5.2.

Pengujian Distribusi terhadap Data dengan Menggunakan Uji Chi-

Square Kelompok
Data-data dengan jenis distribusi kontinu akan dilakukan pengujian
distribusi normal, distribusi exponential, distribusi lognormal, dan distribusi
gamma menggunakan uji statistik chi-square kelompok.

5.2.1. Data Angka Harapan Hidup (AHH) Menurut Kabupaten/Kota dan

Jenis Kelamin (Laki-laki)
Berikut ini merupakan langkah-langkah pengujian distribusi kontinu data
Angka Harapan Hidup (AHH) Menurut Kabupaten/Kota dan Jenis Kelamin (Laki-
laki).
1. Mengurutkan data Angka Harapan Hidup (AHH) Menurut Kabupaten/Kota
dan Jenis Kelamin (Laki-laki)
Tabel 5.36. Pengurutan Data Angka Harapan Hidup (AHH) Menurut
Kabupaten/Kota dan Jenis Kelamin (Laki-laki) 2017-2021
No Data No Data No Data No Data
1 63,34 23 64,98 45 66,76 67 67,72
2 63,45 24 65,15 46 66,77 68 67,73
3 63,49 25 65,22 47 66,89 69 67,74
4 63,57 26 65,28 48 66,91 70 67,76
5 63,57 27 65,40 49 66,94 71 67,78
6 63,67 28 65,51 50 66,97 72 67,79
7 63,68 29 65,56 51 67,07 73 67,84
8 63,87 30 65,82 52 67,16 74 67,89
9 63,88 31 65,86 53 67,22 75 67,92
10 63,95 32 65,98 54 67,28 76 67,96
11 64,01 33 66,01 55 67,29 77 67,97
12 64,02 34 66,14 56 67,35 78 67,98
13 64,12 35 66,16 57 67,42 79 68,00
14 64,15 36 66,25 58 67,47 80 68,00
15 64,20 37 66,27 59 67,52 81 68,04
16 64,20 38 66,32 60 67,54 82 68,04
17 64,23 39 66,43 61 67,57 83 68,07
18 64,32 40 66,49 62 67,59 84 68,08
19 64,33 41 66,55 63 67,60 85 68,08
20 64,51 42 66,55 64 67,62 86 68,08
21 64,63 43 66,64 65 67,69 87 68,11
22 64,81 44 66,73 66 67,70 88 68,15
 Tabel 5.36. Pengurutan Data Angka Harapan Hidup (AHH) Menurut
Kabupaten/Kota dan Jenis Kelamin (Laki-laki) 2017-2021 (Lanjutan)
No Data No Data No Data No Data
89 68,20 107 68,86 125 69,82 143 71,21
90 68,24 108 68,87 126 69,82 144 71,30
91 68,26 109 68,89 127 69,89 145 71,57
92 68,27 110 69,11 128 70,11 146 71,87
93 68,32 111 69,11 129 70,28 147 72,13
94 68,54 112 69,12 130 70,39 148 72,16
95 68,57 113 69,20 131 70,50 149 72,28
96 68,63 114 69,27 132 70,52 150 72,33
97 68,64 115 69,31 133 70,57 151 72,41
98 68,67 116 69,32 134 70,58 152 72,51
99 68,68 117 69,33 135 70,63 153 72,54
100 68,75 118 69,33 136 70,69 154 72,61
101 68,77 119 69,35 137 70,76 155 72,79
102 68,77 120 69,58 138 70,78 156 72,95
103 68,78 121 69,62 139 70,87 157 73,03
104 68,80 122 69,71 140 70,96 158 73,13
105 68,83 123 69,75 141 71,03 159 73,22
106 68,86 124 69,80 142 71,10 160 73,27
Sumber: Pengolahan Data

2. Menghitung besarnya data.

Min = 63,34
Max = 73,27
Range = Nilai Max – Nilai Min
= 73,27 – 63,34
= 9,93
3. Menghitung banyaknya kelas.
K = 1 + 3,3 log (N)
K = 1 + 3,3 log (160)

K = 8,273 9

4. Menghitung interval kelas.

Range 9,93
I= = = 1,200
Kelas 8,273
5. Mencari interval atas dan interval bawah.
a. Interval bawah
Interval bawah ke-1 = 63,34
Interval bawah ke-2 = interval bawah ke-1 + I
= 63,34 + 1,200
= 64,540
b. Interval atas
Interval atas ke-1 = interval bawah ke-2 -0,001
= 64,540 – 0,001
= 64,539
6. Mencari Batas Kelas Bawah (BKB) dan Batas Kelas Atas (BKA).
a. BKB
BKB ke-1= Interval bawah ke-1 - 0,0005
= 63,340 – 0,0005
= 63,3395
b. BKA
BKA ke-1 = Interval atas ke-1 + 0,0005
= 64,539 + 0,0005
= 64,5395
7. Mencari nilai tengah interval (t) dengan rumus sebagai berikut:
Interval bawah ke-1 + Interval atas ke-1
t ke-1 =
2
( 63,340 + 64,539 )
=
2
= 63,9395
8. Nilai Oi didapat dari jumlah data yang berada di antara interval bawah
dengan interval atas dapat dilihat pada Tabel 5.37.
Tabel 5.37. Perhitungan Nilai Tengah Data Angka Harapan Hidup (AHH)
Menurut Kabupaten/Kota dan Jenis Kelamin (Laki-laki) 2017-2021
No Interval BKB BKA t Oi
1 63,340 - 64,539 63,3395 64,5395 63,9395 20
 2 64,540 - 65,739 64,5395 65,7395 65,1395 9
3 65,740 - 66,939 65,7395 66,9395 66,3395 19
Tabel 5.37. Perhitungan Nilai Tengah Data Angka Harapan Hidup (AHH)
Menurut Kabupaten/Kota dan Jenis Kelamin (Laki-laki) 2017-2021
(Lanjutan)
No Interval BKB BKA t Oi
4 66,940 - 68,139 66,9395 68,1395 67,5395 39
5 68,140 - 69,339 68,1395 69,3395 68,7395 31
6 69,340 - 70,539 69,3395 70,5395 69,9395 14
7 70,540 - 71,739 70,5395 71,7395 71,1395 13
8 71,740 - 72,939 71,7395 72,9411 72,3395 10
9 72,940 - 74,139 72,9395 74,1395 73,5395 5
618,655
Jumlah 160
5
Sumber: Pengolahan Data

9, Mencari frekuensi relatif dengan rumus sebagai berikut:

nilai Oi ke-1
Frekuensi relatif ke-1 =
jumlah Oi
20
=
160
= 0,125
Hasil perhitungan frekuensi relatif dapat dilihat pada Tabel 5.38.
Tabel 5.38. Perhitungan Frekuensi Relatif Data Angka Harapan Hidup
(AHH) Menurut Kabupaten/Kota dan Jenis Kelamin (Laki-laki) 2017-2021
N Frekuensi
Interval BKB BKA t Oi
o Relatif
64,53
1 63,340 - 63,3395 64,5395 63,9395 20 0,1249
9
65,73
2 64,540 - 64,5395 65,7395 65,1395 9 0,0563
9
66,93
3 65,740 - 65,7395 66,9395 66,3395 19 0,1188
9
68,13
4 66,940 - 66,9395 68,1395 67,5395 39 0,2437
9
69,33
5 68,140 - 68,1395 69,3395 68,7395 31 0,1937
9
70,53
6 69,340 - 69,3395 70,5395 69,9395 14 0,0875
9
 71,73
7 70,540 - 70,5395 71,7395 71,1395 13 0,0813
9
72,93
8 71,740 - 71,7395 72,9395 72,3395 10 0,0625
9
74,13
9 72,940 - 72,9395 74,1395 73,5395 5 0,0313
9
618,655
Jumlah 160 1,0000
5
Sumber: Pengolahan Data

10. Mencari nilai parameter setiap distribusi dengan menggunakan software

minitab 16. Langkah-langkahnya adalah sebagai berikut:
a. Input data yang telah diurutkan.

Sumber: Software Minitab 16

Gambar 5.7. Data yang Di-input untuk Pengujian Distribusi Kontinu pada
Data Kontinu

b. Klik Start > Quality Tools > Individual Distribution Identification.

Kemudian dipilih data yang akan dicari nilai parameternya.
Sumber: Software Minitab 16
Gambar 5.8. Individual Distribution Identification untuk Pengujian Distribusi
Kontinu pada Data Kontinu
c. Klik OK, nilai parameter akan maka akan menghasilkan tabel seperti
seperti pada Gambar 5.9.

Sumber: Software Minitab 16

Gambar 5.9. Nilai Parameter untuk Pengujian Distribusi Kontinu pada Data
Kontinu I

11. Menguji data untuk distribusi Normal, distribusi exponential, distribusi

lognormal, dan distribusi gamma.
5.2.2.1. Distribusi Normal
Langkah-langkah pengujian yang dilakukan adalah sebagai berikut:
1. Merumuskan hipotesis.
H0 : Data berdistribusi normal
Hi : Data tidak berdistribusi normal
2. Dengan menggunakan α = 0,05.
3. Menghitung peluang (P) dari masing-masing kelas dengan menggunakan
software minitab 16. Hasil perhitungan frekuensi peluang data distribusi
Normal akan diperlihatkan pada Tabel 5.39. Langkah-langkah dalam
menghitung peluang menggunakan software minitab 16 adalah sebagai
berikut:
a. Terlebih dahulu di-input nilai BKB dan BKA, kemudian klik Calc >
Probability Distribution > Normal. Kemudian input mean sebesar
68,05675 dan standard deviation sebesar 2.47930.

Sumber: Software Minitab 16

Gambar 5.10. Input Parameter untuk Perhitungan Distribusi Normal Data
Kontinu I

b. Tentukan Input Column sebagai lokasi sumber data masukan dan

Optional Storage sebagai lokasi hasil data keluaran untuk P(X<BKB).
Kemudian dengan cara yang sama dilakukan untuk memperoleh
 P(X<BKA).

Sumber: Software Minitab 16

Gambar 5.11. Input Column dan Optional Storage untuk Perhitungan
Distribusi Normal Pada Data Kontinu I

c. Klik OK, nilai P(X<BKB) dan P(X<BKA), maka akan menghasilkan

table seperti pada gambar yang ditunjukkan di bawah.

Sumber: Software Minitab 16

Gambar 5.12. Nilai P(X<BKB) dan P(X<BKA) untuk Perhitungan Distribusi
Normal Data Kontinu I

Tabel 5.39. Perhitungan Frekuensi Peluang Data Distribusi Normal dengan

Menggunakan Software Minitab 16 pada Data Kontinu I
No Interval BKB BKA P(X<BKB P(X<BKA) Oi Luas
 )
1 63,340 - 64,539 63,3395 64,5395 0,0285 0,0780 20 0,0495
2 64,540 - 65,739 64,5395 65,7395 0,0780 0,1750 9 0,0970
3 65,740 - 66,939 65,7395 66,9395 0,1750 0,3261 19 0,1511
4 66,940 - 68,139 66,9395 68,1395 0,3261 0,5133 39 0,1872
5 68,140 - 69,339 68,1395 69,3395 0,5133 0,6976 31 0,1843
6 69,340 - 70,539 69,3395 70,5395 0,6976 0,8417 14 0,1441
7 70,540 - 71,739 70,5395 71,7395 0,8417 0,9313 13 0,0896
8 71,740 - 72,939 71,7395 72,9395 0,9313 0,9756 10 0,0443
9 72,940 - 74,139 72,9395 74,1395 0,9755 0,9929 5 0,0174
Jumlah 160 0,9644
Sumber: Pengolahan Data

4. Menghitung nilai ekspektasi (Ei) untuk setiap interval kelas distribusi.

Ei = luas ke-i × n
Contoh: E1 = 0,0495 ×160
= 7,9200
Nilai ekspektasi Ei untuk masing-masing kelas distribusi dapat dilihat pada
Tabel 5.40.
Tabel 5.40. Perhitungan Frekuensi Peluang Data Distribusi Normal dengan
Menggunakan Software Minitab 16 pada Data Kontinu I
P(X<BKA Luas Ei
No Interval BKB BKA P(X<BKB) Oi
)
1 63,340 - 64,539 63,3395 64,5395 0,0285 0,0780 20 0,0495 7,9200
2 64,540 - 65,739 64,5395 65,7395 0,0780 0,1750 9 0,0970 15,5200
3 65,740 - 66,939 65,7395 66,9395 0,1750 0,3261 19 0,1511 24,1760
4 66,940 - 68,139 66,9395 68,1395 0,3261 0,5133 39 0,1872 29,9520
5 68,140 - 69,339 68,1395 69,3395 0,5133 0,6976 31 0,1843 29,4880
6 69,340 - 70,539 69,3395 70,5395 0,6976 0,8417 14 0,1441 23,0560
7 70,540 - 71,739 70,5395 71,7395 0,8417 0,9313 13 0,0896 14,3360
8 71,740 - 72,939 71,7395 72,9395 0,9313 0,9756 10 0,0443 7,0880
9 72,940 - 74,139 72,9395 74,1395 0,9755 0,9929 5 0,0174 2,7840
Jumlah 160 0,9644 154,3200
Sumber: Pengolahan Data

5. Jika Ei < 5, maka digabung ke kelas sebelumnya atau setelahnya. Nilai Ei

setelah penggabungan untuk masing-masing kelas distribusi.
 Tabel 5.41. Perhitungan Nilai Ekspektasi (Ei) Akhir Normal pada Data
Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0285 0,0780 20 0,0495 7,9200
2 64,540 - 65,739 64,5395 65,7395 0,0780 0,1750 9 0,0970 15,5200
3 65,740 - 66,939 65,7395 66,9395 0,1750 0,3261 19 0,1511 24,1760
4 66,940 - 68,139 66,9395 68,1395 0,3261 0,5133 39 0,1872 29,9520
5 68,140 - 69,339 68,1395 69,3395 0,5133 0,6976 31 0,1843 29,4880
6 69,340 - 70,539 69,3395 70,5395 0,6976 0,8417 14 0,1441 23,0560
7 70,540 - 71,739 70,5395 71,7395 0,8417 0,9313 13 0,0896 14,3360
8 71,740 - 74,139 71,7395 74,1395 0,9313 0,9929 15 0,0616 9,8560
Jumlah 160 0,9644 154,3040
Sumber: Pengolahan Data

6. Nilai Ei setelah penggabungan untuk masing-masing kelas distribusi. Jika Ei

> 5 maka dapat dihitung nilai uji statistik chi-square masing-masing kelas
dengan rumus:
( Oi - Ei )2
x hitung = ∑
2
Ei
2
2 (20-7,9200)
x hitung = = 18,4251
7,9200
Tabel 5.42. Perhitungan Nilai Chi-Square Normal pada Data Kontinu I
P(X<BKB P(X<BKA) Luas Ei 2
No Interval Oi x hitung
)
0,049
1 63,340 - 64,539
0,0285 0,0780 20 5 7,9200 18,4251
0,097
2 64,540 - 65,739
0,0780 0,1750 9 0 15,5200 2,7391
0,151
3 65,740 - 66,939
0,1750 0,3261 19 1 24,1760 1,1082
0,187
4 66,940 - 68,139
0,3261 0,5133 39 2 29,9520 2,7333
0,184
5 68,140 - 69,339
0,5133 0,6976 31 3 29,4880 0,0775
0,144
6 69,340 - 70,539
0,6976 0,8417 14 1 23,0560 3,5570
0,089
7 70,540 - 71,739
0,8417 0,9313 13 6 14,3360 0,1245
8 71,740 - 74,139 0,9313 0,9929 15 0,061 9,8560 2,6847
 6
0,964
Jumlah 160
4 154,3040 31,4494
Sumber: Pengolahan Data

7. Kesimpulan
df (derajat kebebasan) = jumlah kelas – jumlah parameter (mean and standart
deviation)
=8–2
=6
Nilai x2 tabel = 12,592 (α = 0,05). Karena x2 hitung = 31,4494 > x2 tabel =
12,592 , maka H0 ditolak, yang menandakan data tidak berdistribusi normal.

Grafik Distribusi
Normal
60
Oi
Frekuensi

40
20 Ei
0
1 2 3 4 5 6 7 8
Kelas

Sumber: Pengolahan Data

Gambar 5.13. Grafik Distribusi Normal Data Kontinu pada Data Kontinu I
5.2.1.2. Distribusi Exponential
Langkah-langkah pengujian yang dilakukan adalah sebagai berikut:
1. Merumuskan hipotesis.
H0 : Data berdistribusi exponential
Hi : Data tidak berdistribusi exponential
2. Dengan menggunakan α = 0,05.
3. Menghitung peluang (P) dari masing-masing kelas dengan menggunakan
software minitab 16. Hasil perhitungan frekuensi peluang data distribusi
Lognormal akan diperlihatkan pada Tabel 5.43. Langkah-langkah dalam
menghitung peluang menggunakan software minitab 16 adalah sebagai
berikut:
 a. Terlebih dahulu di-input nilai BKB dan BKA, kemudian klik Calc >
Probability Distribution > Exponential. Kemudian input scale sebesar
4,74641 dan threshold 63,31033.

Sumber: Software Minitab 16

Gambar 5.14. Input Parameter untuk Perhitungan Distribusi Exponential
pada Data Kontinu I

b. Tentukan Input Column sebagai lokasi sumber data masukan dan

Optional Storage sebagai lokasi hasil data keluaran untuk P(X<BKB).
Kemudian dengan cara yang sama dilakukan untuk memperoleh
P(X<BKA).
Sumber: Software Minitab 16
Gambar 5.15. Input Column dan Optional Storage untuk Perhitungan
Distribusi Exponential pada Data Kontinu I

c. Klik OK, nilai P(X<BKB) dan P(X<BKA), maka akan menghasilkan

tabel seperti pada gambar yang ditunjukkan di bawah.

Sumber: Software Minitab 16

Gambar 5.16. Nilai P(X<BKB) dan P(X<BKA) untuk Perhitungan Distribusi
Exponential pada Data Kontinu I

Tabel 5.43. Perhitungan Frekuensi Peluang Data Distribusi Exponential

dengan Menggunakan Software Minitab 16 pada Data Kontinu I
 P(X<BKB P(X<BKA) Luas
No Interval BKB BKA Oi
)
1 63,340 - 64,539 63,3395 64,5395 0,0061 0,2282 20 0,2221
2 64,540 - 65,739 64,5395 65,7395 0,2282 0,4006 9 0,1724
3 65,740 - 66,939 65,7395 66,9395 0,4006 0,5345 19 0,1339
4 66,940 - 68,139 66,9395 68,1395 0,5345 0,6385 39 0,1040
5 68,140 - 69,339 68,1395 69,3395 0,6385 0,7192 31 0,0807
6 69,340 - 70,539 69,3395 70,5395 0,7192 0,7820 14 0,0628
7 70,540 - 71,739 70,5395 71,7395 0,7820 0,8307 13 0,0487
8 71,740 - 72,939 71,7395 72,9395 0,8307 0,8685 10 0,0378
9 72,940 - 74,139 72,9395 74,1395 0,8685 0,8979 5 0,0294
Jumlah 160 0,8918
Sumber: Pengolahan Data

4. Menghitung nilai ekspektasi (Ei) untuk setiap interval kelas distribusi.

Ei = luas ke-i × n
Contoh: E1 = 0,2221 × 160
= 35,5360
Nilai ekspektasi Ei untuk masing-masing kelas distribusi dapat dilihat pada
Tabel 5.44.
Tabel 5.44. Perhitungan Nilai Ekspektasi (Ei) Exponential pada Data Kontinu
I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0061 0,2282 20 0,2221 35,5360
2 64,540 - 65,739 64,5395 65,7395 0,2282 0,4006 9 0,1724 27,5840
3 65,740 - 66,939 65,7395 66,9395 0,4006 0,5345 19 0,1339 21,4240
4 66,940 - 68,139 66,9395 68,1395 0,5345 0,6385 39 0,1040 16,6400
5 68,140 - 69,339 68,1395 69,3395 0,6385 0,7192 31 0,0807 12,9120
6 69,340 - 70,539 69,3395 70,5395 0,7192 0,7820 14 0,0628 10,0480
7 70,540 - 71,739 70,5395 71,7395 0,7820 0,8307 13 0,0487 7,7920
8 71,740 - 72,939 71,7395 72,9395 0,8307 0,8685 10 0,0378 6,0480
9 72,940 - 74,141 72,9395 74,1415 0,8685 0,8979 5 0,0294 4,7040
Jumlah 160 0,8918 142,6880
Sumber: Pengolahan Data

5. Jika Ei < 5, maka digabung ke kelas sebelumnya atau setelahnya. Nilai Ei

 setelah penggabungan untuk masing-masing kelas distribusi.
Tabel 5.45. Perhitungan Nilai Ekspektasi (Ei) Akhir Exponential pada Data
Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0061 0,2282 20 0,2221 35,5360
2 64,540 - 65,739 64,5395 65,7395 0,2282 0,4006 9 0,1724 27,5840
3 65,740 - 66,939 65,7395 66,9395 0,4006 0,5345 19 0,1339 21,4240
4 66,940 - 68,139 66,9395 68,1395 0,5345 0,6385 39 0,1040 16,6400
5 68,140 - 69,339 68,1395 69,3395 0,6385 0,7192 31 0,0807 12,9120
6 69,340 - 70,539 69,3395 70,5395 0,7192 0,7820 14 0,0628 10,0480
7 70,540 - 71,739 70,5395 71,7395 0,7820 0,8307 13 0,0487 7,7920
8 71,740 - 74,139 71,7395 74,1415 0,8307 0,8979 15 0,0672 10,7520
Jumlah 160 0,8918 142,6880
Sumber: Pengolahan Data

6. Nilai Ei setelah penggabungan untuk masing-masing kelas distribusi. Jika Ei

> 5 maka dapat dihitung nilai uji statistik chi-square masing-masing kelas
dengan rumus:
2
( O -E )
x hitung = ∑ i i
2
Ei

2 (20-35,5360)2
x hitung = = 6,7922
35,5360
Tabel 5.46. Perhitungan Nilai Chi-Square pada Data Kontinu I
P(X<BKB P(X<BKA) Luas Ei 2
No Interval Oi x hitung
)
0,222
1 63,340 - 64,539
0,0061 0,2282 20 1 35,5360 6,7922
0,172
2 64,540 - 65,739
0,2282 0,4006 9 4 27,5840 12,5205
0,133
3 65,740 - 66,939
0,4006 0,5345 19 9 21,4240 0,2743
0,104
4 66,940 - 68,139
0,5345 0,6385 39 0 16,6400 30,0463
0,080
5 68,140 - 69,339
0,6385 0,7193 31 8 12,9280 25,3389
0,062
6 69,340 - 70,539
0,7193 0,7820 14 7 10,0320 1,5544
0,048
7 70,540 - 71,739
0,7820 0,8307 13 7 7,7920 3,4809
 0,067
8 71,740 - 74,141
0,8307 0,8979 15 2 10,7520 1,6783
0,891
Jumlah 160
8 142,6880 81,6858
Sumber: Pengolahan Data
7. Kesimpulan
df (derajat kebebasan) = jumlah kelas – jumlah parameter (mean and standart
deviation)
=8–2
=6
Nilai x2 tabel = 12,592 (α = 0,05). Karena x2 hitung = 81,6858 > x2 tabel =
12,592 , maka H0 ditolak, yang menandakan data tidak berdistribusi
exponential.

Grafik Distribusi Exponential

45
40
35
30
Frekuensi

25 Oi
20 Ei
15
10
5
0
1 2 3 4 5 6 7 8
Kelas

Sumber: Pengolahan Data

Gambar 5.17. Grafik Exponential Data Kontinu pada Data Kontinu I

5.2.1.3. Distribusi Lognormal

Langkah-langkah pengujian yang dilakukan adalah sebagai berikut:
1. Merumuskan hipotesis.
H0 : Data berdistribusi lognormal
Hi : Data tidak berdistribusi lognormal
2. Dengan menggunakan α = 0,05.
3. Menghitung peluang (P) dari masing-masing kelas dengan menggunakan
software minitab 16. Hasil perhitungan frekuensi peluang data distribusi
 Lognormal akan diperlihatkan pada Tabel 5.47. Langkah-langkah dalam
menghitung peluang menggunakan software minitab 16 adalah sebagai
berikut:
a. Terlebih dahulu di-input nilai BKB dan BKA, keudian klik Calc >
Probability Distribution > Lognormal. Kemudian input location sebesar
4,4836, scale sebesar 0,02782, dan threshold -20,77537.

Sumber: Software Minitab 16

Gambar 5.18. Input Parameter untuk Perhitungan Distribusi Lognormal
pada Data Kontinu I

b. Tentukan Input Column sebagai lokasi sumber data dan masukan dan
Optional Storage sebagai lokasi hasil data keluaran untuk P(X<BKB).
Kemudian dengan cara yang sama dilakukan untuk memperoleh
P(X<BKA).
 Sumber: Software Minitab 16
Gambar 5.19. Input Column dan Optional Storage untuk Perhitungan
Distribusi Lognormal pada Data Kontinu I
c. Klik OK, nilai P(X<BKB) dan P(X<BKA), maka akan mengeluarkan tabel
seperti pada gambar yang ditunjukkan di bawah.

Sumber: Software Minitab 16

Gambar 5.20. Nilai P(X<BKB) dan P(X<BKA) untuk Perhitungan Distribusi
Lognormal pada Data Kontinu I

Tabel 5.47. Perhitungan Frekuensi Peluang Distribusi Lognormal dengan

Menggunakan Software Minitab 16 pada Data Kontinu I
P(X<BKB P(X<BKA) Luas
No Interval BKB BKA Oi
)
63,34 63,339
1 - 64,539 0,0257 0,0752
0 5 64,5395 20 0,0495
64,54 64,539
2 - 65,739 0,0752 0,1746
0 5 65,7395 9 0,0994
65,74 65,739
3 - 66,939 0,1746 0,3296
0 5 66,9395 19 0,1550
66,94 66,939
4 - 68,139 0,3296 0,5189
0 5 68,1395 39 0,1893
68,14 68,139
5 - 69,339 0,5189 0,7017
0 5 69,3395 31 0,1828
69,34 69,339
6 - 70,539 0,7017 0,8425
0 5 70,5395 14 0,1408
70,54 70,539
7 - 71,739 0,8425 0,9298
0 5 71,7395 13 0,0873
71,74 71,739
8 - 72,939 0,9298 0,9736
0 5 72,9395 10 0,0438
9 72,94 - 74,139 72,939 74,1395 0,9736 0,9917 5 0,0181
 0 5
Jumlah 160 0,9660
Sumber: Pengolahan Data

4. Menghitung nilai ekspektasi (Ei) untuk setiap interval kelas distribusi.

Contoh: Ei = luas ke-i × n
Ei = 0,0495 × 160
= 7,9200
Nilai ekspetasi (Ei) untuk masing-masing kelas distribusi dapat dilihat pada
Tabel 5.48.
Tabel 5.48. Perhitungan Nilai Ekspetasi (Ei) Lognormal pada Data
Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0257 0,0752 20 0,0495 7,9200
2 64,540 - 65,739 64,5395 65,7395 0,0752 0,1746 9 0,0994 15,9040
3 65,740 - 66,939 65,7395 66,9395 0,1746 0,3296 19 0,1550 24,8000
4 66,940 - 68,139 66,9395 68,1395 0,3296 0,5189 39 0,1893 30,2880
5 68,140 - 69,339 68,1395 69,3395 0,5189 0,7017 31 0,1828 29,2480
6 69,340 - 70,539 69,3395 70,5395 0,7017 0,8425 14 0,1408 22,5280
7 70,540 - 71,739 70,5395 71,7395 0,8425 0,9298 13 0,0873 13,9680
8 71,740 - 72,939 71,7395 72,9395 0,9298 0,9736 10 0,0438 7,0080
9 72,940 - 74,139 72,9395 74,1395 0,9736 0,9917 5 0,0181 2,8960
Jumlah 160 0,9660 154,5600
Sumber: Pengolahan Data

5. Jika Ei < 5, maka digabung ke kelas sebelumnya atau setelahnya. Nilai Ei

setelah penggabungan untuk masing-masing kelas distribusi dapat dilihat
pada tabel 5.49.
Tabel 5.49. Perhitungan Nilai Ekspetasi (Ei) Akhir Lognormal pada Data
Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0257 0,0752 20 0,0495 7,9200
2 64,540 - 65,739 64,5395 65,7395 0,0752 0,1746 9 0,0994 15,9040
3 65,740 - 66,939 65,7395 66,9395 0,1746 0,3296 19 0,1550 24,8000
4 66,940 - 68,139 66,9395 68,1395 0,3296 0,5189 39 0,1893 30,2880
5 68,140 - 69,339 68,1395 69,3395 0,5189 0,7017 31 0,1828 29,2480
6 69,340 - 70,539 69,3395 70,5395 0,7017 0,8425 14 0,1408 22,5280
7 70,540 - 71,739 70,5395 71,7395 0,8425 0,9298 13 0,0873 13,9680
8 71,740 - 74,139 71,7395 74,1395 0,9298 0,9917 15 0,0619 9,9040
Jumlah 160 0,9660 154,5600
Sumber: Pengolahan Data

6. Setelah didapatkan nilai Oi dan Ei untuk masing-masing kelas maka dapat

dihitung nilai uji statistik chi-square masing-masing kelas dengan rumus:
2
( O i - Ei )
Contoh: x hitung = ∑
2
Ei
(20- 7,9200 )2
x2 hitung = = 18,4251
7,9200
Tabel 5.50. Perhitungan Nilai Chi-Square Lognormal pada Data Kontinu I
P(X<BKB P(X<BKA) Luas Ei 2
x hitung
No Interval Oi
)
0,049
1 63,340 - 64,539 0,0257 0,0752
20 5 7,9200 18,4251
0,099
2 64,540 - 65,739 0,0752 0,1746
9 4 15,9040 2,9971
0,155
3 65,740 - 66,939 0,1746 0,3296
19 0 24,8000 1,3565
0,189
4 66,940 - 68,139 0,3296 0,5189
39 3 30,2880 2,5059
0,182
5 68,140 - 69,339 0,5189 0,7017
31 8 29,2480 0,1049
0,140
6 69,340 - 70,539 0,7017 0,8425
14 8 22,5280 3,2283
0,087
7 70,540 - 71,739 0,8425 0,9298
13 3 13,9680 0,0671
0,061
8 -
71,740 74,139 0,9298 0,9917 15 9 9,9040 2,6221
0,966
Jumlah 160
0 154,5600 31,3070
Sumber: Pengolahan Data

7. Kesimpulan
df (derajat kebebasan) = jumlah kelas – jumlah parameter (Location, Scale,
dan Threshold)
=8–3
 =5
Nilai x2 tabel = 11,070 (α = 0,05). Karena x2 hitung = 31,3070 > x2 tabel =
11,070 maka H0 ditolak, yaitu data tidak berdistribusi lognormal.

Grafik Distribusi Lognormal

50
40
Frekuensi

30 Oi
20 Ei
10
0
1 2 3 4 5 6 7 8
Kelas

Sumber: Pengolahan Data

Gambar 5.21. Grafik Distribusi Lognormal pada Data Kontinu I
5.2.1.4. Distribusi Gamma
Langkah-langkah pengujian yang dilakukan adalah sebagai berikut:
1. Merumuskan hipotesis.
H0 : Data berdistribusi gamma
Hi : Data tidak berdistribusi gamma
2. Dengan menggunakan α = 0,05.
3. Menghitung peluang (P) dari masing-masing kelas dengan menggunakan
software minitab 16. Hasil pehitungan frekuensi peluang data distribusi
Gamma akan diperlihatkan pada Tabel 5.51. Langkah-langkah dalam
menghitung peluang menggunakan software minitab 16 adalah sebagai
berikut:
a. Terlebih dahulu di-input nilai BKB dan BKA, kemudia klik Calc >
Probability Distribution > Gamma. Kemudian input shape sebesar
84,90569, input scale sebesar 0,26973 , dan input threshold sebesar
45,13561.
Sumber: Software Minitab 16
Gambar 5.22. Input Parameter untuk Perhitungan Distribusi Gamma pada
Data Kontinu I

b. Tentukan Input Column sebagai lokasi sumber data masukan dan

Optional Storage sebagai lokasi hasil data keluaran untuk P(X<BKB).
Kemudian dengan cara yang sama dilakukan untuk memperoleh
P(X<BKA).
 Sumber: Software Minitab 16
Gambar 5.23. Input Column dan Optional Storage untuk Perhitungan
Distribusi Gamma pada Data Kontinu I

c. Klik OK, nilai P(X<BKB) dan P(X<BKA), maka akan menghasilkan

tabel seperti pada gambar yang ditunjukkan di bawah.

Sumber: Software Minitab 16

Gambar 5.24. Nilai P(X<BKB) dan P(X<BKA) untuk Perhitungan Distribusi
Gamma pada Data Kontinu I
Tabel 5.51. Perhitungan Frekuensi Peluang Distribusi Gamma dengan
Menggunakan Software Minitab 16 pada Data Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas
1 63,340 - 64,539 63,3395 64,5395 0,0227 0,0736 20 0,0509
2 64,540 - 65,739 64,5395 65,7395 0,0736 0,1786 9 0,1050
3 65,740 - 66,939 65,7395 66,9395 0,1786 0,3400 19 0,1614
4 66,940 - 68,139 66,9395 68,1395 0,3400 0,5308 39 0,1908
5 68,140 - 69,339 68,1395 69,3395 0,5308 0,7090 31 0,1782
6 69,340 - 70,539 69,3395 70,5395 0,7090 0,8433 14 0,1343
7 70,540 - 71,739 70,5395 71,7395 0,8433 0,9267 13 0,0834
8 71,740 - 72,939 71,7395 72,9395 0,9267 0,9701 10 0,0434
9 72,940 - 74,139 72,9395 74,1395 0,9701 0,9893 5 0,0192
16
Jumlah
0 0,9667
Sumber: Pengolahan Data

4. Menghitung nilai ekspektasi (Ei) untuk setiap interval kelas distribusi.

Contoh: Ei = luas ke-i × n
 Ei = 0,0509 × 160
= 8,1440
Nilai ekspektasi Ei untuk masing-masing kelas distribusi dapat dilihat pada
Tabel 5.52.
Tabel 5.52. Perhitungan Nilai Ekspektasi (Ei) Gamma Data Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0227 0,0736 20 0,0509 8,1440
2 64,540 - 65,739 64,5395 65,7395 0,0736 0,1786 9 0,1050 16,8000
3 65,740 - 66,939 65,7395 66,9395 0,1786 0,3400 19 0,1614 25,8240
4 66,940 - 68,139 66,9395 68,1395 0,3400 0,5308 39 0,1908 30,5280
5 68,140 - 69,339 68,1395 69,3395 0,5308 0,7090 31 0,1782 28,5120
6 69,340 - 70,539 69,3395 70,5395 0,7090 0,8433 14 0,1343 21,4880
7 70,540 - 71,739 70,5395 71,7395 0,8433 0,9267 13 0,0834 13,3440
8 71,740 - 72,939 71,7395 72,9395 0,9267 0,9701 10 0,0434 6,9440
9 72,940 - 74,139 72,9395 74,1395 0,9701 0,9893 5 0,0192 3,0720
Jumlah 160 0,9666 154,6720
Sumber: Pengolahan Data

5. Jika Ei < 5, maka digabung ke kelas sebelumnya atau setelahnya. Nilai Ei

setelah penggabungan untuk masing-masing kelas distribusi dapat dilihat
pada Tabel 5.53.
Tabel 5.53. Nilai Ekspektasi (Ei) Akhir Gamma pada Data Kontinu I
No Interval BKB BKA P(X<BKB) P(X<BKA) Oi Luas Ei
1 63,340 - 64,539 63,3395 64,5395 0,0227 0,0736 20 0,0509 8,1440
2 64,540 - 65,739 64,5395 65,7395 0,0736 0,1786 9 0,1050 16,8000
3 65,740 - 66,939 65,7395 66,9395 0,1786 0,3400 19 0,1614 25,8240
4 66,940 - 68,139 66,9395 68,1395 0,3400 0,5308 39 0,1908 30,5280
5 68,140 - 69,339 68,1395 69,3395 0,5308 0,7090 31 0,1782 28,5120
6 69,340 - 70,539 69,3395 70,5395 0,7090 0,8433 14 0,1343 21,4880
7 70,540 - 71,739 70,5395 71,7395 0,8433 0,9267 13 0,0834 13,3440
8 71,740 - 74,139 71,7395 74,1395 0,9267 0,9893 15 0,0627 10,0320
Jumlah 160 0,9666 154,6720
Sumber: Pengolahan Data

6. Setelah didapatkan nilai Oi dan Ei untuk masing-masing kelas maka dapat

dihitung nilai uji statistik chi-square masing-masing kelas dengan rumus:
 Contoh:
( O i - Ei )2
x hitung = ∑
2
Ei
(20 - 8,1440 )2
x2 hitung =
8,1440
= 17,2599
Tabel 5.54. Perhitungan Nilai Chi-Square pada Data Kontinu I
P(X<BKB P(X<BKA) Luas Ei 2
No Interval Oi x hitung
)
0,050
1 63,340 - 64,539 0,0227 0,0736
20 9 8,1440 17,2599
0,105
2 64,540 - 65,739 0,0736 0,1786
9 0 16,8000 3,6214
0,161
3 65,740 - 66,939 0,1786 0,3400
19 4 25,8240 1,8032
0,190
4 66,940 - 68,139 0,3400 0,5308
39 8 30,5280 2,3511
0,178
5 68,140 - 69,339 0,5308 0,7090
31 2 28,5120 0,2171
0,134
6 69,340 - 70,539 0,7090 0,8433
14 3 21,4880 2,6094
0,083
7 70,540 - 71,739 0,8433 0,9267
13 4 13,3440 0,0089
0,062
8 -
71,740 74,139 0,9267 0,9893 15 6 10,0160 2,4801
0,966
Jumlah 160 30,3511
6 154,6560
Sumber: Pengolahan Data
7. Kesimpulan
df (derajat kebebasan) = jumlah kelas – jumlah parameter (Shape, Scale, dan
Threshold)
=8–3
=5
Nilai x2 tabel = 11,070 (α = 0,05). Karena x2 hitung = 30,3511 > x2 tabel =
11,070, maka H0 ditolak, yaitu data tidak berdistribusi gamma.
 Grafik Distribusi Gamma
45
40
35
30
Frekuensi

25 Oi
20 Ei
15
10
5
0
1 2 3 4 5 6 7 8

Kelas

Sumber: Pengolahan Data

Gambar 5.25. Grafik Distribusi Gamma pada Data Kontinu I

Tabel 5.55. Rekapitulasi Hasil Pengujian Distribusi Kontinu Data I

No Distribusi 2
x hitung
2
x tabel P-Value Keterangan
1 Distribusi Normal 31,4494 12,592 - H0 ditolak
2 Distribusi Exponential 81,6858 12,592 - H0 ditolak
3 Distribusi Lognormal 31,3070 11,070 - H0 ditolak
4 Distribusi Gamma 30,3511 11,070 - H0 ditolak
Sumber: Pengolahan Data

5.2.1.5. Menguji Data dengan Menggunakan Software Easyfit

Hasil pengujian distribusi kontinu di atas menunjukkan bahwa data
tersebut tidak berdistribusi normal, exponential, lognormal, maupun gamma.
Maka akan dilakukan pengujian data dengan menggunakan software easyfit 5.5
untuk mengetahui jenis distribusi yang cocok dengan data tersebut. Tahapan-
tahapan pengujian data dengan software easyfit 5.5 adalah sebagai berikut.
1. Input data yang telah diurutkan.
Sumber: Software Easyfit 5.5
Gambar 5.26. Input Data pada Software Easyfit 5.5

2. Klik Analyze > Fit Distributions.

Sumber: Software Easyfit 5.5

Gambar 5.27. Kotak Dialog untuk Input Data pada Software Easyfit 5.5

3. Klik OK, maka data distribusi akan ditampilkan sebagai berikut.

Tabel 5.56. Goodness of Fit Data Kontinu I

No Distribution Kolmogorov Anderson Chi-Squared

 Smirnov Darling
Statistic Rank Statistic Rank Statistic Rank
1 Beta 0,08856 35 1,9181 35 21,395 37
2 Burr 0,0481 2 0,71044 2 12,15 31
3 Burr (4P) 0,06712 30 0,99007 28 7,8552 8
4 Cauchy 0,09114 36 1,6712 33 8,127 11
5 Chi-Squared 0,36258 52 35,937 49 348,43 50
6 Chi-Squared (2P) 0,19389 47 7,2998 45 34,984 43
7 Dagum 0,74932 58 192,07 59 660,27 52
8 Dagum (4P) 0,35759 51 39,372 50 90,461 48
9 Erlang 0,06347 26 0,82298 15 8,547 18
10 Erlang (3P) 0,061 20 0,89972 23 8,254 13
11 Error 0,06368 27 1,0545 29 16,877 35
12 Error Function 1 63 N/A N/A
13 Exponential 0,60572 56 68,275 56 3046,4 54
14 Exponential (2P) 0,24387 48 14,554 46 72,262 46
15 Fatigue Life 0,05833 15 0,81834 12 8,5341 17
16 Fatigue Life (3P) 0,05685 8 0,80778 10 8,303 15
17 Frechet 0,12883 46 4,1771 42 23,627 40
18 Frechet (3P) 0,11371 41 2,5451 37 23,839 41
19 Gamma 0,05632 7 0,79453 8 8,6872 21
20 Gamma (3P) 0,06304 24 0,86521 20 7,5675 3
21 Gen. Extreme Value 0,0594 17 0,81962 14 10,277
22 Gen. Gamma 1 62 N/A N/A
23 Gen. Gamma (4P) 0,06477 28 0,87732 21 7,5641 2
24 Gen. Logistic 0,0534 5 0,75484 4 8,2333 12
25 Gen. Pareto 0,08773 33 39,882 52 N/A
26 Gumbel Max 0,11407 42 4,7021 44 21,404 38
27 Gumbel Min 0,10922 39 4,5342 43 11,298 29
Tabel 5.56. Goodness of Fit Data Kontinu I (Lanjutan)

No Distribution Kolmogorov Anderson Chi-Squared

Smirnov Darling
 Statistic Rank Statistic Rank Statistic Rank
28 Hypersecant 0,05895 16 1,0884 30 12,441 32
29 Inv. Gaussian 0,05771 13 0,82593 17 7,7141 5
30 Inv. Gaussian (3P) 0,05756 12 0,82458 16 7,9744 9
31 Johnson SB 0,0626 23 0,9007 24 12,911 33
32 Kumaraswamy 0,08775 34 1,8746 34 19,607 36
33 Laplace 0,06342 25 1,5646 32 11,073 28
34 Levy 0,66452 57 81,086 57 4711 56
35 Levy (2P) 0,39293 54 25,958 48 200,3 49
36 Log-Gamma 0,05964 18 0,81891 13 9,3652 23
37 Log-Logistic 0,05751 11 0,76049 5 7,6734 4
38 Log-Logistic (3P) 0,05206 3 0,72146 3 8,1239 10
39 Log-Pearson 3 0,057 9 0,79859 9 8,2776 14
40 Logistic 0,05732 10 0,88972 22 14,209 34
41 Lognormal 0,05832 14 0,81823 11 8,5335 16
42 Lognormal (3P) 0,06128 21 0,82739 18 8,637 19
43 Nakagami 0,05415 6 0,78342 7 7,8349 7
44 Normal 0,05235 4 0,77997 6 11,783 30
45 Pareto 0,25076 49 17,413 47 78,529 47
46 Pareto 2 0,76972 59 122,95 58 3262,7 55
47 Pearson 5 0,06061 19 0,83881 19 8,6737 20
48 Pearson 5 (3P) 0,0711 32 0,96429 26 7,1285 1
49 Pearson 6 0,37955 53 40,721 53 488,42 51
50 Pearson 6 (4P) 0,12709 45 3,7382 40 29,35
51 Pert 0,07009 31 1,0953 31 10,694 27
Phased Bi-
52 1 64 N/A N/A
Exponential
53 Phased Bi-Weibull 0,33022 50 40,787 54 N/A
54 Power Function 0,11187 40 3,9264 41 35,1 44
Tabel 5.56. Goodness of Fit Data Kontinu I (Lanjutan)

No Distribution Kolmogorov Anderson Chi-Squared

Smirnov Darling
 Statistic Rank Statistic Rank Statistic Rank
55 Rayleigh 0,49354 55 53,97 55 1467 53
56 Rayleigh (2P) 0,11658 43 2,2825 36 22,41 39
57 Reciprocal 0,12131 44 3,5285 39 39,1 45
58 Rice 1 61 4240,5 61 N/A
5,18E+0
59 Student's t
0,99988 60 1294,7 60 6 57
60 Triangular 0,06165 22 0,94189 25 10,678 26
61 Uniform 0,09317 37 39,85 51 N/A
62 Wakeby 0,0427 1 0,47116 1 9,4928
63 Weibull 0,09561 38 2,8412 38 9,262 22
64 Weibull (3P) 0,06712 29 0,98179 27 7,8329 6
65 Johnson SU No fit
Sumber : Software Easyfit 5.5

Setelah dilakukan pengujian distribusi menggunakan distribusi normal,

exponential, lognormal, dan gamma, didapatkan hasil pengujian chi-square
menyatakan bahwa H0 ditolak. Hasil pengujian distribusi kontinu menggunakan
software easyfit 5.5 menunjukkan bahwa data Angka Harapan Hidup (AHH)
Menurut Kabupaten/Kota dan Jenis Kelamin (Laki-laki) berdistribusi pearson 5
(3P). Adapun parameter dalam distribusi pearson 5 (3P) data kontinu I yaitu
α=200,25, β=7014,1, dan  γ=32,847. Berikut grafik dan parameter dari persebaran
distribusi pearson 5 (3P) terhadap data kontinu I.
Sumber: Software Easyfit 5.5
Gambar 5.28. Grafik Distribusi Pearson 5 (3P)