Kelompok 44 - Laporan Praktikum TP ACC Modul 3

LAPORAN PRAKTIKUM TEORI PROBABILITAS
MODUL 3
DISTRIBUSI STATISTIK
Disusun Oleh:
Kelompok 44
1. Faradina Rizka Alvioni 21070120120007

2. Grace Ainone Sinaga 21070120120016
3. Moh. Bagas Maulana 21070120120018
4. Muhammad Yusufa Riyan F. 21070120130086
5. Daffa Adhimas Nuryawan 21070120140074
DEPARTEMEN TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2021
LEMBAR PENGESAHAN
LAPORAN PRAKTIKUM TEORI PROBABILITAS
MODUL 3
DISTRIBUSI STATISTIK
Semarang, 21 September 2021
Asisten,
I Dewa Putu Aditya

NIM. 21070119130112
Mengetahui,
Koordinator Praktikum
Tiffany Eka Pridayanti

NIM. 21070119130096
ii
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas berkat
dan karunia-Nya, kami dapat menyelesaikan laporan yang berjudul “Laporan Praktikum
Teori Probabilitas Modul 3 Distribusi Statistik” tepat pada waktunya. Adapun tujuan dari
penulisan laporan ini adalah untuk memenuhi penugasan mata kuliah Praktikum Teori
Probabilitas. Selain itu, kami juga berharap nantinya laporan ini dapat memberikan
manfaat bagi pembaca, khususnya mahasiswa Teknik Industri.
Dalam penyusunannya, kami mengucapkan terimakasih kepada dosen mata
kuliah Teori Probabilitas kami yaitu Prof. Dr. Aries Susanty, S.T., M.T. yang telah
mengajari kami tentang teori probabilitas sehingga kami bisa membuat laporan ini.
Ucapan terima kasih juga tidak lupa kami sampaikan kepada asisten-asisten Laboratorium
Optimasi dan Perencanaan Sistem Industri (OPSI), khususnya Kak I Dewa Putu Aditya
yang telah membimbing kami selama praktikum dengan sabar dan mendidik sehingga
kami dapat menyelesaikan Laporan Modul 3 ini dengan baik. Semoga semua yang telah
dilakukan dapat memberikan manfaat untuk melangkah ke arah yang lebih baik lagi.
Meskipun telah berusaha menyelesaikan laporan ini dengan sebaik mungkin, kami
menyadari bahwa laporan ini masih terdapat beberapa kekurangan. Oleh karena itu, kami
mengharapkan kritik dan saran yang membangun dari para pembaca guna
menyempurnakan segala kekurangan dalam laporan ini. Akhir kata, kami berharap
semoga laporan ini dapat diterima dengan baik dan dapat berguna bagi pihak-pihak lain
yang berkaitan.
Semarang, 21 September 2021
Kelompok 44
iii
DAFTAR ISI
KATA PENGANTAR .............................................................................................. iii
DAFTAR ISI .............................................................................................................. iv
DAFTAR TABEL ...................................................................................................... vii
DAFTAR GAMBAR ................................................................................................. viii
BAB I PENDAHULUAN .......................................................................................... 1
1.1 Latar Belakang ............................................................................................. 1

1.2 Tujuan Penulisan .......................................................................................... 2
1.3 Batasan Penelitian ........................................................................................ 2
1.4 Sistematika Penulisan .................................................................................. 3
BAB II TINJAUAN PUSTAKA................................................................................ 5
2.1 Parameter Statistik ....................................................................................... 5

2.2 Distribusi Statistik........................................................................................ 8
2.2.1 Distribusi Diskrit ......................................................................................... 9
2.2.1.1 Jenis-Jenis Distribusi Statistik ..................................................................... 9
2.2.2 Distribusi Kontinu........................................................................................ 15
2.2.2.1 Jenis-Jenis Dsitribusi Kontinu ..................................................................... 15
2.2.3 Perbedaan Distribusi Diskrit dan Kontinu ................................................... 20
2.3 Uji Goodness of Fit ...................................................................................... 23
2.3.1 Macam-Macam Uji Goodness of Fit............................................................ 24
2.4 Software EasyFit .......................................................................................... 29
BAB III METODE PRAKTIKUM ............................................................................ 35
3.1 Flowchart ..................................................................................................... 35

3.2 Penjelasan Flowchart ................................................................................... 36
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ..................................... 37
iv
4.1 Pengumpulan Data ....................................................................................... 37
4.1.1 Data Diskrit .................................................................................................. 37
4.1.2 Data Kontinu ................................................................................................ 39
4.2 Output Distribusi Statistik Data Diskrit dengan Software EasyFit .............. 42
4.2.1 Distribusi Uniform Diskrit ........................................................................... 42
4.2.2 Distribusi Geometrik .................................................................................... 42
4.2.3 Distribusi Poisson ........................................................................................ 43
4.2.4 Rekap Data Diskrit Parameter Distribusi ..................................................... 43
4.3 Output Distribusi Statistik Data Kontinu dengan Software EasyFit ............ 44
4.3.1 Distribusi Uniform Kontinu ......................................................................... 44
4.3.2 Distribusi Normal......................................................................................... 44
4.3.3 Distribusi Gamma ........................................................................................ 45
4.3.4 Distribusi Erlang .......................................................................................... 45
4.3.5 Distribusi Eksponensial ............................................................................... 46
4.3.6 Distribusi Weilbull ....................................................................................... 46
4.3.7 Distribusi Beta ............................................................................................. 47
4.3.8 Distribusi Lognormal ................................................................................... 47
4.3.9 Rekap Data Kontinu Parameter Distribusi ................................................... 48
4.4 Uji Goodness of Fit ...................................................................................... 49
4.4.1 Perhitungan Manual ..................................................................................... 49
4.4.2 Output Software ........................................................................................... 55
4.4.3 Rekap Uji Goodness of Fit........................................................................... 57
BAB V ANALISIS .................................................................................................... 59
5.1 Analisis Parameter Distribusi Diskrit .......................................................... 59

5.2 Analisis Parameter Distribusi Kontinu ........................................................ 60
5.3 Analisis Hasil Perhitungan Uji Goodness of Fit .......................................... 62
BAB VI KESIMPULAN DAN SARAN ................................................................... 64
6.1 Kesimpulan .................................................................................................. 64

6.2 Saran ............................................................................................................ 65
v
DAFTAR PUSTAKA
LAMPIRAN
vi
DAFTAR TABEL
Tabel 2.1 Distribusi Statistik ...................................................................................... 10

Tabel 2.2 Distribusi Kontinu ...................................................................................... 16
Tabel 2.3 Perbedaan Distribusi Diskrit dan Kontinu ................................................. 21
Tabel 4.1 Data Diskrit ................................................................................................ 37
Tabel 4.2 Data Kontinu .............................................................................................. 39
Tabel 4.3 Rekap Data Diskrit Parameter Distribusi ................................................... 43
Tabel 4.4 Rekap Data Kontinu Parameter Distribusi ................................................. 48
Tabel 4.5 Hasil Perhitungan Manual Uji Kolmogorov-Smirnov ............................... 50
Tabel 4.6 Tabel Dsitribusi Frekuensi ......................................................................... 53
Tabel 4.7 Tabel Peluang Frekuensi Harapan ............................................................. 54
Tabel 4.8 Tabel Frekuensi Harapan dan Objektif ...................................................... 55
Tabel 4.9 Rekapa Uji Kolmogorov-Smirnov ............................................................. 57
Tabel 4.10 Rekap Uji Chi-Square .............................................................................. 57
vii
DAFTAR GAMBAR
Gambar 2.1 Location Parameter ............................................................................... 6

Gambar 2.2 Scale Parameter ..................................................................................... 7
Gambar 2.3 Shape Parameter .................................................................................... 8
Gambar 2.4 Tampilan Worksheet EasyFit ................................................................. 29
Gambar 2.5 Menu Analyze ........................................................................................ 30
Gambar 2.6 Tampilan Data yang Diolah ................................................................... 31
Gambar 2.7 Output EasyFit (Goodness of Fit) .......................................................... 32
Gambar 2.8 Tampilan Goodness of Fit Distribusi Gamma ....................................... 33
Gambar 2.9 Icon Grafik (Stat Assist)......................................................................... 34
Gambar 2.10 Tampilan Stat Assist ............................................................................ 34
Gambar 3.1 Flowchart Metode Penelitian ................................................................. 36
Gambar 4.1 Output Grafik Distribusi Uniform Diskrit.............................................. 42
Gambar 4.2 Output Grafik Distribusi Geometrik ...................................................... 42
Gambar 4.3 Output Grafik Distribusi Poisson Diskrit ............................................... 43
Gambar 4.4 Output Software EasyFit Distribusi Uniform Kontinu .......................... 44
Gambar 4.5 Output Software EasyFit Distribusi Normal .......................................... 44
Gambar 4.6 Output Software EasyFit Distribusi Gamma .......................................... 45
Gambar 4.7 Output Software EasyFit Distribusi Erlang ............................................ 45
Gambar 4.8 Output Software EasyFit Distribusi Eksponensial ................................. 46
Gambar 4.9 Output Software EasyFit Distribusi Weilbull ........................................ 46
Gambar 4.10 Output Software EasyFit Distribusi Beta ............................................. 47
Gambar 4.11 Output Software EasyFit Distribusi Lognormal................................... 47
Gambar 4.12 Output Software Uji Kolmogorov-Smirnov......................................... 56
Gambar 4.13 Output Software Uji Chi-Square .......................................................... 56
viii
Laporan Praktikum Teori Probabilitas
Modul 3 – Distribusi Statistik
Kelompok 44
BAB I
PENDAHULUAN
1.1 Latar Belakang
Seiring perkembangan zaman, teknologi yang yang ada pun semakin canggih.
Fitur-fitur menarik yang ada pada teknologi tersebut sangat membantu manusia dalam
menyelesaikan beberapa permasalahan. Teknologi yang dilengkapi dengan kecerdasan
buatan memiliki dampak yang sangat besar, karena mempu menyelesaikan permasalahan
yang sangat kompleks sama seperti manusia (Susanto,2010).
Pada masa sekarang ini, kita sering menjumpai permasalahan-permasalah yang
erat kaitannya dengan distribusi statistik. Dengan mempelajari distribusi statistik,
permasalahan seperti menentukan probabilitas kesuksesan pada uji coba kualitas layanan
informasi, identifikasi curah hujan maksimum dan persebarannya, menentukan
probabilitas kedatangan nasabah di bank juga dapat diselesaikan dengan menerapkan
rumus dan teori dari distribusi statistik.
Untuk itu pemahaman mengenai konsep distribusi statistik sangat dibutuhkan.
Menurut Hayati (2014), distribusi adalah himpunan nilai peluang variabel acak x yang
disajikan dalam bentuk gambar atau tabel. Hubungan antara variabel acak dan peluangnya
ditampilkan oleh distribusi peluang yang dianalogikan dengan frekuensi relatif variabel
acak.
Manfaat lain dari mempelajari distribusi statistik adalah dapat meningkatkan
objektivitas dalam penilaian, menghindari terjadinya bias atau penilaian yang condong
terhadap suatu kategori, meningkatkan normalitas dan kecenderungan sentral dan lain
sebagainya yang banyak diterapkan dalam beberapa industri untuk keperluan masing-
masing (Ade, 2005).
Pada Praktikum Teori Probabilitas 2021 Modul 3 ini, akan dibahas mengenai
distribusi diskrit dan kontinu dan masing-masing pembagiannya. Kemudian setelah
dilakukan perhitungan akan dilakukan uji Goodness of Fit. Uji ini digunakan untuk
menaksir bentuk apakah observasi nilai x merupakan independen sampel dari distribusi
Departemen Teknik Industri

Universitas Diponegoro
2021 1
Kelompok 44
khusus dengan fungsi distribusi F. Selama melakukan praktikum, untukpengolahan data

dilakukan secara manual dan menggunakan bantuan software Easyfit.
1.2 Tujuan Praktikum

Tujuan dilaksanakannya praktikum ini yaitu praktikkan diharapkan dapat:
1. Memahami parameter-parameter dalam distribusi statistik.
2. Mengetahui dan memahami fungsi dan jenis-jenis distribusi statistik.
3. Memahami dan mampu melakukan uji Goodness of Fit.
4. Mampu menggunakan dan menganalisis output software Easyfit dalam melihat
distribusi statistic.
1.3 Batasan Praktikum

Batasan praktikum dalam suatu laporan digunakan agar penelitian yang dilakukan
dapat lebih terarah dan memudahkan dalam pembahasan sehingga tujuan praktikum dapat
tercapai. Beberapa batasan masalah yang diambil untuk praktikum ini adalah sebagai
berikut:
1. Data yang digunakan pada Praktikum Teori Probabilitas Modul 3 ini adalah
data kuantitatif (diskrit dan kontinu) yang didapatkan dari data praktikum
modul 1 Statistika Deskriptif. Untuk data kuantitatif diskrit berjumlah 20 data
dan data kuantitatif kontinu berjumlah 45 data
2. Dalam pengolahan data menggunakan cara manual (Excel) dan bantuan
software EasyFit.
3. Untuk analisis pembahasan menggunakan output software pada hasil
pengolahan data untuk analisis parameter distribusi diskrit, analisis parameter
distribusi kontinu, dan analisis hasil perhitungan untuk uji Goodness of Fit.

2021 2
Kelompok 44
1.4 Sistematika Penulisan

Laporan ini terdiri dari 6 Bab, yaitu:
BAB I PENDAHULUAN
Berisi latar belakang penelitian, tujuan penelitian, batasan
penelitian, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Berisi dasar-dasar teori yang diperlukan untuk selama melakukan
praktikum dan penjelasan software yang akan digunakan untuk
mengolah data.
BAB III METODELOGI PRAKTIKUM
Berisi flowchart atau diagram alir urutan proses melakukan
praktikum yang digambarkan melalui symbol-simbol tertentu,
dimana setiap symbol memiliki arti tersendiri. Melalui flowchart
ini diharapkan praktikum dapat dilakukan secara terarah dan lebih
teratur.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Berisi pengumpulan data untuk data diskrit dan data kontinu,
output distribusi statistik data diskrit dan data kontinu dengan
menggunakan software Easyfit serta terdapat perhitungan uji
Goodness of Fit yang dilakukan dengan perhitungan manual dan
perhitungan menggunakan software Easyfit.
BAB V ANALISIS
Berisi analisis data berdasarkan hasil pengolahan data, yaitu
terdapat analisis parameter distribusi diskrit, analisis parameter
distribusi kontinu, dan analisis untuk hasil perhitungan Uji
Goodness of Fit.

2021 3
Kelompok 44
BAB VI KESIMPULAN DAN SARAN

Berisi kesimpulan yang didapatkan selama melakukan praktikum
dan sara agar pelaksanaan praktikum selanjutnya dapat berjalan
dengan lebih baik.

2021 4
Kelompok 44
BAB II
TINJAUAN PUSTAKA
2.1 Parameter Statistik
Parameter statistik merupakan parameter yang berkaitan dengan statistika dan digunakan untuk hal yag berhubungan dengan
penentuan karakteristik numerik atau kuantitas yang mana nantinya akan dimasukkan ke dalam distribusi statistik yang mempunyai variabel
acak (Nurindah, 2012). Menurut Arifin (2016), parameter statistik merupakan acuan yang berkaitan dengan ketentuan statistik di mana akan
berhubungan dengan distribusi probabilitas yang diwujudkan ke dalam simbol tertentu. Jadi, parameter statistik merupakan parameter yang
akan digunakan sebagai acuan yang berkaitan dengan distibusi probabilitas di dalam statistika yang biasanya diwujudkan ke dalam simbol
tertentu untuk setiap karakter distribusi yang ada dan juga memeiliki peubah acak. Di dalam distribusi statistik terdapat tiga jenis parameter
statistik yakni sebagai berikut.
Location parameter (γ) merupakan jenis parameter statistik yang memberikan titik lokasi pada sumbu horizontal grafik berpusat, serta
relatif terhadap model standar normal. Di dalam location parameter juga digunakan untuk menentukan lokasi atau pergeseran distribusi.
Penggunaan γ contohnya adalah pada midpoint (untuk mean μ pada distribusi normal) atau lower endpoint. Jika pada distribusi variabel acak,
variabel X memiliki γ = 0, maka pada variabel Y= x + γ (Walpole, 2007).
Berikut merupakan gambar 2.1 yang merupakan contoh gambar dari location parameter terkait penjelasan location parameter di atas.

2021 5
Kelompok 44
Gambar 2.1. Location Parameter

(Sumber: www.researchgate.net)
Scale parameter (β) merupakan jenis parameter statistik yang memiliki peranan untuk pengembangan statistik probailitas. Parameter
ini digunakan untuk menentukan unit dari ukuran nilai dalam suatu distribusi. Scale parameter digunakan dengan parameter lokasi untuk
menentukan bentuk dan lokasi distribusi. Contoh scale parameter dalam distribusi normal adalah standar deviasi. Jika distribusi acak variabel
X mempunyai scale parameter 1 maka distribusi acak variabel Y = X mempunyai scale parameter . Contohnya, distribusi normal variabel
X mempunyai standar deviasi 10, kemudian Y tetap berdistribusi normal, nilai standar deviasinya Y = 5 x 10 = 50 (Walpole, 2007).
Berikut merupakan gambar 2.2 yang merupakan contoh gambar dari scale parameter terkait penjelasan scale parameter di atas.

2021 6
Kelompok 44
Gambar 2.2 Scale Parameter

(Sumber: www.researchgate.net)
Shape parameter (α) adalah jenis parameter statistik yang bukan menentukan lokasi atau skala. Shape parameter umumnya mengubah
bentuk fungsi kepadatan. Parameter ini memungkinkan distribusi untuk mengambil berbagai bentuk, tergantung apda nilai parameter bentuk
karena cukup fleksibel untuk model berbagai set data. Beberapa distribusi seperti distribusi eksponensial dan normal tidak mempunyai shape
parameter namun distribusi beta mempunyai 2 buah, yaitu parameter α dan β (Walpole, 2007).
Berikut merupakan gambar 2.3 yang merupakan contoh gambar dari shape parameter terkait penjelasan shape parameter di atas.

2021 7
Kelompok 44
Gambar 2.3 Shape Parameter

(Sumber: www.statisticshowto.com)
2.2 Distribusi Statistik

Distribusi Statistik merupakan suatu bentuk distibusi yang erat kaitannya dengan peluang dan statistika di mana di dalamnya akan
menjelaskan banyak kemungkinan kejadian dengan dilengkapi frekuensi kejadian secara statistika. Distribusi statistik ini memiliki parameter
statistika sendiri dan juga distribusi ini dibedakan menjadi dua yaitu distribusi dengan variabel diskrit (distribusi diskrit) dan distrbusi dengan
variabel kontinu (distribusi kontinu) (Jimy, 2019).

2021 8
Kelompok 44
2.2.1 Distribusi Diskrit

Distribusi diskrit merupakan jenis distribusi yang cara penyajian kemungkinan atau peluang terjadinya suatu kejadian yang
berdasarkan pada nilai variabel diskrit yang secara acak, biasanya bisa ditampilkan dalam bentuk tabel, grafik atau persamaan yang setiap
kemungkinan nilai variabel diskrit tidak sama dengan nol (Wattimena, 2014). Himpunan pasangan terurut (x, f(x)) untuk distribusi diskrit
dengan peubah acak x, untuk setiap kemungkinan hasil x yakni sebagai berikut.
1. 𝑓(𝑥) ≥ 0
2. ∑ 𝑓 (𝑥) = 1
3. 𝑃 (X = 𝑥) = f(x)
(Wattimena, 2014)
2.2.1.1 Jenis-Jenis Distribusi Statistik

Jenis-jenis distribusi statistik terbagi ke dalam 8 jenis distribusi yakni uniform diskrit, bernoulli, binomial, multinomial,
hipergeometrik, geometrik, negatif binomial, dan poisson. Untuk penggolongan jenis distribusinya disajikan dalam tabel berikut ini.

2021 9
Kelompok 44
Tabel 2.1 Distribusi Diskrit

No Distribusi Pengertian Fungsi Padat Massa Parameter Grafik Kegunaan
Distribusi yang memiliki 1 Untuk

f(x, k) = ;
kemungkinan terjadianya suatu k menentukan
Uniform
1 kejadian yaitu sama, tidak k besarnya
Diskrit x = x1 , x2 , ⋯ xk
dikategorikan, dan ruang sampel rataan dan
yang tidak dibatasi (Lucia, 2003) variansi
(Sumber: syafii.staff.uns.ac.id)
Distribusi yang didasarkan pada 𝑓(𝑥) = 1 − 𝑝 Menentukan

percobaan Bernoulli yakni hasil1. Bernilai 0 jika x<0 keberhasilan
p (peluang
2 Bernoulli distribusinya berupa kemungkinan
2. Bernilai uniform jika 0 ≤ atau kegagalan
berhasil)
“Berhasil” atau “Gagal” (Silvia, 𝑥 ≤ 1 suatu
2015) 3. Bernilai 1, jika 𝑥 ≥ 1 percobaan
(Sumber: belajarkalkulus.com)

2021 10
Kelompok 44
Tabel 2.1 Distribusi Diskrit (Lanjutan)

Distribusi binomial yaitu Menetukan

n adalah jumlah
suatu distribusi yang akan keberhasil atau
percobaan
mendapatkan hasil 𝑛 kegagalan
𝑓(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 p adalah
𝑥
3 Binomial kemungkinan sukses = p suatu
probabilitas
atau gagal = q = 1-p dari 𝑥 = 0,1, … , 𝑛 percobaan
berhasil pada
banyaknya percobaan n (Sumber: geogebra.org) yang dilakukan
setiap percobaan
(Manurung, 2013) sebanyak n.
Menetukan
Distribusi multinomial
𝑓(𝑥; 𝑛; 𝑝) kemungkina
terjadi jika tiap usaha dapat
Multinomi 𝑛! Pi (peluang terjadinya
4 memberikan lebih dari 2 = 𝑝1 𝑥1 𝑝2 𝑥2 … 𝑝𝑘 𝑥𝑘
𝑥1 ! 𝑥2 ! … 𝑥𝑘 !
al sukses), i=l,….k suatu kejadian
hasil yang mungkin
yang hasilnya
(Walpole, 1995) (Sumber: www.donie-pradika.com)
lebih dari 2.

2021 11
Kelompok 44

Distribusi banyaknya peluang x = kejadian
sukses x yang diambil dari sukses
banyaknya sampel n dari populasi Menentukan probabilitas

𝑘 𝑘 n = sampel
(𝑥 ) (𝑥 ) percobaan berhasil dari
Hipergeo N, serta banyaknya peluang sukses 𝑓(𝑥) = 𝑥
5 𝑁 N = populasi pengambilan sampel tanpa
dalam populasi dinyatakan dengan (𝑛 )
metrik
k dan diambil tanpa pengembalian pengembalian karena
= 1,2, . . , 𝑛 k = sukses di
(Eman, 2014) populasi ikut berubah
populasi (Sumber:
www.pngegg.com)

2021 12
Kelompok 44

Distribusi geometri merupakan

distribusi yang untuk menyatakan
banyakanya sukses pertama dari Menghitung peluang
percobaan ditentukan oleh peubah terjadinya suatu percobaan
acaknya dengan ketentuan sukses p P (peluang hingga bisa menemukan

6 Geometrik 𝑃(𝑥; 𝑘; 𝑝) = 𝑝𝑞 𝑥−1
dan kegagalan percobaan sukses) sukses pertama dan
dinotasikan dengan q = 1-p (Lubis, dilakukan pengulangan
2020). beberapa kali.

(Sumber: icipro.com)

2021 13
Kelompok 44

Distribusi binomial negatif adalah

distribusi hasil percobaan r (kejadian Menemukan kejadian sukses
bernoulli yang diulang sampai 𝑓(𝑥) = r dari beberapa percobaan x
Negatif sukses ke-r)
7 mendapatkan sukses ke-k dengan 𝑥−1 yang mana uji coba pada
(𝑘−1) 𝑝𝑘 (1 − 𝑝)𝑥−𝑘 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, . .
Binomial { p (peluang
peluang sukses p dan gagal q = 1-p 0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 kejadian bersifat saling
sukses) (Sumber:
dengana banyaknya percobaan x bebas
brainstudy.info.com)
(Lucia, 2003).
Distribusi yang terkait jumlah

kejadian diskrit yang terjadi pada Untuk menghitung jumlah
selang waktu tertentu dan ? > 0 (rata-
𝑒 𝑥 𝜆𝑥 kejadian pada interval
8 Poisson kemungkinan keberhasilan kecil 𝑓(𝑥) = 𝑥 = 0,1, … rata jumlah
𝑥! tertentu seperti jarak, luas,
(Irmayanti, 2019) kejadian) (Sumber:
atau volume.
gunadarma.ac.id)

2021 14
Kelompok 44
2.2.2 Distribusi Kontinu

Distribusi kontinu merupakan suatu distribusi yang memiliki peluang peubah acak yang merupakan bilangan real misalnya (a<x<b)
yang dapat memperoleh semua nilai pada skala kontinu (Suparno, 2018).
Distribusi kontinu memiliki fungsi f(x) dengan peubah acak, didefinisikan dengan himpunan semua bilangan real R, bilamana
memenuhi syarat yaitu sebagi berikut.
1. 𝑓(𝑥) ≥ 0 𝑢𝑛𝑡𝑢𝑘 𝑥 𝜖 𝑅
∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑏
3. 𝑃(𝑎 < 𝑥 < 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥
(Munir,2015)
2.2.2.1 Jenis-Jenis Distribusi Kontinu

Jenis-jenis distribusi kontinu memiliki penggolongan distribusi yang terbagi menjadi 8 jenis distribusi antara lain seperti distibusi
uniform kontinu, normal, gamma, erlang, eksponensial, weillbull, beta, dan lognormal. Semua jenis distribusi tersebut akan lebih diperjelas
lagi melalui tabel berikut ini.

2021 15
Kelompok 44
Tabel 2.2 Distribusi Kontinu

1 Uniform Menurut Montgomery dan Runger 1 Location Mencari peluang
𝑓(𝑥𝑖) = ,𝑥 𝑎 ≤ 𝑥 ≤ 𝑏
Kontinu (2015), distribusi uniform kontinu 𝑏−𝑎 parameter dalam suatu
merupakan distribusi peubah acak x yang selang apabila
terdiri dari sejumlah kejadian dengan diketahui
interval antara a hingga b sebagai dua (Sumber: Rinaldi, 2015) memiliki
location paramater, dengan masing- distribusi
masing nilai x memiliki peluang yang uniform kontinu
sama.

2021 16
Kelompok 44
Tabel 2.2 Distribusi Kontinu (Lanjutan)

2 Normal Menurut Montgomery dan Runger 1 −(𝑥−𝜇)2 Location Mengetahui
𝑓(𝑥𝑖) = , 𝑒 2𝜎2
(2015), distribusi normal merupakan 2𝜋𝜎 parameter dan rataan dari data
distribusi peubah acak x jika diketahui scale parameter
= −∞ ≤ 𝑥 ≤ ∞
parameter rataan µ dan variansi σ. (Sumber: Rinaldi, 2015)
Memiliki banyak aplikasi terutama dalam
pengendalian kualitas dan pengujian
hipotesis.
∞
3 Gamma Menurut Montgomery dan Runger Location Mengetahui
T(α) = ∫ 𝑥 α−1 𝑒 −𝑥 𝑑𝑥
(2015), distribusi gamma merupakan parameter, peluang telepon
0
distribusi peubah acak x untuk waktu scale parameter masuk ke gardu
Untuk α > 0 dengan
pengerjaan suatu tugas, missal: waktu dan shape setelah beberapa
e = 2,71828 (Sumber: Rinaldi, 2015)
pelayanan memperbaiki mobil. parameter waktu tertentu.

2021 17
Kelompok 44

4 Erlang Menurut Montgomery dan Runger 𝜆𝑟 𝑥 𝑟−1 𝑒 − 𝜆𝑥 Location Menentukan
𝑓(𝑥𝑖) = ,
(2015), distribusi uniform kontinu (𝑟 − 1)! parameter, model antrian
merupakan distribusi peubah acak x yang scale parameter
menyatakan waktu hingga terjadi sukses untuk x > 0 dan dan shape
ke-r dengan rata-rata banyaknya kejadian r = 1,2, …, dst parameter (Sumber: Firliza, 2012)
selama selang waktu tertentu
Penerapannya terletak pada penentuan
model antrian yang dinotasikan λ.
5 Eksponensial Menurut Montgomery dan Runger 1 −𝛽𝑥 Location menentukan nilai
𝑓(𝑥𝑖) = ,𝑒 ,𝑥 > 0
(2015), distribusi eksponensial 𝛽 parameter dan suatu antrian
merupakan distribusi peubah acak x scale parameter
untuk jarak antara dua kejadian sukses,
seperti jarak antar. Rata-rata kejadian (Sumber: Firliza, 2012)
dinotasikan dengan β.

2021 18
Kelompok 44

6 Weilbull Menurut Montgomery dan Runger 𝑓(𝑥𝑖) Location mengetahui
(2015), distribusi weilbull merupakan 𝛽 parameter, peluang umur
= , (x δ)β−1 exp[−(x δ)𝛽 ]
distribusi peubah acak x yang digunakan 𝛿 scale parameter suatu produk.
untuk memodelkan waktu yang dan shape
untuk x > 0
diperlukan hingga terjadi kegagalan parameter (Sumber: Wahyu, 2013)
dalam berbagai jenis sistem fisik.
Memiliki shape parameter β dan scale
parameter δ.
7 Beta Menurut Montgomery dan Runger T(α + β) Location mengetahui
𝑓(𝑥𝑖) = , 𝑥 α−1 ,
(2015), distribusi beta merupakan T(α) + T (β) parameter dan proporsi waktu
distribusi peubah acak x memodelkan scale parameter maksimum suatu
proporsi dari waktu maksimum yang (1 − 𝑥) β−1 proyek akan
dibutuhkan untuk menyelesaikan diselesaikan.
(Sumber: DMCA, 2020)
pekerjaan dan proporsi jumlah cacat.

2021 19
Kelompok 44

8 Lognormal Menurut Montgomery dan Runger 𝑓(𝑥𝑖) Location melihat umur
(2015), distribusi lognormal merupakan 1 (ln(𝑥) − 𝜃) parameter, mobil yang
= 𝑒𝑥𝑝 [− ]
distribusi peubah acak x yang digunakan 𝑥 𝜔 √2𝜋 2𝜔2 scale parameter menurun seiring
untuk memodelkan umur atau lifetime dan shape waktu.
dari sebuah produk yang menurun = 0≤ 𝑥 ≤ ∞ parameter (Sumber: DMCA, 2020)
kualitasnya seiring dengan berjalannya
waktu. Mirip dengan distribusi normal.
(Modul Praktikum Teori Probabilitas, 2021)
2.2.3 Perbedaan Distribusi Diskrit dan Kontinu

Distribusi diskrit dan distribusi kontinu merupakan distribusi peluang yang tergolong dalam peubah yang mengaitkan suatu bilangan
real pada setiap unsur dalam ruang sampel (Walpole, 1995). Distribusi diskrit yaitu distribusi dengan peubah acak dan memiliki ruang sampel
yang terdapat titik sampel tak hingga (Wibisono, 2009). Distribusi kontinu yaitu distribusi dengan peubah acak yang memiliki nilai dalam
skala kontinu (Wibisono, 2009). Berikut tabel perbedaan distribusi diskrit dan distribusi kontinu yang ditampilkan pada tabel 2.3.

2021 20
Kelompok 44
Tabel 2.3 Perbedaan Distribusi Diskrit dan Kontinu

No. Perbedaan Distribusi Diskrit Distribusi Kontinu
1 Pengertian Menurut Wibisino (2009), distribusi peluang diskrit Menurut Wibisino (2009), distribusi probabilitas
adalah ditribusi yang mencantumkan semua kontinu adalah ditribusi peubah acak kontinu
kemungkinan peubah acak diskrit beserta yang dinyatakan dalam persamaan yang
probabilitasnya., ruang sampel diskrit mengandung merupakan fungsi nilai-nilai peubah acak dan
titik yang berhingga banyaknya atau sederetan digambarkan dalam bentuk kurva. Ruang sampel
anggota yang banyaknya sebanyak bilangan bulat. kontinu mengandung titik sampel takberhingga
dan sebanyak titik pada sepotong garis.
2 Karakteristik Menurut Walpole & Myers (1995), distribusi dikrit Menurut Walpole & Myers (1995), distribusi
memiliki karakteristik sebagai berikut: dikrit memiliki karakteristik sebagai berikut:
1. Titik distribusinya berhingga. 1. Titik distribusinya tak berhingga.
2. Dapat disajikan dalam histogram dan diagram
2. Tidak dapat disajikan dalam diagram balok dan
balok. tabel.
3. Letak masing-masing titiknya dapat dilihat. 3. Letak titik-titiknya membentuk garis bersambung

2021 21
Kelompok 44
Tabel 2.3 Perbedaan Distribusi Diskrit dan Kontinu (Lanjutan)

3 Grafik
(sumber: Walpole & Myers, 1995) (sumber: Walpole & Myers, 1995)
Perbedaan grafik pada distribusi diskrit dan distribusi kontinu yakni pada gafik distribusi diskrit akan
menggambarkan nilai-nilai yang berhingga diperoleh dari perhitungan sehingga bentuk garfiknya
membentuk bangun datar seperti persegi panjang yang bentuknya tetap dan juga nilainya berupa
bilangan bulat. Sedangkan, pada grafik dsitribusi kontinu dihasilkan dari proses pengukuran, nilai-
nilainya tak berhingga, dan juga nilainya berupa bilangan real. Bentuk grafik juga tidak seperti bentuk
bangun datar yang tetap tetapi memiliki ciri khas tertentu (Suparno, 2018).

2021 22
Kelompok 44
Tabel 2.3 Perbedaan Distribusi Diskrit dan Kontinu (Lanjutan)

4 Kegunaan Menurut Walpole & Myers (1995), ditribusi Menurut Walpole & Myers (1995), ditribusi
peluang diskrit mendapat nilai dengan peluang peluang kontinu memiliki peluang nol pada setiap
tertentu. Artinya, distribusi diskrit dapat digunakan titik x. Artinya, distribus kontinu dapat digunakan
untuk mennggambarkan data cacah seperti untuk menyatakan data yang diukur seperti
kemungkinan barang cacah dalam sampel sebesar x seluruh kemungkinan tinggi, berat, temperatur,
barang, dll. jarak, atau jangka hidup.
2.3 Uji Goodness of Fit

Uji goodness of fit merupakan pengujian hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan sama dengan
frekuensi yang diperoleh dari suatu distribusi. Uji goodness of fit dapat digunakan untuk menguji serangkaian uji hipotesis nol (Brownlee,
1965). Terdapat 3 jenis uji goodness of fit yaitu uji Kolmogorov-Smirnov, uji Anderson Darling, dan uji Chi-Square.
Uji goodness of fit didasarkan pada data distribusi yang diambil dari sampel dan juga beberapa pengujian kecocokan model yang di
mana ketika sudah menemukan kriteria model yang cocok (good fit) maka pengujian bisa dikatakan berhasil. Penerapan uji goodness of Fit

2021 23
Kelompok 44
bisa dilakukan pada pengujian hipotesis nol, pengujian kecocokan model, dan serangkaian pengujian lainnya. Contoh penerapan lainnya
seperti pada kasus pelemparan dadu misalnya dadu dilemparkan sebanyak 180 kali percobaan dan ternyata kemungkinan munculnya mata
1 1
dadu yang angka 6 adalah 6 bagian. Jika dihitung secara teori menurut teori peluang mata dadu berangka 6 akan muncul sebanyak 6 × 180 =
30 kali muncul mata dadu yang berangka 6. Namun kemungkinan munculnya angka dadu yang lainnya tidak akan sama rata sebanyak 30
kali, bisa saja angka 4 muncul sebanyak 60, angka 5 sebaanyak 6 kali, dan seterusnya (Suparno, 2018).
2.3.1 Macam-Macam Uji Goodness of Fit

Berikut merupakan macam-macam Uji Goodness of Fit yang terdiri dari 3 jenis yakni Uji Chi-Square, Uji Anderson Darling, dan
Uji Kolmogolov-Smirnov yang ditampilkan pada tabel 2.4 terkait macam-macam Uji Goodness of Fit.
Tabel 2.4 Macam-Macam Uji Goodnes of Fit
Macam Uji Pengertian Rumus Langkah Penyelesaian
Goodness of Fit
Uji Chi-Square Menurut Widyawati, et al. 𝑘 (𝑜𝑖 − 𝑒𝑖 )2 Berikut merupakan langkah-langkah

𝑋2 = ∑
(2020), Uji Chi-Square 𝑖=1 𝑒𝑖 perhitungan dalam uji Chi-Square.
dimaksudkan untuk menentukan Keterangan: 1. Tentukan hipotesis awal (H0)
apakah persamaan distribusi yang 2. Tentukan hipotesis alternatif (H1)

2021 24
Kelompok 44
3. Tentukan α
telah dipilih dapat mewakili dari X2 = Nilai peubah acak yang
distribusi statistik sampel data distribusinya di dekati oleh
4. Cari daerah kritis
yang dianalisis. Langkah untuk distribusi Chi Square dengan
5. Hitung dengan cara:
melakukan pengujian ini adalah derajat kebebasan v = k-1 a. Membuat distribusi frekuensi data
dengan membagi data kedalam berkelompok.
k = Jumlah Kolom
interval serta menentukan b. Menentukan rataan (𝑋̅) dan standar deviasi (s)
frekuensi amatan dan harapan r = Jumlah Baris c. Mencari nilai PZ1 dan PZ2 tiap interval
berdasarkan tabel luas di bawah kurva normal,
𝑡𝑒𝑝𝑖 𝑏𝑎𝑤𝑎ℎ− 𝑥̅ 𝑡𝑒𝑝𝑖 𝑎𝑡𝑎𝑠 − 𝑥̅
dengan 𝑍1 = dan 𝑍2 =
𝑠 𝑠
d. Menentukan peluang tiap interval P = |PZ2 –

PZ2|
e. Menentukan frekuensi amatan (fob) dan
frekuensi harapan (fh = P.n)
f. Menentukan oij dan eij berdasarkan akumulasi
fob dan fh, dimana eij harus lebih besar dari
presentase α

2021 25
Kelompok 44
Uji Anderson Menurut Widyawati, et al. 𝐴 = −𝑛 − 𝑠 Berikut merupakan langkah-langkah

Darling (2020), Uji Anderson-Darling dengan perhitungan dalam uji Anderson Darling.
1
• 𝑠 = 𝑛 ∑𝑛𝑖=1[2𝑖 −
digunakan untuk menguji apakah 1. Tentukan hipotesis awal (H0)
sampel berasal dari populasi 2. Tentukan hipotesis alternatif (H1)
1][ln(𝐹(𝑍𝑖 𝑧)) + ln(1 −
dengan distribusi tertentu. 3. Tentukan α
𝐹(𝑍𝑛+1−𝑖 ))]
Anderson Darling merupakan 𝑥 −𝑥̅ 4. Cari daerah kritis
• 𝑍𝑖 = 𝑖𝑠
modifikasi dari Kolmogorov- 5. Hitung dengan cara:
Smirnov. a. Membuat distribusi frekuensi data tunggal
Akibatnya persamaan menjadi:
b. Menentukan mean dan standar deviasi
𝐴
c. Menghitung peluang f(xi) dengan nilai 𝑍𝑖 =
= −𝑛 𝑥𝑖 −𝑥̅
𝑛 𝑠
1
− ∑[2𝑖 − 1][ln(𝐹(𝑍𝑖 𝑧))d. Menghitung peluang 1- f(x(n-i+1)) dengan nilai
𝑛
𝑖=1 𝑋 −𝑥̅
𝑍(𝑛−𝑖+1) = (𝑛−𝑖+1)
+ ln(1 − 𝐹(𝑍𝑛+1−𝑖 ))] 𝑠
1
e. Menghitung 𝑆 = 𝑛 ∑𝑛𝑖=1[2𝑖 − 1][ln(𝐹(𝑍𝑖 𝑧)) +
Keterangan:
ln(1 − 𝐹(𝑍𝑛+1−𝑖 ))]

2021 26
Kelompok 44
A = Statistik uji untuk metode

f. Menentukan AD dengan rumus
𝑛
Anderson Darling 1
𝐴 = −𝑛 − ∑[2𝑖 − 1][ln(𝐹(𝑍𝑖 𝑧))
𝑛
n = Ukuran Sampel 𝑖=1
+ ln(1 − 𝐹(𝑍𝑛+1−𝑖 ))]

Xi = Data ke-i yang telah
diurutkan
Zi = Data Xi yang
distandarisasi
𝑥̅ = Rata-rata data
S = Standar Deviasi
F(Zi) = Nilai fungsi distribusi

kumulatif normal baku di Zi

2021 27
Kelompok 44
Uji Kolmogorov- Menurut Widyawati, et al. 𝐷𝑛 = 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚|𝐹𝑛 (𝑥) Berikut merupakan langkah-langkah
Smirnov (2020), uji kecocokan − 𝐹(𝑥)| perhitungan dalam uji Kolmogorov-Smirnov.
Kolmogorov- Smirnov, sering 1. Tentukan hipotesis awal (H0)
juga disebut uji kecocokan non 2. Tentukan hipotesis alternatif (H1)
parametrik (nonparametric test), 3. Tentukan α
karena pengujiannya tidak 4. Cari daerah kritis
menggunakan fungsi distribusi 5. Hitung dengan cara:
tertentu. Uji ini membandingkan a. Membuat distribusi frekuensi data tunggal
serangkaian data pada sampel b. Menentukan mean dan standar deviasi
terhadap distribusi normal 𝑥𝑖 −𝑥̅
c. Menghitung peluang dari nilai 𝑍𝑖 = 𝑠
serangkaian nilai dengan mean 𝑓𝑘
d. Menghitung nilai 𝑆𝑥 = 𝑛
dan standar deviasi yang sama.
e. Menentukan nilai D, dengan
Singkatnya uji ini dilakukan
𝐷𝑛 = 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚|𝐹𝑛 (𝑥) − 𝐹(𝑥)|
untuk mengetahui kenormalan
distribusi beberapa data.

2021 28
Kelompok 44
2.4 Software EasyFit
EasyFit adalah perangkat lunak penganalisis data dan simulasi yang memungkinkan untuk pencocokan pada distribusi probabilitas
dari data sampel yang ada dan disimulasikan. EasyFit dapat juga digunakan untuk mengidentifikasikan parameter pada fungsi model eksplisit,
sistem keadaan tetap, transformasi Laplace, sistem persamaan differensial biasa, persamaan differensial aljabar, atau sistem persamaan
diferensial parsial bergantung waktu dengan atau tanpa persamaan aljabar (Schittkowski, 2002).
Di bawah ini merupakan langkah-langkah dalam mengolah data dengan menggunakan software EasyFit yaitu sebagi berikut.
1. Memasukkan data untuk diolah ke dalam worksheet software EasyFit.
Gambar 2.4. Tampilan Worksheet EasyFit

2021 29
Kelompok 44
2. Klik menu Analyze lalu klik Fit Distributions.
Gambar 2.5 Menu Analyze

2021 30
Kelompok 44
3. Pilihlah jenis tabel yang menjadi tempat data yang diolah dan jika data diskrit maka klik “Discrete” atau jika data kontinu klik
“Continuous”.
Gambar 2.6 Tampilan Pilihan Data yang Diolah

2021 31
Kelompok 44
4. Klik OK dan tunggu hingga output pengolahan data muncul
Gambar 2.7 Output EasyFit (Goodness of Fit)

2021 32
Kelompok 44
5. Klik salah satu distribusi yang tersedia. Misalnya pilih distribusi Gamma.
Gambar 2.8 Tampilan Goodness of Fit Distribusi Gamma

2021 33
Kelompok 44
6. Untuk memunculkan Stat Assist, klik pada pop up kecil, lalu pilih icon grafik (Stat Assist).
Gambar 2.9 Icon Grafik (Stat Assist)

7. Tampilan Stat Assist akan muncul seperti berikut ini.
Gambar 2.10 Tampilan Stat Assist

2021 34
Modul 3 – Distribusu Statistik
Kelompok 44
BAB III
METODOLOGI PENELITIAN
3.1 Flowchart
Berikut ini adalah flowchart dari metodologi penelitian praktikum modul 3, yaitu:
Mulai
Identifikasi dan Perumusan Masalah
Studi Pustaka
Pengumpulan Data
Pengolahan Data
1. Software EasyFit
2. Perhitungan Probabilitas
Distribusi Normal
Analisis
Kesimpulan dan
saran
Selesai
Gambar 3.1 Flowchart Metodologi Penelitian

2021 35
Kelompok 44
3.2 Penjelasan Flowchart

Pada praktikum modul 3 ini terdapat beberapa tahapan atau prosedur yang
berbeda dari modul 2. Langkah awal yang dilakukan pada modul 3 adalah untuk
mengidentifikasi masalah pokok dari praktikum yang dilaksanakan. Langkah selanjutnya
adalah untuk mencari studi pustaka dari sumber yang valid dan pengumpulan data.
Setelah mengumpulkan data dan data didapatkan dan juga divalidasi, maka akan
dilakukan proses input data ke dalam software pengolah data yaitu EasyFit untuk mencari
data dari distribusi normal. Setelah grafik distribusi normal didapatkan, maka langkah
selanjutnya adalah untuk mencari jenis grafik, simpangan baku, serta peluang dari
distribusi normal tersebut. Langkah selanjutnya adalah melakukan perhitungan distribusi
normal secara manual untuk menentukan peluang kejadian menggunakan dasar-dasar dari
Walpole.
Langkah selanjutnya setelah data dikumpulkan dan diolah adalah untuk
menganalisis data berdasarkan hasil yang didapatkan dari distribusi normal dan
memvisualisasikan data dalam bentuk grafik serta penulisan matematis. Setelah semua
tahapan terlalui, dapat diambil kesimpulan serta memberikan saran dari praktikum ini.

2021 36
Kelompok 44
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data

Pada praktikum Modul 3 Distribusi Statistik melakukan pengolahan data yang
akan dilakukan berdasarkan data di modul 1 yaitu data diskrit dan data kontinu. Data ini
akan diolah menggunakan software EasyFit dan didasarkan pada parameter distribusi.
4.1.1 Data Diskrit

Berikut merupakan data diskrit yang diperoleh dari “Banyaknya Desa/Kelurahan
Tiap Provinsi di Indonesia yang Mengalami Pencemaran Air Tahun 2018” yang
ditampilkan pada tabel 4.1. (Sumber: www.bps.go.id)
Tabel 4.1 Data Diskrit
No Provinsi Banyak Desa dengan Air Tercemar
1. Aceh 729
2. Sumatera Barat 319
3. Riau 454
4. Jambi 614
5. Sumatera Selatan 673
6. Lampung 572

2021 37
Kelompok 44
7. Kep. Bangka Belitung 159
8. DKI Jakarta 126
9. Banten 513
10. Bali 130
11. Nusa Tenggara Barat 282
12. Nusa Tenggara Timur 122
13. Kalimantan Barat 915
14. Kalimantan Tengah 782
15. Kalimantan Timur 318
16. Sulawesi Selatan 400
17. Sulawesi Tenggara 227
18. Gorontalo 111
19. Sulawesi Barat 115

2021 38
Kelompok 44
20. Maluku 105
4.1.2 Data Kontinu

Berikut merupakan data kontinu yang diperoleh dari “Indeks Harga Konsumen:
Bahan Makanan pada Bulan Maret Tahun 2020 berbagai Kota-Kota di Indonesia” yang
ditampilkan pada tabel 4.2. (Sumber: www.bps.go.id)
Tabel 4.2 Data Kontinu
No Kota Indeks Harga Konsumen
1. Banda Aceh 103,94
2. Sibolga 104,37
3. Pematang Siantar 104,45
4. Medan 102,67
5. Padang Sidimpuan 103,91
6. Gunungsitoli 106,41
7. Padang 104,44
8. Bukittinggi 103,24
9. Pekanbaru 103,90
10. Dumai 104,91
11. Jambi 101,95

2021 39
Kelompok 44
12. Palembang 105,42
13. Bandar Lampung 107,37
14. DKI Jakarta 109,60
15. Bogor 106,59
16. Sukabumi 104,38
17. Bandung 107,60
18. Cirebon 106,00
19. Bekasi 108,61
20. Depok 109,21
21. Tasikmalaya 104,02
22. Purwokerto 105,75
23. Semarang 108,74
24. Tegal 104,49
25. Kediri 108,41
26. Malang 104,61
27. Madiun 107,47
28. Surabaya 105,68

2021 40
Kelompok 44
29. Cilegon 106,64
30. Tangerang 106,21
31. Denpasar 104,64
32. Mataram 105,57
33. Kupang 105,03
34. Bima 105,03
35. Pontianak 109,79
36. Singkawang 102,25
37. Sampit 107,18
38. Samarinda 103,96
39. Balikpapan 105,34
40. Manado 105,81
41. Palu 107,05
42. Makassar 107,07
43. Ambon 103,99
44. Manokwari 108,02
45. Jayapura 105,46

2021 41
Kelompok 44
4.2 Output Distribusi Statistik Data Diskrit dengan Software EasyFit

Di bawah ini adalah output dari jenis-jenis distribusi statistik data kuantitatif
diskrit yang diolah menggunakan software EasyFit.
4.2.1 Distribusi Uniform Diskrit

Berikut merupakan gambar grafik output dari pengolahan data menggunakan
software EasyFit untuk distribusi uniform diskrit dengan parameter a dan b.
Gambar 4.1 Output Grafik Distribusi Uniform Diskrit
4.2.2 Distribusi Geometrik

software EasyFit untuk distribusi geometrik dengan parameter p.
Gambar 4.2 Output Grafik Distribusi Geometrik

2021 42
Kelompok 44
4.2.3 Distribusi Poisson

software EasyFit untuk distribusi poisson dengan parameter λ.
Gambar 4.3 Output Grafik Distribusi Poisson Diskrit
4.2.4 Rekap Data Diskrit Parameter Distribusi

Berikut merupakan tabel rekap data diskrit parameter distribusi yang ditampilkan
pada tabel 4.3.
Tabel 4.3 Rekap Data Diskrit Parameter Distribusi
No Jenis Distribusi Parameter Nilai
a = -53
1 Uniform Diskrit a dan b
b = 820
2 Geometrik p p = 0,0026
3 Poisson λ = 838,3
λ

2021 43
Kelompok 44
4.3 Output Distribusi Statistik Data Kontinu dengan Software Easyfit

4.3.1 Distribusi Uniform Kontinu
Gambar 4.4 menunjukkan output software Easyfit untuk distribusi uniform
kontinu:
Gambar 4.4 Output Software EasyFit Distribusi Uniform Kontinu
4.3.2 Distribusi Normal

Gambar 4.5 menunjukkan output software Easyfit untuk distribusi normal:
Gambar 4.5 Output Software EasyFit Distribusi Normal

2021 44
Kelompok 44
4.3.3 Distribusi Gamma

Gambar 4.6 menunjukkan output software Easyfit untuk distribusi gamma:
Gambar 4.6 Output Software EasyFit Distribusi Gamma
4.3.4 Distribusi Erlang

Gambar 4.7 menunjukkan output software Easyfit untuk distribusi erlang:
Gambar 4.7 Output Software EasyFit Distribusi Erlang

2021 45
Kelompok 44
4.3.5 Distribusi Eksponensial

Gambar 4.8 menunjukkan output software Easyfit untuk distribusi eksponensial:
Gambar 4.8 Output Software EasyFit Distribusi Eksponensial
4.3.6 Distribusi Weilbull

Gambar 4.9 menunjukkan output software Easyfit untuk distribusi weilbull:
Gambar 4.9 Output Software EasyFit Distribusi Weilbull

2021 46
Kelompok 44
4.3.7 Distribusi Beta

Gambar 4.10 menunjukan output software Easyfit untuk distribusi beta:
Gambar 4.10 Output Software EasyFit Distribusi Beta
4.3.8 Distribusi Lognormal

Gambar 4.11 menunjukan output software Easyfit untuk distribusi lognormal:
Gambar 4.11 Output Software EasyFit Distribusi Lognormal

2021 47
Kelompok 44
4.3.9 Rekap Data Kontinu Parameter Distirbusi

Berikut ini adalah tabel rekapan parameter distribusi kontinu yang ditampilkan
pada tabel 4.4.
Tabel 4.4 Rekap Data Kontinu Parameter Distribusi
No Distribusi Parameter Nilai
a (boundary) 102.37
1 Uniform Kontinu
b (boundary) 109.06
µ (location) 1.933
2 Normal
σ (scale) 105.72
3 Eksponensial λ (scale) 0.00946
α (shape) 2991
4 Gamma
β (scale) 0.03534
σ (scale) 0.01804
5 Lognormal
µ (location) 4.6606
m (shape) 2990
6 Erlang
β (scale) 0.03534
7 Beta α1 (shape) 1.8744
α2 (shape) 2.1617
a (boundary) 101.67
b (boundary) 110.43
8 Weibull α (shape) 63.909
β (scale) 106.51

2021 48
Kelompok 44
4.4 Uji Goodness of Fit

4.4.1 Perhitungan Manual
a. Uji Kolmogorov – Smirnov
Menguraikan uji hipotesis sebagai berikut.
1) H0 = Data berdistribusi normal
2) H1 = Data tidak berdistribusi normal
3) α = 0,05
4) Daerah kritis = Dhitung > Dtabel (Dα), dengan n = 45, maka
Dα = 0,198 (menurut tabel Kolmogorov – Smirnov)
5) Perhitungan
a) Rata – rata (𝑥̅ )
∑ 𝑥𝑖 4757,18
𝑥̅ = 𝑛
= 45
= 105,715
b) Standar Deviasi
∑(𝑥𝑖 −𝑥̅ )2 164,406
S=√ =√ = 1,933
𝑛−1 44
c) Nilai Z
𝑥𝑖 − 𝑥̅ −3,765
Z1 = = = -2,601
𝑠 1,933
d) F(x)1 = P(z)1 = 0,026

𝑘 1
e) S(x)1 = 𝑛 = 45 = 0,022
f) D1 = |S(x) – F(x)| = |0,022 – 0,026|  0,003
Berikut merupakan tabel yang menunjukkan hasil perhitungan manual Uji

Kolmogorov-Smirnov yang ditampilkan pada tabel 4.5.

2021 49
Kelompok 44
Tabel 4.5 Hasil Perhitungan Manual Uji Kolmogorov - Smirnov
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
(𝒙𝒊 − 𝒙 S Z F(x) S(x) D
1 101,95 105,715 -3,765 14,176 1,933 -1,948 0,026 0,022 0,003
2 102,25 105,715 -3,465 12,007 1,933 -1,793 0,037 0,044 0,008
3 102,67 105,715 -3,045 9,273 1,933 -1,575 0,058 0,067 0,009
4 103,24 105,715 -2,475 6,126 1,933 -1,280 0,100 0,089 0,011
5 103,9 105,715 -1,815 3,295 1,933 -0,939 0,174 0,111 0,063
6 103,91 105,715 -1,805 3,258 1,933 -0,934 0,175 0,133 0,042
7 103,94 105,715 -1,775 3,151 1,933 -0,918 0,179 0,156 0,024
8 103,96 105,715 -1,755 3,080 1,933 -0,908 0,182 0,178 0,004
9 103,99 105,715 -1,725 2,976 1,933 -0,892 0,186 0,200 0,014
10 104,02 105,715 -1,695 2,873 1,933 -0,877 0,190 0,222 0,032
11 104,37 105,715 -1,345 1,809 1,933 -0,696 0,243 0,244 0,001
12 104,38 105,715 -1,335 1,782 1,933 -0,691 0,245 0,267 0,022
13 104,44 105,715 -1,275 1,626 1,933 -0,660 0,255 0,289 0,034
14 104,45 105,715 -1,265 1,600 1,933 -0,654 0,256 0,311 0,055
15 104,49 105,715 -1,225 1,501 1,933 -0,634 0,263 0,333 0,070
16 104,61 105,715 -1,105 1,221 1,933 -0,572 0,284 0,356 0,072
17 104,64 105,715 -1,075 1,156 1,933 -0,556 0,289 0,378 0,089
18 104,91 105,715 -0,805 0,648 1,933 -0,417 0,339 0,400 0,061
19 105,03 105,715 -0,685 0,469 1,933 -0,354 0,362 0,422 0,061
20 105,03 105,715 -0,685 0,469 1,933 -0,354 0,362 0,444 0,083

2021 50
Kelompok 44
Tabel 4.5 Hasil Perhitungan Manual Uji Kolmogorov – Smirnov (Lanjutan)
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
21 105,34 105,715 -0,375 0,141 1,933 -0,194 0,423 0,467 0,044
22 105,42 105,715 -0,295 0,087 1,933 -0,153 0,439 0,489 0,050
23 105,46 105,715 -0,255 0,065 1,933 -0,132 0,448 0,511 0,064
24 105,57 105,715 -0,145 0,021 1,933 -0,075 0,470 0,533 0,063
25 105,68 105,715 -0,035 0,001 1,933 -0,018 0,493 0,556 0,063
26 105,75 105,715 0,035 0,001 1,933 0,018 0,507 0,578 0,071
27 105,81 105,715 0,095 0,009 1,933 0,049 0,520 0,600 0,080
28 106 105,715 0,285 0,081 1,933 0,147 0,559 0,622 0,064
29 106,21 105,715 0,495 0,245 1,933 0,256 0,601 0,644 0,043
30 106,41 105,715 0,695 0,483 1,933 0,359 0,640 0,667 0,026
31 106,59 105,715 0,875 0,765 1,933 0,453 0,675 0,689 0,014
32 106,64 105,715 0,925 0,855 1,933 0,478 0,684 0,711 0,027
33 107,05 105,715 1,335 1,782 1,933 0,691 0,755 0,733 0,022
34 107,07 105,715 1,355 1,836 1,933 0,701 0,758 0,756 0,003
35 107,18 105,715 1,465 2,146 1,933 0,758 0,776 0,778 0,002
36 107,37 105,715 1,655 2,739 1,933 0,856 0,804 0,800 0,004
37 107,47 105,715 1,755 3,080 1,933 0,908 0,818 0,822 0,004
38 107,6 105,715 1,885 3,553 1,933 0,975 0,835 0,844 0,009
39 108,02 105,715 2,305 5,313 1,933 1,192 0,883 0,867 0,017
40 108,41 105,715 2,695 7,262 1,933 1,394 0,918 0,889 0,029
41 108,61 105,715 2,895 8,380 1,933 1,498 0,933 0,911 0,022

2021 51
Kelompok 44
Tabel 4.5 Hasil Perhitungan Manual Uji Kolmogorov – Smirnov (Lanjutan)
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
42 108,74 105,715 3,025 9,150 1,933 1,565 0,941 0,933 0,008
43 109,21 105,715 3,495 12,214 1,933 1,808 0,965 0,956 0,009
44 109,6 105,715 3,885 15,092 1,933 2,010 0,978 0,978 0,000
45 109,79 105,715 4,075 16,605 1,933 2,108 0,982 1,000 0,018
6) Keputusan = Diketahui D(x) atau Dhitung terbesar yakni

0,089, maka keputusannya jangan tolak H0 sebab Dhitung < Daerah
kritis atau 0,089 < 0,198.
7) Kesimpulan = Data berdisribusi normal
b. Uji Chi-Square
Perhitungan data dengan Uji Chi-Square dilakukan dengan cara sebagai
berikut.
1) H0 = Data berdistribusi normal

2) H1 = Data tidak berdistribusi normal
3) α = 0,05
4) Daerah kritis: x2 hitung ≥ x2 tabel
Berdasarkan tabel L.5 oleh Walpole (1995), jika v = k-1 = 5 - 1 =
4 dan = 0,05 maka x2 tabel adalah sebesar 9,488.
5) Perhitungan
a) Range
Range = Xmax – Xmin = 109,79 – 101,95= 7,84

2021 52
Kelompok 44
b) Banyak kelas
Banyak kelas (k) = 1 + 3,3 log n = 1 + 3,3 log 45 = 6,456 ≈
6 kelas
c) Interval
𝑅 7,84
Panjang kelas (p) = 𝑘 = = 1,307 ≈ 1,31
6
d) Distribusi Frekuensi
Berikut ini merupakan tabel distribusi frekuensi yang
ditunjukkan pada tabel 4.6.
Tabel 4.6 Tabel Distribusi Frekuensi
𝒙𝒊 (𝒙𝒊 𝒇𝒊 (𝒙𝒊
k Interval 𝒇𝒊 𝒇. 𝒌𝒖𝒎 𝒙𝒊 TA TB 𝒇𝒙𝒊 ̅
𝒙
−𝒙 ̅ −𝒙̅) 𝟐 −𝒙 ̅) 𝟐
102,6 101,945 103,255 410,4 - 9,166 36,664

1 101,95 103,25 4 4 105,628 3,028
103,91 103,255 104,565 1143,01 - 2,950 32,452

2 103,26 104,56 11 15 105,628 1,718
105,22 104,565 105,875 1262,64 - 0,166 1,994

3 104,57 105,87 12 27 105,628 0,408
4 105,88 107,18 8 35 106,53 105,875 107,185 852,24 105,628 0,902 0,814 6,515
5 107,19 108,49 5 40 107,84 107,185 108,495 539,2 105,628 2,212 4,895 24,474
6 108,50 109,80 5 45 109,15 108,495 109,805 545,75 105,628 3,522 12,407 62,037
Total 45 635,25 4753,24 30,399 164,134
e) Mean
∑ 𝑓 . 𝑥𝑖 4753,24
𝑥̅ = = = 105,628
∑𝑓 45

2021 53
Kelompok 44
f) Standar Deviasi
∑ 𝑓 (𝑥𝑖 −𝑥̅ )2 164,134
s=√ = √ = 1,931
𝑛−1 44
g) Nilai Z
𝑇𝐵1 − 𝑋̅ 103,255 − 105,628
𝑍11 = = = −1,228
𝑠 1,931
𝑇𝐴1 − 𝑋̅ 101,945 − 105,628

𝑍21 = = = −1,907
𝑠 1,931
h) Nilai Frekuensi Harapan

|𝑷| = |𝑷𝒁𝟏 − 𝑷𝒁𝟐 |
𝑭𝒉 = |𝑷| x n
Berikut merupakan tabel yang menampilkan pada peluang frekuensi harapan

yakni pada tabel 4.7.
Tabel 4.7 Tabel Peluang Frekuensi Harapan
(𝒙𝒊
k 𝒙𝒊 TA TB ̅
𝒙 S Z1 PZ1 Z2 PZ2 P
−𝒙̅) 𝟐
102,6 101,945 103,255 105,628 9,166 - -

1 1,931
1,229 0,110 1,907 0,028 0,081
103,91 103,255 104,565 105,628 2,950 - -

2 1,931
0,550 0,291 1,229 0,110 0,181
105,22 104,565 105,875 105,628 0,166 -

3 1,931
0,128 0,551 0,550 0,291 0,260
4 106,53 105,875 107,185 105,628 0,814 1,931 0,807 0,790 0,128 0,551 0,239
5 107,84 107,185 108,495 105,628 4,895 1,931 1,485 0,931 0,807 0,790 0,141
6 109,15 108,495 109,805 105,628 12,407 1,931 2,163 0,985 1,485 0,931 0,054

2021 54
Kelompok 44
Berikut ini merupakan tabel perhitungan frekuensi harapan dan objektif.

Frekuensi harapan (ei) dan frekuensi amatan (oi) memiliki syarat bernilai lebih dari atau
sama dengan 5. Apabila frekuensinya < 5, maka kelas interval dari frekuensi tersebut
digabung dengan kelas sesudah atau sebelumnya hingga syarat yang telah disebutkan
terpenuhi.
Tabel 4.8 Tabel Frekuensi Harapan dan Objektif
Kelas P Fh Fob ei oi (oi-ei)^2/ei
1 0,081 3,660 4 0,852

11,826 15
2 0,181 8,166 11
3 0,260 11,696 12 11,696 12 0,008
4 0,239 10,758 8 10,758 8 0,707
5 0,141 6,353 5 6,353 5 0,289
6 0,054 2,409 5 2,409 5 2,787
Total 4,641
(𝑜𝑖 − 𝑒𝑖)2
x 2 hitung =  = 4,641
𝑒𝑖
6) Keputusan = Jangan tolak nilai H0.

karena x2 hitung (4,641) < x2 tabel (9,488)
7) Kesimpulan = Data Berdistribusi Normal
4.4.2 Output Software

a. Uji Kolmogorov – Smirnov
Berikut merupakan output software dari aplikasi EasyFit mengenai data
kontinu pada uji Kolmogorov – Simirnov.

2021 55
Kelompok 44
Normal [#44]
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,08874
P-Value 0,83972
Rank 16
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,15623 0,17856 0,19837 0,22181 0,23798
Reject? No No No No No
Gambar 4.12 Output Software Uji Kolmogorov – Smirnov
b. Uji Chi-Square
Berikut merupakan output software dari aplikasi EasyFit mengenai data
kontinu pada uji Chi-Square.
Chi-Squared
Deg. of freedom 5
Statistic 1,7934
P-Value 0,87693
Rank 26
 0,2 0,1 0,05 0,02 0,01
Critical Value 7,2893 9,2364 11,07 13,388 15,086
Reject? No No No No No
Gambar 4.13 Output Software Uji Chi-Square

2021 56
Kelompok 44
4.4.3 Rekap Uji Goodness of Fit

a. Uji Kormogolov Smirnov
Berikut merupakan tabel rekap data uji Kolmogorov – Smirnov pada
perhitungan manual dan software EasyFit.
Tabel 4.9 Rekap Uji Kolmogorov - Smirnov
Parameter Manual EasyFit
Nilai Kritis 0,198 0,198
α 0,05 0,05
𝑥̅ 105,715 105,715
S 1,933 1,933
D 0,089 0,088
Daerah Kritis Dhitung<Dkritis Dhitung<Dkritis
Keputusan H0 Diterima H0 Diterima
Kesimpulan Data berdistribusi normal Data berdistribusi normal
b. Uji Chi-Square
Berikut merupakan tabel rekap data uji Chi-Square pada perhitungan
manual dan software EasyFit.
Tabel 4.10 Rekap Uji Chi-Square
Parameter Manual EasyFit

Nilai Kritis 9,488 11,070
 0,05 0,05

2021 57
Kelompok 44
𝑥̅ 105,628 105,58
S 1,931 1,929
D 4,641 1,793
Daerah Kritis 𝑥2 < 𝑥2 𝑥2 < 𝑥2
Keputusan H0 Diterima H0 Diterima
Kesimpulan Data berdistribusi normal Data berdistribusi normal

2021 58
Kelompok 44
BAB V
ANALISIS
5.1 Analisis Parameter Distribusi Diskrit

Distribusi Uniform diskrit adalah distribusi probabilitas simetris di mana sejumlah
nilai terbatas kemungkinannya sama untuk diamati; setiap nilai n memiliki probabilitas 1
/ n yang sama. Cara lain untuk mengatakan "distribusi uniform diskrit" adalah "jumlah
hasil yang diketahui dan terbatas kemungkinannya akan terjadi". Distribusi seragam
diskrit dengan nilai dari a hingga b terkadang dilambangkan sebagai U (a, b). Distribusi
Uniform memiliki dua jenis parameter yaitu lower boundary parameter (a) dan upper
boundary parameter (b). Nilai dari parameter tersebut adalah a=-53; b=820, artinya, data
distribusi diskrit kami memiliki batas bawah sebesar -53, dan batas atas sebesar 820.
Distribusi Geometrik adalah pertimbangkan urutan uji coba, di mana setiap uji
coba hanya memiliki dua kemungkinan hasil yaitu kegagalan dan keberhasilan yang
ditentukan, dan probabilitas keberhasilan diasumsikan sama untuk setiap uji coba. Dalam
urutan percobaan seperti itu, distribusi geometris berguna dalam pemodelan jumlah
kegagalan sebelum keberhasilan pertama. Distribusi memberikan probabilitas bahwa
tidak ada kegagalan sebelum kesuksesan pertama, satu kegagalan sebelum kesuksesan
pertama, dua kegagalan sebelum Distribusi Geometrik adalah pertimbangkan urutan uji
coba, di mana setiap uji coba hanya memiliki dua kemungkinan hasil yaitu kegagalan dan
keberhasilan yang ditentukan, dan probabilitas keberhasilan diasumsikan sama untuk
setiap uji coba. Dalam urutan percobaan seperti itu, distribusi geometris berguna dalam
pemodelan jumlah kegagalan sebelum keberhasilan pertama. Distribusi memberikan
probabilitas bahwa tidak ada kegagalan sebelum kesuksesan pertama, satu kegagalan
sebelum kesuksesan pertama, dua kegagalan sebelum kesuksesan pertama, dan
seterusnya memberikan probabilitas bahwa keberhasilan pertama kali membutuhkan k
percobaan independen, masing-masing dengan probabilitas keberhasilan p, dimana nilai
p kami adalah 0,0026 dimana 0 < p ≤ 1.

2021 59
Kelompok 44
Distribusi Poisson adalah distribusi probabilitas diskrit yang mengungkapkan

kemungkinan dari angka yang diberikan peristiwa yang terjadi dalam interval waktu atau
ruang tetap jika peristiwa ini terjadi dengan laju rata-rata konstan yang diketahui dan tidak
bergantung pada waktu sejak peristiwa terakhir. Nilai distribusi Poisson kami sebesar
838,3 yaitu sesuai dengan asas Poisson yang mengatakan bahwa sebuah distribusi dengan
parameter λ > 0, jika, untuk k = 0, 1, 2, ...
5.2 Analisis Parameter Distribusi Kontinu

Distribusi Uniform tidak menghasilkan nilai ketika diuji menggunakan Chi-
Squared Test karena persebaran datanya tidak dapat ditentukan. Distribusi Uniform juga
sering disingkat sebagai U (a, b) dan distribusi ini merupakan probabilitas entropi
maksimum untuk variabel acak X tanpa batasan yang selain itu terdapat dalam dukungan
distribusi. Distribusi Uniform memiliki dua jenis parameter yaitu lower boundary
parameter (a) dan upper boundary parameter (b). Nilai dari parameter tersebut adalah a
sebesar 102,37 dan b sebesar 109,06 artinya, data distribusi diskrit kami memiliki batas
bawah sebesar 102,37, dan batas atas sebesar 109,06.
Distribusi Normal memiliki dua jenis parameter yaitu scale parameter (σ) dan
location parameter (μ). Nilai dari parameter tersebut adalah σ=1,933; μ=105,72, µ sebagai
location parameter menunjukkan lokasi titik axis distribusi pada sumbu x, sedangkan σ
sebagai scale parameter sebagai penentu rentang dari distribusi. Dalam teori probabilitas,
seorang yang normal (atau Gaussian atau Gauss atau Laplace-Gauss) distribusi adalah
jenis distribusi probabilitas kontinu untuk bernilai real variabel acak.
Distribusi Gamma adalah distribusi probabilitas entropi maksimum (baik yang
berkenaan dengan ukuran dasar seragam dan sehubungan dengan ukuran dasar 1/x) untuk
variabel acak X di mana E [X] = kθ = α / β ditetapkan dan lebih besar dari nol, dan E
[ln(X)] = ψ (k) + ln (θ) = ψ (α) - ln (β) tetap (ψ adalah fungsi digamma). Distribusi Gamma
memiliki dua jenis parameter yaitu shape parameter(α) dan scale parameter (β). Nilai dari
parameter tersebut adalah α= 2991 dan β=0,035, dan nilai γ sebesar 0. α sebagai shape

2021 60
Kelompok 44
parameter dapat mengubah bentuk dasar dari distribusi gamma, ketika nilai dari shape
parameter berubah maka bentuk dari grafiknya akan berubah dan β sebagai scale
parameter sebagai penentu rentang dari distribusi.
Distribusi Erlang yang memiliki tiga parameter, yaitu m sebagai shape parameter
dan β sebagai scale parameter dan γ sebagai location parameter. Data kontinu yang
digunakan memiliki nilai m sebesar 2991, β sebesar 0,035 dan nilai γ sebesar 0 sebagai
location parameter menunjukkan lokasi titik axis distribusi pada sumbu x, sedangkan β
sebagai scale parameter berperan sebagai penentu rentang dari distribusi dan m sebagai
shape parameter dapat mengubah bentuk dasar dari distribusi erlang, ketika nilai dari
shape parameter berubah maka bentuk dari grafiknya akan berubah.
Distribusi Eksponensial mempunyai dua parameter, yaitu λ sebagai scale
parameter. Pengaplikasiannya, biasanya digunakan untuk pembuatan jadwal. Data
kontinu yang digunakan memiliki nilai λ sebesar 0,009 yang berperan sebagai penentu
rentang dari distribusi. Disini λ bernilai besar sehingga grafik fungsi kerapatan
probabilitas semakin tinggi ke arah nilai minimumnya (curam).
Distribusi Weibull memiliki dua parameter, yaitu α sebagai shape parameter dan
β sebagai scale parameter. Data kontinu yang digunakan memiliki nilai α sebesar 63,909
dan β sebesar 106,51. β sebagai scale parameter berperan sebagai penentu rentang dari
distribusi dan α sebagai shape parameter dapat mengubah bentuk dasar dari distribusi
Weibull, ketika nilai dari shape parameter berubah maka bentuk dari grafiknya akan
berubah.
Distribusi Beta memiliki empat parameter, yaitu α1 dan α2 sebagai shape
parameter dan a dan b yang merupakan parameter boundary. Data kontinu yang
digunakan memiliki nilai α1 sebesar 1,874 dan α2 sebesar 2,162 sedangkan a sebesar
101,67 dan b sebesar 110,43 sebagai parameter boundary. α1 dan α2 sebagai shape
parameter dapat mengubah bentuk dasar dari distribusi Beta, ketika nilai dari shape
parameter berubah maka bentuk dari grafiknya akan berubah.

2021 61
Kelompok 44
Distribusi Lognormal, adalah pendistribusian data menggunakan model

logaritma, Distribusi ini sendiri memiliki tiga parameter, yaitu μ sebagai location
parameter dan σ sebagai shape parameter. Data kontinu yang digunakan memiliki nilai μ
sebesar 4,661 dan σ sebesar 0,01804. μ sebagai location parameter menunjukkan lokasi
titik axis distribusi pada sumbu x, sedangkan σ sebagai scale parameter berperan sebaga
penentu rentang dari distribusi. Didata ini σ, mempunyai nilai yang relatif kecil sehingga,
bentu grafik pun akan semakin landai. Jika nilai σ maka, bentuk grafik akan semakin
mengkerucut keatas karena penyebaran data yang semakin menyebar.
5.3 Analisis Hasil Perhitungan Uji Goodness of Fit

Pada Uji Goodness of Fit Kolmogorov-Smirnov, Hasil perhitungan manual uji
Kolmogorov-Smirnov, D maks kami ternyata lebih kecil dari Dα, 0,089 < 0,198 maka
kita terima H0, yaitu data berdistribusi normal. Dα kami dapatkan dari tabel distribusi
Kolmogorov-Smirnov, dengan n=45 dan α=0,05, kami dapatkan Dα=0,198 menunjukkan
bahwa data kami masih dianggap normal karena distribusinya masih masuk dari range
distribusi normal.
Nilai Z yang berbanding lurus dengan nilai probabilitasnya, semakin besar nilai
Z, semakin besar pula probabilitasnya yang bisa dilihat dari tabel Z distribusi normal.
Tetapi, peluang tabel Z distribusi normal juga memiliki batas yaitu antara 0 sampai 1 atau
0 < P < 1. Jika nilai probabilitasnya 0, maka kejadian tersebut tidak akan terjadi, begitu
pula jika nilai probabilitasnya 1, maka kejadian tersebut pasti terjadi. Kesimpulan analisis
kami bahwa hubungan nilai probabilitas dengan nilai peluang benda adalah berbanding
lurus. Semakin besar nilai probabilitas, maka semakin besar pula peluang suatu benda
terjadi.
Dengan menggunakan software Easyfit, kami mendapatkan sedikit perbedaan
pada D, yaitu distribusi statistik. Hasil distribusi statistik pada software dan manual
berbeda, analisis kami karena ketelitian sebuah software dapat mengubah angka,
sedangkan ketelitian kami hanya sampai 3 angka dibelakang koma. Kesimpulan yang

2021 62
Kelompok 44
kami dapat bahwa software Easyfit menggunakan data kontinu yang dikelompokkan jadi
data kelompok, itulah sebabnya perhitungan kami hanya sedikit berbeda.
Pada Uji Goodness of Fit Chi-Square, Perhitungan dilakukan dalam dua cara yaitu
secara manual dan menggunakan software Easyfit, hasil perhitungan dari kedua metode
tersebut adalah sedikit berbeda namun menghasilkan kesimpulan yang sama. Terdapat
selisih antara perhitungan manual dengan software, dikarenakan perbedaan
pengelompokkan data yang digunakan dalam distribusi frekuensi data kelompok. Selain
itu, ketelitian angka desimal kami sangat berbeda, ketelitian kami hanya sampai 3 angka
dibelakang koma, maka kesimpulan yang kami dapat adalah Uji Goodness of Fit Chi-
Square tidak terlalu bagus jika digunakan pada data kontinu yang dikelompokkan menjadi
data kelompok, ini terlihat dari perhitungan kami, pada perhitungan nilai kritis, nilai kritis
manual adalah 9,488, sedangkan nilai kritis Easyfit adalah 11,070 pada rata-rata, rata-rata
manual 105,628, sedangkan rata-rata Easyfit 105,58 lalu pada standar deviasi, manual
sebesar 1,931 sedangkan pada Easyfit sebesar 1,929 lalu pada nilai distribusi statistik Chi-
Square, manual sebesar 4,641dan Easyfit sebesar 1,793. Maka dapat disimpulkan bahwa
Easyfit menggunakan data tunggal yang terlihat dari perbedaan mencolok dari distribusi
statistiknya, hal tersebut dikarenakan memang dari faktor penggunaan metode
perhitungan antara metode software dan manual.

2021 63
Modul 3 – Dsitribusi Statistik
Kelompok 44
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Setelah melakukan Praktikum Teori Probabilitas Modul 3 mengenai Distribusi
Statistik, beberapa kesimpulan yang dapat diambil yaitu:
1. Distribusi statistik berfungsi untuk membantu dalam menganalisis suatu data dan
membantu dalam pengambilan suatu keputusan. Aplikasi distribusi statistik dalam
kehidupan sehari-hari adalah seperti jarak kedatangan pelanggan di fasilitas
pelayanan seperti bank, puskesmas dan lain-lain serta lamanya waktu untuk
menyelesaikan pekerjaan.
2. Distribusi statistik merupakan metode yang bertujuan untuk mengukur ketepatan
sebuah data secara manual maupun dengan menggunakan software. Distribusi
statistik terbagi atas 2 macam, yaitu distribusi diskrit dan distribusi kontinu.
Distribusi diskrit merupakan distribusi yang datanya diperoleh dari hasil menghitung,
sedangkan distribusi kontinu merupakan distribusi dengan nilai x merupakan suatu
selang yang nilainya lebih dari atau sama dengan nol (X ≥ 0).
3. Pada distribusi statistik terdapat 3 parameter, yaitu scale parameter, shape paramete
dan location parameter. Scale parameter digunakan untuk menentukan unit dari
ukuran nilai dalam suatu distribusi dengan contoh data yaitu simpangan baku dan
variansi. Shape parameter digunakan untuk membedakan location dan scale
parameter dengan memperhatikan kelompok distribusi secara umum dengan contoh
data yaitu skewness dan kurtosis. Location parameter digunakan untuk menetukan
lokasi titik axis dari suatu nilai distribusi. Contohnya yaitu mean, median, dan modus.
4. Salah satu Software yang digunakan dalam distribusi statistik adalah Easyfit yang
membantu dalam membuat keputusan dengan menganalisis data probabilitas melalui
pemilihan distribusi yang baik. Selain itu Easyfit juga memudahkan untuk memilih
dengan cepat suatu distribusi peluang dan memilih suatu distribusi terbaik.

2021 64
Modul 3 – Dsitribusi Statistik
Kelompok 44
6.2 Saran
Dalam melaksanakan Praktikum Teori Probabilitas Modul 3 mengenai Distribusi
Statistik ini, penulis ingin memberikan saran yang membangun untuk kemajuan bersama
nantinya. Adapun saran tersebut adalah sebagai berikut:
1. Praktikan sebaiknya mendengarkan penjelasan dari asisten secara seksama, agar
tidak terjadi kesalahan dalam mengerjakan tugas yang diberikan.
2. Praktikan sebaiknya mempelajari dan memahami terlebih dahulu materi-materi yang
akan diberikan, baik melalui modul maupun sumber lainnya.
3. Pembagian tugas yang jelas antar anggota kelompok.
4. Praktikan diharapkan lebih teliti dalam pengolahan data baik secara manual maupun
dengan menggunakan software.

2021 65
DAFTAR PUSTAKA
2021. Modul Praktikum Teori Probabilitas. Departemen Teknik Industri:

Ade, Prihartono. 2005. Distribusi Z dan kegunaannya. Purwakarta.
Christiyono, Yuli. (2008). Kompresi Data berdasarkan Perhitungan
Distribusi Probabilitas. Bandung
Hadi, Sutrison. 2001. Statistik Normal dan Inferensial. Yogyakarta
Hayati, Nur (2014). Penggunaan Distribusi Normal dalam Memodelkan Persepsi
Biaya. Purwokerto: Pena Persada
Kaharuddin, Andi. 2018. Distribusi Normal. Konawe, Sulawesi Tenggara
Malik, A. & Chusni, M. (2018). Pengantar statistika pendidikan: Teori dan
aplikasi. Sleman: Deepublish
Noer, Ahmad. 2016. Distribusi Weibull dan Aplikasinya. BPEF-UGM
Rahmah, Azzahra. 2019. Distribusi Frekuensi – Pengertian, Makalah, Rumus,
Tabel, Cara Membuat.
Rojabi dkk. Klasifikasi Grafik Distribusi Kontinu. Jakarta: Balai Pustaka.
Sugiyono. (2014). Statistika Untuk Penelitian. Bandung: Alfabeta
Susanto. (2010). Kemajuan Teknologi. Yogyakarta: CAPS
Sumardi, Y. (2012). Penggunaan Microsoft Excel dalam Analisis Data
Eksperimen pada Pembelajaran Fisika. Cakrawala Pendidika, 196.
Triyanto. (2019). Pengenalan Minitab. Surakarta: Universitas Sebelas Maret
LAMPIRAN
KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN
TINGGI
UNIVERSITAS DIPONEGORO FAKULTAS TEKNIK
DEPARTEMEN TEKNIK INDUSTRI
Jl. Prof. H. Soedarto, S.H. Tembalang – Semarang
Telp. (024) 7460052; Fax. (024) 7460052
LEMBAR ASISTENSI
PRAKTIKUM TEORI PROBABILITAS
LABORATORIUM OPTIMASI DAN PERENCANAAN SISTEM INDUSTRI
Modul : Modul 3 (Distribusi Statistik)

Kelompok : Kelompok 44
Nama Asisten : I Dewa Putu Aditya
Asistensi ke-
Nama NIM
1 2 3
Daffa Adhimas Nuryawan 21070120140074 V V V
Faradina Rizka Alvioni 21070120120007 V V V
Grace Ainone Sinaga 21070120120016 V V V
Moh. Bagas Maulana 21070120120018 V V V
Muhammad Yusufa Riyan F 21070120130086 V V V
No Materi Asistensi Approve
1 Asistensi 1, revisi Bab 1, 2, dan 3
Asistensi 2, revisi Bab 4,5, dan 6

2
3 Asistensi 3, revisi Bab 4
Asisten,
I Dewa Putu Aditya

NIM. 21070119130112

Kelompok 44 - Laporan Praktikum TP ACC Modul 3

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

Kelompok 44 - Laporan Praktikum TP ACC Modul 3

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM TEORI PROBABILITAS

1. Faradina Rizka Alvioni 21070120120007

DEPARTEMEN TEKNIK INDUSTRI

Semarang, 21 September 2021

I Dewa Putu Aditya

Tiffany Eka Pridayanti

Semarang, 21 September 2021

KATA PENGANTAR .............................................................................................. iii

DAFTAR ISI .............................................................................................................. iv

DAFTAR TABEL ...................................................................................................... vii

DAFTAR GAMBAR ................................................................................................. viii

BAB I PENDAHULUAN .......................................................................................... 1

1.1 Latar Belakang ............................................................................................. 1

BAB II TINJAUAN PUSTAKA................................................................................ 5

2.1 Parameter Statistik ....................................................................................... 5

BAB III METODE PRAKTIKUM ............................................................................ 35

3.1 Flowchart ..................................................................................................... 35

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ..................................... 37

BAB V ANALISIS .................................................................................................... 59

5.1 Analisis Parameter Distribusi Diskrit .......................................................... 59

BAB VI KESIMPULAN DAN SARAN ................................................................... 64

6.1 Kesimpulan .................................................................................................. 64

Tabel 2.1 Distribusi Statistik ...................................................................................... 10

Gambar 2.1 Location Parameter ............................................................................... 6

Departemen Teknik Industri

khusus dengan fungsi distribusi F. Selama melakukan praktikum, untukpengolahan data

1.2 Tujuan Praktikum

1.3 Batasan Praktikum

Departemen Teknik Industri

1.4 Sistematika Penulisan

Departemen Teknik Industri

BAB VI KESIMPULAN DAN SARAN

Departemen Teknik Industri

Departemen Teknik Industri

Gambar 2.1. Location Parameter

Departemen Teknik Industri

Gambar 2.2 Scale Parameter

Departemen Teknik Industri

Gambar 2.3 Shape Parameter

2.2 Distribusi Statistik

Departemen Teknik Industri

2.2.1 Distribusi Diskrit

2.2.1.1 Jenis-Jenis Distribusi Statistik

Departemen Teknik Industri

Tabel 2.1 Distribusi Diskrit

Distribusi yang memiliki 1 Untuk

Distribusi yang didasarkan pada 𝑓(𝑥) = 1 − 𝑝 Menentukan

Departemen Teknik Industri

Tabel 2.1 Distribusi Diskrit (Lanjutan)

Distribusi binomial yaitu Menetukan

Departemen Teknik Industri

Tabel 2.1 Distribusi Diskrit (Lanjutan)

Distribusi banyaknya peluang x = kejadian

sukses x yang diambil dari sukses

banyaknya sampel n dari populasi Menentukan probabilitas

Departemen Teknik Industri

Tabel 2.1 Distribusi Diskrit (Lanjutan)

Distribusi geometri merupakan

percobaan ditentukan oleh peubah terjadinya suatu percobaan

acaknya dengan ketentuan sukses p P (peluang hingga bisa menemukan

dinotasikan dengan q = 1-p (Lubis, dilakukan pengulangan

2020). beberapa kali.

Departemen Teknik Industri