. Perhitungan Distribusi Normal

Data Berat Badan
Tabel 12. Data Berat badan

Data Batas kelas atas

39 – 47 47,5
48 – 56 56,5
57 – 65 65,5
66 – 74 74,5
75 – 83 83,5
84 – 92 92,5

Probabilitas

 Pr (1) = Lz1
= 0,1977

 Pr (2) = Lz2 – Lz1

= 0,4641 – 0,1977
= 0,2664
 14

 Pr (3) = Lz3 – Lz2

= 0,7157 – 0,4641
= 0,2516

 Pr (4) = Lz4 – Lz3

= 0,8925 – 0,7157
= 0,1768

 Pr (5) = Lz5 – Lz4

= 0,9719 – 0,8925
= 0,0794

 Pr (6) = Lz6 – Lz5

= 0,9945 – 0,9719
= 0,0226

 Z1 =
𝐵𝑎𝑡𝑎𝑠 𝐾𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 – 𝑥
3
47,5 – 57,7
=
13,47

Zi = -0,75
Lz1 = P (z < -0,75)
= 0,1977

 Z2 =
𝐵𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 − 𝑥
3
56,5 – 57,7
=
13,47

Zi = -0,09
Lz2 = P (z < -0,09)
= 0,4641

 Z3 =
𝐵𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 − 𝑥
3
65,5 – 57,7
=
13,47

Zi = 0,57
Lz3 = P (z < 0,57)
= 0,7157

 Z4 =
𝐵𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 − 𝑥
3
74,5 – 57,7
=
13,47

Zi = 1,24
Lz4 = P (z < 1,24)
= 0,8925
 15

 Z5 =
𝐵𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 − 𝑥
3
83,5 – 57,7
=
13,47

Zi = 1,91
Lz5 = P (z < 1,91)
= 0,19719

 Z6 =
𝐵𝑎𝑡𝑎𝑠 𝑘𝑒𝑙𝑎𝑠 𝑎𝑡𝑎𝑠 – 𝑥
3
92,5 – 57,7
=
13,47

Zi = 2,54
Lz6 = P (z < 2,54)
= 0,9945
Frekuensi Harapan (𝑒𝑖)

 (𝑒𝑖) = n x Pr
= 30 x 0,1977
= 5,931

 (𝑒𝑖) = n x Pr
= 30 x 0,2664
= 7,992

 (𝑒𝑖) = n x Pr
= 30 x 0,2516
= 7,548

 (𝑒𝑖) = n x Pr
= 30 x 0,1768
= 5,304

 (𝑒𝑖) = n x Pr
= 30 x 0,0794
= 2,382

 (𝑒𝑖) = n x Pr
= 30 x 0,226
= 0,678

 Σ(𝑒𝑖) = 29,835

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(7 – 5,931)2
=
5,931
 16

1,142
=
5,931

= 0,1926

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(11 – 7,992)2
=
7,992

= 1,1321

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(4 – 7,548)2
=
7,548

= 1,6677

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(4 – 5,304)2
=
5,304

= 0,3205

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(2 – 2,352)2
=
2,352

= 0,0612

 X2 hitung =
(𝑂𝑖−𝑒𝑖)2
𝑒𝑖
(2 – 0,678)2
=
0,678

= 2,577
Tabel 13. Hasil perhitungan distribusi normal

Interval Batas Kelas Atas Oi Zi Probabilitas Ei X2 Hitung

0–5 47,5 7 -8,75 0,1977 5,931 0,1926
6 – 10 56,5 11 -0,09 0,4641 7,992 1,1321
11 – 15 65,5 4 0,57 0,7157 7,548 1,6677
16 – 20 74,5 4 1,24 0,8925 5,304 0,3205
21 – 25 83,5 2 1,91 0,9719 2,382 0,0612
26 - 30 92,5 2 2,54 0,9945 0,678 2,577

3. Perhitungan Distribusi Binomial

3310333432
0101423202
4142420212
 17

Tabel 14. Jumlah lipatan

X Oi
0 5
1 5
2 8
3 7
4 5

P (x ; n ,p) = P (0 ; 5 ,0,5)
P (x ; n ,p) = P (1 ; 5 ,0,5)
P (x ; n ,p) = P (2 ; 8 ,0,5)
P (x ; n ,p) = P (3 ; 7 ,0,5)
P (x ; n ,p) = P (4 ; 5 ,0,5)
Menentukan Probabilitas

 Pr (0) = 0,0313

 Pr (1) = Pr (1) – Pr (0)

= 0,1875 – 0,0313
= 0,1562

 Pr (2) = Pr (2) – Pr (1)

= 0,1445 – 0,1875
= -0,043

 Pr (3) = Pr (3) – Pr (2)

= 0,5000 – 0,1445
= 0,3555

 Pr (4) = Pr (4) – Pr (3)

= 0,9688 – 0,5000
= 0,4688
Menentukan Frekuensi Harapan

 ei0 = n x Pr0
= 30 x 0,0313
= 0,939

 ei1 = n x Pr1
= 30 x 0,1562
= 4,686

 ei2 = n x Pr2
= 30 x (-0,043)
= -1,29
 18

 ei3 = n x Pr3
= 30 x 0,3555
= 10,665

 ei4 = n x Pr4
= 30 x 0,4688
= 14,064

Menentukan X2 hitung

 ei0 + ei1 + ei2 + ei3 + ei4 = 15

(𝑂𝑖−𝑒𝑖)2
X2 hitung =
𝑒𝑖
(30 − 15)2
=
15

= 15

 ei4 = 14,064
(𝑂𝑖−𝑒𝑖)2
X2 hitung =
𝑒𝑖
(30 – 14,064)2
=
14,064

= 18,057
Σ 𝑥 hitung
2
= 15 – 18,057
= 33,057

Menghitung X2 tabel
V=k–1–m
=5–1–1
= 3 (derajat kebebasan)
X tabel 2 = 5% = 0,05
X tabel 2 = 10% = 0,1
Tabel 14. Hasil perhitungan distribusi binomial

Jumlah Frekuensi Pengamatan (Oi) Probabilitas Frekuensi Harapan (ei) X2 hitung X2 tabel (5%) X2 tabel (10%)
0 5 0,0313 0,939
1 5 0,1562 4,686
15
2 8 -0,043 -1,29
7,81472 6,25139
3 7 0,3555 10,665
4 5 0,4688 14,064 18,057
0,9688 29,064 33,057
 19

4. Perhitungan dengan SPSS

a. Perhitungan Chi-Square Test
Pada perhitungan Chi-Square test ini memiliki dasar pengambilan keputusan
atau hipotesis, untuk hasil perhitungan yang telah dilakukan. Dasar
Pengambilan Keputusan dalam Uji Chi-Square ini, diantaranya;
1) Jika nilai Asymp. Sig < 0,05, maka terdapat hubungan yang signifikan
antara baris dengan kolom.
2) Jika nilai Asymp. Sig > 0,05, maka tidak terdapat hubungan yang signifikan
antara baris dengan kolom.
Perhitungan Chi-square test ini menggunakan data berat badan mahasiswa
kelas B teknik industri 2018 keseluruhan, dan hasil perhitungan dengan
menggunakan SPSS ini seperti tercantum seperti berikut;
Tabel 6. Hasil Perhitungan SPSS
Berat Badan
Observed Expected
Residual
N N
39,3 1 1,1 -0,1
39,9 1 1,1 -0,1
41,9 1 1,1 -0,1
42,7 1 1,1 -0,1
43,6 1 1,1 -0,1
46,6 1 1,1 -0,1
46,8 1 1,1 -0,1
48,1 1 1,1 -0,1
48,3 1 1,1 -0,1
48,9 2 1,1 0,9
49,1 2 1,1 0,9
50,1 1 1,1 -0,1
50,4 1 1,1 -0,1
51 1 1,1 -0,1
55,6 1 1,1 -0,1
55,9 1 1,1 -0,1
59 1 1,1 -0,1
60,1 1 1,1 -0,1
63,4 1 1,1 -0,1
64,3 1 1,1 -0,1
68,7 1 1,1 -0,1
68,9 1 1,1 -0,1
69,1 1 1,1 -0,1
72,8 1 1,1 -0,1
76,4 1 1,1 -0,1
80,3 1 1,1 -0,1
84,7 1 1,1 -0,1
88,3 1 1,1 -0,1
Total 30
 20

Tabel 7. Hasil Perhitungan SPSS

Test Statistics

Berat Badan
Chi- 1,733 a
Square
df 27
Asymp. 1,000
Sig.
a. 28 cells (100,0%) have
expected frequencies less than
5. The minimum expected cell
frequency is 1,1.

Berdasarkan hasil perhitungan Chi-square test menggunakan SPSS yang

telah dilakukan, untuk data berat badan mahasiswa kelas B keseluruhan
menghasilkan Asymp. Sig sebesar 1,000 dimana angka tersebut berarti Asymp.
Sig > 0,05 yang mana berdasarkan hasil tersebut berarti dapat ditarik
kesimpulan berdasarkan hipotesis bahwa “tidak terdapat hubungan” yang
signifikan antara baris dan kolom.
b. Perhitungan Kolmogorov Smirnov-Test
Sama halnya seperti pada perhitungan chi-square test, pada perhitungan
kolmogorov test ini juga menggunakan data berat badan mahasiswa kelas B
keseluruhan.
Dasar Pengambilan Keputusan dalam Uji Kolmogorov Smirnov, diantaranya;
1) Jika nilai Asymp. Sig > 0,05, maka nilai residual berdistribusi normal.
2) Jika nilai Asymp. Sig < 0,05, maka nilai residual tidak berdistribusi normal.
 21

Tabel 9. Hasil Perhitungan Kolmogorov Smirnov Test

One-Sample Kolmogorov-Smirnov Test

Berat Badan
N 30
Normal Mean 57,073
Parameters a,b
Std. Deviation 13,6707
Most Extreme Absolute 0,205
Differences Positive 0,205
Negative -0,097
Test Statistic 0,205
c
Asymp. Sig. (2-tailed) ,002
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.

Berdasarkan hasil perhitungan Kolmogorov sirnov-test yang telah

dilakukan terlihat nilai Asymp. Sig sebesar 0,002. Karena nilai Asymp. Sig
0,002 > 0,05, maka dapat disimpulkan bahwa nilai residual “tidak
berdistribusi normal”. Hal ini dapat diartikan pada bahwa perhitungan
tidak dapat dilanjutkan ke uji regresi.

E. Analisa
1. Analisa Hasil Masing-Masing Perhitungan Distribusi
Dalam percobaan kali ini, kami mengambil data percobaan pelemparan dadu
sebanyak empat buah dadu dan data yang diambil adalah dadu bernilai genap,
lalu hasil dari percobaan tersebut tertera pada tabel yang nantinya data ini
digunakan untuk menghitung distribusi binomial. Distribusi binomial adalah suatu
distribusi probabilitas yan dapat digunakan apabila suatu proses sampling dapat
diasumsikan sesuai dengan proses Bernoulli. Setelah melakukan perhitungan
distribusi binomial, didapatkan hasil yaitu dengan probabilitas 0,9688 , frekuensi
harapan 29,064 , x2 hitung 33,057 dan x2 tabel dengan 𝛼 0,05 dan 0,1 yaitu
14,06611. Jadi dapat disimpulkan bahwa pada distribusi binomial adalah
33,057>14,06611 sehingga tolak 𝐻0 .
Distribusi poisson adalah probabilitas diskret yang menyatakan peluang
jumlah peristiwa yang terjadi pada periode waktu tertentu apabila rata-rata
kejadian tersebut diketahui dan waktu yang saling bebas sejak kejadian terakhir.
Pada percobaan kali ini yaitu dengan melipat kertas untuk dibuat pesawat dengan
waktu 1 menit yang dilakukan 30 orang. Didapatkan hasil yaitu dengan
 22

probabilitas 0,3491 , frekuensi harapan 10,488 , x2 hitung 755,8438, dan x2 tabel

dengan 𝛼 005 dan 0,1 yaitu 14,06611. Jadi dapat disimpulkan bahwa pada
distribusi binomial adalah tolak 𝐻0 karena 755,8438>14,06611.
Terakhir yaitu distribusi normal dengan percobaan berat badan kelas B,
dimana didapatkan hasil untuk X2 hitung dan juga X2 tabel seperti tercantum
pada tabel dibawah ini ;
Tabel 18. Hasil perhitungan distribusi normal

Interval Batas Kelas Atas Oi Zi Probabilitas Ei X2 Hitung X2 Tabel 5% X2 Tabel 10%

0–5 47,5 7 -8,75 0,1977 5,931 0,1926
6 – 10 56,5 11 -0,09 0,4641 7,992 1,1321
11 – 15 65,5 4 0,57 0,7157 7,548 1,6677
7,81472 6,25139
16 – 20 74,5 4 1,24 0,8925 5,304 0,3205
21 – 25 83,5 2 1,91 0,9719 2,382 0,0612
26 - 30 92,5 2 2,54 0,9945 0,678 2,577

2. Hasil Perhitungan Metode Chi-Square dan Metode Kolmogorov Smirnov

Pada penelitin ini, kami menggunakan dua tes perhitungan yaitu dengan
metode Chi-square test dan metode kolmogorov smirnov tes. Uji Chi-Square atau
Uji Chi-Kuadrat bertujuan untuk mengetahui hubungan antara variabel yang
terdapat pada baris dan kolom. Jenis data yang digunakan dalam Uji Chi-Square
berbentuk data kategori atau data frekuensi. Dalam uji chi-kuadrat ini melitputi
distribusi binomial, distribusi normal, dan juga distribusi poisson, dimana dari
perhitungannya sudah tercantum pada tabel-tabel sebelumnya.
Kemudian metode kedua adalah metode kolmogorov smirnov. Metode ini
merupakan metode pengujian normalitas yang konsep dasarnya adalah dengan
membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi
normal baku. Pada metode kolmogorov smirnov ini perhitungan menggunakan
sebuah software yaitu SPSS pada versi 25 dan menggunakan data berat badan
keseluruhan mahasiswa kelas B. Berdasarkan perhitungan yang tekah dilakukan,
didaptkan hasil nilai Asymp. Sig 0,002 dimana angka tersebut kurang dari 0,05
(Asymp. Sig < 0,05) dan memberikan arti bahwa data tidak berdistribusi normal
menurut metode kolmogorov smirnov ini.
 23

3. Analisa Pengaruh Taraf Nyata Terhadap Hasil Masing-Masing

Perhitungan
Taraf nyata atau taraf signifikansi, erat berkaitan dengan masalah eror dalam
penolakan hipotesis nihil, pemahaman mengenai taraf signifikansi sangat penting
dalam metode statistika guna menguji hipotesis penelitian. Kesimpulan penelitian
yang disandarkan pada keputusan statistik, tidak dapat ditopang oleh taraf
kepercayaan mutlak 100%. Karena itulah peneliti harus memberi sedikit peluang
untuk salah menolak hipotesis nihil, inilah yang disebut taraf signifikansi atau taraf
nyata.
Sewaktu seorang peneliti menyatakan penolakan terhadap hipotesis nihil,
harus dipahami bahwa penolakan itu mengandung resiko kesalahan sebesar suatu
taraf nyata. Penolakan yang didasaarkan pada taraf nyata yang kecil tentu saja
lebih dapat dipercaya daripada penolakan yang didasarkan pada taraf signifikansi
yang besar, walaupun tidak berarti bahwa taraf nyata yang kecil selalu lebih tepat
untuk digunakan dari pada taraf nyata yang besar. Besaran taraf nyata yang
sering digunakan untuk menentukan taraf nyata yaitu 1% (0,01), 5% (0,05), dan
10% (0,1). Besarnya taraf nyata tergantung pada keberanian pembuat keputusan
yang dalam hal ini berapa besarnya kesalahan akan ditoleransikan. Pada
penelitian ini taraf nyata yang digunakan adalah 5% dan 10% , taraf nyata ini
digunakan pada perhitungan distribusi poisson dan distribusi normal yang
kemudian didapatkan hasil untuk taraf nyata distribusi poisson, yaitu 𝑋 2 = 0,05.3 =
7,81472 dan 𝑋 2 = 0,1.3 = 6,25139 , sedangkan untuk distribusi normal 𝑋 2 = 0,05.3 =
7,81472 dan 𝑋 2 = 0,1.3 = 6,25139 .Pengaruh taraf nyata terhadap perhitungan tidak
terlalu signifikan, karena terlihat pada hasilnya hanya memberikan range yang
sedikit antara taraf nyata 5% dan 10%.

F. Kesimpulan dan Saran

1. Kesimpulan
Berdasarakna penelitian dan percobaan yang telah dilakukan, maka dapat
ditarik beberapa kesimpulaan seperti berikut:
1. Perhitungan pada penelitian ini menggunakan tiga data, yaitu data
pelemparan dadu, data lipatan pesawat, dan data berat badan. Dimana data-
data tersebut diolah dengan dua metode, yaitu metode chi-kuadrat dan juga
metode kolmogorov smirnov. Pada metode chi-kuadrat perhitungan dilakukan
dengan tiga distribusi, yaitu distribusi normal, distribusi binomial, dan juga
distribusi poisson.
 24

2. Pada perhitungan dengan dengan metode kolmogorov smirnov data diolah

menggunakan software SPSS. Dimana perhitungan tersebut bertujuan untuk
mengetahui apakah data berdistribusi normal atau tidak. Hasil dari metode
ini adalah Asymp. Sig didapatkan dengan nilai 0,002 dimana hal tersebut
berarti (Asymo. Sig < 0,05) dan berarti data tidak berdistribusi normal.
3. Pengaruh taraf nyata terhadap masing masing pehitungan, tidak memberikan
pengaruh yang terlalu signifikan. Hal tersebut karena terlihat pada hasil
perhitungan dimana hasilnya hanya memberikan range yang sedikit antara
taraf nyata 5% dan 10%.

2. Saran
Setelah melakukan percobaan, berikut ini merupakan saran yang penulis
berikan sebagai bahan pertimbangan untuk kedepannya;
a. Saat melakukan perhitungan mesti teliti dan hati-hati agar hasil yang didapat
lebih presisi.
b. Menambah referensi mengenai Distribusi yang digunakan agar wawasan lebih
luas dan tidak kebingunan saat melakukan perhitungan.
c. Menambah referensi mengenai software yang digunakan untuk mengolah data
pada ststistika seperti contoh pada percobaan ini adalah SPSS.