MAKALAH

SIMULASI KOMPUTER

MEMBANGKITKAN DATA DARI DISTRIBUSI TERTENTU

(DISTRIBUSI BINOMIAL DAN NORMAL)

DOSEN PENGAMPU:

MUHAMMAD KASIM AIDID, S.Si., M.Si.

DISUSUN OLEH:

NURHAMIDAH MURSYIDIN
NIM: 1917140016

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MAKASSAR

TAHUN 2020/2021
 KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT karena atas izin-Nya,
makalah Membangkitkan Data dari Distribusi Tertentu ini dapat diselesaikan
sesuai dengan deadline yang sudah ditentukan. Selanjutnya, penulis mengucapkan
terima kasih kepada dosen mata kuliah Simulasi Komputer yang telah memberi
kesempatan dan kepercayaannya kepada penulis untuk membuat makalah ini.
Banyak ilmu, informasi dan pengetahuan baru yang penulis peroleh selama
menyusun makalah ini.
Penulis berharap semoga makalah ini berguna bagi pembaca meskipun
terdapat banyak kekurangan di dalamnya. Penulis memohon maaf jika terdapat
kesalahan dalam penulisan, penyusunan maupun kesalahan lain karena hingga
saat ini penulis masih dalam proses belajar. Oleh karena itu, kritik dan saran dari
pembaca sangat dibutuhkan dalam meyempurnakan kualitas makalah ini.

Kolaka Utara, 4 Maret 2021

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ........................................................................................ i

DAFTAR ISI ..................................................................................................... ii
BAB I PENDAHULUAN .................................................................................. 1
A. Latar Belakang ............................................................................................ 1
B. Rumusan MasalaH ...................................................................................... 1
C. Tujuan ........................................................................................................ 1
BAB II PEMBAHASAN ................................................................................... 3
A. Membangkitkan Data dari Distribusi Tertentu ............................................. 3
B. Pemeriksaan Secara Emperik ...................................................................... 3
C. Membangkitkan Data Acak Distribusi Binomial dan Normal ...................... 6
BAB III PENUTUP ......................................................................................... 16
A. Kesimpulan ............................................................................................... 16
B. Saran......................................................................................................... 16
DAFTAR PUSTAKA ...................................................................................... 17

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Data acak merupakan suatu fenomena yang diambil dengan proses
sedemikian rupa sehingga hasilnya tidak dapat ditentukan dengan pasti
sebelumya. Sebagai contoh, misalkan kita melemparkan sebuah dadu, maka mata
dadu yang muncul sebagai data hasil pelemparan tersebut tidak dapat ditentukan
sebelum dadu tersebut berhenti bergulir. Proses membangkitkan data acak seperti
ini dan data acak yang mengikuti distribusi tertentu dimana proses tersebut dapat
dilakukan dengan menggunakan salah satu software untuk statistika yaitu R.
Software R adalah suatu sumber informasi terbuka dalam lingkup
pengembangan model komputasi statistika setelah S dan SPlus. Software R dapat
menghasilkan banyak bilangan acak dengan jenis yang berbeda dari distribusi
tertentu (khusus). Salah satu cara untuk membangkitkan data acak tersebut adalah
dengan cara mensimulasi data acak tersebut dengan jenis yang berbeda. Simulasi
dapat diartikan juga sebagai “Rekayasa”. R juga memiliki kemampuan dalam
membuat grafik. Dalam hal ini penulis mencoba mensimulasikan data acak dari
distribusi Binomial dan Normal.
B. Rumusan Masalah
1. Bagaimana cara membangkitkan data acak distribusi Binomial dengan
menggunakan software R?
2. Bagaimana cara membangkitkan data acak distribusi Normal dengan
menggunakan software R?
3. Bagaimana hasil perbandingan dari proses membangkitkan data acak x
distribusi Binomial dan Normal?
C. Tujuan
Makalah ini disusun untuk memenuhi tugas dalam mata kuliah Simulasi
Komputer. Adapun tujuan dari penyusunan makalah ini, yaitu:
1. Memahami cara membangkitkan data acak distribusi Binomial dengan
menggunakan software R.

1
2. Memahami cara membangkitkan data acak distribusi Normal dengan
menggunakan software R
3. Mampu membandingkan hasil software R dari proses membangkitkan data
acak x distribusi Binomial dan Normal.

2
 BAB II
PEMBAHASAN

A. Membangkitkan Data dari Distribusi Tertentu

Misalkan kita ingin membangkitkan data dari distribusi lain dengan fungsi
kepadatan f(x),maka ada beberapa kondisi yang mungkin kita hadapi, yaitu
sebagai berikut:
1. Ada transformasi langsung dari U(0, 1) ke X yang memiliki fungsi kepadatan
f(x). Untuk kondisi ini maka kita tinggal mencari fungsi T(u) yang
mentransformasikan U(u) = 1, 0 < u < 1 ke X dengan .
2. Tidak ada transformasi langsung yang menghubungkan U(0, 1) ke X yang
memiliki fungsi kepadatan f(x) tetapi invers fungsi kumulatifnya
dapat ditentukan. Untuk kondisi ini kita dapat menggunakan teknik yang
disebut metode invers transform.
3. Tidak ada transformasi langsung yang menghubungkan antara U(0, 1) dengan
f(x) dan invers fungsi kumulatifnya tidak dapat ditentukan. Untuk
kondisi ini kita dapat membangkitkan X dengan menggunakan prinsip Monte
Carlo.
B. Pemeriksaan Secara Emperik
Untuk meyakinkan bahwa data yang kita peroleh memenuhi sifat yang
diharapkan, yaitu bahwa X benar-benar berasal dari distribusi yang diharapkan,
maka perlu dilakukan pemeriksaan sifat-sifat data dengan cara berikut ini.
1. Menghitung rataan dan ragam data dan dibandingkan dengan rataan dan
ragam teoritiknya. Pemeriksaan ini dapat dilakukan untuk berbagai ukuran
data.
2. Menggambar sebaran (densitas) emperiknya dengan menggunakan
plot(density(x)) yang selanjutnya dibandingkan dengan f(x) untuk berbagai
ukuran sampel.
Sebagai contoh, misalkan diambil secara acak data dari distribusi N(10, 5).
Bentuk programnya sebagai berikut.

3
Program 2.1

Gambar 2.1 Program Rataan dan Ragam Sampel untuk Berbagai Ukuran
Sampel

Gambar 2.2 Grafik Rataan dan Ragam Sampel untuk Berbagai Ukuran Sampel

Pada Gambar 2.2, dapat dilihat bahwa semakin besar ukuran sampel, rata-
rata sampel semakin dekat dengan nilai rataan µ = 10. Demikian juga semakin

4
besar ukuran sampel ragam sampel semakin dekat dengan ragam teoritik .
Selain itu dapat dilihat bahwa rata-rata lebih cepat konvergen dibandingkan
dengan ragam.
Dari data yang sama, selain bisa dibuat grafik momennya (rata-rata dan
ragam), juga dapat dibuat grafik sebarannya. Sebaran data yang berupa titik dapat
dibandingkan dengan grafik fungsi kepadatan, dalam hal ini dari distribusi N (10,
5). Untuk menghasilkan grafik densitas seperti pada Gambar 2.3 dapat dibuat
program seperti berikut.
Program 2.2

Gambar 2.3 Program Grafik Densitas Distribusi N (10, 5)

5
Gambar 2.4 Grafik Densitas Distribusi N (10, 5)

C. Membangkitkan Data Acak Distribusi Binomial dan Normal

1. Pengertian Fungsi Distribusi Binomial
Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi
probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak
(sukses/gagal) yang saling bebas, dimana setiap hasil percobaan memiliki
probabilitas p. Eksperimen sukses/gagal juga disebut percobaan bernoulli. Ketika
n = 1, distribusi binomial adalah distribusi bernouli. 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.
Adapun percobaan Bernoulli adalah suatu percobaan dengan ciri-ciri
sebagai berikut :
1. Eksperimen berlangsung sebanyak n kali. Tiap eksperimen berlangsung
dalam cara dan kondisi yang sama(dengan pengembalian).

6
2. Untuk setiap eksperimen hanya ada dua kejadian yang mungkin terjadi. Dua
kejadian tersebut dinotasikan sebagai kejadian SUKSES dan GAGAL.
Probabilitas sukses dilambangkan dengan p, sedangkan probabilitas gagal
dilambangkan dengan q, dimana p+q=1.
3. Probabilitas sukses dari satu eksperimen yang lain adalah konstan.
Dari proses tersebut, yang merupakan variable adalah munculnya kejadian
sukses yang biasa dilambangkan dengan x. Jadi, bila suatu usaha binomial dapat
menghasilkan sukses dengan peluang p dan gagal dengan peluang q = 1- p, maka
distribusi peluang peubah acak binomial x, yaitu banyaknya sukses dalam n
percobaan bebas adalah:

( )

dimana:
x = Munculnya sukses yang ingin dihitung
n = Jumlah eksperimen
p = Probabilitas sukses dalam setiap eksperimen
q = Probabilitas gagal dalam setiap eksperimen = 1- p
n-x = Jumlah gagal dalam n eksperimen
2. Pengertian Fungsi Distribusi Normal
Harinaldi (Prinsip-prinsip Statistika, hal : 92) distribusi normal (Gausssian)
adalah distribusi probabilitas yang paling baik dalam teori maupun aplikasi
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 banyakdigunakan dalam

7
berbagai distribusi dalam statistika, dan kebanyakan pengujian hipotesis
mengasumsikan normalitas suatu data. Distribusi normal adalah fungsi padat
peubah acak X dengan rata-rata (µ) dan standar deviasi ( ). Distribusi normal
dapat ditulis dengan rumus:

√
dimana:
x = Nilai dari distribusi variable
= Mean dari nilai-nilai distribusi variable
= Standard deviasi dari nilai-nilai distribusi variable
𝜋 = 3,14159
e = 2,71828
Beberapa karakteristik dari distribusi probabilitas dan kurva normal adalah:
1. Kurva berbentuk lonceng dan memiliki satu puncak ditengah.
2. Distribusi probabilitas dan kurva normal berbentuk kurva simetris dengan
rata rata hitungnya . Apabila kurva dilipat menjadi dua bagian dengan nilai
tengah rata-rata sebagai pusat lipatan, maka kurva akan menjadi dua bagian
yang sama.
3. Distribusi probabilitas dan kurva normal akan bersifat asimptotis. Kurva yang
menurun di kedua arah yaitu ke kanan untuk nilai positif tak terhingga (∞)
dan ekiri untik negatik tak hingga (∞). Dengan demikian ekor kedua kurva
tidak pernah menyentuh nol, hanya mendekati nilai nol.
4. Modusnya (Md) pada sumbu mendatar fungsi mencapai puncaknya atau
maksimum pada X = .
5. Seluruh luas di bawah kurva dan diatas sumbu datar sama dengan 1.
3. Pendekatan Distribusi Binomial Terhadap Normal
Bila n percobaan semakin besar dan memiliki sifat yang independent dari
suatu percobaan ke percobaan lainnya, maka dengan pendekatan distribusi
normal binomial dapat pula digunakan untuk menghitung nilai-nilai probabilitas
terhadap berbagai macam peristiwa yang mungkin dapat terjadi. Dengan demikian
besarnya jumlah percobaan pada distribusi binomial maka perhitungan peluang

8
dengan menggunakan distribusi binomial semakin kurang efektif, karena jumlah
kombinasi peristiwa yang diharapkan sangatlah kurang banyak. Untuk
menghindari kekurangefektifan dari distribusi binomial ini, maka distribusi
tersebut dapat di dekati dengan distribusi normal.
Secara umum dapat disimpulkan bahwa pendekatan distribusi binomial
dapat dilakukan dengan distribusi normal karena secara teoritis bahwa distribusi
binomial akan mendekati normal untuk n besar p moderate (tidak besar dan tidak
kecil).
Berikut ini langkah-langkah untuk membangkitkan data acak pada
Percobaan Binomial dan Normal dengan menggunakan software R.
Tabel 2.1 Data Peubah Acak Distribusi Binomial dan Normal
Probabilitas 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
(p)
Sampel (n)
10 1 2 3 4 5 6 7 8 9
20 2 4 6 8 10 12 14 16 18
30 3 6 9 12 15 18 21 24 27
40 4 8 12 16 20 24 28 32 36
50 5 10 15 20 25 30 35 40 45

Untuk melihat tampilan visual perubahan grafik pada distribusi Binomial

(parameter n dan p) dan distribusi Normal (parameter ), maka metode simulasi
yang digunakan adalah sebagai berikut:
1. Membangkitkan data x yang berdistribusi binomial dengan n = 10, p = 0,9
dan misalkan banyaknya data yang dibangkitkan adalah 1000 data.

9
Gambar 2.5 Pembangkitan data distribusi Binomial dengan n = 10; p = 0,9

2. Membangkitkan data x yang berdistribusi Normal dengan µ = 9 dan dan

misalkan banyaknya data yang dibangkitkan adalah 1000 data.

Gambar 2.6 Pembangkitan data distribusi Normal dengan µ = 9

10
3. Standarisasi data yang dibangkitkan.
4. Gambar perintah dan histogram dari data yang dibangkitkan.
a. Distribusi binomial dan normal dengan N = 1000; n = 10; p = 0,1 – 0,9

Gambar 2.7 Fungsi data distribusi Binomial dan Normal yang dibangkitkan

Gambar 2.8 Histogram distribusi Binomial dan Normal yang dibangkitkan

b. Ditribusi Binomial dan Normal dengan N = 1000; n = 20; p = 0,1 – 0,9

11
Gambar 2.9 Fungsi data distribusi Binomial dan Normal yang dibangkitkan

Gambar 2.10 Histogram distribusi Binomial dan Normal yang dibangkitkan

c. Ditribusi Binomial dan Normal dengan N = 1000; n = 30; p = 0,1 – 0,9

Gambar 2.11 Fungsi data distribusi Binomial dan Normal yang dibangkitkan

12
Gambar 2.12 Histogram distribusi Binomial dan Normal yang dibangkitkan

d. Ditribusi Binomial dan Normal dengan N = 1000; n = 40; p = 0,1 – 0,9

Gambar 2.13 Fungsi data distribusi Binomial dan Normal yang dibangkitkan

13
Gambar 2.14 Histogram distribusi Binomial dan Normal yang dibangkitkan

e. Ditribusi Binomial dan Normal dengan N = 1000; n = 50; p = 0,1 – 0,9

Gambar 2.15 Fungsi data distribusi Binomial dan Normal yang dibangkitkan

14
Gambar 2.16 Histogram distribusi Binomial dan Normal yang dibangkitkan

15
 BAB III
PENUTUP

A. Kesimpulan
Dalam visualisasi membangkitkan data berdistribusi Binomial dan Normal
dengan n tetap dan p berubah-ubah, diperoleh kesimpulan:
a. Pada saat n = 10 dan p = 0,1 sampai 0,9 dengan interval 0,1 grafik fungsi
distribusi binomial mendekati normal saat parameter p = 0,5 dan grafik fungsi
distribusi normal mendekati normal saat parameter p = 0,6.
b. Pada saat n = 20 dan p = 0,1 sampai 0,9 dengan interval 0,1 semakin tinggi
nilai parameter p maka grafik fungsi distribusi binomial semakin menceng ke
kiri dan grafik fungsi distribusi normal semakin menceng ke kanan.
c. Pada saat n = 30 dan p = 0,1 sampai 0,9 dengan interval 0,1 grafik fungsi
distribusi binomial semakin tinggi parameter p grafiknya semakin menceng
ke kiri dan grafik fungsi distribusi normal mendekati normal saat parameter
p= 0,7.
d. Pada saat n = 40 dan p = 0,1 sampai 0,9 dengan interval 0,1 grafik fungsi
distribusi binomial semakin tinggi parameter p grafiknya semakin menceng
ke kiri dan grafik fungsi distribusi normal mendekati normal saat parameter
p= 0,4.
e. Pada saat n = 50 dan p = 0,1 sampai 0,9 dengan interval 0,1 semakin tinggi
nilai parameter p maka grafik fungsi distribusi binomial dan normal
mendekati normal.
B. Saran
Adapun saran yang dapat diberikan penulis yaitu jika pembaca ingin
mencoba melakukan mensimulasi suatu data peubah acak dengan software R
jangan hanya terbatas pada fungsi distribusi Binomial dan Normal, tetapi untuk
penulisan kedepannya supaya merancang perintah atau fungsi-fungsi dalam
sistem simulasi yang dapat digunakan untuk membangkitkan dan menampilkan
secara visual grafik fungsi lain seperti distribusi geometri, seragam, exponensial
dan lain-lain.

16
 DAFTAR PUSTAKA

Simamora, H. (2016). VISUALISASI PERBANDINGAN PERUBAHAN GRAFIK

FUNGSI BINOMIAL DENGAN NORMAL FUNGSI BINOMIAL DENGAN
HIPERGEOMETRIK DAN FUNGSI BINOMIAL DENGAN POISSON
MENGGUNAKAN SUATU SIMULASI. 32–38. https://www.usu.ac.id/id/
Harinaldi, 2005. Prinsip-prinsip Statistika untuk teknik dan sains. Jakarta:
Erlangga.

17