DISTRIBUSI

PROBABILITAS
KARINA
Kunci aplikasi probabilitas dalam statistik adalah
memperkirakan terjadinya peluang/probabilitas
yang dihubungkan dengan terjadinya peristiwa
tersebut dalam beberapa keadaan.

Jika kita mengetahui keseluruhan probabilitas

dari kemungkinan outcome yang terjadi, seluruh
probabilitas kejadian tersebut akan membentuk
suatu distribusi probabilitas.
Macam Distribusi Probabilitas

1.Distribusi Binomial (Bernaulli)

2.Distribusi Poisson
3.Distribusi Normal (Gauss)
1. Distribusi Binomial

Penemu Distribusi Binomial adalah

James Bernaulli sehingga
dikenal sebagai Distribusi
Bernaulli.

Menggambarkan fenomena
dengan dua hasil atau outcome.
Contoh: peluang sukses dan
gagal,sehat dan sakit, dsb.
Syarat Distribusi Binomial

1.Jumlah trial merupakan bilangan bulat. Contoh:

melambungkancoin 2 kali, tidakmungkin2 ½ kali.
2.Setiap eksperiman mempunyai dua outcome(hasil).
Contoh: sukses/gagal,laki/perempuan,
sehat/sakit,setuju/tidaksetuju.
3. Peluang sukses sama setiap eksperimen.
Contoh: Jika pada lambungan pertama peluang
keluar mata H/sukses adalah ½, pada lambungan
seterusnya juga ½.
Jika sebuah dadu, yang diharapkan adalah keluar
mata lima, maka dikatakan peluang sukses adalah 1/6,
sedangkan peluang gagal adalah 5/6.Untuk itu
peluang sukses dilambangkan p, sedangkan peluang
gagal adalah (1-p) atau biasa juga dilambangkan q,
di mana q = 1-p.
 Contoh Distribusi Binomial
Simbol peristiwa Binomial

b (x,n,p)
b=binomial
x=banyaknya sukses yang diinginkan (bilangan random)
n= Jumlah trial
p= peluang sukses dalam satu kali trial.

Dadu dilemparkan 5 kali, diharapkan keluar mata 6 dua kali, maka

kejadian ini dapat ditulis b(2,5,1/6)  x=2, n=5, p=1/6
 Contoh soal
Probabilitas seorang bayi tidak di imunisasi polio adalah
0,2 (p). Pada suatu hari di Puskesmas “X” ada 4 orang
bayi. Hitunglah peluang dari bayi tersebut 2 orang
belum imunisasi polio.
Jadi, di dalam kejadian binomial ini dikatakan
b (x=2, n=4, p=0,2)
b (2, 4, 0,2)
Penyelesaian soal
Katakanlah bayi tersebut A,B,C,D. Dua bayi tidak diimunisasi
mungkin adalah A&B, A&C, A&D, B&C, B&D, C&D.
Rumus untuk b (x,n,p) adalah:

P (x)= n!Px(1-p)n-x
x! (n-x)!
= 4!0,2.2(1-0,2)4-2
2! (4-2)!
= {4.3.2.1] x [0,2.2] x [0,8.2] = 0,1536 = 0,154
2. Distribusi Poisson

Dalam mempelajari distribusi Binomial kita dihadapkan

pada probabilitas variabel random diskrit (bilangan
bulat) yang jumlah trial nya kecil (daftar binomial),
sedangkan jika dihadapkan pada suatu kejadian dengan
p <<< dan menyangkut kejadian yang luas n >>> maka
digunakan distribusi Poisson.

Distribusi Poisson dipakai untuk menentukan peluang

suatu kejadian yang jarang terjadi, tetapi mengenai
populasi yang luas atau area yang luas dan juga
berhubungan dengan waktu.
Contoh Distribusi Poisson
1. Disuatu gerbang tol yang dilewati ribuan mobil dalam suatu hari akan
terjadi kecelakaan dari sekian banyak mobil yang lewat.
2. Dikatakan bahwa kejadian seseorang akan meninggal karena shock
pada waktu disuntik dengan vaksin meningitis 0,0005. Padahal,
vaksinasi tersebut selalu diberikan kalau seseorang ingin pergi haji.
Rumus Distribusi Poisson
3. DISTRIBUSI NORMAL (GAUSS)
Rumus Eksponensial untuk
Distribusi Normal
 NORMALITAS
DATA
22

nr.karin4@gmail.com
23

Normalitas data
merupakan salah satu
syarat (asumsi) uji
parametrik yang harus
terpenuhi

nr.karin4@gmail.com
24

Beberapa pengujian
Normalitas
1.Metode Grafik (P – P Plot dan
Q – Q Plot)
2.Metode Skewnes - Kurtosis
3.Metode Shapiro-Wilk
4.Metode Kolmogorov Smirnov

nr.karin4@gmail.com
 Metode Grafik
25
(P – P Plot)

nr.karin4@gmail.com
26

Field (2008 : 822) :

The frequency distribution (hist
ogram), steam-and-
leaf plot, boxplot, P-P plot
(probability-probability plot),
and Q-Q plot (quantile-
quantile plot) are used
for checking normality visually
nr.karin4@gmail.com
 The P-P plot the cumulative probalility of
27
a variable against the cumlative
probability nof a particular distribution
(e.g. Normal distribution).
After data are ranked and sorted, the
corresponding z score is calculated for
each rank as follows :
This is the exected value that the score
should have in a normal distribution.
The score are then themselves
converted to z scores. The actual z
scores are plotted against the expected
z scores.
nr.karin4@gmail.com

If the data are normally distributed, the

28

P-P Plot digunakan untuk melihat

distribusi data secara visual dan
mendeteksi data outlier

nr.karin4@gmail.com
29 Langkah :
1. Input variabel Kualitas Produk, Kepuasan
Pelanggan
1. Kualitas Produk : 52 58 54 57 59 62 61 60
64 62 58 60 63 61 59
2. Kepuasan Pelanggan : 40 60 60 60 65 65
60 60 65 60 60 60 90 60 60
2. Klik Analyze  Descriptive Statistics  P-P
Plot
3. Pindahkan semua variabel ke kolom
variables
nr.karin4@gmail.com

4. Klik OK
30 output

P-P Plot menunujukkan

data variabel (x)
menyebar disepanjang
garis diagonal, sehingga
data dapat dikatakan
berdistribusi normal

Bila data tidak menyebar

nr.karin4@gmail.com
 Metode
Grafik
31
(Q – Q Plot)

nr.karin4@gmail.com
32
Field (2008 : 822)
Q-Q Plot is very similar to the P-P Plot
except that it plots the quantiles (value
that split a data set into equal portions)
of the data set instead of every
individual score in the data.
Moreover, the Q-Q plots are easier to
interpret in case of large sample sizes.
If the data are normally distributed, the
result would be a straight diaginal line
nr.karin4@gmail.com
33 Langkah :
1. Input variabel Kualitas Pelayanan, Loyalitas
Pelanggan
1. Kualitas Pelayanan : 60 62 63 61 65 64 62 67 65
70 66 69 64 63 62
2. Loyalitas Pelanggan : 55 55 55 55 50 50 50 50 55
55 55 90 55 50 50
2. Klik Analyze  Descriptive Statistics  Q-Q Plot
3. Pindahkan semua variabel ke kolom variables
4. Klik OK

nr.karin4@gmail.com
34 output
 Q-Q Plot menunujukkan data variabel
(x) menyebar disepanjang garis
diagonal, sehingga data dapat
dikatakan berdistribusi normal

 Bila data tidak menyebar di sepanjang

garis diagonal, maka data tidak
berdistribusi normal

nr.karin4@gmail.com
 Metode
Skewnes -
35
Kurtosis

nr.karin4@gmail.com
36 Skewness (Kecondongan)

 Kecondongan suatu kurva dapat dilihat dari

perbedaan letak mean, median dan
modusnya. Jika ketiga ukuran pemusatan data
tersebut berada pada titik yang sama, maka
dikatakan simetris atau data berdistribusi
normal. Sedangkan jika tidak berarti data tidak
simetris atau tidak berdistribusi normal.
 Ukuran kecondongan data terbagi atas tiga
bagian, yaitu :
Kecondongan data ke arah kiri (condong
negatif) dimana nilai modus lebih dari nilai
mean (modus > mean).
nr.karin4@gmail.com

Kecondongan data simetris (distribusi

37

nr.karin4@gmail.com
38

 Untuk melihat apakah data berdistribusi normal

atau tidak dengan menggunakan skewness,
dapat digunakan formula sebagai berikut :
 Z-Skewness = Skewness / sqrt(6/N)
 Interpretasi pada tingkat signifikansi (alpha) 5% :
Jika data memiliki nilai Z-Skewness < -1,96
berarti data memiliki kecondongan kanan.
Jika data memiliki nilai Z-Skewness > +1,96
berarti data memiliki kecondongan kiri.
Jika data memiliki nilai Z-Skewness antara -
1,96 dan +1,96, berarti data mendekati
simetris.
nr.karin4@gmail.com
39 Kurtosis (Keruncingan)
 Keruncingan dinilai sebagai bentuk distorsi dari kurva
normal. Tingkat keruncingan diukur dengan
membandingkan bentuk keruncingan kurva distribusi
data dengan kurva normal.
 Terbagi atas tiga, yaitu :
 Leptokurtic, yaitu bagian tengah distribusi data
memiliki puncak yang lebih runcing (nilai keruncingan
lebih dari 3).
 Platykurtic, yaitu bagian tengah distribusi data
memiliki puncak yang lebih datar (nilai keruncingan
kurang dari 3).
 Mesokurtic, yaitu bagian tengah distribusi data
memiliki puncak diantara Leptokurtic dan Platykurtic
(nilai keruncingan sama dengan 3).
nr.karin4@gmail.com
40

nr.karin4@gmail.com
41

 Untuk melihat apakah data berdistribusi normal

atau tidak dengan menggunakan kurtosis,
dapat digunakan formula sebagai berikut :
 Z-Kurtosis = Kurtosis / sqrt(24/N)
Interpretasi pada tingkat signifikansi (alpha) 5% :
Jika data memiliki nilai Z-Kurtosis < -1,96,
berarti data memiliki keruncingan
Leptokurtik.
Jika data memiliki nilai Z-Kurtosis > +1,96,
berarti data memiliki keruncingan Platikurtik.
Jika data memiliki nilai Z-Kurtosis antara -1,96
dan +1,96, berarti data memiliki keruncingan
nr.karin4@gmail.com

Mesokurtik.
42 Hasil uji

Z-Skew dan Z-Kurt < ±1,96

nr.karin4@gmail.com
43 Langkah
1. Buka Data Kualitas Pelayanan, Kualitas Produk,
Kepuasan Pelanggan dan Loyalitas Pelanggan
2. Klik Analyze  Descriptives statistics  Descriptives
3. Pindahkan semua variabel ke kolom Variables
4. Klik option, centang kurtosis daan skewness
5. Klik continue
6. Klik OK

nr.karin4@gmail.com
44 Interpretasi output

nr.karin4@gmail.com
 KUALITAS PELAYANAN KEPUASAN PELANGGAN
 Skewness : 0,678
45  Skewness : 1,121
 Z-Skewness = Skewness / sqrt(6/N)
 Z-Skewness = Skewness / sqrt(6/N)
= 0,678 / sqrt (6/15)
= 1,121 / sqrt (6/15) = 1,121 / √
= 0,678 / 0,63 0,4 = 1,121 / 0,63
= 1,07 = 1,77

= 1,07 < +1,96 = 1,77 < +1,96

 Mean : 64,2  Mean : 61,67

 Modus 62,0  Modus : 60,00
 Mean > modus  condong kekanan  Mean > modus  condong kekanan
(positif) (positif)

 Kurtosis : - 0,106  Kurtosis : 6,714

 Z-Kurtosis = Kurtosis / sqrt(24/N)  Z-Kurtosis = Kurtosis / sqrt(24/N)

= -0,106 / √ 1,6 = 6,714 / √ 1,6

= -0,106 / 1,26 = 6,714 / 1,26

= -0,08 = 5,31

 -0,08 < -1,96  Leptokurtik  5,31 > 1,96  Platikurtik

nr.karin4@gmail.com

 Data Normal   Data Tidak Normal

46

1. Input variabel Kualitas Produk,

Kepuasan Pelanggan
1. Kualitas Produk : 52 58 54 57
59 62 61 60 64 62 58 60 63 61
59
2. Kepuasan Pelanggan : 40
60 60 60 65 65 60 60 65 60 60
60 90 60 60
nr.karin4@gmail.com
 Metode
47
Shapiro wilk

nr.karin4@gmail.com
48 Uji shapiro wilk adalah sebuah
metode atau rumus
perhitungan sebaran data
yang dibuat shapiro dan wilk

Metode shapiro wilk adalah

metode uji normalitas yang
efektif dan valid digunakan
untuk sampel berjumlah kecil

nr.karin4@gmail.com
49 syarat

1. Data berskala interval

atau ratio (kuantitatif)
2. Data tunggal / belum
dikelompokkan pada
tabel distribusi frekuensi
3. Data dari sampel random

nr.karin4@gmail.com
50 Hasil uji

Sig. > (0,05)

 data Normal

nr.karin4@gmail.com
51 Langkah
1. Buka Data Kualitas Pelayanan, Kualitas
Produk, Kepuasan Pelanggan dan Loyalitas
Pelanggan
2. Klik Analyze  Descriptive Statistics ->
Explore
3. Pindahkan semua variabel ke Dependent
list
4. Klik Plots, centang Normality plots with test
5. Klik continue
6. Klik OK
nr.karin4@gmail.com
52 Interpretasi output

 Kualitas Produk dan

Kualitas Pelayanan 
data normal

 Kepuasan Pelanggan &

Loyalitas Pelanggan 
tidak normal

nr.karin4@gmail.com
 Metode
53
Kolmogorov-Smirnov (ks)

nr.karin4@gmail.com
 Konsep dasar dari uji normalitas
54
Kolmogorov Smirnov adalah dengan
membandingkan distribusi data (yang
akan diuji normalitasnya) dengan
distribusi normal baku.
Distribusi normal baku adalah data yang
telah ditransformasikan ke dalam bentuk
Z-Score dan diasumsikan normal.
UJI KOLMOGOROV SMIRNOV ADALAH UJI
BEDA ANTARA DATA YANG DIUJI
NORMALITASNYA DENGAN DATA
NORMAL BAKU..
nr.karin4@gmail.com
  Seperti pada uji beda biasa, jika signifikansi di
55 bawah 0,05 berarti terdapat perbedaan yang
signifikan, dan jika signifikansi di atas 0,05 maka
tidak terjadi perbedaan yang signifikan.
 Penerapan pada uji Kolmogorov Smirnov
adalah bahwa jika signifikansi di bawah 0,05
berarti data yang akan diuji mempunyai
perbedaan yang signifikan dengan data normal
baku, berarti data tersebut tidak normal
 Jika signifikansi di atas 0,05 maka berarti tidak
terdapat perbedaan yang signifikan antara
data yang akan diuji dengan data normal baku,
artinya, ya. Berarti data yang kita uji normal,
tidak berbeda dengan normal baku.
nr.karin4@gmail.com
56 Hasil uji

Sig. > (0,05)

 data Normal

nr.karin4@gmail.com
57 syarat

1. Data berskala interval atau

ratio (kuantitatif)
2. Data tunggal / belum
dikelompokkan pada tabel
distribusi frekuensi
3. Dapat untuk n besar
maupun n kecil

nr.karin4@gmail.com
58 Langkah
1. Buka Data Kualitas Pelayanan, Kualitas Produk,
Kepuasan Pelanggan dan Loyalitas Pelanggan
2. Klik Analyze  Nonparametric Test  Legacy
Dialogs 1-Sample K-S
(K-S itu singkatan dari Kolmogorov-Smirnov),
Maka akan muncul kotak One-Sample
Kolmogorov-Smirnov Test.
3. Pindahkan semua variabel ke kolom sebelah
kanan pada test variable list
4. Centang NORMAL pada test Distribution
5. Klik OK
nr.karin4@gmail.com
59 Interpretasi output
 Bahwa jika nilai Asymp Sig (2 tailed) nilainya di atas 0.05 maka
data dinyatakan memenuhi asumsi normalitas  data kualitas
produk & Kualitas Pelayanan
 Jika nilai Asymp Sig (2 tailed) nilainya di bawah 0.05 maka
diinterpretasikan sebagai tidak normal  Kepuasan Pelanggan
& Loyalitas Pelanggan

nr.karin4@gmail.com
60 Untuk uji normalitas
sebaiknya
menggunakan test
signifikansi, agar
menghasilkan
keputusan yang
akurat
nr.karin4@gmail.com
61
catatan
 Spss selalu menggunakan = 5% (0,05)

 Bila peneliti menginginkan yang lain

(1% , 10 %) :
Analyze  descriptives  explore
Klik explore, ganti confidence interval
formean dengan alfa yang diinginkan

nr.karin4@gmail.com
 Terima
62
kasih

nr.karin4@gmail.com