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
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
Notasi Keterangan
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
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
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
C. Pengumpulan Data
1. Pelemparan Dadu
Tabel 1. Pelemparan dadu
Jumlah Lipatan Oi
0 -
1 18
2 11
3 1
4 -
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
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
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 -
=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
(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
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
Probabilitas
Pr (1) = Lz1
= 0,1977
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
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
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
= 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
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.
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.
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
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.