Full

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERBANDINGAN KEKUATAN UJI

METODE KOLMOGOROV-SMIRNOV, ANDERSON-DARLING,
DAN SHAPIRO-WILK UNTUK MENGUJI NORMALITAS DATA
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Matematika
Program Studi Matematika
Oleh:
Rika Dwiana Putri
NIM: 163114009
PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2020
i
POWER TEST COMPARISON OF KOLMOGOROV-SMIRNOV, ANDERSON-

DARLING, AND SHAPIRO-WILK METHOD FOR NORMALITY DATA TEST
Thesis
Presented as a Partial Fulfillment of Requirements

to Obtain the Degree of Sarjana Mathematics
Mathematics Study Program
By:
Rika Dwiana Putri
Student Number: 163114009
MATHEMATICS STUDY PROGRAM, DEPARTMENT OF MATHEMATICS
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2020
ii
HALAMAN PERSEMBAHAN
Karya ini kupersembahkan untuk:
Kemuliaan Tuhan, Tiratana, kedua orangtua dan keluargaku, serta almamaterku.
vii
KATA PENGANTAR
Puji syukur penulis haturkan kepada Tuhan Yang Maha Esa dan Tiratana atas
segala berkat dan perlindungan sehingga penulis dapat menyelesaikan skripsi ini
dengan tepat waktu. Skripsi ini dibuat dengan tujuan memenuhi syarat untuk
memperoleh gelar Sarjana Matematika pada Program Studi Matematika, Fakultas
Sains dan Teknologi, Universitas Sanata Dharma.
Dalam perjalanan penulisan skripsi ini terdapat banyak pihak yang telah
membantu penulis dalam menghadapi berbagai macam kesulitan. Oleh karena itu
pada kesempatan ini penulis ingin mengucapkan terimakasih kepada:
1. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc. selaku Dosen Pendamping Akademik
dan sekaligus Dosen Pembimbing yang sangat banyak membantu saya dari
awal proses perkuliahan hingga tugas akhir ini.
2. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains
dan Teknologi yang telah memberikan banyak ilmu dan pengetahuan kepada
penulis selama proses perkuliahan.
3. Bapak Hartono, S.Si., M.Sc., Ph.D. selaku Ketua Program Studi Matematika
yang telah memberikan banyak ilmu, pengetahuan, dan pengalaman kepada
4. Romo Prof. Dr. Frans Susilo, SK., Ibu M. V. Any Herawati, S.Si., M.Si., dan
Bapak Dr. rer. Nat. Herry P. Suryawan, S.Si., M.Si. selaku dosen-dosen Prodi
Matematika yang telah memberikan banyak ilmu dan pengetahuan kepada
5. Bapak/Ibu/Laboran/Karyawan Fakultas Sains dan Teknolgi yang telah
memberikan waktu dan informasi kepada penulis selama proses perkuliahan.
6. Papa, Mama, Ii, Ahia, Aldi, Destine, dan Carrissa yang selalu percaya,
mendukung, dan banyak membantu penulis.
viii
ABSTRAK
Distribusi Normal merupakan distribusi peluang kontinu yang paling populer

di bidang analisis statistis. Banyak pekerjaan telah dilakukan untuk menyelidiki
perilaku dan sifat-sifat distribusi Normal karena banyak metode statistika
parametrik yang mengasumsikan bahwa data yang dikumpulkan berasal dari
distribusi Normal. Pada Tugas Akhir ini penulis membahas dan membandingkan
tiga metode uji Normalitas, yaitu metode Kolmogorov-Smirnov, metode
Anderson-Darling, dan metode Shapiro-Wilk. Ketiga metode tesebut
dibandingkan dengan menggunakan sampel yang dibangkitkan dengan simulasi
Monte Carlo, yaitu sampel yang berasal dari distribusi Normal dan yang berasal
dari distribusi tidak Normal.
Penulis memperoleh kesimpulan bahwa untuk sampel yang berasal dari
populasi tidak Normal urutan tingkat kekuatan uji Normalitas adalah metode
Shapiro-Wilk, Anderson-Darling, Kolmogorov-Smirnov dan pada sampel dari
populasi yang berdistribusi Normal adalah metode Kolmogorov-Smirnov,
Anderson-Darling, dan Shapiro-Wilk. Urutan tingkat kekuatan tersebut tidak
dipengaruhi oleh tingkat signifikansi.
Kata kunci: Distribusi Normal, Uji Normalitas, Kolmogorov-Smirnov, Anderson-

Darling, Shapiro-Wilk, Simulasi Monte Carlo
x
ABSTRACT
The Normal distribution is the most popular continuous probability

distribution in the field of statistical analysis. Much work has been done to investigate
the behavior and properties of the Normal distribution because many parametric
statistical methods assume that the data collected is from a Normal distribution. In
this Thesis the author discusses and compares three normality test methods, namely
the Kolmogorov-Smirnov method, the Anderson-Darling method, and the Shapiro-
Wilk method. These three methods are compared by using samples generated by
Monte Carlo simulations, i.e. samples from the Normal distribution and from the
nonnormal distribution.
The author concludes in the case of samples drawn from nonnormal

population, the order of the power of the Normality test is Shapiro-Wilk, Anderson-
Darling, and Kolmogorov-Smirnov. On the other hand, for samples from Normal
distribution the order is Kolmogorov-Smirnov, Anderson- Darling, and Shapiro-Wilk
method. The order of power of the test is not influenced by the level of significance.
Keywords: Normal Distribution, Normality Test, Kolmogorov-Smirnov, Anderson-

Darling, Shapiro-Wilk, Monte Carlo Simulation
xi
DAFTAR ISI
HALAMAN JUDUL i
HALAMAN PERSETUJUAN PEMBIMBING iii
HALAMAN PENGESAHAN iv
HALAMAN PERNYATAAN KEASLIAN KARYA v
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI vi
HALAMAN PERSEMBAHAN vii
KATA PENGANTAR viii
ABSTRAK x
ABSTRACT xi
DAFTAR ISI xii
BAB I PENDAHULUAN 1
A. Latar Belakang 1
B. Rumusan Masalah 2
C. Batasan Masalah 3
D. Tujuan Penulisan 3
E. Manfaat Penulisan 3
F. Metode Penulisan 3
G. Sistematika Penulisan 3
BAB II DISTRIBUSI PELUANG DAN UJI HIPOTESIS 5
A. Peubah Acak dan Distribusi Peluang 5
B. Karakteristik Distribusi Peluang 15
C. Distribusi Normal 22
xii
D. Teorema Limit Pusat 29

E. Statitstik Terurut 29
F. Distribusi Empiris 30
G. Pengujian Hipotesis 31
H. Nilai-P 37
BAB III Normalitas Data 41
A. Uji Normalitas 41
B. Metode Uji Normalitas 42
1. Metode Kolmogorov-Smirnov 42
2. Metode Anderson-Darling 48
3. Metode Shapiro-Wilk 56
C. Simulasi Data Monte Carlo 65
BAB IV KEKUATAN UJI NORMALITAS METODE KOLMOGOROV-SMIRNOV,
ANDERSON-DARLING, DAN SHAPIRO-WILK 76
A. Data Simulasi Monte Carlo 76
B. Perbandingan Metode Kolmogorov-Smirnov, Anderson-Darling, dan Shapiro-
Wilk 80
BAB V PENUTUP 97
A. Kesimpulan 97
B. Saran 97
DAFTAR PUSTAKA 98
LAMPIRAN 100
xiii
BAB I
PENDAHULUAN
A. Latar Belakang
Statistika merupakan salah satu cabang ilmu matematika. Statistika
berhubungan erat dengan data yaitu mencari, mengambil, mengumpulkan,
mengolah, dan menyajikannya, serta menarik kesimpulan terhadap data-data
tersebut. Statistika banyak diterapkan dalam berbagai bidang di kehidupan
sehari-hari, seperti bidang pendidikan, ekonomi, sosial, dan lain-lain.
Sebagian besar konsep statistika sendiri mengasumsikan teori peluang.
Peluang atau yang dikenal juga probabilitas didefinisikan sebagai suatu
ukuran tentang kemungkinan suatu peristiwa yang akan terjadi. Peluang dapat
juga diartikan sebagai sebuah nilai yang menunjukkan kemungkinan suatu
peristiwa yang terjadi diantara banyak peristiwa yang mungkin terjadi.
Di dalam statistika dikenal distribusi peluang yang menunjukkan
besarnya peluang dari setiap hasil yang muncul dalam suatu percobaan acak.
Distribusi peluang dibagi menjadi dua jenis, yaitu distribusi peluang diskret
dan distribusi peluang kontinu. Distribusi Normal yang dikenal juga sebagai
distribusi Gauss merupakan jenis dari distribusi peluang peubah kontinu yang
banyak digunakan dalam analisis statistika. Sejumlah metode analisis dengan
statistika mengasumsikan distribusi datanya Normal, sehingga asumsi ini
perlu diuji kebenarannya. Peubah 𝑋 dikatakan berdistribusi Normal dengan
parameter 𝜇 dan 𝜎 bila fungsi peluangnya adalah
1 𝑥−𝜇 2
1
𝑒 −2 ( )
𝑓(𝑥) = 𝜎 , −∞ < 𝑥 < ∞
√2𝜋𝜎
dimana
𝑒 merupakan konstanta yang nilainya mendekati 2,7183
𝜋 merupakan konstanta yang nilainya mendekati 3,1416
𝜇 merupakan rata-rata populasi
1
𝜎 merupakan standar deviasi populasi (𝜎 > 0)

Berikut adalah gambar dari kurva distribusi Normal:
Gambar 1. Kurva Distribusi Normal

Sumber: Walpole, R.E., Myers, R.H., Myers, S.L., and Ye, K. (2012).
Ada banyak metode yang dapat digunakan untuk menguji apakah data
berdistribusi Normal atau tidak yang biasa disebut uji Normalitas data.
Beberapa metode yang dapat digunakan yaitu metode Kolmogorov-Smirnov,
Lilliefors, Anderson-Darling, Shapiro-Wilk, dan Skewness-Kurtosis. Metode-
metode tersebut dapat menghasilkan keputusan yang berbeda sehingga perlu
dilakukan peninjauan untuk mengetahui metode mana yang memiliki tingkat
kekuatan uji yang paling baik.
Dalam tugas akhir ini, penulis memilih metode Kolmogorov-Smirnov,
Anderson-Darling, dan Shapiro-Wilk yang akan dibandingkan tingkat
kekuatannya untuk menguji Normalitas data. Data uji untuk berbagai distri-
busi dibangkitkan dengan simulasi Monte Carlo dengan perangkat lunak R.
B. Rumusan Masalah
1. Bagaimana tingkat kekuatan metode Kolmogorov-Smirnov, Anderson-
Darling, dan Shapiro-Wilk dalam menguji Normalitas data?
2. Bagaimana perbedaan tingkat kekuatan uji Normalitas metode
Kolmogorov-Smirnov, Anderson-Darling, dan Shapiro-Wilk?
C. Batasan Masalah
1. Dalam skripsi ini akan dibahas mengenai tingkat kekuatan metode
Kolmogorov-Smirnov, Anderson-Darling, dan Shapiro-Wilk dalam
menguji Normalitas data dan dikhususkan untuk satu peubah (univari-
at). Data yang akan digunakan untuk berbagai metode dibangkitkan
dengan simulasi data Monte Carlo dengan menggunakan perangkat
lunak R.
2. Dasar-dasar teori yang dibahas hanya yang berkaitan langsung dengan
topik utama.
D. Tujuan Penulisan
1. Untuk mengetahui tingkat kekuatan metode Kolmogorov-Smirnov,
Anderson-Darling, dan Shapiro-Wilk dalam menguji Normalitas data.
2. Untuk mengetahui perbedaan tingkat kekuatan uji Normalitas metode
Kolmogorov-Smirnov, Anderson-Darling, dan Shapiro-Wilk.
E. Manfaat Penulisan
Manfaat dari penulisan skripsi ini adalah mengetahui antara metode
Kolmogorov-Smirnov, Anderson-Darling, dan Shapiro-Wilk yang memiliki
tingkat kekuatan yang paling baik dalam menguji Normalitas data.
F. Metode Penulisan
Metode penulisan skripsi ini adalah studi pustaka, seperti jurnal-jurnal ma-
tematika, buku-buku matematika, serta praktek perangkat lunak R.
G. Sistematika Penulisan
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Batasan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
BAB II DISTRIBUSI PELUANG DAN UJI HIPOTESIS
A. Peubah Acak dan Distribusi Peluang
B. Karakteristik Distribusi Peluang
C. Distribusi Normal
D. Teorema Limit Pusat
E. Statistik Terurut
F. Pengujian Hipotesis
G. Nilai-P
BAB III Normalitas Data
A. Uji Normalitas
B. Metode Uji Normalitas
1. Metode Kolmogorov-Smirnov
2. Metode Anderson-Darling
3. Metode Shapiro-Wilk
C. Simulasi Data Monte Carlo
BAB IV KEKUATAN UJI NORMALITAS METODE KOLMOGOROV-
SMIRNOV, ANDERSON-DARLING, DAN SHAPIRO-WILK
A. Data Simulasi Monte Carlo
B. Hasil Simulasi dan Perbandingan
BAB V PENUTUP
A. Kesimpulan
B. Saran
DAFTAR PUSTAKA
LAMPIRAN
BAB II
DISTRIBUSI PELUANG DAN UJI HIPOTESIS
A. Peubah Acak dan Distribusi Peluang

Pada subbab ini akan dibahas beberapa konsep teori peluang dan statistika khu-
susnya uji hipotesis yang digunakan dalam Tugas Akhir ini.
Definisi 2.1.1 Peubah Acak

Peubah acak adalah fungsi bernilai real yang didefinisikan dalam ruang sampel
(𝑆).
Contoh 2.1.1
Bila sebuah mata uang logam setimbang dilantunkan 3 kali dan peubah acak 𝑋
menyatakan banyaknya gambar yang muncul, maka 𝑥 yang menyatakan nilai dari
𝑋 yang mungkin adalah 0, 1, 2, atau 3. Nilai 0, 1, 2, 3 merupakan pemetaan dari
ruang sampel
𝑆 = {(𝐴𝐴𝐴), (𝐴𝐴𝐺), (𝐴𝐺𝐴), (𝐴𝐺𝐺), (𝐺𝐴𝐴), (𝐺𝐴𝐺), (𝐺𝐺𝐴), (𝐺𝐺𝐺)} yang diagram
pemetaannya adalah sebagai berikut
X: S R
Gambar 2.1 Ilustrasi untuk Contoh 2.1
5
Peubah acak dibagi menjadi dua, yaitu peubah acak diskrit dan peubah acak kon-
tinu.
Definisi 2.1.2 Peubah Acak Diskrit dan Kontinu

Peubah acak 𝑋 dikatakan diskrit bila nilai-nilainya terbilang. Jika tidak demikian,
maka peubah acak tersebut disebut peubah acak kontinu.
Contoh 2.1.2
Pada suatu perguruan tinggi didefinisikan 𝑋,𝑌,𝑍 sebagai berikut:
𝑋 jumlah mahasiswa
𝑌 IPK mahasiswa
𝑍 masa studi mahasiswa (tahun)
𝑋 merupakan contoh peubah acak diskrit dan 𝑌,𝑍 merupakan contoh peubah acak
kontinu.
Definisi 2.1.3 Distribusi Peluang Diskrit

Andaikan peluang setiap nilai peubah acak diskrit 𝑋 dinyatakan dengan
𝑃(𝑋 = 𝑥) = 𝑝(𝑥). Distribusi peluang diskrit peubah acak 𝑋 adalah himpunan
pasangan terurut (𝑥, 𝑝(𝑥)). Distribusi peluang diskrit dapat disajikan dalam tiga
bentuk, yaitu tabel, grafik, dan fungsi.
Contoh 2.1.3
Sebuah mata uang logam dilantunkan 3 kali dan peubah acak 𝑋 menyatakan ban-
yaknya muka yang muncul.
Dari data di atas dapat disajikan distribusi peluangnya dalam tiga bentuk, yaitu
tabel, grafik, dan fungsi.
Tabel
𝒙 𝒑(𝒙) Keterangan
0 1/8 Peluang tidak muncul muka 𝑥
1 3/8 Peluang muncul 𝑥 satu kali
2 3/8 Peluang muncul 𝑥 dua kali
3 1/8 Peluang muncul 𝑥 tiga kali
Grafik
Selanjutnya dari tabel tersebut dapat dibuat grafik histogram.
3/8 3/8
2/5
P(X)
1/5
1/8 1/8
0
0 1 2 3
X
Fungsi
Selain itu, dapat disajikan dalam bentuk fungsi:
𝑝(𝑥) = 𝐶𝑥3 , 𝑥 = 0,1,2,3
Sifat-Sifat Distribusi Peluang Diskrit

Fungsi 𝑝(𝑥) adalah fungsi peluang peubah acak diskrit 𝑋 jika untuk setiap nilai 𝑥
yang mungkin,
1. 𝑝(𝑥) ≥ 0
2. ∑𝑥 𝑝(𝑥) = 1
Definisi 2.1.4 Distribusi Peluang Kumulatif Diskrit

Distribusi kumulatif 𝐹(𝑥) suatu peubah acak diskrit 𝑋 dengan distribusi peluang
𝑝(𝑥) dinyatakan dengan
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑝(𝑡) , −∞ < 𝑥 < ∞

𝑡≤𝑥
Beberapa contoh dari distribusi peluang diskrit adalah distribusi Bernoulli Bino-
mial, Poisson, Geometrik, dan Seragam Diskrit.
Contoh 2.1.4
Asumsikan sebuah koin logam dilemparkan dua kali sehingga ruang sampelnya
adalah 𝑆 = {𝐾𝐾, 𝐾𝐸, 𝐸𝐾, 𝐸𝐸} dengan 𝐾 dan 𝐸 berturut-turut menotasikan muncul
kepala dan ekor. Misalkan 𝑋 menyatakan banyaknya kepala yang muncul. Untuk
setiap titik sampel kita dapat mengasosiasikan suatu bilangan untuk 𝑋
sebagaimana pada tabel. Dengan mengasumsikan bahwa koin tersebut ideal,
tentukan fungsi probabilitas untuk peubah acak 𝑋 dan tentukan distribusi kumu-
latifnya!
Titik Sampel 𝐾𝐾 𝐾𝐸 𝐸𝐾 𝐸𝐸
𝑥 2 1 1 0
Jawab:
1 1 1 1
𝑃(𝐾𝐾) = ; 𝑃(𝐾𝐸) = ; 𝑃(𝐸𝐾) = ; 𝑃(𝐸𝐸) =
4 4 4 4
maka
1
𝑃(𝑋 = 0) = 𝑃(𝐸𝐸) =
4
1 1 1
𝑃(𝑋 = 1) = 𝑃(𝐾𝐸 ∪ 𝐸𝐾) = 𝑃(𝐾𝐸) + 𝑃(𝐸𝐾) = + =
4 4 2
1
𝑃(𝑋 = 2) = 𝑃(𝐾𝐾) =
4
sehingga diperoleh fungsi probabilitasnya adalah sebagaimana tampak pada tabel
berikut:
𝑥 0 1 2
𝑝(𝑥) 1/4 ½ 1/4
1
𝐹(0) = 𝑓(0) =
4
1 1 3
𝐹(1) = 𝑓(0) + 𝑓(1) = + =
4 2 4
1 1 1
𝐹(2) = 𝑓(0) + 𝑓(1) + 𝑓(2) = + + = 1
4 2 4
Definisi 2.1.5 Distribusi Peluang Kontinu (Fungsi Densitas)

Fungsi 𝑓(𝑥) adalah fungsi densitas peubah acak 𝑋 yang didefinisikan pada him-
punan semua bilangan real, bila
1. 𝑓(𝑥) ≥ 0, 𝑥𝜖ℝ
∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1.
Peluang 𝑋 terletak dalam suatu interval dapat dinyatakan dengan
𝑏
𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓(𝑥) 𝑑𝑥
𝑎
Definisi 2.1.6 Distribusi Peluang Kumulatif Kontinu

Distribusi kumulatif 𝐹(𝑥) suatu peubah acak kontinu 𝑋 dengan fungsi densitas
𝑓(𝑥) dinyatakan dengan:
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
Beberapa contoh dari distribusi peluang kontinu adalah distribusi Normal, Ekspo-
nensial, Gamma, Beta, Seragam, dan Chi-kuadrat.
10
Contoh 2.1.5
1
𝑥2, 0 < 𝑥 < 3
Jika diketahui fungsi densitas 𝑓(𝑥) = {9
0 , 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎
a. Hitung 𝑃(1 < 𝑋 < 2)
b. Tentukan 𝐹(𝑥)
Jawab:
2
21 𝑥3 8 1 7
a. 𝑃(1 < 𝑋 < 2) = ∫1 9 𝑥 2 𝑑𝑥 = 27| = 27 − 27 = 27
1
b. Untuk 𝑥 < 0
𝑥 𝑥
𝐹(𝑥) = ∫−∞ 𝑓(𝑡) 𝑑𝑡 = ∫−∞ 0 𝑑𝑡 = 0
Untuk 0 ≤ 𝑥 < 3
0 𝑥
𝐹(𝑥) = ∫−∞ 𝑓(𝑡) 𝑑𝑡 + ∫0 𝑓(𝑡) 𝑑𝑡
𝑥 𝑥1
= ∫−∞ 0 𝑑𝑡 + ∫0 9 𝑡 2 𝑑𝑡
1 𝑥 1
= 0 + 27 𝑡 3 | = 27 𝑥 3
0
Untuk 𝑥 ≥ 3
0 3 𝑥
𝐹(𝑥) = ∫−∞ 𝑓(𝑡) 𝑑𝑡 + ∫0 𝑓(𝑡) 𝑑𝑡 + ∫3 𝑓(𝑡) 𝑑𝑡
𝑥 31 𝑥
= ∫−∞ 0 𝑑𝑡 + ∫0 9 𝑡 2 𝑑𝑡 + ∫3 0 𝑑𝑡
1 3
= 0+ 𝑡3 | + 0
27 0
1
= 27 (33 − 03 ) = 1
Sehingga diperoleh
0 ,𝑥 < 0
1
𝐹(𝑥) = { 𝑥 3 ,0 ≤ 𝑥 < 3
27
1 ,𝑥 ≥ 3
11
Definisi 2.1.7 Fungsi Peluang Gabungan

Dalam kejadian sehari-hari hasil percobaan suatu kejadian yang kita peroleh tidak
selalu berasal dari satu peubah acak. Ada kejadian yang memerlukan beberapa
peubah acak yang terjadi secara serentak. Jika 𝑋 dan 𝑌 peubah acak, maka pelu-
ang terjadinya secara serentak dari 𝑋 dan 𝑌 dinyatakan sebagai 𝑝(𝑥, 𝑦) atau
𝑓(𝑥, 𝑦) dan disebut sebagai fungsi peluang gabungan, untuk setiap (𝑥, 𝑦).
Definisi 2.1.8 Fungsi Peluang Gabungan Diskrit

Fungsi 𝑝(𝑥, 𝑦) = 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) merupakan fungsi peluang gabungan dari
peubah acak diskrit 𝑋 dan 𝑌, jika
1. 𝑝(𝑥, 𝑦) ≥ 0 untuk setiap (𝑥, 𝑦)
2. ∑𝑥 ∑𝑦 𝑝(𝑥, 𝑦) = 1
Untuk setiap wilayah 𝐴 di bidang 𝑥𝑦, 𝑃[(𝑋, 𝑌) ∈ 𝐴] = ∑ ∑𝐴 𝑝(𝑥, 𝑦)
Definisi 2.1.9 Fungsi Densitas Gabungan

Fungsi 𝑓(𝑥, 𝑦) merupakan fungsi densitas gabungan dari peubah acak kontinu 𝑋
dan 𝑌, jika
1. 𝑓(𝑥, 𝑦) ≥ 0, untuk setiap (𝑥, 𝑦)
∞ ∞
2. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1
Untuk setiap wilayah 𝐴 pada bidang 𝑥𝑦, 𝑃[(𝑥, 𝑦) ∈ 𝐴] = ∫ ∫𝐴 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
Definisi 2.1.10 Fungsi Peluang Marginal

Misalkan 𝑋 dan 𝑌 adalah peubah acak diskrit yang memiliki fungsi peluang
gabungan 𝑝(𝑥, 𝑦), maka fungsi peluang marginal diskrit 𝑋 dan 𝑌 berturut-turut
adalah
𝑝(𝑥) = ∑ 𝑝(𝑥, 𝑦)
∀𝑦
dan
12
𝑝(𝑦) = ∑ 𝑝(𝑥, 𝑦)
∀𝑥
Misalkan 𝑋 dan 𝑌 adalah peubah acak kontinu yang memiliki fungsi densitas
gabungan 𝑓(𝑥, 𝑦), maka fungsi densitas marginal 𝑋 dan 𝑌 berturut-turut adalah
∞
𝑓(𝑥) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦
−∞
dan
∞
𝑓(𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥
−∞
Definisi 2.1.11 Peubah Acak Saling Bebas

Jika peubah acak 𝑋 dan 𝑌 merupakan peubah acak diskrit dengan fungsi peluang
gabungan 𝑝(𝑥, 𝑦) dan fungsi peluang marginalnya berturut-turut 𝑝(𝑥) dan 𝑝(𝑦),
maka 𝑋 dan 𝑌 dikatakan peubah acak diskrit saling bebas jika dan hanya jika
𝑝(𝑥, 𝑦) = 𝑝(𝑥)𝑝(𝑦)
Untuk setiap pasangan bilangan real (𝑥, 𝑦).
Jika peubah acak 𝑋 dan 𝑌 merupakan peubah acak kontinu dengan fungsi densitas
gabungan 𝑓(𝑥, 𝑦) dan fungsi densitas marginalnya berturut-turut 𝑓(𝑥) dan 𝑓(𝑦),
maka 𝑋 dan 𝑌 dikatakan peubah acak kontinu saling bebas jika dan hanya jika
𝑓(𝑥, 𝑦) = 𝑓(𝑥)𝑓(𝑦)
Untuk setiap pasangan bilangan real (𝑥, 𝑦).
Contoh 2.1.6
Dua pulpen dipilih secara acak dari sebuah kotak yang memuat tiga pulpen biru, 2
pulpen merah, dan 3 pulpen hijau. Jika 𝑋 adalah banyaknya pulpen biru yang ter-
pilih 𝑌 adalah banyaknya pulpen merah yang terpilih.
a. Tentukan fungsi peluang gabungan 𝑝(𝑥, 𝑦).
13
b. Tentukan apakah peubah acak 𝑋 dan 𝑌 saling bebas.

Jawab:
a. Nilai yang mungkin dari (𝑥, 𝑦) adalah (0,0), (0,1), (1,0), (1,1), (0,2), dan
(2,0).
Misalkan 𝑝(0,1) menyatakan peluang terpilihnya pulpen merah dan hijau.
Banyaknya cara memilih dua pulpen dari delapan pulpen adalah (82) = 28.
Banyaknya cara memilih satu merah dari dua pulpen merah dan satu hijau dari
6 3
tiga pulpen hijau adalah (21)(31) = 6. Oleh karena itu, 𝑝(0,1) = 28 = 14.
Menggunakan cara yang sama untuk kasus yang lainnya, yang ditampilkan
pada tabel berikut.
𝑥 Total
𝑝(𝑥, 𝑦) 0 1 2 Baris
0 3⁄ 9⁄ 3⁄ 15⁄
28 28 28 28
1 3⁄ 3⁄ 0 3⁄
𝑦 14 14 7
2 1⁄ 0 0 1⁄
28 28
Total Kolom 5⁄ 15⁄ 3⁄ 1
14 28 28
Perhatikan bahwa peluang berjumlah 1. Akan semakin jelas distribusi peluang

gabungan pada tabel di atas dinyatakan dengan formula berikut
(𝑥3) (𝑦2) (2−𝑥−𝑦

3
)
𝑝(𝑥, 𝑦) =
(82)
untuk 𝑥 = 0, 1, 2, 𝑦 = 0, 1, 2, dan 0 ≤ 𝑥 + 𝑦 ≤ 2.
b. Untuk titik (0,1), dari tabel kita memperoleh peluang 𝑓(0,1), 𝑝(𝑥 = 0), dan
𝑝(𝑦 = 1), yaitu:
𝑝(0,1) = 3/14
2 3 3 1 5
𝑝(𝑥 = 0) = ∑ 𝑝(0, 𝑦) = + + =
𝑦=0 28 14 28 14
14
2 3 3 3
𝑝(𝑦 = 1) = ∑ 𝑝(𝑥, 1) = + +0=
𝑥=0 14 14 7
dan
5 3 15
𝑝(𝑥 = 0)𝑝(𝑦 = 1) = =
14 7 98
Jelas bahwa
𝑝(0,1) ≠ 𝑝(𝑥 = 0)𝑝(𝑥 = 1)
Hal ini menunjukkan bahwa 𝑋 dn 𝑌 tidak saling bebas.
Contoh 2.1.7
Sebuah bisnis milik pribadi mengoperasikan fasilitas drive-in dan walk-in. Pada
hari yang dipilih secara acak, misalkan 𝑋 dan 𝑌, masing-masing menjadi proporsi
waktu ketika fasilitas drive-in dan walk-in digunakan, dan anggaplah bahwa
fungsi densitas gabungan dari peubah acak ini adalah
2
(2𝑥 + 3𝑦), 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1
𝑓(𝑥, 𝑦) = { 5
0 , 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎
a. Periksalah kondisi 2 dari Definisi 2.1.9
b. Tentukan apakah peubah acak 𝑋 dan 𝑌 saling bebas.
Jawab:
∞ ∞
a. Kondisi 2, yaitu ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1
1 1
2 2 1 1
∫ ∫ (2𝑥 + 3𝑦) 𝑑𝑥 𝑑𝑦 = ∫ (𝑥 2 + 3𝑥𝑦) | 𝑑𝑦
0 0 5 5 0 0
2 1
= ∫ 1 + 3𝑦 𝑑𝑦
5 0
2 3 1
= (𝑦 + 𝑦 2 ) |
5 2 0
2 3
= (1 + ) = 1
5 2
15
Terbuktilah kondisi 2.
b. Fungsi densitas marginal 𝑋 dam 𝑌 adalah
∞
2 1
𝑓(𝑥) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦 = ∫ (2𝑥 + 3𝑦) 𝑑𝑦
−∞ 5 0
2 3 1
= (2𝑥𝑦 + 𝑦 2 ) |
5 2 0
2 3
= (2𝑥 + )
5 2
∞
2 1
𝑓(𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 = ∫ (2𝑥 + 3𝑦) 𝑑𝑥
−∞ 5 0
2 1
= (𝑥 2 + 3𝑥𝑦) |
5 0
2
= (1 + 3𝑦)
5
2
Jelas bahwa 𝑓(𝑥, 𝑦) = 5 (2𝑥 + 3𝑦)
2 3 2
≠ ( (2𝑥 + )) ( (1 + 3𝑦)) = 𝑓(𝑥)𝑓(𝑦)
5 2 5
Hal ini menunjukkan bahwa 𝑋 dan 𝑌 tidak saling bebas.
B. Karakteristik Distribusi Peluang

Terdapat dua ukuran statistik deskriptif yang sering digunakan untuk merangkum
distribusi peluang, yaitu nilai harapan dan variansi.
Definisi 2.2.1 Nilai Harapan

Nilai harapan atau mean adalah ukuran pusat atau nilai tengah dari suatu distri-
busi peluang. Misalkan 𝑋 suatu peubah acak dengan distribusi peluang 𝑝(𝑥) atau
𝑓(𝑥), maka nilai harapan 𝑋, yang dinotasikan 𝐸(𝑋) adalah
16
∑ 𝑥 𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

∀𝑥
𝐸(𝑋) = ∞
∫ 𝑥 𝑓(𝑥) 𝑑𝑥 , 𝑏𝑖𝑙𝑎 𝑋 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
{ −∞
Teorema 2.2.1
Jika 𝑎 adalah suatu konstanta tak nol, 𝑋 adalah suatu peubah acak maka berlaku
𝐸(𝑎) = 𝑎.
Bukti:
Untuk peubah acak diskrit
𝐸(𝑎) = ∑ 𝑎 𝑝(𝑥) = 𝑎 ∑ 𝑝(𝑥) = 𝑎. 1 = 𝑎

∀𝑥 ∀𝑥
Untuk peubah acak kontinu

∞ ∞
𝐸(𝑎) = ∫ 𝑎 𝑓(𝑥) 𝑑𝑥 = 𝑎 ∫ 𝑓(𝑥) 𝑑𝑥 = 𝑎. 1 = 𝑎
−∞ −∞
Teorema 2.2.2
Jika 𝑎 adalah suatu konstanta tak nol, X adalah suatu peubah acak maka berlaku
𝐸(𝑎𝑋) = 𝑎 𝐸(𝑋).
Bukti:
𝐸(𝑎𝑋) = ∑ 𝑎𝑥 𝑝(𝑥) = 𝑎 ∑ 𝑥 𝑝(𝑥) = 𝑎 𝐸(𝑋)

∀𝑥 ∀𝑥

∞ ∞
𝐸(𝑎𝑋) = ∫ 𝑎𝑥 𝑓(𝑥) 𝑑𝑥 = 𝑎 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 = 𝑎 𝐸(𝑋)
−∞ −∞
∎
17
Teorema 2.2.3
Jika 𝑎 dan 𝑏 adalah suatu konstanta, 𝑋 adalah peubah acak, maka berlaku
𝐸(𝑎 𝑋 ± 𝑏) = 𝑎𝐸(𝑋) ± 𝑏
Bukti:
𝐸(𝑎𝑋 ± 𝑏) = ∑(𝑎𝑥 ± 𝑏) 𝑝(𝑥) = ∑(𝑎𝑥 𝑝(𝑥) ± 𝑏 𝑝(𝑥))

∀𝑥 ∀𝑥
= ∑ 𝑎𝑥 𝑝(𝑥) ± ∑ 𝑏 𝑝(𝑥)
∀𝑥 ∀𝑥
= 𝑎 ∑ 𝑥 𝑝(𝑥) ± 𝑏 ∑ 𝑝(𝑥)
∀𝑥 ∀𝑥
= 𝑎 𝐸(𝑥) ± 𝑏. 1
= 𝑎𝐸(𝑋) ± 𝑏

∞ ∞
𝐸(𝑎𝑋 ± 𝑏) = ∫ (𝑎𝑥 ± 𝑏) 𝑓(𝑥) 𝑑𝑥 = ∫ (𝑎𝑥 𝑓(𝑥) ± 𝑏 𝑓(𝑥)) 𝑑𝑥
−∞ −∞
∞ ∞
= ∫ 𝑎𝑥 𝑓(𝑥) 𝑑𝑥 ± ∫ 𝑏 𝑓(𝑥) 𝑑𝑥
−∞ −∞
∞ ∞
= 𝑎 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 ± 𝑏 ∫ 𝑓(𝑥) 𝑑𝑥
−∞ −∞
= 𝑎 𝐸(𝑥) ± 𝑏. 1
= 𝑎𝐸(𝑋) ± 𝑏
∎
Definisi 2.2.2
Misalkan 𝑔(𝑋) adalah fungsi dari suatu peubah acak 𝑋 dengan distribusi peluang
𝑝(𝑥) atau 𝑓(𝑥), maka nilai harapan 𝑔(𝑋) adalah
18
∑ 𝑔(𝑥) 𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

∀𝑥
𝐸(𝑔(𝑋)) = ∞
∫ 𝑔(𝑥) 𝑓(𝑥) 𝑑𝑥 , 𝑏𝑖𝑙𝑎 𝑋 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
{ −∞
Definisi 2.2.3 Variansi

Variansi adalah ukuran persebaran atau keberagaman dari suatu distribusi peluang.
Misalkan 𝑋 suatu peubah acak dengan distribusi peluang 𝑝(𝑥) atau 𝑓(𝑥) dan
𝑔(𝑥) = 𝑥 2 adalah fungsi dari suatu peubah acak 𝑋, variansi 𝑋 yang dinotasikan
𝑉𝑎𝑟(𝑋) adalah
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
dimana
∑ 𝑥 2 𝑝(𝑥) = ∑ 𝑔(𝑥)𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

𝑥 𝑥
𝐸(𝑋 2 ) = ∞ ∞
∫ 𝑥 2 𝑓(𝑥) = ∫ 𝑔(𝑥)𝑓(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
{ −∞ −∞
Akar positif dari 𝑉𝑎𝑟(𝑋) disebut dengan standar deviasi, yaitu 𝑠𝑑(𝑥).
Teorema 2.2.4
Jika 𝑎 adalah suatu konstanta tak nol, X adalah suatu peubah acak maka berlaku
𝑉𝑎𝑟(𝑎𝑋) = 𝑎2 𝑉𝑎𝑟(𝑋).
Bukti:
2
𝑉𝑎𝑟(𝑎𝑋) = 𝐸((𝑎𝑋)2 ) − (𝐸(𝑎𝑋))
2
= ∑(𝑎𝑥)2 𝑝(𝑥) − ∑(𝑎𝑥 𝑝(𝑥))
∀𝑥 ∀𝑥
2
= 𝑎2 ∑ 𝑥 2 𝑝(𝑥) − 𝑎2 ∑(𝑥 𝑝(𝑥))
∀𝑥 ∀𝑥
19
2
= 𝑎2 (∑ 𝑥 2 𝑝(𝑥) − ∑(𝑥 𝑝(𝑥)) )
∀𝑥 ∀𝑥
2
= 𝑎2 (𝐸(𝑋 2 ) − (𝐸(𝑋)) )
= 𝑎2 𝑉𝑎𝑟(𝑋)

2
𝑉𝑎𝑟(𝑎𝑋) = 𝐸((𝑎𝑋)2 ) − (𝐸(𝑎𝑋))
∞ ∞
2
= ∫ (𝑎𝑥)2 𝑓(𝑥) 𝑑𝑥 − ∫ (𝑎𝑥 𝑓(𝑥)) 𝑑𝑥
−∞ −∞
∞ ∞
2 2 2 2
= 𝑎 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 − 𝑎 ∫ (𝑥 𝑓(𝑥)) 𝑑𝑥
−∞ −∞
∞ ∞
2
= 𝑎2 (∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥 − ∫ (𝑥 𝑓(𝑥)) 𝑑𝑥)
−∞ −∞
2
= 𝑎2 (𝐸(𝑋 2 ) − (𝐸(𝑋)) )
= 𝑎2 𝑉𝑎𝑟(𝑋)
∎
Contoh 2.2.1
Diketahui distribusi peluang sebagai berikut:
𝑥 −1 0 1 2
𝑝(𝑥) 0,4 0,2 0,3 0,1
Tentukan nilai harapan dan variansinya!
Jawab:
𝑋 adalah peubah acak diskrit.
Nilai harapan 𝑋, 𝐸(𝑋) = ∑∀𝑥 𝑥 𝑝(𝑥)
= (−1 . 4) + (0 . 0,2) + (1 . 0,3) + (2 . 0,1)
= (−4) + (0,3) + (0,2)
20
= 0,1
2
Variansi 𝑋, 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑝(𝑥)
∀𝑥
= ((−1)2 . 0,4) + (02 . 0,2) + (12 . 0,3) + (22 . 0,1)

= (0,4) + (0,3) + (0,4)
= 0,11
sehingga
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
= 0,11 − (0,1)2
= 0,11 − 0,01
= 0,10
Jadi, nilai harapan dan variansi distribusi peluang di atas berturut-turut adalah
0,11 dan 0,10.
Contoh 2.2.2
Diketahui fungsi peluang sebagai berikut:
𝑥
, 0<𝑥<2
𝑓(𝑥) = {2
0, 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Tentukan nilai harapan 𝑋 dan standar deviasinya!
Jawab:
𝑋 adalah peubah acak kontinu.
∞
Nilai harapan 𝑋, 𝐸(𝑋) = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥
2
𝑥
=∫ 𝑥 𝑑𝑥
0 2
2
𝑥2
=∫ 𝑑𝑥
0 2
21
2
𝑥3
= |
6 0
8
= −0
6
4
=
3
2
Variansi 𝑋, 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
∞
𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥
−∞
2
𝑥3
=∫ 𝑑𝑥
0 2
2
𝑥4
= |
8 0
16
= −0
8
=2
sehingga
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
4 2
=2−( )
3
18 − 16
=
9
2
=
9
Didapatkan
𝑠𝑑(𝑋) = √𝑉𝑎𝑟(𝑋)
2 √2
=√ =
9 3
22
Jadi, nilai harapan dan standar deviasi distribusi peluang di atas berturut–turut
4 √2
adalah 3 dan .
3
C. Distribusi Normal
Distribusi peluang kontinu yang paling populer di bidang statistika adalah distri-
busi Normal. Grafiknya yang berbentuk kurva lonceng disebut kurva Normal
seperti pada Gambar 2.2, yang biasanya menggambarkan pendekatan fenomena-
fenomena yang terjadi di alam, industri, maupun penelitian. Selain itu, kesalahan
dalam pengukuran ilmiah sangat baik apabila didekati dengan distribusi Normal.
Pada 1733, Abraham DeMoivre menurunkan persamaan matematika dari kurva
Normal ini, yang dampaknya memberikan dasar dari ditemukannya teori statistika
induktif. Distribusi Normal sering disebut sebagai distribusi Gaussian, untuk
menghormati Karl Friedrich Gauss, yang juga menurunkan persamaan tersebut
dari studi terhadap galat dalam pengukuran berulang dengan jumlah yang sama.
Gambar 2.2 Kurva Distribusi Normal
Definisi 2.3.1 Distribusi Normal

Peubah 𝑋 dikatakan berdistribusi Normal dengan parameter 𝜇 dan 𝜎 bila fungsi
densitas peluangnya adalah
1 𝑥−𝜇 2
1
𝑒 −2 ( )
𝑓(𝑥) = 𝑁(𝑥; 𝜇, 𝜎) = 𝜎 , −∞ < 𝑥 < ∞
√2𝜋𝜎
dimana
23
𝑒 merupakan konstanta yang nilainya mendekati 2,7183

𝜋 merupakan konstanta yang nilainya mendekati 3,1416
Teorema 2.3.1
Jika 𝑋 berdistribusi Normal dengan parameter 𝜇 dan 𝜎 maka 𝐸(𝑋) = 𝜇 dan
𝑉𝑎𝑟(𝑋) = 𝜎 2 .
Bukti:
Akan dibuktikan 𝐸(𝑋) = 𝜇
∞
1 1 𝑥−𝜇 2
𝐸(𝑋 − 𝜇) = ∫ (𝑥 − 𝜇) 𝑒 −2( 𝜎
)
𝑑𝑥
−∞ √2𝜋𝜎
𝑥−𝜇
misalkan 𝑧 = dan 𝑑𝑥 = 𝜎 𝑑𝑧, sehingga diperoleh
𝜎
∞
1 1 2
𝐸(𝑋 − 𝜇) = ∫ 𝑧 𝑒 −2𝑧 𝑑𝑧
√2𝜋 −∞
1 2
1 ∞
− 𝑧
Kemudian akan dihitung nilai dari ∫ 𝑧 𝑒 2 𝑑𝑧
√2𝜋 −∞
misal 𝑢 = 𝑧 2 dan 𝑑𝑢 = 2𝑧 𝑑𝑧
∞ ∞
1 1 2 1 1 −1 𝑢
∫ 𝑧 𝑒 −2𝑧 𝑑𝑧 = ∫ 𝑒 2 𝑑𝑢
√2𝜋 −∞ √2𝜋 −∞ 2
∞
1 1 1
− 𝑢
= (−2𝑒 2 )|
√2𝜋 2 −∞
1
= (0) = 0
√2𝜋
Dengan demikian,
𝐸(𝑋 − 𝜇) = 0
dan menggunakan Teorema 2.2.3 diperoleh
𝐸(𝑋) = 𝜇
sehingga terbukti pernyataan.
Selanjutnya, akan dibuktikan 𝑉𝑎𝑟(𝑋) = 𝜎 2
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝐸(𝑋 2 ) − 𝜇 2
24
Akan dihitung nilai harapan dari 𝑋 2 terlebih dahulu

∞ ∞
1 1 𝑥−𝜇 2 1 1 𝑥−𝜇 2
𝐸(𝑋 2 ) = ∫ 𝑥2 𝑒 −2( 𝜎
)
𝑑𝑥 = ∫ 𝑥 2 𝑒 −2( 𝜎
)
𝑑𝑥
−∞ √2𝜋𝜎 √2𝜋𝜎 −∞
𝑥−𝜇
misalkan 𝑡 = maka 𝑥 = 𝜎𝑡 + 𝜇 dan 𝑑𝑥 = 𝜎 𝑑𝑡,
𝜎
sehingga diperoleh
1 2
1 ∞ − 𝑡
𝐸(𝑋 2 ) = ∫ (𝜎𝑡 + 𝜇)2 𝑒 2 𝜎 𝑑𝑡
√2𝜋𝜎 −∞
1 2
1 ∞ − 𝑡
= ∫ (𝜎𝑡 + 𝜇)2 𝑒 2 𝑑𝑡
√2𝜋 −∞
∞ ∞ ∞
1 1 2 1 2 1 2
= {∫ 𝜎 2 𝑡 2 𝑒 −2𝑡 𝑑𝑡 + 2𝜎𝜇 ∫ 𝑡𝑒 −2𝑡 𝑑𝑡 + 𝜇 ∫ 2
𝑒 −2𝑡 𝑑𝑡}
√2𝜋 −∞ −∞ −∞
1 2
∞
Dari pembuktian halaman sebelumnya diketahui ∫−∞ 𝑡𝑒 −2𝑡 𝑑𝑡 = 0.
∞ 1 2
Kemudian, akan diselesaikan bentuk dari ∫−∞ 𝑒 −2𝑡 𝑑𝑡
Didefinisikan
∞ 1 2
𝐼=∫ 𝑒 −2𝑡 𝑑𝑡
−∞
Diintegralkan terhadap 𝑡 dan 𝑢 sehingga diperoleh

∞ 1 2 ∞ 1 2
2
𝐼 =∫ 𝑒 − 2𝑡 𝑑𝑡 ∫ 𝑒 −2𝑢 𝑑𝑢
−∞ −∞
∞ ∞ 1 2 2
= ∫ ∫ 𝑒 −2(𝑡 +𝑢 )
𝑑𝑡𝑑𝑢
−∞ −∞
Selanjutnya ditransformasikan ke dalam bentuk koordinat polar

2𝜋 ∞ 1 2
𝐼2 = ∫ ∫ 𝑒 −2𝑟 𝑟 𝑑𝑟𝑑𝜃
0 0
∞ 1 2
= 2𝜋 ∫ 𝑟 𝑒 −2𝑟 𝑑𝑟
0
∞ 1 2
= 𝜋∫ 𝑒 −2𝑟 𝑑(𝑟 2 )
0
25
1 2 ∞
= 𝜋 [−2𝑒 −2𝑟 ]
0
= 2𝜋
Kemudian diambil akar kuadratnya untuk memperoleh bentuk di atas
∞ 1 2
∫ 𝑒 −2𝑡 𝑑𝑡 = √2𝜋
−∞
Sehingga diperoleh
1 2
1 ∞
𝐸(𝑋 2 ) = {∫ 𝜎 2 𝑡 2 𝑒 −2𝑡 𝑑𝑡 + 0 + 𝜇 2 √2𝜋}
√2𝜋 −∞
1 2
𝜎2 ∞ − 𝑡
= ∫ 𝑡 2 𝑒 2 𝑑𝑡 + 𝜇 2
√2𝜋 −∞
1 2 1 1 2
(−𝑡)2
Misalkan 𝑓(𝑡) = 𝑡 2 𝑒 −2𝑡 dan 𝑓(−𝑡) = (−𝑡)2 𝑒 −2 = 𝑡 2 𝑒 −2 𝑡
Dapat dilihat 𝑓(𝑡) = 𝑓(−𝑡) hal ini menunjukkan 𝑓(𝑡) adalah fungsi genap se-
hingga dapat ditulis
1 2 1 2
∞ − 𝑡 ∞− 𝑡
∫−∞ 𝑡 2 𝑒 2 𝑑𝑡 = 2 ∫0 𝑡 2 𝑒 2 𝑑𝑡 ··············································· (1)
Selanjutnya, menggunakan bentuk umum fungsi Gamma, yaitu

∞
Γ(𝑛) = ∫0 𝑥 𝑛−1 𝑒 −𝑥 𝑑𝑥 dan sifat fungsi Gamma, yaitu Γ(𝑛 + 1) = 𝑛 Γ(𝑛) dan
1 2
1 ∞
Γ (2) = √𝜋, bentuk ∫0 𝑡 2 𝑒 −2𝑡 𝑑𝑡 dapat diperoleh dengan
1
memisalkan 𝑥 = 𝑡 2 maka 𝑡 = √2𝑥 dan 𝑑𝑥 = 𝑡 𝑑𝑡
2
∞ 1 2 ∞ 1 2
∫ 𝑡 2 𝑒 −2𝑡 𝑑𝑡 = ∫ 𝑡 𝑒 −2𝑡 𝑡 𝑑𝑡
0 0
∞
= ∫ √2𝑥 𝑒 −𝑥 𝑑𝑥
0
∞ 3
= √2 ∫ 𝑥 2−1 𝑒 −𝑥 𝑑𝑥
0
3
= √2 Γ ( )
2
1
= √2 Γ ( + 1)
2
26
1 1 1
= √2 Γ ( ) = √2 √𝜋
2 2 2
Dengan demikian (1) dapat ditulis ulang menjadi
∞ 1 2 1
2∫ 𝑡 2 𝑒 −2𝑡 𝑑𝑡 = 2 (√2 √𝜋) = √2𝜋
0 2
Sehingga diperoleh
1 2
𝜎2 ∞ − 𝑡 𝜎2
𝐸(𝑋 2 ) = ∫ 𝑡 2 𝑒 2 𝑑𝑡 + 𝜇 2 = √2𝜋 √2𝜋 + 𝜇 2 = 𝜎 2 + 𝜇 2
√2𝜋 −∞
Jadi
2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝐸(𝑋 2 ) − 𝜇 2
= (𝜎 2 + 𝜇 2 ) − 𝜇 2 = 𝜎 2
Demikian terbuktilah kesimpulan 𝑉𝑎𝑟(𝑋) = 𝜎 2
∎
Sifat-sifat Kurva Normal

Beberapa sifat kurva normal peubah acak 𝑋 adalah sebagai berikut:
1. Modus, titik pada sumbu datar yang memberikan maksimum kurva, ter-
dapat pada 𝑋 = 𝜇.
2. Kurva simetris terhadap garis tegak 𝑋 = 𝜇.
3. Kurva mempunyai titik belok pada 𝑋 = 𝜇 ± 𝜎, cekung ke bawah pada
𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎, dan cekung ke atas untuk nilai 𝑥 lainnya.
4. Kedua ujung kurva Normal mendekati asimtot sumbu datar bila nilai 𝑋
bergerak menjauhi 𝜇 baik ke kiri maupun ke kanan.
5. Seluruh luas di bawah kurva dan di atas sumbu datar sama dengan satu.
Definisi 2.3.2
Menentukan nilai fungsi peluang sama dengan menghitung luas area di bawah
kurva atau dapat juga dengan menghitung integral dengan batas bawah 𝑥1 dan ba-
tas atas 𝑥2
27
𝑥2 𝑥2
1 1 𝑥−𝜇 2
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑒 −2( 𝜎
)
𝑑𝑥
𝑥1 √2𝜋𝜎 𝑥1
yang ditunjukkan pada wilayah yang diarsir pada gambar berikut:
Gambar 2.3 𝑃(𝑥1 < 𝑋 < 𝑥2 )

Kurva normal bergantung pada nilai mean dan standar deviasi dari distribusi. Ter-
lihat pada Gambar 2.3, dimana diantara dua ordinat juga bergantung pada nilai
mean dan standar deviasi. Hal ini bisa dilihat pada Gambar 2.4 dimana kita
memiliki dua bentuk kurva Normal sesuai dengan 𝑃(𝑥1 < 𝑋 < 𝑥2 ) dengan nilai
mean dan variansi yang berbeda. Jelas bahwa, dua daerah pada Gambar 2.4 ber-
beda ukurannya. Oleh karena itu, nilai peluang untuk setiap distribusi akan berbeda
untuk dua nilai 𝑋 yang diberikan.
Gambar 2.4 𝑃(𝑥1 < 𝑋 < 𝑥2 ) untuk kurva Normal yang berbeda mean
dan variansinya
Untuk mengatasi kesulitan dalam menghitung nilai peluang distribusi Normal

maka dibuat tabel luas kurva Normal. Tabel luas kurva Normal dapat dilihat pada
Lampiran 1. Tabel luas kurva Normal adalah tabel yang dibuat untuk menghi-
28
tung dengan mudah dan cepat luas di bawah kurva Normal setelah proses trans-
formasi dari peubah acak Normal 𝑋 menjadi peubah acak Normal 𝑍 . Tidak
mungkin untuk membuat tabel yang berlainan untuk setiap nilai 𝜇 dan 𝜎, untuk
itu setiap peubah acak Normal 𝑋 ditransformasikan menjadi peubah acak Normal
𝑍 dengan 𝜇 = 0 dan 𝜎 = 1 . Hal ini dapat dikerjakan dengan transformasi
𝑋−𝜇
𝑍= .
𝜎
Definisi 2.3.3 Distribusi Normal Standar

Distribusi peubah acak normal dengan 𝜇 = 0 dan 𝜎 = 1 disebut distribusi Normal
standar. Jika nilai 𝑋 berada di antara 𝑋 = 𝑥1 dan 𝑋 = 𝑥2 , maka peubah acak 𝑍
akan mempunyai nilai antara 𝑧1=𝑥1−𝜇 dan 𝑧2=𝑥2−𝜇 , sehingga peluangnya dapat
𝜎 𝜎
dinyatakan dengan 𝑃(𝑥1 < 𝑋 < 𝑥2 ) = 𝑃(𝑧1 < 𝑍 < 𝑧2 ) dan fungsi peluangnya
1 2
1
dirumuskan sebagai berikut: 𝑔(𝑧) = 𝑒 − 2𝑧 .
√2𝜋
Contoh 2.3
Diketahui suatu distribusi Normal dengan 𝜇 = 50 dan 𝜎 = 10. Carilah peluang
nilai 𝑋 yang berada diantara 45 dan 62.
Jawab:
Misal 𝑥1 = 45 dan 𝑥2 = 62
𝑧1=𝑥1 −𝜇
𝜎
𝑧 45−50 −5
1= = =−0,5
10 10
𝑧2=𝑥2 −𝜇
𝜎
𝑧 62−50 −12
2= = =−1,2
10 10
sehingga didapat
𝑃(45 < 𝑋 < 62) = 𝑃(−0,5 < 𝑍 < 1,2)
29
= 𝑃(𝑍 < 1,2) − 𝑃(𝑍 < −0,5)

= 0,8849 − 0,3085
= 0,5764
D. Teorema Limit Pusat

Distribusi Normal merupakan muara dari sembarang distribusi. Hal ini tertuang
dalam teorema yang sangat terkenal, yaitu Teorema Limit Pusat. Prinsip pokok
dari Teorema Limit Pusat adalah jika terdapat barisan peubah acak yang saling
bebas dan berdistribusi identik sembarang maka distribusi sampling dari rata-rata
sampel adalah Normal.
Teorema 2.4 Teorema Limit Pusat

Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 merupakan peubah acak saling bebas dan berdistribusi
identik dengan 𝐸(𝑋𝑖 ) = 𝜇 dan 𝑉(𝑋𝑖 ) = 𝜎 2 < ∞. Didefinisikan
∑𝑛𝑖=1 𝑋𝑖 − 𝑛𝜇 𝑋̅ − 𝜇
𝑈𝑛 = =
𝜎 √𝑛 𝜎 √𝑛
dimana
𝑛
𝑋̅ = ∑ 𝑋𝑖
𝑖=1
Maka fungsi distribusi 𝑈𝑛 konvergen ke fungsi distribusi Normal Standar dengan

𝑛 → ∞.
𝑢 𝑡2
1 −
lim 𝑃(𝑈𝑛 ≤ 𝑢) = ∫ 𝑒 2 𝑑𝑡
𝑛→∞ −∞ √2𝜋
(Bukti dapat dilihat di Wackerly, et al (2008))
E. Statistik Terurut
Banyak fungsi peubah acak yang menarik dalam praktik bergantung pada besaran
relatif dari peubah yang diamati. Misalnya, kita mengamati waktu tersingkat da-
lam perlombaan mobil atau berat badan tikus yang terbesar di antara mereka yang
30
diberi makan tertentu. Jadi, kita sering mengurutkan peubah acak yang diamati
sesuai dengan besarnya. Peubah terurut yang dihasilkan disebut statistik terurut.
Definisi 2.5
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 menunjukkan peubah acak kontinu saling bebas dengan
fungsi distribusi 𝐹(𝑥) dan fungsi densitas 𝑓(𝑥). Peubah acak teurut 𝑋𝑖 dinotasi-
kan dengan 𝑥(1) , 𝑥(2) , … , 𝑥(𝑛) dimana 𝑥(1) ≤ 𝑥(2) ≤ ⋯ ≤ 𝑥(𝑛) . Dengan
menggunakan notasi ini
𝑥(1) = 𝑚𝑖𝑛(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
adalah peubah yang menyatakan nilai minimum peubah acak 𝑋𝑖 dan
𝑥(𝑛) = 𝑚𝑎𝑘𝑠(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
adalah peubah maksimum peubah acak 𝑋𝑖 .
F. Distribusi Empiris
Distribusi Empiris akan digunakan dalam pengujian Normalitas data yang akan
dibahas di bab III.
Definisi 2.6
Misalkan peubah acak terurut 𝑋𝑖 dengan 𝑥(1) , 𝑥(2) , … , 𝑥(𝑛) merupakan sampel
terurut dari fungsi distribusi 𝐹(𝑥). Fungsi distribusi Empiris didefinisikan sebagai
0 , 𝑋 < 𝑥(1)
𝑖
𝐹𝑛 (𝑥) = , 𝑥(𝑖) < 𝑋 < 𝑥(𝑖+1)
𝑛
{ 1, 𝑋 > 𝑥(𝑛)
dimana 𝑖 = 1, 2, … , 𝑛 − 1.
Contoh 2.6
Misalkan terdapat 15 data, yaitu 6, 7, 9, 9, 9, 13, 14, 15, 18, 19, 21, 21, 23, 24, 26.
Fungsi distribusi Empirisnya adalah sebagai berikut:
31
𝒊 𝑿𝒊 𝑭𝒏 (𝒙)
1 6 0,0667
2 7 0,1333
3 9 0,2000
4 9 0,2667
5 9 0,3333
6 13 0,4000
7 14 0,4667
8 15 0,5333
9 18 0,6000
10 19 0,6667
11 21 0,7333
12 21 0,8000
13 23 0,8667
14 24 0,9333
15 26 1
G. Pengujian Hipotesis
Definisi 2.7.1 Hipotesis Statistik
Hipotestis statistik adalah suatu pernyataan yang mungkin benar atau salah,
mengenai satu populasi atau lebih. Hipotesis dinotasikan dengan 𝐻.
Definisi 2.7.2 Uji Hipotesis Statistik

Uji hipotesis statistik adalah suatu aturan atau prosedur untuk memutuskan
apakah hipotesis 𝐻 diterima atau ditolak.
Apabila suatu hipotesis statistik ditolak, ini berarti disimpulkan bahwa hipotesis
tersebut salah, sedangkan apabila suatu hipotesis diterima, ini berarti tidak dipu-
nyai bukti yang cukup kuat untuk mempercayai sebaliknya. Karena suatu
hipotesis dapat bernilai benar atau salah, maka disusunlah dua hipotesis yang
komplementer, yaitu hipotesis nol (𝐻0 ) dan hipotesis alternatif (𝐻1 ).
32
Untuk menentukan hipotesis mana yang akan dijadikan hipotesis nol, maka
perbedaan yang hakiki antara peranan dan maksud dari hipotesis nol dan hipotesis
alternatif harus benar-benar diketahui dengan jelas.
Apabila suatu penelitian atau penyelidikan bertujuan untuk memperlihatkan

bahwa suatu pernyataan didukung secara kuat oleh observasi sampel maka negasi
dari pernyataan tersebut dirumuskan sebagai hipotesis nol dan pernyataan itu
sendiri dirumuskan sebagai hipotesis alternatif. Jadi, hipotesis nol adalah
hipotesis yang dirumuskan dengan harapan akan ditolak dan hipotesis alternatif
adalah hipotesis yang dirumuskan dengan harapan akan diterima kebenarannya.
Contoh 2.7.1
Seorang produsen sereal mengklaim bahwa kadar lemak jenuh rata-rata tidak
melebihi 1,5 miligram per sajian, maka hipotesis nol dan alternatif untuk menguji
klaim tersebut dapat dirumuskan sebagai berikut:
𝐻0 : 𝜇 = 1,5
𝐻1 : 𝜇 > 1,5
Apabila dipunyai hipotesis nol dan hipotesis alternatif, maka berdasarkan

observasi sampel akan ditentukan apakah ada alasan yang kuat untuk menolak 𝐻0
atau tidak. Dengan demikian, ruang sampel dapat dibagi menjadi dua daerah,
yaitu:
1. Daerah penolakan 𝐻0 atau daerah kritik (critical region)
2. Daerah penerimaan 𝐻0 (acceptance region)
Berikut adalah langkah pengujian hipotesis dengan menggunakan statstik uji
𝑥̅ −𝜇0
𝑧= 𝜎 :
⁄ 𝑛
√
1. Merumuskan hipotesis nol dan alternatif

a. 𝐻0 : 𝜇 = 𝜇0
33
𝐻1 : 𝜇 ≠ 𝜇0
b. 𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 > 𝜇0
c. 𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 < 𝜇0
2. Pilih tingkat signifikansi 𝛼 yang telah ditentukan

𝑥̅ −𝜇0
3. Statistik uji: 𝑧 = 𝜎
⁄ 𝑛
√
4. Menentukan daerah penolakan atau wilayah kritis

Daerah penolakan sesuai dengan rumusan hipotesis pada langkah 1
a. 𝐻0 ditolak apabila 𝑧 > 𝑧𝜎 atau 𝑧 < −𝑧𝜎
2 2
Gambar 2.5 Daerah penolakan untuk kasus (a)
b. 𝐻0 ditolak apabila 𝑧 > 𝑧𝛼
Gambar 2.6 Daerah penolakan untuk kasus (b)
c. 𝐻0 ditolak apabila 𝑧 < −𝑧𝛼

34
Gambar 2.7 Daerah penolakan untuk kasus (c)

5. Melakukan perhitungan
6. Kesimpulan
Contoh 2.7.2
Sampel acak dari 100 kematian yang tercatat di Amerika Serikat selama tahun la-
lu menunjukkan rentang hidup rata-rata 71,8 tahun. Dengan asumsi standar devi-
asi populasi 8,9 tahun, apakah ini menunjukkan bahwa rentang usia rata-rata saat
ini lebih besar dari 70 tahun? Gunakan tingkat signifikansi 0,05.
Jawab:
1. 𝐻0 : 𝜇 = 70
𝐻1 : 𝜇 > 70
2. 𝛼 = 0,05
𝑥̅ −𝜇0
3. Statistik uji , 𝑧 = 𝜎
⁄ 𝑛
√
4. Wilayah kritis: 𝐻0 ditolak jika 𝑧 > 1,64

35
5. Perhitungan
𝑥̅ −𝜇0 71,8−70
𝑥̅ = 71,8, 𝜎 = 8,9, 𝑧 = 𝜎 = 8,9 = 2,02
⁄ 𝑛 ⁄
√ √100
6. Kesimpulan: 𝑍 = 2,02 > 1,64 𝐻0 ditolak. Jadi, hal ini menunjukkan rentang
usia rata-rata saat ini lebih besar dari 70 tahun.
Definisi 2.7.3 Kesalahan Dalam Pengujian Hipotesis

Suatu keputusan untuk menerima atau menolak hipotesis nol didasarkan atas
pengujian statistik yang dihitung dari data dalam sebuah sampel random. Dua
jenis kesalahan dapat terjadi pada saat pengujian suatu hipotesis. Kesalahan per-
tama adalah saat pengamat menolak 𝐻0 yang sesungguhnya benar sedangkan
kesalahan kedua yang mungkin dilakukan adalah pengamat tersebut menerima 𝐻0
yang sesungguhnya salah. Kesalahan ini didefinisikan sebagai berikut:
Kesalahan tipe I terjadi jika 𝐻0 ditolak padahal sesungguhnya 𝐻0 benar.
Kesalahan tipe II terjadi jika 𝐻0 diterima padahal sesungguhnya 𝐻0 salah.
Jika 𝛼 adalah peluang terjadinya kesalahan tipe I dan 𝛽 adalah peluang terjadinya
kesalahan tipe II, maka
𝛼 = 𝑃(𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑡𝑖𝑝𝑒 𝐼)
= 𝑃(𝑚𝑒𝑛𝑜𝑙𝑎𝑘 𝐻0 | 𝐻0 𝑏𝑒𝑛𝑎𝑟)
𝛽 = 𝑃(𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑡𝑖𝑝𝑒 𝐼𝐼)
= 𝑃(𝑚𝑒𝑛𝑒𝑟𝑖𝑚𝑎 𝐻0 | 𝐻0 𝑠𝑎𝑙𝑎ℎ)
Peluang kesalahan tipe I atau 𝜶 disebut juga taraf nyata atau tingkat signifikan-
si dari uji hipotesis. Nilai 𝟏 − 𝜷 disebut kuasa pengujian (power of test) yaitu
peluang menerima hipotesis alternatif jika hipotesis alternatif tersebut
sesungguhnya bernilai benar.
Jadi, 𝑘𝑢𝑎𝑠𝑎 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 = 1 − 𝛽 = 𝑃(𝑚𝑒𝑛𝑜𝑙𝑎𝑘 𝐻0 | 𝐻0 𝑠𝑎𝑙𝑎ℎ)
= 𝑃(𝑚𝑒𝑛𝑒𝑟𝑖𝑚𝑎 𝐻1 | 𝐻1 𝑏𝑒𝑛𝑎𝑟)
36
Untuk lebih memperjelas, berikut ini disajikan tabel yang menyatakan hubungan
antara tindakan-tindakan yang diambil akibat pengujian hipotesis dengan keadaan
kebenaran hipotesis, serta peluang-peluang terjadinya:
Kesimpulan Kenyataan
𝑯𝟎 benar 𝑯𝟎 salah
(𝑯𝟏 salah) (𝑯𝟏 benar)
Terima 𝑯𝟎 Keputusan benar Kesalahan tipe II
(1 − 𝛼) (𝛽)
Tolak 𝑯𝟎 Kesalahan tipe I Keputusan benar
(𝛼) (1 − 𝛽)
Seperti yang sudah diketahui, kuasa pengujian (1 − 𝛽) adalah peluang menerima

𝐻1 ketika 𝐻1 benar. Pernyataan ini ekivalen dengan pernyataan bahwa kuasa
pengujian adalah peluang menolak 𝐻0 ketika 𝐻1 bernilai benar. Makna penting
dari kuasa pengujian adalah menunjukkan adanya suatu kekuatan atau kebaikan
uji tersebut untuk menghasilkan tindakan yang benar. Jadi idealnya nilai 𝛽 relatif
kecil sehingga tindakan yang benar mempunyai peluang yang relatif besar.
Hubungan penting antara 𝛼 dan 𝛽 adalah sebagai berikut: usaha untuk mengecil-
kan peluang timbulnya salah satu jenis kesalahan dengan mengubah kriteria da-
lam uji hipotesis statistik akan diiringi dengan membesarnya nilai peluang kesala-
han tipe yang lain. Untuk memperkecil 𝛼 dan 𝛽 dipunyai suatu pilihan berupa
memperbesar ukuran sampel atau memperluas wilayah penerimaan.
Dalam praktik, penentuan nilai peluang kesalahan tipe I umumnya ditentukan di

sekitar nilai 𝛼 = 0,05 atau 𝛼 = 0,01 atau 𝛼 = 0,1. Apabila ditentukan 𝛼 = 0,05
ini berarti bahwa taraf nyatanya (tingkat signifikansi) adalah 5%. Nilai 𝛼 dipilih
37
dengan nilai yang relatif kecil sebab resiko terjadinya kesalahan tipe I dipandang
lebih serius dibanding kesalahan tipe II.
Nilai 𝛽 biasanya sangat sulit ditentukan karena distribusi hipotesis alternatif tidak
diketahui. Hipotesis alternatif biasanya bukan merupakan hipotesis sederhana
tetapi merupakan hipotesis majemuk sehingga hipotesis alternatif tersebut ter-
susun dari sekumpulan hipotesis.
Seandainya kesalahan tipe II tidak diketahui maka penerimaan 𝐻0 sebagai suatu

kebenaran mengandung kesalahan yang tidak diketahui seberapa besar pelu-
angnya. Oleh karena itu, biasanya orang enggan mengatakan menerima kebenaran
𝐻0 dan lebih menyukai mengatakan bahwa data tidak mendukung untuk menolak
𝐻0 . Begitu juga sebaliknya, di dalam menolak 𝐻0 dan dengan demikian menerima
𝐻1 telah ditetapkan besarnya peluang untuk membuat kesalahan yaitu sebesar 𝛼.
H. Nilai-P (P-Value)
Pemilihan awal tingkat signifikansi 𝛼 berakar pada filosofi bahwa resiko maksi-
mum membuat kesalahan tipe I harus dikendalikan. Namun pendekatan ini tidak
memperhitungkan nilai statistik uji yang “dekat” dengan wilayah kiritis. Misalkan
dalam ilustrasi dengan 𝐻0 : 𝜇 = 10 dan 𝐻1 : 𝜇 ≠ 10 , nilai 𝑧 = 1,87 diamati,
sebenarnya dengan 𝛼 = 0,05 nilainya tidak signifikan. Tetapi resiko melakukan
kesalahan tipe I, jika seorang menolak 𝐻0 dalam kasus tersebut tidak bisa diang-
gap parah.
Peluang untuk menolak 𝐻0 atau mendapatkan nilai z lebih kecil dari −1,87 atau
lebih besar dari 1,87 dengan 𝜇 = 10 adalah 𝑃 = 𝑃(−1,87 < 𝑍 < 1,87) =
0,0614. Untuk lebih jelas dapat dilihat pada Gambar 2.8
38
Gambar 2.8 𝑃 = 𝑃(−1,87 < 𝑍 < 1,87)
Meskipun bukti menolak 𝐻0 ini tidak sekuat yang dihasilkan dari penolakan pada
tingkat 𝛼 = 0,05, informasi ini penting bagi peneliti. Bahwasanya menggunakan
𝛼 = 0,05 atau 𝛼 = 0,01 hanya merupakan hasil dari standar apa yang diturunkan
dari generasi ke generasi. Pendekatan nilai-P telah diadopsi secara luas oleh
pengguna statistika terapan. Pendekatan ini dirancang untuk memberikan
pengguna sebuah alternatif (dalam peluang) untuk membuat kesimpulan “tolak”
atau “jangan tolak”.
Definisi 2.8 Nilai-P (P-Value)

Jika 𝑊 adalah suatu statistik uji, nilai-P (P-value) atau tingkat signifikansi yang
dicapai adalah nilai terkecil tingkat signifikansi 𝛼 sedemikian hingga data penga-
matan mengindikasikan bahwa 𝐻0 harus ditolak.
Saat ini menarik untuk merangkum prosedur yang terkait dengan pengujian,
katakanlah, menguji 𝐻0 : 𝜇 = 𝜇0 . Namun, harus dipahami bahwa ada perbedaan
dalam pendekatan dan filosofi antara pendekatan klasik 𝛼 yang diakhiri dengan
kesimpulan "menolak 𝐻0 " atau "jangan menolak 𝐻0 " dan pendekatan nilai-P.
Pada yang terakhir, tidak ada 𝛼 tetap yang ditentukan dan kesimpulan diambil
berdasarkan ukuran nilai-P selaras dengan penilaian subyektif dari insinyur atau
ilmuwan. Sementara perangkat lunak komputer modern akan menghasilkan nilai-
39
P, penting bagi pembaca untuk memahami kedua pendekatan tersebut. Langkah-

langkah prosedural untuk pendekatan klasik 𝛼 dan nilai-P dalam pengujian
hipotesis adalah sebagai berikut:
Langkah-langkah untuk menguji hipotesis dengan menetapkan kesalahan tipe I

(𝛼):
2. Pilih tingkat signifikansi 𝛼 yang telah ditentukan
3. Pilih statistik uji yang sesuai
4. Menentukan wilayah kritis berdasarkan 𝛼. Tolak 𝐻0 jika statistik uji yang
dihitung berada di wilayah kritis. Sebaliknya, jangan tolak.
5. Melakukan perhitungan
6. Membuat kesimpulan
Langkah-langkah pengujian hipotesis dengan pendekatan dengan nilai-P:

2. Pilih statistik uji yang sesuai
3. Hitung nilai-P berdasarkan nilai statistik uji yang dihitung
4. Gunakan penilaian berdasarkan nilai-P dan pengetahuan sistem ilmiah
Contoh 2.8
Dengan menggunakan soal pada Contoh 2.7.2, berikut langkah -langkah pen-
gujian hipotesis dengan pendekatan dengan nilai-P
1. 𝐻0 : 𝜇 = 70
𝐻1 : 𝜇 > 70
𝑥̅ −𝜇0
2. Statistik uji , 𝑧 = 𝜎
⁄ 𝑛
√
3. Perhitungan
40
𝑥̅ −𝜇0 71,8−70
𝑥̅ = 71,8, 𝜎 = 8,9, 𝑧 = 𝜎 = 8,9 = 2,02
⁄ 𝑛 ⁄
√ √100
Nilai-P yang sesuai dengan 𝑧 = 2,02 diberikan oleh luas wilayah yang diarsir
pada Gambar 2.9. Peluang untuk menolak 𝐻0 atau mendapatkan nilai z lebih
besar dari 2,02 atau dengan 𝜇 = 70 adalah 𝑃 = 𝑃(𝑍 > 2,02) = 0,0217.
Gambar 2.9 Nilai-P untuk Contoh 2.8

4. Nilai-P yang diperoleh ternyata lebih kecil dari 𝛼 yang ditetapkan yaitu 0,05,
sehingga dengan menggunakan definisi diperoleh kesimpulan untuk menolak
𝐻0 . Jadi, disimpulkan bahwa rentang hidup rata-rata hari ini lebih besar dari
70 tahun.
Dalam penggunaan perangkat-perangkat lunak statistika seperti SPSS, SAS,

MINITAB, atau R, P-value secara otomatis telah dihitung dari data berdasarkan
definisi di atas sehingga peneliti langsung dapat membandingkannya dengan 𝛼
teoritis yang telah ditetapkan.
BAB III
NORMALITAS DATA
A. Uji Normalitas
Distribusi Normal yang dikenal juga sebagai distribusi Gauss merupakan jenis
dari distribusi peluang yang banyak digunakan dalam analisis statistika. Banyak
pekerjaan telah dilakukan untuk menyelidiki perilaku dan sifat-sifat distribusi
Normal karena banyak metode statistik parametrik dirumuskan menggunakan
asumsi yang mendasari bahwa data yang dikumpulkan berasal dari distribusi
Normal. Kebutuhan untuk menentukan Normalitas telah menghasilkan banyak tes
yang dikembangkan selama bertahun-tahun untuk menguji apakah sampel
pengamatan dapat dimodelkan oleh distribusi Normal. Asumsi normal diperlukan
untuk banyak uji statistik yang memiliki implikasi atau relevansi dan tidak hanya
pada bidang statistik tetapi di banyak disiplin ilmu, seperti ilmu fisika, psikologi,
teknik, ilmu sosial dan banyak bidang studi lainnya.
Sejumlah metode analisis dengan statistika mengasumsikan distribusi datanya
Normal, sehingga asumsi ini perlu diuji kebenarannya atau yang dikenal dengan
uji Normalitas. Berbagai rumus statistik inferensial yang digunakan untuk
menguji hipotesis peneltian mendasarkan pada asumsi data yang bersangkutan
memenuhi ciri distribusi Normal. Dengan kata lain, keadaan data berdistribusi
Normal merupakan sebuah persyaratan yang harus terpenuhi. Sebuah data yang
tidak berdistribusi Normal, sebagai konsekuensinya, tidak dapat digarap dengan
rumus statistik tersebut. Sehingga, sebelum menggunakan metode statistika
tertentu, Normalitas distribusi suatu data haruslah sudah dipenuhi. Kepastian
terpenuhinya syarat Normalitas akan menjamin dapat dipertanggungjawabkannya
langkah-langkah analisis statistik selanjutnya sehingga kesimpulan yang diambil
juga dapat dipertangungjawabkan.
41
42
B. Metode Uji Normalitas

Sebagian besar analisis parametrik mengasumsikan bahwa kumpulan data
yang diamati dapat dimodelkan dengan distribusi yang diberikan. Banyak upaya
telah dilakukan selama bertahun-tahun dalam mengembangkan metode untuk
menguji seberapa baik satu kumpulan titik data dapat dimodelkan oleh distribusi
yang diberikan. Uji-uji ini dikenal sebagai uji Kesesuaian (Goodness of fit). Uji
Kesesuaian digunakan untuk menilai apakah data konsisten dengan distribusi
yang memenuhi hipotesis nol. Dari semua uji Kesesuaian yang tersedia, mungkin
yang paling umum digunakan dan paling penting adalah yang menguji Normalitas.
Contoh teknik analis statistika yang mengasumsikan distribusi Normal, adalah
uji- T, analisis variansi, analisis regresi, dan sebagainya. Jumlah upaya yang telah
dicurahkan untuk menguji Normalitas dijamin mengingat berbagai aplikasi
distribusi Normal lintas disiplin ilmu. Beberapa metode pengujian Normalitas
yang paling umum termasuk uji Cramer-von Mises (1929), Kolmogorov -
Smirnov (1939) diterjemahkan ke dalam bahasa Inggris oleh Massey (1951),
Anderson Darling (1952), Shapiro dan Wilk (1965), Lilliefors (1967) dan Pearson,
D'Agostino and Bowman (1973) (Melbourne, 2014).
Dalam tulisan ini, hanya akan dibahas tiga uji metode, yaitu metode Kol-
mogorov-Smirnov, metode Anderson-Darling, dan metode Shapiro-Wilk.
1. Metode Kolmogorov-Smirnov
Metode uji Kolmogorov-Smirnov adalah salah satu dari uji Kesesuaian

yang dapat diadopsi untuk menguji Normalitas ketika mean dan variansinya
ditentukan (Melbourne, 2014). Beberapa uji telah dikembangkan dimana
pendistribusian statistik uji bergantung pada bentuk eksplisit atau nilai
parameter tertentu dalam distribusi populasi. Upaya telah dilakukan untuk
menemukan statistik uji yang distribusi sampelnya tidak bergantung pada
bentuk eksplisit atau nilai parameter tertentu dalam distribusi populasi.
43
Uji semacam itu disebut uji non parametrik atau distribusi bebas. Mungkin uji
yang paling banyak digunakan adalah uji Chi-Kuadrat (Massey, 1951).
Metode Kolmogorov-Smirnov dikemukakan oleh Andrey Kolmogorov

dan Nikolai Smirnov yang merupakan dua matematikawan asal Rusia pada
tahun 1939. Uji Kolmogorov-Smirnov digunakan untuk menguji apakah
distribusi sampel yang teramati sesuai dengan distribusi teoritis tertentu atau
tidak. Uji Kolmogorov-Smirnov beranggapan bahwa distribusi data yang diuji
bersifat kontinu dan sampel dari populasi secara acak.
Misalkan suatu populasi dianggap memiliki beberapa fungsi distribusi

frekuensi kumulatif tertentu, sebut 𝐹0 (𝑥). Untuk setiap nilai 𝑥 yang ditentukan,
nilai 𝐹0 (𝑥) adalah proporsi individu dalam populasi yang memiliki ukuran
kurang dari atau sama dengan 𝑥. Fungsi distribusi empiris dari sampel acak
pengamatan 𝑛 diharapkan cukup dekat dengan fungsi distribusi yang
ditentukan. Jika tidak cukup dekat, maka ini merupakan bukti bahwa
distribusi hipotesinya bukan yang benar. Jika 𝐹0 (𝑥) adalah fungsi distribusi
kumulatif populasi dan 𝐹𝑛 (𝑥) merupakan fungsi distribusi empiris dari sampel,
maka distribusi sampling dari 𝐷 = 𝑚𝑎𝑥|𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )| diketahui dan tak
bergantung pada 𝐹0 (𝑥) jika 𝐹0 (𝑥) kontinu (Massey, 1951).
Statistik uji Kolmogorov-Smirnov merupakan selisih mutlak terbesar

antara fungsi distribusi empiris sampel 𝐹𝑛 (𝑥) dengan fungsi distribusi
kumulatif populasi 𝐹0 (𝑥) yang disebut 𝐷 (deviasi maksimum).
𝐷 = 𝑚𝑎𝑥|𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )|, 𝑖 = 1,2, … , 𝑛
44
Gambar 3.1 Ilustrasi statistik uji 𝐷 Kolmogorov-Smirnov
Jarak maksimum 𝐹𝑛 (𝑥) dan 𝐹0 (𝑥) yang dinotasikan 𝐷 menjadi kriteria apakah
𝐹0 (𝑥) dapat didekati dengan 𝐹𝑛 (𝑥) berdasarkan tingkat toleransi 𝛼. Ilustrasi 𝐷
dapat dilihat pada Gambar 3.1 yang listing programnya dapat dilihat pada
Lampiran 2.
Secara ringkas, langkah-langkah menghitung statistik uji 𝐷 pada uji

Normalitas Kolmogorov-Smirnov adalah:
a. Hitung fungsi distribusi empiris 𝐹𝑛 (𝑥𝑖 ).
b. Hitung nilai 𝑍𝑖 untuk masing-masing data.
c. Carilah nilai peluang dari 𝑍𝑖 kumulatif (luas daerah dari −∞ sampai nilai
𝑍𝑖 ) dari tabel pada Lampiran 1, hasilnya adalah 𝐹0 (𝑥𝑖 ).
d. Susun 𝐹𝑛 (𝑥𝑖 ) berdampingan dengan 𝐹0 (𝑥𝑖 ). Selanjutnya, hitunglah selisih
mutlak antara 𝐹𝑛 (𝑥𝑖 ) dengan 𝐹0 (𝑥𝑖 ) pada masing-masing nilai teramati.
e. Tentukan nilai maksimum dari selisih mutlak antara 𝐹𝑛 (𝑥𝑖 ) dengan 𝐹0 (𝑥𝑖 )
tersebut, inilah yang disebut statistik uji
𝐷 = 𝑚𝑎𝑥|𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )|, 𝑖 = 1,2, … , 𝑛
Berikut adalah langkah-langkah pengujian metode Kolmogorov-Smirnov:

a. Merumuskan hipotesis yang akan di uji
45
𝐻0 : data berdistribusi Normal

𝐻1 : data tidak berdistribusi Normal
b. Menentukan tingkat signifikansi (𝛼)
c. Menentukan statistik uji
Statistik uji Kolmogorov-Smirnov didefinisikan dengan
𝐷 = 𝑚𝑎𝑥|𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )|, 𝑖 = 1,2, … , 𝑛
d. Menentukan wilayah kritis
Selanjutnya, nilai statisitik 𝐷 dibandingkan dengan nilai kritis pada tabel
kuantil statistik Kolmogorov-Smirnov (D-tabel pada Lampiran 3), pada
ukuran sampel 𝑛 dan tingkat signifikan 𝛼. 𝐻0 diterima, jika nilai 𝐷 < 𝐷 −
𝑡𝑎𝑏𝑒𝑙 yang berarti distribusi data sampel yang teramati memiliki distribusi
yang sama dengan distribusi teoritis yang dimaksud. Sebaliknya, 𝐻0
ditolak, jika 𝐷 ≥ 𝐷 − 𝑡𝑎𝑏𝑒𝑙 yang berarti distribusi data sampel tidak
sesuai dengan distribusi teoritis. Distribusi teoritis yang dimaksud dalam
uji Normalitas adalah distribusi Normal.
e. Melakukan perhitungan statistik uji
f. Membuat kesimpulan
Contoh 3.1
Berdasarkan data usia lansia pada suatu Panti Jompo yang diambil secara acak,
didapatkan data sebagai berikut:
No Usia No Usia No Usia

1 71 11 65 21 69
2 80 12 80 22 72
3 69 13 65 23 71
4 62 14 61 24 74
5 64 15 64 25 74
46
6 80 16 76 26 64
7 75 17 78 27 77
8 76 18 67 28 68
9 62 19 77 29 73
10 78 20 77 30 71
Selidikilah apakah data usia lansia tersebut berdistribusi Normal atau tidak
dengan menggunakan uji Kolmogorov-Smirnov pada tingkat signifikansi
𝛼 = 5%!
Jawab:
Soal ini akan dikerjakan dengan dua cara, yaitu cara pertama secara teoritis
dan cara kedua dengan perangkat lunak R.
Pertama dikerjakan secara teoritis
Langkah-langkah pengujian:
a. Hipotesis
b. Telah ditetapkan bahwa tingkat signifikansi yang digunakan adalah 5%,
𝛼 = 0,05.
c. Statistik uji
Statistik uji Kolmogorov-Smirnov didefinisikan dengan
𝐷 = 𝑚𝑎𝑥|𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )|, 𝑖 = 1,2, … , 𝑛
d. Wilayah kritis
𝐻0 ditolak, jika 𝐷 ≥ 𝐷 − 𝑡𝑎𝑏𝑒𝑙. Dengan tabel kuantil statistik
Kolmogorov-Smirnov diperoleh 𝐷 − 𝑡𝑎𝑏𝑒𝑙 = 0,242 untuk nilai 𝛼 = 0,05
dan 𝑛 = 30.
47
e. Perhitungan statistik uji

Mengikuti langkah-langkah perhitungan statistik uji 𝐷 di atas, kita hitung
𝐹𝑛 (𝑥𝑖 ) dan 𝐹0 (𝑥𝑖 ) dilanjutkan |𝐹𝑛 (𝑥𝑖 ) − 𝐹0 (𝑥𝑖 )|disajikan berikut:
𝐢 𝐗𝐢 𝐙𝐢 𝐅𝟎 (𝐱 𝐢 ) 𝐅𝐧 (𝐱𝐢 ) |𝐅𝐧 (𝐱𝐢 ) − 𝐅𝟎 (𝐱 𝐢 )|

1 61 -1,72 0,0427 0,0333 0,0094
2 62 -1,55 0,0606 0,1000 0,0394
3 64 -1,22 0,1112 0,2000 0,0888
4 65 -1,05 0,1469 0,2667 0,1198
5 67 -0,72 0,2358 0,3000 0,0642
6 68 -0,55 0,2912 0,3333 0,0421
7 69 -0,39 0,3483 0,4000 0,0517
8 71 -0,06 0,4761 0,5000 0,0239
9 72 0,11 0,5438 0,5333 0,0105
10 73 0,28 0,6103 0,5667 0,0436
11 74 0,44 0,6700 0,6333 0,0367
12 75 0,61 0,7291 0,6667 0,0624
13 76 0,78 0,7823 0,7333 0,0490
14 77 0,94 0,8264 0,8333 0,0069
15 78 1,11 0,8665 0,9000 0,0335
16 80 1,44 0,9251 1,0000 0,0749
Berdasarkan tabel diatas dapat diperoleh nilai 𝐷 = 0,1198
f. Kesimpulan
Tampak bahwa 𝐷 = 0,1198 < 𝐷 − 𝑡𝑎𝑏𝑒𝑙 = 0,242 yang berarti statistik
uji 𝐷 tidak berada daerah kritis, jadi 𝐻0 diterima. Sehingga diperoleh
kesimpulan bahwa dengan menggunakan uji Kolmogorov-Smirnov data
usia lansia di atas berdistribusi Normal.
48
Selanjutnya, bila dikerjakan dengan menggunakan perangkat lunak R

Langkah-langkah pengujiannya adalah sebagai berikut:
a. Hipotesis
b. Tingkat signifikansi yang digunakan adalah 5%, 𝛼 = 0,05.
c. Statistik uji
Statistik uji Kolmogorov-Smirnov pada R didefinisikan dengan
ks.test(Usia, “pnorm”, mean=mean(Usia), sd=sd(Usia)).
d. Wilayah kritis
𝐻0 ditolak jika nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
e. Perhitungan
Hasil pengujian data pada R diperoleh nilai 𝐷 = 0,12054 dan 𝑝 −
𝑣𝑎𝑙𝑢𝑒 = 0,776 . Dapat dilihat hasil pengerjaan pada Lampiran 4.
Perhatikan bahwa nilai 𝐷 yang diperoleh ini berdekatan dengan
perhitungan pada tabel di atas. Perbedaan disebabkan masalah dalam
pembulatan komputasi.
f. Kesimpulan
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,776 > 𝛼 = 0,05 berarti 𝐻0 diterima. Sehingga diperoleh
kesimpulan data usia lansia di atas adalah berdistribusi Normal.
Kesimpulan ini tidak berbeda dengan pengujian sebelumnya.
2. Metode Anderson-Darling
Metode uji Anderson-Darling merupakan modifikasi dari uji Cramer-
von Mises (Razali & Wah, 2011). Metode Anderson-Darling dikemukakan
oleh Theodore Wilbur Anderson, Jr. dan Donald A. Darling pada tahun 1952.
Uji Anderson-Darling adalah uji kecocokan/kesesuaian umum yang menguji
apakah sampel berasal dari distribusi yang ditentukan. Metode ini menguji
49
hipotesis bahwa sampel telah diambil dari populasi dengan fungsi distribusi
kontinu 𝐹(𝑥) yang ditentukan (Melbourne, 2014).
Beberapa prosedur pengujian didasarkan pada membandingkan fungsi

distribusi yang ditentukan 𝐹(𝑥) dengan fungsi distribusi empiris 𝐹𝑛 (𝑥) .
Anderson dan Darling mendefinisikan uji statistik (Anderson & Darling, 1954)
dengan kriteria sebagai berikut:
∞
𝑊𝑛2 = 𝑛 ∫ [𝐹𝑛 (𝑥) − 𝐹(𝑥)]2 𝜓(𝐹(𝑥)) 𝑑𝐹(𝑥) … (1)
−∞
dimana 𝜓(𝑢) adalah beberapa fungsi bobot tak negatif dan dapat dihitung
1
dengan 𝜓(𝑢) = 𝑢(1−𝑢).
Untuk mempermudah penghitungan statistik ini, dengan menggunakan

persamaan (1) akan diperoleh persamaan (2). Penurunan rumus ini dapat
dilihat di Kellinson & London, 2011(517).
Misalkan 𝑥1 , 𝑥2 , … , 𝑥𝑛 merupakan 𝑛 sampel pengamatan di bawah 𝐻0

dan 𝑥(1) ≤ 𝑥(2) ≤ ⋯ ≤ 𝑥(𝑛) merupakan 𝑛 sampel terurut pengamatan.
Statistik uji Anderson-Darling didefinisikan sebagai berikut:
1 𝑛
𝑊𝑛2 = − 𝑛 − ∑ (2𝑗 − 1)[ln 𝑢𝑗 + 𝑙𝑛(1 − 𝑢𝑛−𝑗+1 )] … (2)
𝑛 𝑗=1
dengan
𝑢𝑗 = 𝐹(𝑥(𝑗) ).
Berikut adalah langkah-langkah pengujian metode Anderson-Darling:

50

Statistik uji Anderson-Darling didefinisikan dengan
1 𝑛
𝑊𝑛2 = − 𝑛 − ∑ (2𝑗 − 1)[𝑙𝑛 𝑢𝑗 + 𝑙𝑛(1 − 𝑢𝑛−𝑗+1 )]
𝑛 𝑗=1
dengan
𝑢𝑗 = 𝐹(𝑥(𝑗) )
Selanjutnya, nilai statisitik 𝑊𝑛2 dibandingkan dengan nilai kritis asimtotik
pada tabel kuantil statistik Anderson-Darling pada tingkat signifikan 𝛼.
𝐻0 diterima, jika nilai 𝑊𝑛2 ≤ 𝑊𝑛2 − 𝑡𝑎𝑏𝑒𝑙 yang berarti distribusi data
sampel yang teramati memiliki distribusi yang sama dengan distribusi
teoritis yang dimaksud. Sebaliknya, 𝐻0 ditolak, jika
𝑊𝑛2 > 𝑊𝑛2 − 𝑡𝑎𝑏𝑒𝑙 yang berarti distribusi data sampel tidak sesuai dengan
distribusi teoritis. Distribusi teoritis yang dimaksud dalam uji Normalitas
adalah distribusi Normal.
𝐻0 ditolak jika nilai statistik uji 𝑊𝑛2 besar. Metode Anderson-Darling

sangat efisien dalam mendeteksi penyimpangan distribusi yang sebenarnya
dari yang dihipotesiskan, terutama ketika perbedaan itu berada di ujung. Nilai
kritis untuk 𝑊𝑛2 tidak tersedia untuk ukuran sampel yang kecil tetapi titik
signifikansi asimtotik ditabulasi untuk ukuran sampel yang besar di metode
ini. Ketika sejumlah besar ikatan ada dalam sampel, uji ini akan sering
menolak 𝐻0 , terlepas dari seberapa baik data sesuai dengan distribusi. Uji ini
dapat diadopsi untuk menguji normalitas jika 𝐹(𝑥) dianggap normal
(Melbourne, 2014).
51
Titik signifikansi asimptotik diberikan oleh Anderson & Darling (1954)

pada tabel di bawah ini:
Tabel 3.1 Titik signifikansi asimptotik
Tingkat Signifikansi Titik Signifikansi

0,10 1,933
0,05 2,492
0,01 3,857
Contoh 3.2

1 71 11 65 21 69
2 80 12 80 22 72
3 69 13 65 23 71
4 62 14 61 24 74
5 64 15 64 25 74
6 80 16 76 26 64
7 75 17 78 27 77
8 76 18 67 28 68
9 62 19 77 29 73
10 78 20 77 30 71
dengan menggunakan uji Anderson-Darling pada tingkat signifikansi 𝛼 = 5%!
Jawab:
52
a. Hipotesis
𝛼 = 0,05.
c. Statistik uji
Statistik uji Anderson-Darling didefinisikan dengan
1 𝑛
𝑊𝑛2 = − 𝑛 − ∑ (2𝑗 − 1)[𝑙𝑛 𝑢𝑗 + 𝑙𝑛(1 − 𝑢𝑛−𝑗+1 )]
𝑛 𝑗=1
dengan
𝑢𝑖 = 𝐹(𝑥(𝑖) )
d. Wilayah kritis
𝐻0 ditolak, jika 𝑊𝑛2 > 𝑊𝑛2 − 𝑡𝑎𝑏𝑒𝑙 . Dengan tabel kuantil statistik
Anderson-Darling diperoleh 𝑊𝑛2 − 𝑡𝑎𝑏𝑒𝑙 = 2,492 untuk nilai 𝛼 = 0,05.
Pertama, hitung nilai 𝑢𝑗 dan 𝑢𝑛−𝑗+1 terlebih dahulu
𝒋 𝟐𝒋 − 𝟏 𝑿𝒋 ̅
𝑿 𝒖𝒋 𝒖𝒏−𝒋+𝟏
1 1 61 71,3333 0,0427 0,9251
2 3 62 71,3333 0,0606 0,9251
3 5 62 71,3333 0,0606 0,9251
4 7 64 71,3333 0,1112 0,8665
5 9 64 71,3333 0,1112 0,8665
6 11 64 71,3333 0,1112 0,8264
53
7 13 65 71,3333 0,1469 0,8264

8 15 65 71,3333 0,1469 0,8264
9 17 67 71,3333 0,2358 0,7823
10 19 68 71,3333 0,2912 0,7823
11 21 69 71,3333 0,3483 0,7291
12 23 69 71,3333 0,3483 0,6700
13 25 71 71,3333 0,4761 0,6700
14 27 71 71,3333 0,4761 0,6103
15 29 71 71,3333 0,4761 0,5438
16 31 72 71,3333 0,5438 0,4761
17 33 73 71,3333 0,6103 0,4761
18 35 74 71,3333 0,6700 0,4761
19 37 74 71,3333 0,6700 0,3483
20 39 75 71,3333 0,7291 0,3483
21 41 76 71,3333 0,7823 0,2912
22 43 76 71,3333 0,7823 0,2358
23 45 77 71,3333 0,8264 0,1469
24 47 77 71,3333 0,8264 0,1469
25 49 77 71,3333 0,8264 0,1112
26 51 78 71,3333 0,8665 0,1112
27 53 78 71,3333 0,8665 0,1112
28 55 80 71,3333 0,9251 0,0606
29 57 80 71,3333 0,9251 0,0606
30 59 80 71,3333 0,9251 0,0427
54
Kemudian lakukan perhitungan untuk (2𝑗 − 1)[𝑙𝑛 𝑢𝑗 + 𝑙𝑛(1 − 𝑢𝑛−𝑗+1 )]
𝒍𝒏(𝒖𝒋 ) + (𝟐𝒋 − 𝟏)
𝒍𝒏(𝒖𝒋 ) 𝒍𝒏(𝒖𝒏−𝒋+𝟏 ) 𝒍𝒏(𝒖𝒏−𝒋+𝟏 ) [𝒍𝒏 𝒖𝒋 + 𝒍𝒏(𝟏 − 𝒖𝒏−𝒋+𝟏 )]
-3,1536 -2,5916 -5,7452 -5,7452
-2,8035 -2,5916 -5,3951 -16,1852
-2,8035 -2,5916 -5,3951 -26,9753
-2,1964 -2,0137 -4,2101 -29,4706
-2,1964 -2,0137 -4,2101 -37,8907
-2,1964 -1,7510 -3,9474 -43,4217
-1,9180 -1,7510 -3,6690 -47,6971
-1,9180 -1,7510 -3,6690 -55,0351
-1,4448 -1,5246 -2,9694 -50,4799
-1,2337 -1,5246 -2,7584 -52,4093
-1,0547 -1,3060 -2,3607 -49,5746
-1,0547 -1,1087 -2,1634 -49,7571
-0,7421 -1,1087 -1,8508 -46,2697
-0,7421 -0,9424 -1,6845 -45,4816
-0,7421 -0,7848 -1,5270 -44,2816
-0,6092 -0,6465 -1,2556 -38,9245
-0,4938 -0,6465 -1,1403 -37,6286
-0,4005 -0,6465 -1,0469 -36,6426
-0,4005 -0,4282 -0,8286 -30,6600
-0,3159 -0,4282 -0,7441 -29,0205
-0,2455 -0,3442 -0,5897 -24,1777
-0,2455 -0,2689 -0,5144 -22,1210
-0,1907 -0,1589 -0,3496 -15,7300
-0,1907 -0,1589 -0,3496 -16,4291
55
-0,1907 -0,1179 -0,3086 -15,1194

-0,1433 -0,1179 -0,2612 -13,3200
-0,1433 -0,1179 -0,2612 -13,8423
-0,0779 -0,0625 -0,1404 -7,7202
-0,0779 -0,0625 -0,1404 -8,0009
-0,0779 -0,0436 -0,1215 -7,1680
∑ -917,1795
Diperoleh ∑𝑛𝑗=1(2𝑗 − 1)[𝑙𝑛 𝑢𝑗 + 𝑙𝑛(1 − 𝑢𝑛−𝑗+1 )] = −917,1795

1
𝑊𝑛2 = − 30 − (−917,1795) = 0,57265
30
f. Kesimpulan
Diperoleh 𝑊𝑛2 = 0,57265 < 𝑊𝑛2 − 𝑡𝑎𝑏𝑒𝑙 = 2,492 artinya 𝐻0 diterima.
Dengan menggunakan uji Anderson-Darling diperoleh kesimpulan data
lansia di atas berdistribusi Normal.

a. Hipotesis
c. Statistik uji
Statistik uji Anderson-Darling pada R didefinisikan dengan ad.test(Usia).
d. Wilayah kritis
56
e. Perhitungan
Hasil pengujian data pada R diperoleh nilai nilai 𝑊𝑛2 = 0,57589 dan
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,1228. Dapat dilihat hasil pengerjaan pada Lampiran 5.
Perhatikan bahwa nilai 𝑊𝑛2 yang diperoleh ini berdekatan dengan
f. Kesimpulan
3. Metode Shapiro-Wilk
Metode Shapiro-Wilk dikemukakan oleh Samuel Stanford Shapiro dan
Martin Wilk pada tahun 1965. Penelitian awal metode ini dimulai, sebagian,
dalam upaya untuk merangkum secara formal indikasi tertentu dari plot
peluang. Metode ini muncul sebagai alternatif prosedur statistik untuk
menguji sampel lengkap untuk Normalitas. Statistik uji diperoleh dengan
membagi kuadrat dari kombinasi linear yang sesuai dari sampel statistik
terurut dengan estimasi variansi simetris yag biasa (Shapiro & Wilk, 1965).
Metode ini awalnya terbatas untuk ukuran sampel yang kurang dari 50 (Razali
and Wah, 2011). Metode ini menguji bahwa hipotesis null (𝐻0 ) berasal dari
distribusi Normal yang tidak bergantung pada nilai rata-rata dan variansi.
Misalkan 𝑚′ = (𝑚1 , 𝑚2 , … , 𝑚𝑛 ) menunjukkan vektor dari nilai
harapan terhadap statistik terurut Normal standar dan 𝑉 = (𝑣𝑖𝑗 ) adalah
matriks kovarians yang sesuai. Diberikan 𝑛 sampel acak terurut 𝑦1 ≤ 𝑦2 ≤
⋯ ≤ 𝑦𝑛 dari distribusi Normal dengan mean 0 dan variansi 1, maka
𝐸(𝑦)𝑖 = 𝑚𝑖 (𝑖 = 1,2, … , 𝑛),
𝑐𝑜𝑣(𝑦𝑖 , 𝑦𝑗 ) = 𝑣𝑖𝑗 (𝑖 = 1,2, … , 𝑛),
57
dan misalkan 𝑋 ′ = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) menunjukkan vektor dari pengamatan acak

terurut. Uji hipotesis ini berguna untuk jenis sampel yang berdistribusi
Normal dengan mean dan variansi yang tidak diketahui.
Jelas bahwa jika {𝑥𝑖 } adalah sampel Normal maka uji dapat dinyatakan
sebagai 𝑥𝑖 = 𝜇 + 𝜎 𝑦𝑖 (𝑖 = 1, 2, … , 𝑛). Ini mengikuti dari teorema kuadrat
terkecil yang digeneralisasi (Aitken dan Lloyd dalam Shapiro & Wilk, 1965)
bahwa estimasi linear tak bias terbaik dari 𝜇 dan 𝜎 adalah jumlah yang
meminimalkan bentuk kuadrat (𝑥 − 𝜇1 − 𝜎𝑚)′ 𝑉 −1 (𝑥 − 𝜇1 − 𝜎𝑚), dimana
1′ = (1, 1, … , 1). Penduga ini berturut-turut adalah
𝑚′𝑉 −1 (𝑚1′ − 1𝑚′)𝑉 −1 𝑥

𝜇̂ =
1′𝑉 −1 1𝑚′𝑉 −1 𝑚 − (1′𝑉 −1 𝑚)2
dan
1′𝑉 −1 (1𝑚′ − 𝑚1′)𝑉 −1 𝑥

𝜎̂ = .
1′𝑉 −1 1𝑚′𝑉 −1 − (1′𝑉 −1 𝑚)2
Untuk distribusi Simetris, 1′ 𝑉 −1 𝑚 = 0, dan oleh karena itu
1 𝑛
𝜇̂ = ∑ 𝑋𝑖 = 𝑋̅
𝑛 𝑖=1
dan
𝑚′𝑉 −1 𝑥
𝜎̂ = .
𝑚′𝑉 −1 𝑚
Bukti untuk 𝜇̂ dan 𝜎̂ dapat dilihat di Lloyd, 1952(91).
Misal 𝑆 2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 menyatakan sebuah bias simetris yang biasa

diduga dari (𝑛 − 1)𝜎 2 .
58
Statistik uji Shapiro-Wilk didefinisikan sebagai:
𝑅 4 𝜎̂ 2 𝑏 2 (𝑎′𝑥)2 (∑𝑛𝑖=1 𝑎𝑖 𝑋𝑖 )2
𝑊= = = = ,
𝐶2𝑆2 𝑆2 𝑆2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
dimana 𝑅 2 = 𝑚′ 𝑉 −1 𝑚
𝐶 2 = 𝑚′𝑉 −1 𝑉 −1 𝑚
′
𝑚′𝑉 −1
𝑎 = (𝑎1 , 𝑎2 , … , 𝑎𝑛 ) =
(𝑚′𝑉 −1 𝑉 −1 𝑚)1/2
𝑅2 𝜎
̂
dan 𝑏= .
𝐶
Dengan demikian, 𝑏 dinormalisasi dengan konstanta 𝐶 , estimasi linear tak

bias terbaik dari kemiringan regresi linier pengamatan terurut 𝑋𝑖 , pada nilai
harapan 𝑚𝑖 , dari statistik terurut normal standar. Konstanta 𝐶 didefinisikan
sedemikian rupa sehingga koefisien linier dinormalisasi.
Dapat dicatat bahwa jika seseorang memang mengambil sampel dari

populasi normal maka pembilang 𝑏 2 , dan penyebut 𝑆 2 , 𝑊 keduanya konstan,
menduga nilai yang sama, yaitu 𝜎 2 . Untuk populasi yang tidak normal,
jumlah ini secara umum tidak akan menduga nilai yang sama.
Untuk menghitung nilai 𝑊, diberikan 𝑛 sampel acak lengkap, 𝑦1 , 𝑦2 , … , 𝑦𝑛 ,

yang dihasilkan dengan langkah (Shapiro & Wilk, 1965) sebagai berikut:
a. Mengurutkan sampel pengamatan 𝑦1 , 𝑦2 , … , 𝑦𝑛 untuk mendapatkan sampel

terurut 𝑥(1) , 𝑥(2) , … , 𝑥(𝑛) dimana 𝑥(1) ≤ 𝑥(2) ≤ ⋯ ≤ 𝑥(𝑛) .
b. Menghitung
𝑛 𝑛
𝑆2 = ∑ (𝑋𝑖 − 𝑋̅)2 = ∑ (𝑌𝑖 − 𝑌̅)2 .
𝑖=1 𝑖=1
c. Jika 𝑛 genap, 𝑛 = 2𝑘, menghitung

59
𝑘
𝑏=∑ 𝑎𝑛−𝑖+1 (𝑋𝑛−𝑖+1 − 𝑋𝑖 ),
𝑖=1
dimana nilai dari koefisien 𝑎𝑛−𝑖+1 diberikan oleh Shapiro & Wilk pada
Lampiran 6.
Jika 𝑛 ganjil, 𝑛 = 2𝑘 + 1, perhitungannya sama seperti 𝑛 genap, 𝑛 = 2𝑘

karena 𝑎𝑘+1 = 0 saat 𝑛 = 2𝑘 + 1. Jadi kita mendapatkan
𝑏 = 𝑎𝑛 (𝑥(𝑛) − 𝑥(1) ) + ⋯ + 𝑎𝑘+2 (𝑥(𝑘+2) − 𝑥(𝑘) ),
dimana nilai dari 𝑥(𝑘+1) merupakn sampel median dan tidak masuk dalam
perhitungan 𝑏.
𝑏2
d. Menghitung 𝑊 = 𝑆2
e. 1, 2, 5, 10, 50, 90, 95, 98 dan 99% poin dari distribusi 𝑊 diberikan pada
Tabel 2. Nilai-nilai kecil 𝑊 adalah signifikan, yaitu menunjukkan
ketidaknormalan.
f. Tingkat signifikansi yang lebih tepat dapat dikaitkan dengan nilai 𝑊 yang
diamati dengan menggunakan pendekatan yang dirinci dalam Shapiro &
Wilk (1965a).
Berikut adalah langkah-langkah pengujian metode Shapiro-Wilk:

Statistik uji Shapiro-Wilk didefinisikan dengan
𝑏2 (∑𝑛𝑖=1 𝑎𝑖 𝑋𝑖 )2
𝑊= =
𝑆 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
dimana, jika 𝑛 genap, 𝑛 = 2𝑘, menghitung
60
𝑘
𝑏=∑ 𝑎𝑛−𝑖+1 (𝑋𝑛−𝑖+1 − 𝑋𝑖 ),
𝑖=1
Jika 𝑛 ganjil, 𝑛 = 2𝑘 + 1, menghitung
𝑏 = 𝑎𝑛 (𝑥(𝑛) − 𝑥(1) ) + ⋯ + 𝑎𝑘+2 (𝑥(𝑘+2) − 𝑥(𝑘) )

Selanjutnya, nilai statisitik 𝑊 dibandingkan dengan nilai kritis pada tabel
kuantil statistik Shapiro-Wilk (W-tabel pada Lampiran 7), pada ukuran
sampel 𝑛 dan tingkat signifikan 𝛼. 𝐻0 diterima, jika nilai 𝑊 ≥ 𝑊 − 𝑡𝑎𝑏𝑒𝑙
yang berarti distribusi data sampel yang teramati memiliki distribusi yang
sama dengan distribusi teoritis yang dimaksud. Sebaliknya, 𝐻0 ditolak,
jika 𝑊 < 𝑊 − 𝑡𝑎𝑏𝑒𝑙 yang berarti distribusi data sampel tidak sesuai
dengan distribusi teoritis. Distribusi teoritis yang dimaksud dalam uji
Normalitas adalah distribusi Normal.
Menurut Razali & Wah (2011), metode ini dimodifikasi oleh Royston
pada tahun 1982 untuk memperluas ukuran sampel hingga 200 sampel dan
kemudian algoritma AS181 disediakan. Setelah itu, Royston mengamati
bahwa pendekatan untuk bobot 𝑎 pada statistik uji Shapiro-Wilk tidak
memadai untuk 𝑛 > 50. Royston kemudian memperbaiki bobot tersebut dan
menyediakan alogritma AS R94 yang dapat digunakan untuk 𝑛 dalam rentang
3 ≤ 𝑛 ≤ 5000.
Contoh 3.3
61

1 71 11 65 21 69
2 80 12 80 22 72
3 69 13 65 23 71
4 62 14 61 24 74
5 64 15 64 25 74
6 80 16 76 26 64
7 75 17 78 27 77
8 76 18 67 28 68
9 62 19 77 29 73
10 78 20 77 30 71
dengan menggunakan uji Shapiro-Wilk pada tingkat signifikansi 𝛼 = 5%!
Jawab:
a. Hipotesis
𝛼 = 0,05.
c. Statistik uji
Diberikan 𝑛 = 30 statistik uji Shapiro-Wilk didefinisikan sebagai berikut
62
2
𝑏 2 [∑𝑘𝑖=1 𝑎𝑛−𝑖+1 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )]
𝑊= 2=
𝑆 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
d. Wilayah Kritis
𝐻0 ditolak, jika 𝑊 < 𝑊 − 𝑡𝑎𝑏𝑒𝑙. Dengan tabel kuantil statistik Shapiro-
Wilk untuk nilai 𝛼 = 0,05 dan 𝑛 = 30 diperoleh 𝑊 − 𝑡𝑎𝑏𝑒𝑙 = 0,927.
2
𝑏 2 [∑𝑘𝑖=1 𝑎𝑛−𝑖+1 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )]
𝑊= 2=
𝑆 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Akan dicari 𝑆 2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 terlebih dahulu
𝒊 𝑿𝒊 ̅
𝑿 ̅ )𝟐
(𝑿𝒊 − 𝑿
1 61 71,333 106,778
2 62 71,333 87,111
3 62 71,333 87,111
4 64 71,333 53,778
5 64 71,333 53,778
6 64 71,333 53,778
7 65 71,333 40,111
8 65 71,333 40,111
9 67 71,333 18,778
10 68 71,333 11,111
11 69 71,333 5,444
12 69 71,333 5,444
13 71 71,333 0,111
14 71 71,333 0,111
15 71 71,333 0,111
16 72 71,333 0,444
17 73 71,333 2,778
63
18 74 71,333 7,111
19 74 71,333 7,111
20 75 71,333 13,444
21 76 71,333 21,778
22 76 71,333 21,778
23 77 71,333 32,111
24 77 71,333 32,111
25 77 71,333 32,111
26 78 71,333 44,444
27 78 71,333 44,444
28 80 71,333 75,111
29 80 71,333 75,111
30 80 71,333 75,111
∑ 1048,667
Diperoleh 𝑆 2 = 1048,667 dan kemudian lakukan perhitungan untuk
2
𝑏 2 = [∑𝑘𝑖=1 𝑎𝑛−𝑖+1 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dan nilai koefisien 𝑎𝑖 dapat dilihat
pada Lampiran 6.
𝒊 𝒂𝒏−𝒊+𝟏 𝑿𝒏−𝒊+𝟏 𝑿𝒊 𝑿𝒏−𝒊+𝟏 − 𝑿𝒊 𝒂𝒏−𝒊+𝟏 (𝑿𝒏−𝒊+𝟏 − 𝑿𝒊 )

1 0,4254 80 61 19 8,0826
2 0,2944 80 62 18 5,2992
3 0,2487 80 62 18 4,4766
4 0,2148 78 64 14 3,0072
5 0,1870 78 64 14 2,6180
6 0,1630 77 64 13 2,1190
7 0,1415 77 65 12 1,6980
8 0,1219 77 65 12 1,4628
64
9 0,1036 76 67 9 0,9324
10 0,0862 76 68 8 0,6896
11 0,0697 75 69 6 0,4182
12 0,0537 74 69 5 0,2685
13 0,0381 74 71 3 0,1143
14 0,0227 73 71 2 0,0454
15 0,0076 72 71 1 0,0076
∑ 31,2394
∑𝟐 975,900112
diperoleh 𝑏 2 = 975,900112
𝑏2
sehingga didapat 𝑊 = 𝑆2
975,900112
= = 0,9306
1048,667
f. Kesimpulan
Diperoleh 𝑊 = 0,9306 ≥ 𝑊 − 𝑡𝑎𝑏𝑒𝑙 = 0,927 artinya 𝐻0 diterima.
Diperoleh kesimpulan bahwa dengan menggunakan uji Shapiro-Wilk data
lansia di atas berdistribusi Normal.

a. Hipotesis
c. Statistik uji
Statistik uji Shapiro-Wilk pada R didefinisikan dengan shapiro.test(Usia)
d. Wilayah kritis
65

e. Perhitungan
Hasil pengujian data pada R diperoleh nilai 𝑊 = 0,93954 dan
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,0704. Hasil pengerjaan dapat dilihat pada Lampiran 8.
Perhatikan bahwa nilai 𝑊 yang diperoleh ini berdekatan dengan
f. Kesimpulan
C. Simulasi Data Monte Carlo
1. Simulasi dan Metode Monte Carlo

Stanislaw Marcin Ulam adalah seorang ilmuwan yang lahir pada tahun
1909 asal Polandia di bidang matematika dan fisika nuklir. Pada tahun 1946
Stanislaw memberikan dua ceramah seminar saat berada di Los Alamos dan
ternyata dua topik seminar tersebut memiliki gagasan yang baik dan
membawa pada perkembangan selanjutnya yang berhasil. Salah satunya
adalah yang saat ini disebut metode Monte Carlo. Pembicaraan tersebut
mengenai perhitungan probabilistik untuk masalah fisika. Gagasan untuk apa
yang kemudian disebut metode Monte Carlo muncul ketika beliau bermain
sebuah permainan ‘solitaire’. Idenya adalah untuk mencoba bermain ribuan
permainan untuk memperkirakan secara statistik kemungkinan hasil yang
sukses. Setelah memeriksa dari beberapa kemungkinan, seseorang akan
memiliki sampel yang baik dan jawaban perkiraan untuk masalah tersebut.
Yang diperlukan hanyalah memiliki sarana untuk menghasilkan sampel
66
semacam itu. Kebetulan mesin komputer mulai ada, dan di sini ada sesuatu
yang cocok untuk perhitungan mesin. Mesin komputer muncul melalui
pertemuan perkembangan ilmiah dan teknologi. Di satu sisi adalah pekerjaan
dalam logika matematika, dalam fondasi matematika, dalam studi rinci
tentang sistem formal, dimana John von Neumann memainkan peran penting.
Metode Monte Carlo menjadi bentuk konkret dengan dasar teori yang
menyertainya setelah Ulam mengusulkan kemungkinan skema probabilistik
seperti itu kepada John di 1946 (Mathews and Hirsch, 1991).
Simulasi didefinisikan sebagai teknik melakukan eksperimen
pengambilan sampel pada model sistem. Definisi umum ini sering disebut
simulasi dalam arti luas, sedangkan simulasi dalam arti sempit, atau simulasi
stokastik, didefinisikan sebagai percobaan dengan model dari waktu ke waktu
dan termasuk pengambilan variasi sampel stokastik dari distribusi peluang.
Pengambilan sampel dari distribusi tertentu melibatkan penggunaan angka
acak, akibatnya simulasi stokastik kadang-kadang disebut simulasi Monte
Carlo. Secara historis, metode Monte Carlo dianggap sebagai teknik,
menggunakan angka acak untuk solusi model. Angka acak pada dasarnya
adalah peubah acak yang bebas dan terdistribusi secara merata atau seragam
pada interval satuan [0,1] (Rubinstein, 1981). Untuk selengkapnya tentang
angka acak akan dibahas pada subbab selanjutnya.
Istilah "Monte Carlo" diperkenalkan oleh John von Neumann dan
Stanislaw Marcin Ulam selama Perang Dunia II, sebagai kata sandi untuk
pekerjaan rahasia di Los Alamos. Istilah tersebut merupakan nama kasino judi
di kota Monte Carlo di Monako. Metode Monte Carlo kemudian diaplikasikan
pada masalah yang terkait dengan bom atom. Setelah itu metode Monte Carlo
digunakan untuk mengevaluasi integral multidimensi yang kompleks dan
untuk menyelesaikan persamaan integral tertentu.
67
Metode Monte Carlo dapat digunakan tidak hanya untuk solusi

masalah stokastik, tetapi juga untuk solusi masalah deterministik. Masalah
deterministik dapat diselesaikan dengan metode Monte Carlo jika memiliki
ekspresi formal yang sama dengan beberapa proses stokastik. Penerapan
metode Monte Carlo pada penerapan bidang lain adalah pengambilan sampel
dari peubah acak dari distribusi probabilitas, yang disebut pengambilan
sampel model (model sampling) yang akan di gunakan pada tulisan tugas
akhir ini.
2. Angka Acak
Pada kehidupan nyata, banyak hal atau masalah yang sangat rumit
untuk disimulasikan. Mungkin mustahil atau sangat mahal untuk
mendapatkan data dari proses tertentu di dunia nyata, maka dari itu munculah
angka acak untuk memudahkan mendapatkan data. Banyak teknik untuk
menghasilkan angka acak telah disarankan, diuji, dan digunakan dalam
beberapa tahun terakhir. Beberapa di antaranya didasarkan pada fenomena
acak. Pada waktu sebelumnya, keacakan dibangkitkan dengan teknik yang
manual, seperti pelemparan koin, pelemparan dadu, pengacakan kartu, dan
sebagainya. Setelah itu, perangkat fisik mulai muncul, seperti noise diodes
dan Geiger counters yang dilampirkan ke komputer untuk tujuan yang sama.
Keyakinan yang berlaku menyatakan bahwa perangkat mekanik atau
elektronik dapat menghasilkan barisan yang benar-benar acak. Meskipun
perangkat mekanik masih banyak digunakan dalam perjudian dan lotere,
metode ini ditinggalkan oleh komunitas simulasi komputer karena beberapa
alasan. Beberapa alasannya yaitu, metode mekanik terlalu lambat untuk
penggunaan umum, barisan yang dibangkitkan tidak dapat direproduksi, dan
telah ditemukan bahwa angka-angka yang dibangkitkan menunjukkan bias
dan ketergantungan. Meskipun metode pembangkitan fisik modern tertentu itu
cepat dan akan lulus dalam sebagian besar statistik uji untuk keacakan,
68
kelemahan utamanya tetap kekurang pengulangan atau reproduksi. Sebagian

besar pembangkitan acak pada era ini tidak didasarkan pada perangkat fisik,
tetapi pada algoritma sederhana yang dengan mudah dapat diimplementasikan
pada komputer. Mereka cepat, membutuhkan sedikit ruang penyimpanan, dan
dapat dengan mudah mereproduksi barisan angka acak yang diberikan. Yang
penting, pembangkit angka acak yang baik menangkap semua sifat penting
stastistik dari barisan acak yang benar, meskipun barisan tersebut dihasilkan
oleh algoritma deterministik. Untuk alasan ini kadang-kadang pembangkit ini
disebut dengan pseudorandom.
Sebagian besar bahasa komputer sudah mengandung pembangkit
bilangan pseudorandom bawaan. Pengguna biasanya diminta untuk
memasukkan nilai awal 𝑋0 dan pada saat pemanggilan pembangkit angka
acak menghasilkan peubah acak yang bebas dan terdistribusi secara merata
atau seragam pada interval satuan [0,1]. Bilangan acak ini disimbolkan
dengan 𝑈(0, 1). Dengan contoh, pada R untuk membangkitkan angka acak
telah disediakan fungsi rnorm.
Contoh 3.4
Contoh ini menggambarkan penggunaan fungsi rnorm di R untuk
menghasilkan angka acak sebanyak 30 dengan mean 0 dan standar deviasnya
bernilai 1.
> rnorm(30, 0, 1)
[1] 1.34845147 -0.11142829 -1.49945703 2.21974153 0.02751926

0.29285127
[7] 1.85601667 -0.83136763 -2.17242186 -0.32457622 0.87349690 -

1.80294774
69
[13] -0.89950155 0.10598902 -1.54371488 -0.08748791 0.51898119

0.35794912
[19] -0.96355821 -0.38633169 0.18017377 -0.09798791 -0.53619058 -

0.46536716
[25] -0.00956252 0.83579988 0.81005330 1.55616005 -2.04730054

1.12244832
3. Peubah Acak
Pada bagian ini akan dibahas satu metode umum untuk menghasilkan
peubah acak satu dimensi dari distribusi yang ditentukan, yaitu metode
Transformasi Invers.
Misalkan 𝑋 merupakan peubah acak dengan fungsi densitas kumulatif
𝐹. Dikarenakan fungsi 𝐹 bukan merupakan fungsi yang menurun, invers dari
fungsi 𝐹 − didefinisikan sebagai berikut
𝐹 − (𝑦) = 𝑖𝑛𝑓{𝑥: 𝐹(𝑥) ≥ 𝑦}, 0 ≤ 𝑦 ≤ 1.
Akan ditunjukkan jika 𝑈 terdistribusi secara seragam pada interval (0, 1)
maka
𝑋 = 𝐹 − (𝑈) (3.1)
mempunyai fungsi densitas kumulatif 𝐹.
Buktinya scara langsung:
𝑃(𝑋 ≤ 𝑥) = 𝑃(𝐹 −1 (𝑈) ≤ 𝑥) = 𝑃(𝑈 ≤ 𝐹(𝑥)) = 𝐹(𝑥).
Jadi untuk mendapatkan nilai 𝑥 dari peubah acak 𝑋 , dapatkan nilai 𝑢 dari
peubah acak 𝑈 , hitung 𝐹 −1 (𝑢) dan atur persamaan itu sama dengan 𝑥 .
Ilustrasi metode transformasi invers dapat dilihat pada Gambar 3.2.
70
Algoritma 3.1 Metode Transformasi Invers
a. Bangkitkan 𝑈 dari 𝑈(0, 1).

b. Hitung 𝑋 = 𝐹 − (𝑈).
Gambar 3.2 Metode Transformasi Invers

Sumber: Rubinstein, R. Y. and Kroese, D. P. (2008)
Contoh 3.5
Bangkitkan peubah acak dari fungsi densitas peluang
2𝑥, 0 ≤ 𝑥 ≤ 1
𝑓(𝑥) = {
0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎.
Fungsi densitas kumulatifnya adalah
0, 𝑥<0
𝑥
𝐹(𝑥) = {∫ 2𝑦 𝑑𝑦 = 𝑥 2 , 0 ≤ 𝑥 ≤ 1
0
1, 𝑥 > 1.
Dengan mengaplikasikan persamaan (3.1), kita dapat
𝑋 = 𝐹 − (𝑈) = √𝑈.
71
Oleh karena itu, untuk membangkitkan peubah acak 𝑋 dari fungsi densitas di
atas, pertama-tama kita bangkitkan peubah acak 𝑈 dari 𝑈(0, 1) dan kemudian
ambil akar dari kuadratnya.
4. Membangkitkan Peubah Acak Kontinu

a. Distribusi Eksponensial
Peubah acak 𝑋 berdistribusi Eksponensial memiliki fungsi densitas
sebagai berikut:
1 − 𝑥⁄𝛽
𝑒 , 0 ≤ 𝑥 ≤ ∞, , 𝛽 > 0
𝑓(𝑥) = {𝛽
0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
dinotasikan dengan 𝐸𝑥𝑝(𝛽).
Prosedur
Dengan menggunakan metode transformasi invers
−𝑥⁄𝛽
U = 𝐹(𝑋) = 1 − 𝑒
sehingga diperoleh
𝑋 = − 𝛽 𝑙𝑛(1 − 𝑈).
Karena 1 − 𝑈 didistribusikan dengan cara yang sama dengan U, maka kita

punya
𝑋 = − 𝛽 𝑙𝑛(𝑈).
Untuk keperluan pengambilan sampel, kita dapat mengasumsikan 𝛽 = 1.

Jika V adalah sampel dari distribusi Eksponensial Standar 𝐸𝑥𝑝(1), maka
X = 𝛽𝑉 berasal dari 𝐸𝑥𝑝(𝛽).
72
Algoritma 3.2
1) Bangkitkan U dari 𝑈(0, 1).

2) 𝑋 ← −𝛽 𝑙𝑛 𝑈.
b. Distribusi Normal
Peubah acak 𝑋 berdistribusi Normal jika fungsi densitas peluangnya
adalah
1 1 𝑥−𝜇 2
𝑓(𝑥) = 𝑒 −2( 𝜎
)
, −∞ <𝑋<∞
𝜎√2𝜋
dan dinotasikan dengan 𝑁(𝜇, 𝜎 2 ). Karena 𝑋 = 𝜇 + 𝜎𝑍, dimana 𝑍 adalah

peubah normal standar yang dinotasikan dengan 𝑁(0,1) , kita hanya
mempertimbangkan pembangkitan dari 𝑁(0,1) . Metode Transformasi
Invers tidak dapat diaplikasikan pada distribusi Normal sehingga
diperlukan alternatif metode lain.
Prosedur
Pendekatan ini dikembangkan oleh Box dan Muller. Akan dibuktikan,

jika 𝑈1 dan 𝑈2 adalah peubah acak yang saling bebas dari 𝑈(0,1), maka
variabel-variabel
1⁄
𝑍1 = (−2 𝑙𝑛 𝑈1 ) 2 𝑐𝑜𝑠 2𝜋𝑈2 (1)
1⁄
𝑍2 = (−2 𝑙𝑛 𝑈1 ) 2 𝑠𝑖𝑛 2𝜋𝑈2
adalah variabel normal standar yang saling bebas. Untuk melihatnya

persamaan di atas (1) akan ditulis kembali sebagai berikut
1⁄
𝑍1 = (2𝑉) 2 𝑐𝑜𝑠 2𝜋𝑈 (2)
1⁄
𝑍2 = (2𝑉) 2 𝑠𝑖𝑛 2𝜋𝑈
73
dimana 𝑉 berasal dari 𝑒𝑥𝑝(1) dan 𝑈2 = 𝑈. Mengikuti persamaan di atas

(2)
𝑍12 + 𝑍22 = 2𝑉
dan
𝑍1
= 𝑡𝑎𝑛 2𝜋𝑈.
𝑍2
Jacobian dari transformasi
𝜕𝑢 𝜕𝑢
−𝑧2 𝑐𝑜𝑠 2 2𝜋𝑢 𝑐𝑜𝑠 2 2𝜋𝑢
𝜕𝑧 𝜕𝑧2
𝐽 = | 𝜕𝑣1 𝜕𝑣
|=| 2𝜋𝑧12 2𝜋𝑧1 |
𝑧1 𝑧2
𝜕𝑧1 𝜕𝑧2
−𝑧2 𝑧1
1 1
= |4𝜋𝑣 4𝜋𝑣 | = − (𝑧12 + 𝑧22 ) = −
𝑧1 𝑧2 4𝜋𝑣 2𝜋
dan
𝑧12 +𝑧22
1 (− 2
)
𝑓𝑍1 𝑍2 (𝑧1 , 𝑧2 ) = 𝑓𝑈𝑉 (𝑢, 𝑣)|𝐽| = 𝑒 .
2𝜋
Formula terakhir ini merepresentasikan gabungan fungsi densitas dari

dua peubah normal standar yang saling bebas.
Algoritma 3.3
1) Bangkitkan dua peubah acak yang saling bebas 𝑈1 dan 𝑈2 dari
𝑈(0,1).
2) Hitung 𝑍1 bersamaan dengan mensubstitusi 𝑈1 dan 𝑈2 ke dalam
persamaan (1).
74
c. Distribusi Gamma
Peubah acak 𝑋 berdistribusi Gamma jika fungsi densitas peluangnya
adalah
−𝑥
𝑥 𝛾−1 𝑒 ⁄𝛽
𝑓(𝑥) = { 𝛽 𝛾 Γ(𝛾) , 0 ≤ 𝑥 ≤ ∞, 𝛾 > 0, 𝛽 > 0
0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
dan dinotasikan dengan 𝐺(𝛾, 𝛽). Catat bahwa untuk 𝛾 = 1, 𝐺(1, 𝛽) adalah
𝐸𝑥𝑝(𝛽). Fungsi densitas kumulatif untuk distribusi Gamma tidak ada
dalam bentuk eksplisit, maka metode Transformasi Invers tidak selalu
dapat diaplikasikan untuk membangkitkan peubah acak dari distribusi ini.
Oleh karena itu, diperlukan alternatif metode lain. Salah satu alternatif
metodenya akan dibahas pada tulisan ini.
Prosedur
Salah satu sifat paling penting dari distribusi gamma adalah sifat
reproduksi, yang dapat berhasil digunakan untuk pembangkitan Gamma.
Misalkan 𝑋𝑖, 𝑖 = 1,2, … , 𝑛 merupakan barisan dari peubah acak yang bebas
dari G(𝛾𝑖 , 𝛽) maka 𝑋 = ∑𝑛𝑖=1 𝑋𝑖 berasal dari G(𝛾, 𝛽) dimana 𝛾 = ∑𝑛𝑖=1 𝛾𝑖 .
Jika 𝛾 adalah sebuah bilangan bulat, misal 𝛾 = 𝑚 , sebuah peubah
variat dari distribusi Gamma G(𝑚, 𝛽) dapat diperoleh dengan
menjumlahkan 𝑚 variat eksponen acak yang bebas 𝐸𝑥𝑝(𝛽), yaitu
𝑚 𝑚
𝑋 = 𝛽∑ (−𝑙𝑛 𝑈𝑖 ) = − 𝛽 ln ∏ 𝑈𝑖
𝑖=1 𝑖=1
yang disebut dengan distribusi Erlang dan dinotasikan 𝐸𝑟(𝑚, 𝛽) .

Algoritma berikut mendeskipsikan cara membangkitkan peubah acak dari
𝐸𝑟(𝑚, 𝛽).
Algoritma 3.4
1) 𝑋 ← 0.
2) Bangkitkan 𝑉 dari 𝐸𝑥𝑝(1).
75
3) 𝑋 ← 𝑋 + 𝑉.
4) Jika 𝛾 = 1, 𝑋 ← 𝛽𝑋.
d. Distribusi Beta
Peubah acak 𝑋 berdistribusi Beta jika fungsi densitas peluangnya
adalah
Γ(𝛾 + 𝛽) 𝛾−1
𝑓(𝑥) = 𝑥 (1 − 𝑥)𝛽−1
Γ(𝛾)Γ(𝛽)
Dimana 𝛾 > 0, 𝛽 > 0, 0 ≤ 𝑥 ≤ 1 dan dinotasikan dengan 𝐵𝑒(𝛾, 𝛽).
Prosedur umum untuk membangkitkan peubah acak 𝐵𝑒(𝛾, 𝛽) adalah

dengan menggunakan fakta bahwa jika 𝑌1 ~ 𝐺(𝛾, 1), 𝑌2 ~ 𝐺(𝛽, 1) , dan
𝑌1 dan 𝑌2 adalah peubah acak yang bebas, maka
𝑌1
𝑋=
𝑌1 + 𝑌2
merupakan distribusi Beta (𝐵𝑒(𝛾, 𝛽)). Algoritma yang bersesuaian adalah

sebagai berikut.
Algoritma 3.5 (Bangkitan dari Peubah Acak Beta)

1) Bangkitkan 𝑌1 ~ 𝐺(𝛾, 1).
2) Bangkitkan 𝑌2 ~ 𝐺(𝛽, 1).
1 𝑌
3) Hitung 𝑋 = 𝑌 +𝑌 sebagai peubah acak dari 𝐵𝑒(𝛾, 𝛽).
1 2
BAB IV
KEKUATAN UJI NORMALITAS METODE SHAPIRO-WILK,

KOLMOGOROV-SMIRNOV, DAN ANDERSON-DARLING
A. Data Simulasi Monte Carlo

Pada Tugas Akhir ini, tingkat kekuatan untuk metode Kolmogorov-
Smirnov, Anderson-Darling, dan Shapiro-Wilk dalam menguji Normalitas
data akan dibandingkan dengan menggunakan empat macam distribusi,
dua tingkat signifikansi, dan delapan jenis ukuran sampel yang nantinya
pada setiap ukuran sampel juga akan dilakukan perulangan perhitungan
sebanyak 10.000 kali.
Data uji untuk berbagai distribusi dibangkitkan dengan algoritma
simulasi Monte Carlo. Dalam penulisan Tugas Akhir ini sampel dari
peubah acak dibangkitkan dari distribusi Normal dan beberapa distribusi
yang tidak Normal, yaitu distribusi Eksponensial, Gamma, dan Beta.
Distribusi Normal dan distribusi tidak Normal ini akan digunakan untuk
meguji ketiga metode Normalitas yang digunakan. Ukuran sampel dari
masing-masing distribusi, yaitu 𝑛 = 10, 20, 30, 50, 100, 200, 500, 1000 .
Dua tingkat signifikansi yang digunakan, yaitu 𝛼 = 1% dan 𝛼 = 5%
dipertimbangkan untuk menyelidiki pengaruh tingkat signifikansi pada
kekuatan setiap statitstik uji. Simulasi ini akan dikerjakan dengan
perangkat lunak R, dengan menggunakan rumusan hipotesis sebagai
berikut:
Pada akhir tulisan ini, diharapkan bahwa kesimpulan yang diperoleh
untuk data tidak berdistribusi Normal adalah menolak 𝐻0 padahal 𝐻0 salah
76
77
dan untuk data berdistribusi Normal adalah menerima 𝐻0 padahal 𝐻0

benar.
Kesimpulan Kenyataan
𝑯𝟎 benar 𝑯𝟎 salah
(𝑯𝟏 salah) (𝑯𝟏 benar)
Terima 𝑯𝟎 Keputusan benar Kesalahan tipe II
(1 − 𝛼) (𝛽)
Tolak 𝑯𝟎 Kesalahan tipe I Keputusan benar
(𝛼) (1 − 𝛽)
Harapannya 1 − 𝛼 dan 1 − 𝛽 akan menghasilkan nilai yang besar pada

setiap statistik uji. Nilai 1 − 𝛼 dan 1 − 𝛽 sebagai peluang mengambil
keputusan yang benar disebut kekuatan uji.
Berikut adalah langkah-langkah yang dilakukan dalam penelitian Tugas

Akhir ini untuk membandingkan kekuatan uji ketiga metode uji
Normalitas pada program R:
1. Membangkitkan sampel bilangan acak dari distribusi tidak Normal
(dan berdistribusi Normal) untuk ukuran sampel 𝑛 = 10 sebanyak
10.000 kali.
2. Menghitung statstik uji Shapiro-Wilk, Kolmogorov-Smirnov, dan
Anderson-Darling dari setiap sampel yang dibangkitkan.
3. Menentukan nilai 𝛼 = 0,01.
4. Pada sampel yang berdistribusi tidak Normal (misalnya distribusi
Eksponensial, Gamma, dan Beta), jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 pada setiap
statistik uji yang artinya menolak 𝐻0 atau data tidak berdistribusi
78
Normal. Demikian hal ini sesuai harapan bahwa distribusi tidak

Normal hasil pengujiannya juga tidak Normal. Untuk itu diberi skor 1.
(Untuk sampel dari data berdistribusi Normal, jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼
pada setiap statistik uji yang artinya menerima 𝐻0 atau data
berdistribusi Normal. Demikian hal ini sesuai harapan bahwa
distribusi Normal hasil pengujiannya juga Normal. Untuk itu diberi
skor 1).
5. Menghitung persentase 1 − 𝛽 pada data berdistribusi tidak Normal
banyaknya menolak 𝐻0 padahal 𝐻0 yang salah
𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 1 − 𝛽 = 100%.
10000
(Menghitung persentase 1 − 𝛼 pada data berdistribusi Normal

banyaknya menerima 𝐻0 padahal 𝐻0 yang benar
𝑝𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 1 − 𝛼 = 100%).
10000
6. Mengulangi langkah (1) sampai dengan (5) untuk 𝑛 = 20, 30, 50,
100, 200, 500, 1000.
7. Mengulangi langkah (1) sampai dengan (6) untuk 𝛼 = 0,05.
Berikut ini adalah Flowchart yang mengilustrasikan langkah-langkah di

atas untuk sampel data berdistribusi tidak Normal:
79
Mulai
Keterangan:
Masukkan n
dan  n=10,20,30,50,100,200,500,1000
=0,01 dan 0,05
Inisialisasi
Ho=count=0
countKS=0
countAD=0
countSW=0
Loop:
for (I in 1:10000)
Membangkitkan
bilangan acak
berdistribusi
eksponensial
Menghitung statistik uji

dengan ketiga metode uji
(KS, AD, SW)
Tidak
P-value<? Selesai
Ya
Count=count+1
Jika i=10000
Keluaran:
countKS, countAD, Selesai
countSW
80
B. Hasil Simulasi dan Perbandingan

Data uji untuk berbagai distribusi dibangkitkan dengan simulasi Monte
Carlo. Untuk setiap ukuran sampel, data akan diuji kenormalannya dengan
pengulangan sebanyak 10.000 kali. Hasil simulasi program yang
dijalankan dengan R menunjukkan banyaknya 𝐻0 yang ditolak untuk data
dari sampel berdistrisbusi tidak Normal dan banyaknya 𝐻0 yang diterima
untuk data dari sampel berdistribusi Normal.
1. Sampel Distribusi Eksponensial

Sampel berdistribusi Eksponensial dibangkitkan dengan
Algoritma 3.2 dengan 𝛽 = 1 . Hasil uji Normalitas pada metode
Kolmogorov-Smirnov (KS), Anderson-Darling (AD), dan Shapiro-
Wilk (SW) dengan 𝛼 = 1% dan 𝛼 = 5% berturut-turut dapat dilihat
pada Tabel 4.1 dan Tabel 4.2. List program untuk distribusi
Eksponensial dapat dilihat pada Lampiran 9 dan Lampiran 10.
Tabel 4.1 Hasil simulasi sampel berdistribusi Eksponensial dengan

𝛼 = 1%
𝒏 Metode Uji Kekuatan Uji ((𝟏 − 𝜷)%)
10 KS 0,01%
AD 20,32%
SW 23,01%
20 KS 0,23%
AD 56,3%
SW 62,41%
30 KS 1,06%
AD 81,60%
SW 87,40%
81
50 KS 7,98%
AD 98,22%
SW 99,49%
100 KS 56,51%
AD 100%
SW 100%
200 KS 99,91%
AD 100%
SW 100%
500 KS 100%
AD 100%
SW 100%
1000 KS 100%
AD 100%
SW 100%
Tabel 4.2 Hasil simulasi sampel berdistribusi Eksponensial dengan

𝛼 = 5%
10 KS 0,35%
AD 40,50%
SW 43,45%
20 KS 3,96%
AD 76,66%
SW 82,77%
30 KS 12,18%
AD 93,27%
SW 96,93%
82
50 KS 37,57%
AD 99,65%
SW 99,97%
100 KS 91,73%
AD 100%
SW 100%
200 KS 100%
AD 100%
SW 100%
500 KS 100%
AD 100%
SW 100%
1000 KS 100%
AD 100%
SW 100%
Hasil uji Normalitas dengan sampel berdistribusi Eksponensial pada

metode Kolmogorov-Smirnov (KS), Anderson-Darling (AD), dan
Shapiro-Wilk (SW) dengan 𝛼 = 1% dan 𝛼 = 5% pada Tabel 4.1 dan
Tabel 4.2 di atas diilustrasikan pada gambar berikut ini:
83
Hasil simulasi sampel berdistribusi

Eksponensial dengan α=0,01
Persentase Menolak Ho padahal Ho Salah

100
80
60
40
20
0
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.1 Persentase menolak 𝐻0 dari sampel berdistribusi

Eksponensial dengan 𝛼 = 1%

Eksponensial dengan α=0,05
Persentase Menolak Ho padahal Ho Salah
100
80
60
40
20
0
0 200 400 600 800 1000
n
KS AD SW

Eksponensial dengan 𝛼 = 5%
84
Dari Tabel 4.1 dan 4.2 serta Gambar 4.1 dan 4.2 dapat
disimpulkan sebagai berikut:
a. Pada pengujian dengan sampel berdistribusi Eksponensial terlihat
bahwa metode uji SW merupakan metode terkuat, kemudian
disusul oleh metode AD dan KS.
b. Metode AD dan SW memiliki kemiripan dalam menguji
Normalitas.
c. Ketiga metode uji memiliki kekuatan yang sama, pada saat ukuran
sampel semakin besar dan tingkat signifkansi yang besar.
2. Sampel Distribusi Normal

Sampel berdistribusi Normal dibangkitkan dengan Algoritma 3.3.
Hasil keluaran untuk bangkitan sampel dari Algoritma 3.3 adalah 𝑍1
dan 𝑍2 , penulis memilih satu dari keluaran tersebut, yaitu 𝑍1 yang
akan digunakan sebagai sampel untuk diuji. Hasil uji Normalitas pada
metode Kolmogorov-Smirnov (KS), Anderson-Darling (AD), dan
Shapiro-Wilk (SW) dengan 𝛼 = 1% dan 𝛼 = 5% berturut-turut dapat
dilihat pada Tabel 4.3 dan Tabel 4.4.
Tabel 4.3 Hasil simulasi sampel berdistribusi Normal dengan 𝛼 = 1%
𝒏 Metode Uji Kekuatan Uji ((𝟏 − 𝒂)%)
10 KS 100%
AD 99,01%
SW 99,00%
20 KS 100%
AD 99,09%
SW 99,02%
30 KS 100%
AD 99,03%
85
SW 99,00%
50 KS 100%
AD 99,00%
SW 99,00%
100 KS 100%
AD 99,04%
SW 99,05%
200 KS 100%
AD 99,12%
SW 98,96%
500 KS 100%
AD 99,07%
SW 99,06%
1000 KS 100%
AD 99,12%
SW 99,04%
Tabel 4.4 Hasil simulasi sampel berdistribusi Normal dengan 𝛼 = 5%

𝒏 Metode Uji Kekuatan Uji ((𝟏 − 𝒂)%)
10 KS 100%
AD 95,04%
SW 95,22%
20 KS 100%
AD 94,92%
SW 95,12%
30 KS 99,99%
AD 95,02%
SW 95,12%
86
50 KS 99,98%
AD 94,96%
SW 94,85%
100 KS 99,99%
AD 94,87%
SW 95,25%
200 KS 99,96%
AD 94,97%
SW 94,73%
500 KS 99,97%
AD 94,84%
SW 95,01%
1000 KS 100%
AD 95,20%
SW 95,05%
Hasil uji Normalitas dengan sampel berdistribusi Normal pada metode

Wilk (SW) dengan 𝛼 = 1% dan 𝛼 = 5% pada Tabel 4.3 dan Tabel
4.4 di atas diilustrasikan pada gambar berikut ini:
87
Hasil simulasi sampel berdistribusi Normal

dengan α=0,01
Persentase Menerima Ho pada Ho yang Benar

100
99.5
99
98.5
98
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.3 Persentase menerima 𝐻0 dari sampel berdistribusi

Normal dengan 𝛼 = 1%
Hasil simulasi berdistribusi Normal dengan

sampel α=0,05
Persentase Menerima Ho pada Ho yang Benar
100
99
98
97
96
95
94
93
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.4 Persentase menerima 𝐻0 dari sampel berdistribusi

Normal dengan 𝛼 = 5%
88
a. Pada pengujian dengan sampel berdistribusi Normal terlihat bahwa
metode uji KS merupakan metode terkuat, kemudian disusul oleh
metode AD dan SW.
Normalitas.
c. Ketiga metode uji akan semakin kuat pada tingkat signifikansi
yang kecil.
3. Sampel Distribusi Gamma

Sampel berdistribusi Gamma dibangkitkan dengan Algoritma 3.4
dengan 𝛾 = 1 dan 𝛽 = 5. Hasil uji Normalitas pada metode
Wilk (SW) dengan 𝛼 = 1% dan 𝛼 = 5% berturut-turut dapat dilihat
pada Tabel 4.5 dan Tabel 4.6. List program untuk distribusi Gamma
dapat dilihat pada Lampiran 13 dan Lampiran 14.
Tabel 4.5 Hasil simulasi sampel berdistribusi Gamma dengan 𝛼 = 1%

10 KS 0%
AD 21,2%
SW 23,87%
20 KS 0,21%
AD 57,02%
SW 62,46%
30 KS 1,28%
AD 81,45%
89
SW 86,99%
50 KS 8,98%
AD 98,19%
SW 99,45%
100 KS 56,52%
AD 100%
SW 100%
200 KS 99,89%
AD 100%
SW 100%
500 KS 100%
AD 100%
SW 100%
1000 KS 100%
AD 100%
SW 100%
Tabel 4.6 Hasil simulasi sampel berdistribusi Gamma dengan 𝛼 = 5%

10 KS 0,37%
AD 41,2%
SW 44,37%
20 KS 3,92%
AD 77,47%
SW 83,37%
30 KS 11,18%
AD 93,49%
SW 97,04%
90
50 KS 37,06%
AD 99,70%
SW 99,95%
100 KS 91,69%
AD 100%
SW 100%
200 KS 100%
AD 100%
SW 100%
500 KS 100%
AD 100%
SW 100%
1000 KS 100%
AD 100%
SW 100%
Hasil uji Normalitas dengan sampel berdistribusi Gamma pada metode

91

Gamma dengan α=0,01
Persentase Menolak Ho pada Ho yang

100
80
60
Salah
40
20
0
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.5 Persentase menolak 𝐻0 dari sampel berdistribusi Gamma

dengan 𝛼 = 1%

Gamma dengan α=0,05
100
80
60
Salah
40
20
0
0 200 400 600 800 1000
n
KS AD SW

Gamma dengan 𝛼 = 5%
92
a. Pada pengujian dengan sampel berdistribusi Gamma terlihat
bahwa metode uji SW merupakan metode terkuat, kemudian
disusul oleh metode AD dan KS.
Normalitas.
c. Ketiga metode uji semakin kuat, pada saat ukuran sampel semakin
besar dan tingkat signifkansi yang besar. Hal ini sesuai dengan
Teorema Limit Pusat di mana barisan peubah acak yang saling
bebas dan berdistribusi identik akan konvergen ke distribusi
Normal pada sampel yang sangat besar.
d. Secara khusus, metode KS berkekuatan rendah pada sampel-
sampel yang berukuran kecil (di bawah 100).
4. Sampel Distribusi Beta

Sampel berdistribusi Beta dibangkitkan dengan Algoritma 3.5 dengan
𝛾 = 1 dan 𝛽 = 5 . Hasil uji Normalitas pada metode Kolmogorov-
Smirnov (KS), Anderson-Darling (AD), dan Shapiro-Wilk (SW)
dengan 𝛼 = 1% dan 𝛼 = 5% berturut-turut dapat dilihat pada Tabel
4.7 dan Tabel 4.8. List program untuk distribusi Beta dapat dilihat
pada Lampiran 15 dan Lampiran 16.
Tabel 4.7 Hasil simulasi sampel berdistribusi Beta dengan 𝛼 = 1%

10 KS 0%
AD 1,27%
SW 1,08%
93
20 KS 0%
AD 3,84%
SW 2,90%
30 KS 0%
AD 9,44%
SW 9,47%
50 KS 0,01%
AD 27,12%
SW 35,63%
100 KS 0,01%
AD 78,40%
SW 94,39%
200 KS 0,49%
AD 99,87%
SW 100%
500 KS 42,42%
AD 100%
SW 100%
1000 KS 99,87%
AD 100%
SW 100%
Tabel 4.8 Hasil simulasi sampel berdistribusi Beta dengan 𝛼 = 5%

10 KS 0%
AD 8,08%
SW 8,38%
20 KS 0,01%
94
AD 17,37%
SW 19,83%
30 KS 0,03%
AD 29,97%
SW 38,64%
50 KS 0,14%
AD 58,06%
SW 74,95%
100 KS 1,03%
AD 95,09%
SW 99,64%
200 KS 11,66%
AD 100%
SW 100%
500 KS 92,71%
AD 100%
SW 100%
1000 KS 100%
AD 100%
SW 100%
Hasil uji Normalitas dengan sampel berdistribusi Beta pada metode

95
Hasil simulasi sampel berdistribusi Beta

dengan α=0,01

100
80
60
40
Salah 20
0
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.7 Persentase menolak 𝐻0 dari sampel berdistribusi Beta

dengan 𝛼 = 1%

Beta dengan α=0,05
100
80
60
Salah
40
20
0
0 200 400 600 800 1000
n
KS AD SW
Gambar 4.8 Persentase menolak 𝐻0 dari sampel berdistribusi Beta

dengan 𝛼 = 5%
96
a. Pada pengujian di atas terlihat bahwa metode uji SW merupakan
metode terkuat, kemudian disusul oleh metode AD dan KS.
b. Metode AD dan SW memiliki kemiripan hasil dalam Normalitas.
c. Ketiga metode uji semakin kuat, pada saat ukuran sampel semakin
besar dan tingkat signifikansi yang besar.
d. Secara khusus, metode KS berkekuatan rendah pada sampel-
sampel yang berukuran kecil (di bawah 500).
Dari hasil simulasi dengan berbagai ukuran sampel dan berbagai

distribusi tidak Normal dapat disimpulkan bahwa urutan kekuatan uji
berturut-turut adalah SW, AD, dan KS. Hasil ini sesuai dengan
kesimpulan yang dibuat oleh Razali & Wah (2011). Hasil tersebut juga
menjelaskan bahwa pada ukuran sampel yang semakin besar dan tingkat
signifikansi yang besar kekuatan uji ketiga metode tersebut sama.
Untuk sampel berdistribusi Normal disimpulkan bahwa urutan
kekuatan uji berturut-turut adalah KS, AD, dan SW. Hasil simulasi diatas
juga menjelaskan bahwa ketiga metode uji akan semakin kuat pada
tingkat signifikansi yang kecil.
Kesimpulan akhir yang diperoleh dari simulasi ketiga metode ini
adalah:
1. Tingkat signifikansi tidak mempengaruhi urutan kekuatan uji
2. Untuk sampel berukuran kecil, KS paling lemah dibandingkan SW
dan AD.
3. Metode KS merupakan metode yang paling kuat untuk data dari
sampel berdistribusi tidak Normal dan metode SW yang paling kuat
untuk data dari sampel berdistribusi Normal.
4. AD dan SW memiliki kekuatan yang relatif sama.
BAB V
PENUTUP
A. Kesimpulan
Dari hasil pembahasan pada Bab IV untuk data dari sampel berdistribusi tidak
Normal diperoleh kesimpulan sebagai berikut:
1. Tingkat kekuatan uji Normalitas berturut-turut, yaitu metode Shapiro-Wilk
(SW), Anderson-Darling (AD), dan Kolmogorov-Smirnov (KS).
2. Tingkat kekuatan uji akan semakin baik saat ukuran sampel membesar dan
tingkat signifikansi yang besar.
Untuk data dari sampel berdistribusi Normal diperoleh kesimpulan sebagai berikut:
1. Tingkat kekuatan uji Normalitas berturut-turut, yaitu metode Kolmogorov-

Smirnov (KS), Anderson-Darling (AD), dan Shapiro-Wilk (SW).
2. Tingkat kekuatan uji akan semakin baik saat tingkat signifikansi yang kecil.
Kesimpulan akhir yang diperoleh dari simulasi ketiga metode ini adalah:
1. Tingkat signifikansi tidak mempengaruhi urutan kekuatan uji

2. Untuk sampel berukuran kecil, KS paling lemah dibandingkan SW dan AD.
3. Metode AD dan SW memiliki kekuatan yang relatif sama.
B. Saran
Dalam pengujian hipotesis apakah data berasal dari populasi distribusi Normal
atau tidak, disarankan pengguna menggunakan metode SW karena metode ini
bekerja baik untuk sampel dari populasi yang berdistribusi Normal atau tidak
Normal.
97
DAFTAR PUSTAKA
Anderson, T. W. and Darling, D. A. (1954). A Test of Goodness of Fit. Journal of the

American Statistical Association, 49(268), 765-769.
Kellison, S. G. and London, R. L. (2011). Risk Models and Their Estimation. New
Hartford: ACTEX Publications.
Lloyd, E. H. (1952). Least-Squares Estimation of Location and Scale Parameters Using

Order Statistics. Biometrika, 39(01-02), 88-95.
Massey, F. J. (1951). The Kolmogorov-Smirnov Test for Goodness of Fit. Journal of

the American Statistical Association, 46(253), 68-78.
Mathews, W. G. and Hirsch, D. O. (1991). Adventures of a Mathematician. Berkeley:

University of California Press.
Melbourne, D. A. (2014). A New Method For Testing Normality Based Upon A

Characterization Of The Normal Distribution. Thesis.
Putranto, L. S. (2017). Statisitka dan Probabilitas. Jakarta: PT. Indeks.
Qudratullah, M. F. (2014). Statistika Terapan: Teori, Contoh Kasus, dan Aplikasi

dengan SPSS. Yogayakarta: Penerbit Andi.
Razali, N. M. and Wah, Y. B. (2011). Power Comparison of Shapiro-Wilk,

Kolmogorov-Smirnov, Lilliefors, and Anderson-Darling tests. Journal of
Statistical Modeling and Analytics, 2(01), 21-33.
98
99
Rubinstein, R. Y. (1981). Simulation and the Monte Carlo Method. Hoboken: John
Wiley & Sons, Inc.
Rubinstein, R. Y. and Kroese, D. P. (2008). Simulation and the Monte Carlo Method
(Second Edition). Hoboken: John Wiley & Sons, Inc.
Shapiro, S. S. and Wilk, M. B. (1965). An Analysis of Variance Test for Normality

(Complete Samples). Biometrika, 52(03-04), 591-611.
Spiegel, M. R., Schiller, J. J., Srinivasan, R. A. (2004). Probabilitas dan Statistik (Edisi
Kedua). Jakarta: Penerbit Erlangga.
Supatmono, FX, C. (2011). Uji Hipotesis: Tinjauan Teoritis dan Aplikasinya Pada
Rata-Rata Populasi. Skripsi.
Wackerly, D. D., Mendenhall, W., Scheaffer, R. L. (2008). Mathematical Statistics

with Applications (Seventh Edition). Belmont: Thomson Learning, Inc.
Walpole, R. E., Myers, R. H., Myers, S. L., and Ye, K. (2012). Probability & Statistics
for Engineers & Scientists (Ninth Edition). Boston: Pearson Education, Inc.
LAMPIRAN
Lampiran 1. Tabel luas kurva Normal
100
101
Lampiran 2. List program Gambar 3.1 Ilustrasi statistik uji 𝐷 Kolmogorov-Smirnov

> Fox=rnorm(10000,10,5)
> Fnx=rnorm(10000,8,5)
> group <- c(rep("Fo(x)", length(Fox)), rep("Fn(x)", length(Fnx)))
> dat <- data.frame(KSD = c(Fox,Fnx), group = group)
> cdf1 <- ecdf(Fox)
102
> cdf2 <- ecdf(Fnx)

> minMax <- seq(min(Fox,Fnx), max(Fox,Fnx), length.out=length(Fox))
> x0 <- minMax[which( abs(cdf1(minMax) - cdf2(minMax)) == max(abs(cdf1(minM
ax) - cdf2(minMax))) )]
> y0 <- cdf1(x0)
> y1 <- cdf2(x0)
> plot(cdf1, verticals=TRUE, do.points=FALSE, col="blue")
> plot(cdf2, verticals=TRUE, do.points=FALSE, col="black", add=TRUE)
> points(c(x0, x0), c(y0, y1), pch=16, col="red")
> segments(x0, y0, x0, y1, col="red", lty="dotted")
> legend(20, 0.2, legend=c("Fo(X)", "Fn(X)"), col=c("blue", "black"), lty=1, cex=0.8)
103
Lampiran 3. D-tabel
104
Lampiran 4. List program Contoh 3.1

> data<-read.csv(file.choose(), header=T)
> data
Usia
1 71
2 80
3 69
4 62
5 64
6 80
7 75
8 76
9 62
10 78
11 65
12 80
13 65
14 61
15 64
16 76
17 78
18 67
19 77
20 77
21 69
22 72
23 71
24 74
25 74
105
26 64
27 77
28 68
29 73
30 71
> attach(data)
> ks.test(Usia, "pnorm", mean=mean(Usia), sd=sd(Usia))
One-sample Kolmogorov-Smirnov test
data: Usia
D = 0.12054, p-value = 0.776
alternative hypothesis: two-sided

> data
Usia
1 71
2 80
3 69
4 62
5 64
6 80
7 75
8 76
9 62
10 78
11 65
106
12 80
13 65
14 61
15 64
16 76
17 78
18 67
19 77
20 77
21 69
22 72
23 71
24 74
25 74
26 64
27 77
28 68
29 73
30 71
> attach(data)
> ad.test(Usia)
Anderson-Darling normality test
data: Usia
A = 0.57589, p-value = 0.1228
107
Lampiran 6. Tabel koefisien 𝑎𝑛−𝑖+1

108
109
Lampiran 7. W-tabel
110

> data
Usia
1 71
2 80
3 69
4 62
5 64
6 80
7 75
8 76
9 62
10 78
11 65
12 80
13 65
14 61
15 64
16 76
17 78
18 67
19 77
20 77
21 69
22 72
23 71
24 74
25 74
111
26 64
27 77
28 68
29 73
30 71
> attach(data)
> shapiro.test(Usia)
Shapiro-Wilk normality test
data: Usia
W = 0.93594, p-value = 0.07074
Lampiran 9. List program simulasi sampel berdistribusi Eksponensial dengan

𝛼 = 1%
Untuk 𝑛 = 10
> DE<-function(n)
+ {
+ U=runif(n)
+ x=-log(U)
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.01
> for (i in 1:10000)
+ {
+ A=DE(n)
+ AD=ad.test(A)
+ SW=shapiro.test(A)
+ KS=ks.test(A, "pnorm", mean=mean(A), sd=sd(A))
+
112
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
> print(c(countKS, countAD, countSW))
[1] 1 2032 2301
Untuk 𝑛 = 20
[1] 23 5630 6241
Untuk 𝑛 = 30
[1] 106 8160 8740
Untuk 𝑛 = 50
[1] 798 9822 9949
Untuk 𝑛 = 100
[1] 5651 10000 10000
Untuk 𝑛 = 200
[1] 9991 10000 10000
113
Untuk 𝑛 = 500
[1] 10000 10000 10000
Untuk 𝑛 = 1000
[1] 10000 10000 10000
Lampiran 10. List program simulasi sampel berdistribusi Eksponensial dengan

𝛼 = 5%
Untuk 𝑛 = 10
> DE<-function(n)
+ {
+ U=runif(n)
+ x=-log(U)
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.05
> for (i in 1:10000)
+ {
+ A=DE(n)
+ AD=ad.test(A)
+
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
114
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 35 4050 4345
Untuk 𝑛 = 20
[1] 396 7666 8277
Untuk 𝑛 = 30
[1] 1218 9327 9693
Untuk 𝑛 = 50
[1] 3757 9965 9997
Untuk 𝑛 = 100
[1] 9173 10000 10000
Untuk 𝑛 = 200
[1] 10000 10000 10000
Untuk 𝑛 = 500
[1] 10000 10000 10000
115
Untuk 𝑛 = 1000
[1] 10000 10000 10000
Lampiran 11. List program simulasi sampel berdistribusi Normal dengan 𝛼 = 1%

Untuk 𝑛 = 10
> DN<-function(n)
+ {
+ U1=runif(n)
+ U2=runif(n)
+ Z1=((-2*log(U1))^(1/2))*cos(2*pi*U2)
+
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.01
> for (i in 1:10000)
+ {
+ A=DN(n)
+ AD=ad.test(A)
+
+ if(KS[2]>alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]>alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]>alpha){
+ countSW=countSW+1
116
+ }
+
+ }
>
[1] 10000 9901 9900
Untuk 𝑛 = 20
[1] 10000 9909 9902
Untuk 𝑛 = 30
[1] 10000 9903 9900
Untuk 𝑛 = 50
[1] 10000 9900 9900
Untuk 𝑛 = 100
[1] 10000 9904 9905
Untuk 𝑛 = 200
[1] 10000 9912 9896
Untuk 𝑛 = 500
[1] 10000 9907 9906
Untuk 𝑛 = 1000
[1] 10000 9912 9904
117
Lampiran 12. List program simulasi sampel berdistribusi Normal dengan 𝛼 = 5%

Untuk 𝑛 = 10
> DN<-function(n)
+ {
+ U1=runif(n)
+ U2=runif(n)
+ Z1=((-2*log(U1))^(1/2))*cos(2*pi*U2)
+
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.05
> for (i in 1:10000)
+ {
+ A=DN(n)
+ AD=ad.test(A)
+
+ if(KS[2]>alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]>alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]>alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 10000 9504 9522
118
Untuk 𝑛 = 20
[1] 10000 9492 9512
Untuk 𝑛 = 30
[1] 9999 9502 9512
Untuk 𝑛 = 50
[1] 9998 9496 9485
Untuk 𝑛 = 100
[1] 9999 9487 9525
Untuk 𝑛 = 200
[1] 9996 9497 9473
Untuk 𝑛 = 500
[1] 9997 9484 9501
Untuk 𝑛 = 1000
[1] 10000 9520 9505
Lampiran 13. List program simulasi sampel berdistribusi Gamma dengan 𝛼 = 1%

Untuk 𝑛 = 10
> a=1
119
> b=5
> DG<-function(n,a,b)
+ {
+ X=0
+ U=runif(n)
+ V=-log(U)
+ X=X+V
+ X=b*X
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.01
> for (i in 1:10000)
+ {
+ A=DG(n,a,b)
+ AD=ad.test(A)
+
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 0 2120 2387
Untuk 𝑛 = 20
[1] 21 5702 6246
120
Untuk 𝑛 = 30
[1] 128 8145 8699
Untuk 𝑛 = 50
[1] 898 9819 9945
Untuk 𝑛 = 100
[1] 5652 10000 10000
Untuk 𝑛 = 200
[1] 9989 10000 10000
Untuk 𝑛 = 500
[1] 10000 10000 10000
Untuk 𝑛 = 1000
[1] 10000 10000 10000
Lampiran 14. List program simulasi sampel berdistribusi Gamma dengan 𝛼 = 5%

Untuk 𝑛 = 10
> a=1
> b=5
> DG<-function(n,a,b)
+ {
+ X=0
+ U=runif(n)
+ V=-log(U)
+ X=X+V
121
+ X=b*X
+ }
> n=0
> countKS=0
> countAD=0
> countSW=0
> alpha=0.05
> for (i in 1:10000)
+ {
+ A=DG(n,a,b)
+ AD=ad.test(A)
+
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 37 4120 4437
Untuk 𝑛 = 20
[1] 392 7747 8337
Untuk 𝑛 = 30
[1] 1118 9349 9704
Untuk 𝑛 = 50
122

[1] 3706 9970 9995
Untuk 𝑛 = 100
[1] 9169 10000 10000
Untuk 𝑛 = 200
[1] 10000 10000 10000
Untuk 𝑛 = 500
[1] 10000 10000 10000
Untuk 𝑛 = 1000
[1] 10000 10000 10000
Lampiran 15. List program simulasi sampel berdistribusi Beta dengan 𝛼 = 1%

Untuk 𝑛 = 10
> a=1
> b=5
> DB<-function(n,a,b)
+ {
+ Y1=DG(n,a,1)
+ Y2=DG(n,b,1)
+ X= Y1/(Y1+Y2)
+ X
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.01
> for (i in 1:10000)
+ {
+ A=DB(n,a,b)
123

+ AD=ad.test(A)
+
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 0 127 108
Untuk 𝑛 = 20
[1] 0 384 290
Untuk 𝑛 = 30
[1] 0 944 947
Untuk 𝑛 = 50
[1] 1 2712 3563
Untuk 𝑛 = 100
[1] 1 7840 9439
Untuk 𝑛 = 200
124
[1] 49 9987 10000

Untuk 𝑛 = 500
[1] 4242 10000 10000
Untuk 𝑛 = 1000
[1] 9987 10000 10000
Lampiran 16. List program simulasi sampel berdistribusi Beta dengan 𝛼 = 5%

Untuk 𝑛 = 10
> a=1
> b=5
> DB<-function(n,a,b)
+ {
+ Y1=DG(n,a,1)
+ Y2=DG(n,b,1)
+ X= Y1/(Y1+Y2)
+ X
+ }
> n=10
> countKS=0
> countAD=0
> countSW=0
> alpha=0.05
> for (i in 1:10000)
+ {
+ A=DB(n,a,b)
+ AD=ad.test(A)
+
+ if(KS[2]<alpha){
+ countKS=countKS+1
+ }
+ if(AD[2]<alpha){
+ countAD=countAD+1
+ }
125
+ if(SW[2]<alpha){
+ countSW=countSW+1
+ }
+
+ }
>
[1] 0 808 838
Untuk 𝑛 = 20
[1] 1 1737 1983
Untuk 𝑛 = 30
[1] 3 2997 3864
Untuk 𝑛 = 50
[1] 14 5806 7495
Untuk 𝑛 = 100
[1] 103 9509 9964
Untuk 𝑛 = 200
[1] 1166 10000 10000
Untuk 𝑛 = 500
[1] 9271 10000 10000
Untuk 𝑛 = 1000
[1] 10000 10000 10000
126

Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Full

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PERBANDINGAN KEKUATAN UJI

Rika Dwiana Putri

PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

POWER TEST COMPARISON OF KOLMOGOROV-SMIRNOV, ANDERSON-

Presented as a Partial Fulfillment of Requirements

Rika Dwiana Putri

Student Number: 163114009

MATHEMATICS STUDY PROGRAM, DEPARTMENT OF MATHEMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

Karya ini kupersembahkan untuk:

Kemuliaan Tuhan, Tiratana, kedua orangtua dan keluargaku, serta almamaterku.

Distribusi Normal merupakan distribusi peluang kontinu yang paling populer

Kata kunci: Distribusi Normal, Uji Normalitas, Kolmogorov-Smirnov, Anderson-

The Normal distribution is the most popular continuous probability

The author concludes in the case of samples drawn from nonnormal

Keywords: Normal Distribution, Normality Test, Kolmogorov-Smirnov, Anderson-

HALAMAN PERSETUJUAN PEMBIMBING iii

HALAMAN PERNYATAAN KEASLIAN KARYA v

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI vi

HALAMAN PERSEMBAHAN vii

KATA PENGANTAR viii

DAFTAR ISI xii

D. Teorema Limit Pusat 29

𝜎 merupakan standar deviasi populasi (𝜎 > 0)

Gambar 1. Kurva Distribusi Normal

A. Peubah Acak dan Distribusi Peluang

Definisi 2.1.1 Peubah Acak

Gambar 2.1 Ilustrasi untuk Contoh 2.1

Definisi 2.1.2 Peubah Acak Diskrit dan Kontinu

Definisi 2.1.3 Distribusi Peluang Diskrit

Sifat-Sifat Distribusi Peluang Diskrit

Definisi 2.1.4 Distribusi Peluang Kumulatif Diskrit

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑝(𝑡) , −∞ < 𝑥 < ∞

Definisi 2.1.5 Distribusi Peluang Kontinu (Fungsi Densitas)

Definisi 2.1.6 Distribusi Peluang Kumulatif Kontinu

Definisi 2.1.7 Fungsi Peluang Gabungan

Definisi 2.1.8 Fungsi Peluang Gabungan Diskrit

Definisi 2.1.9 Fungsi Densitas Gabungan

Untuk setiap wilayah 𝐴 pada bidang 𝑥𝑦, 𝑃[(𝑥, 𝑦) ∈ 𝐴] = ∫ ∫𝐴 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦

Definisi 2.1.10 Fungsi Peluang Marginal

Definisi 2.1.11 Peubah Acak Saling Bebas

b. Tentukan apakah peubah acak 𝑋 dan 𝑌 saling bebas.

Perhatikan bahwa peluang berjumlah 1. Akan semakin jelas distribusi peluang

(𝑥3) (𝑦2) (2−𝑥−𝑦

B. Karakteristik Distribusi Peluang

Definisi 2.2.1 Nilai Harapan

∑ 𝑥 𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

𝐸(𝑎) = ∑ 𝑎 𝑝(𝑥) = 𝑎 ∑ 𝑝(𝑥) = 𝑎. 1 = 𝑎

Untuk peubah acak kontinu

𝐸(𝑎𝑋) = ∑ 𝑎𝑥 𝑝(𝑥) = 𝑎 ∑ 𝑥 𝑝(𝑥) = 𝑎 𝐸(𝑋)

Untuk peubah acak kontinu

𝐸(𝑎𝑋 ± 𝑏) = ∑(𝑎𝑥 ± 𝑏) 𝑝(𝑥) = ∑(𝑎𝑥 𝑝(𝑥) ± 𝑏 𝑝(𝑥))

Untuk peubah acak kontinu

∑ 𝑔(𝑥) 𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

Definisi 2.2.3 Variansi

∑ 𝑥 2 𝑝(𝑥) = ∑ 𝑔(𝑥)𝑝(𝑥) , 𝑏𝑖𝑙𝑎 𝑋 𝑑𝑖𝑠𝑘𝑟𝑖𝑡

Untuk peubah acak kontinu

= ((−1)2 . 0,4) + (02 . 0,2) + (12 . 0,3) + (22 . 0,1)

Gambar 2.2 Kurva Distribusi Normal