MODUL 3
DISTRIBUSI STATISTIK
Disusun Oleh:
Kelompok 44
Asisten,
Mengetahui,
Koordinator Praktikum
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.
Kelompok 44
iii
DAFTAR ISI
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
v
DAFTAR PUSTAKA
LAMPIRAN
vi
DAFTAR TABEL
vii
DAFTAR GAMBAR
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
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.
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.
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.
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.
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
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).
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.
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).
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
Zi = Data Xi yang
distandarisasi
𝑥̅ = Rata-rata data
S = Standar Deviasi
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.
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.
3. Pilihlah jenis tabel yang menjadi tempat data yang diolah dan jika data diskrit maka klik “Discrete” atau jika data kontinu klik
“Continuous”.
5. Klik salah satu distribusi yang tersedia. Misalnya pilih distribusi Gamma.
6. Untuk memunculkan Stat Assist, klik pada pop up kecil, lalu pilih icon grafik (Stat Assist).
BAB III
METODOLOGI PENELITIAN
3.1 Flowchart
Berikut ini adalah flowchart dari metodologi penelitian praktikum modul 3, yaitu:
Mulai
Studi Pustaka
Pengumpulan Data
Pengolahan Data
1. Software EasyFit
2. Perhitungan Probabilitas
Distribusi Normal
Analisis
Kesimpulan dan
saran
Selesai
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
1. Aceh 729
3. Riau 454
4. Jambi 614
6. Lampung 572
9. Banten 513
2. Sibolga 104,37
4. Medan 102,67
6. Gunungsitoli 106,41
7. Padang 104,44
8. Bukittinggi 103,24
9. Pekanbaru 103,90
a = -53
1 Uniform Diskrit a dan b
b = 820
2 Geometrik p p = 0,0026
3 Poisson λ = 838,3
λ
α2 (shape) 2.1617
a (boundary) 101.67
b (boundary) 110.43
β (scale) 106.51
c) Nilai Z
𝑥𝑖 − 𝑥̅ −3,765
Z1 = = = -2,601
𝑠 1,933
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
(𝒙𝒊 − 𝒙 S Z F(x) S(x) D
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
(𝒙𝒊 − 𝒙 S Z F(x) S(x) D
No. 𝒙𝒊 ̅
𝒙 ̅
𝒙𝒊 − 𝒙 ̅) 𝟐
(𝒙𝒊 − 𝒙 S Z F(x) S(x) D
b. Uji Chi-Square
Perhitungan data dengan Uji Chi-Square dilakukan dengan cara sebagai
berikut.
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.
𝒙𝒊 (𝒙𝒊 𝒇𝒊 (𝒙𝒊
k Interval 𝒇𝒊 𝒇. 𝒌𝒖𝒎 𝒙𝒊 TA TB 𝒇𝒙𝒊 ̅
𝒙
−𝒙 ̅ −𝒙̅) 𝟐 −𝒙 ̅) 𝟐
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
e) Mean
∑ 𝑓 . 𝑥𝑖 4753,24
𝑥̅ = = = 105,628
∑𝑓 45
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
𝑭𝒉 = |𝑷| x n
(𝒙𝒊
k 𝒙𝒊 TA TB ̅
𝒙 S Z1 PZ1 Z2 PZ2 P
−𝒙̅) 𝟐
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
Total 4,641
(𝑜𝑖 − 𝑒𝑖)2
x 2 hitung = = 4,641
𝑒𝑖
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
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
α 0,05 0,05
𝑥̅ 105,715 105,715
S 1,933 1,933
D 0,089 0,088
b. Uji Chi-Square
Berikut merupakan tabel rekap data uji Chi-Square pada perhitungan
manual dan software EasyFit.
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
BAB V
ANALISIS
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.
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.
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.
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.
LEMBAR ASISTENSI
PRAKTIKUM TEORI PROBABILITAS
LABORATORIUM OPTIMASI DAN PERENCANAAN SISTEM INDUSTRI
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
Asisten,