Kelompok 19 - Modul 3

LAPORAN PRAKTIKUM TEORI PROBABILITAS
MODUL 3
DISTRIBUSI STATISTIK
Disusun Oleh:
Kelompok 19
1. Ainur Hikmah Alfasanah 21070122120002
2. Gratia Andrea Sam 21070122120019
3. Bagus Prakoso Purwoputro 21070122130074
4. Irtiza Ghaza Danendra 21070122140171
DEPARTEMEN TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2023
LEMBAR PENGESAHAN
MODUL 3
DISTRIBUSI STATISTIK
Semarang, 02 Oktober 2023
Menyetujui,
Asisten
Sofi Amalia
NIM 21070121140112
KATA PENGANTAR
Dengan penuh rasa syukur, praktikan mengucapkan terima kasih kepada Tuhan
Yang Maha Esa atas kesempatan yang diberikan kepada praktikan untuk menyelesaikan
Laporan Praktikum Teori Probabilitas Modul 3 “Distribusi Statistik” dengan tepat waktu.
Tentunya selama proses penyusunan laporan ini, tidak lepas dari kontribusi dan bantuan
dari banyak pihak. Maka dari itu, praktikan mengucapkan terima kasih kepada pihak yang
telah membantu selama proses penyusunan laporan ini:
1. Ibu Prof. Dr. Aries Susanty, S.T., M.T., selaku dosen pengampu mata kuliah
Teori Probabilitas yang telah membagikan ilmunya, sehingga praktikan dapat
memahami dengan baik semua materi dan dapat mengikuti Praktikum Teori
Probabilitas Modul 3 dengan lancar.
2. Saudara Robert selaku koordinator praktikum, Saudarai Sofi Amalia selaku
asisten praktikum Modul 3, beserta seluruh asisten Laboratorium Optimasi dan
Perencanaan Sistem Industri yang telah membimbing dan membantu praktikan
selama berjalannya praktikum Modul 3.
3. Seluruh pihak yang telah membantu penyelesaian Laporan Praktikum Teori
Probablitas Modul 3 “Distribusi Statistik” ini baik secara langsung maupun tidak
langsung yang tidak dapat praktikan sebutkan satu persatu.
Praktikan sadar bahwa laporan ini mungkin masih memiliki kekurangan, oleh
karena itu, praktikan sangat menghargai masukan, kritik, dan saran untuk perbaikan di
masa depan. Akhir kata, praktikan mengucapkan terima kasih dan berharap laporan ini
dapat memberikan kontribusi positif dalam pemahaman topik Distribusi Statistik.
Semarang, 02 Oktober 2023
Kelompok 19
iii
DAFTAR ISI
KATA PENGANTAR ................................................................................................. iii

DAFTAR ISI ............................................................................................................... iv
DAFTAR GAMBAR ................................................................................................... vi
DAFTAR TABEL ...................................................................................................... vii
BAB I PENDAHULUAN ............................................................................................ 1
1.1 Latar Belakang................................................................................................ 1
1.2 Tujuan Praktikum ........................................................................................... 2
1.3 Batasan Penelitian........................................................................................... 3
1.4 Sistematika Penulisan ..................................................................................... 4
BAB II METODE PRAKTIKUM ................................................................................ 5
2.1 Flowchart Metode Praktikum ......................................................................... 5
2.2 Penjelasan Flowchart ...................................................................................... 6
BAB III PENGUMPULAN, PENGOLAHAN DATA, DAN ANALISIS ...................... 7
3.1 Pengumpulan Data .......................................................................................... 7
3.1.1 Data Diskrit .................................................................................................... 7
3.1.2 Data Kontinu .................................................................................................. 8
3.2 Parameter Statistik ........................................................................................ 10
3.2.1 Parameter Distribusi Data Diskrit.................................................................. 11
3.2.2 Parameter Distribusi Data Kontinu ................................................................ 11
3.3 Output Distribusi Statistik Data Diskrit dengan Software EasyFit.................. 12
3.3.1 Distribusi Uniform Diskrit ............................................................................ 12
3.3.2 Distribusi Geometrik ..................................................................................... 13
3.3.3 Distribusi Poisson ......................................................................................... 13
3.3.4 Distribusi Negatif Binomial .......................................................................... 14
3.3.5 Rekap Data Diskrit Parameter Distribusi ....................................................... 15
3.4 Output Distribusi Statistik Data Kontinu dengan software EasyFit ................ 15
3.4.1 Distribusi Uniform Kontinu .......................................................................... 15
3.4.2 Distribusi Normal ......................................................................................... 16
iv
3.4.3 Distribusi Gamma ......................................................................................... 17
3.4.4 Distribusi Eksponensial................................................................................. 18
3.4.5 Distribusi Weibull ......................................................................................... 18
3.4.6 Distribusi Beta .............................................................................................. 19
3.4.7 Distribusi Erlang ........................................................................................... 20
3.4.8 Distribusi Lognormal .................................................................................... 22
3.4.9 Rekap Data Kontinu Parameter Distribusi ..................................................... 22
3.5 Uji Goodness of Fit ....................................................................................... 23
3.5.1 Perhitungan Manual Data Diskrit .................................................................. 24
3.5.2 Perhitungan Manual Data Kontinu ................................................................ 30
3.5.3 Output Data Software EasyFit Data Diskrit ................................................... 38
3.5.4 Output Software EasyFit Data Kontinu ......................................................... 41
3.5.5 Rekap Data Uji Goodness of Fit Data Diskrit ................................................ 46
3.5.6 Rekap Data Uji Goodness of Fit Data Kontinu .............................................. 49
BAB IV PENUTUP .................................................................................................... 59
4.1 Kesimpulan................................................................................................... 59
4.2 Saran ............................................................................................................ 59
DAFTAR PUSTAKA ................................................................................................... 1
v
DAFTAR GAMBAR
Gambar 2. 1 Flowchart Metode Praktikum ................................................................... 5

Gambar 3. 1 Grafik Distribusi Uniform Diskrit ........................................................... 12
Gambar 3. 2 Grafik Distribusi Geometrik .................................................................... 13
Gambar 3. 3 Grafik Distribusi Poisson ........................................................................ 13
Gambar 3. 4 Grafik Distribusi Negatif Binomial ......................................................... 14
Gambar 3. 5 Grafik Distribusi Uniform Kontinu ......................................................... 16
Gambar 3. 6 Grafik Distribusi Normal ........................................................................ 16
Gambar 3. 7 Grafik Distribusi Gamma ........................................................................ 17
Gambar 3. 8 Grafik Distribusi Eksponensial................................................................ 18
Gambar 3. 9 Grafik Distribusi Weibull ........................................................................ 19
Gambar 3. 10 Grafik Distribusi Beta ........................................................................... 20
Gambar 3. 11 Grafik Distribusi Erlang ........................................................................ 21
Gambar 3. 12 Grafik Distribusi Logonormal ............................................................... 22
vi
DAFTAR TABEL
Tabel 3. 1 Data Kuantitatif Diskrit ............................................................................... 7

Tabel 3. 2 Data Kuantitatif Diskrit (Lanjutan) .............................................................. 8
Tabel 3. 3 Data Kuantitatif Kontinu ............................................................................. 8
Tabel 3. 4 Data Kuantitatif Kontinu (Lanjutan) ............................................................ 9
Tabel 3. 5 Data Kuantitatif Kontinu (Lanjutan) .......................................................... 10
Tabel 3. 6 Rekap Data Diskrit Parameter Distribusi ................................................... 15
Tabel 3. 7 Tabel Rekapitulasi Data Kontinu Parameter Distribusi .............................. 22
Tabel 3. 8 Rekapitulasi Data Kontinu Parameter Distribusi (Lanjutan) ....................... 23
Tabel 3. 9 Hasil Perhitungan Manual Data Diskrit Menggunakan Uji Kolmogorov-
Smirnov ...................................................................................................................... 25
Smirnov (Lanjutan) ..................................................................................................... 26
Smirnov (Lanjutan) ..................................................................................................... 27
Tabel 3. 12 Hasil Perhitungan Manual Data Diskrit Menggunakan Uji Anderson-Darling
................................................................................................................................... 28
(Lanjutan) ................................................................................................................... 29
Tabel 3. 14 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu............................... 30
Tabel 3. 15 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu (Lanjutan) ............. 31
Tabel 3. 16 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu (Lanjutan) ............. 32
Tabel 3. 17 Distribusi Frekuensi ................................................................................. 33
Tabel 3. 18 Hasil Perhitungan Nilai Peluang Frekuensi Harapan ................................ 34
Tabel 3. 19 Hasil Perhitungan Frekuensi Harapan dan Objektif .................................. 34
Tabel 3. 20 Hasil Perhitungan Frekuensi Harapan dan Objektif (Lanjutan) ................. 35
Tabel 3. 21 Perhitungan Statistik A2 Data Kontinu .................................................... 36
Tabel 3. 22 Perhitungan Statistik A2 Data Kontinu (Lanjutan) ................................... 37
Tabel 3. 23 Output Uji Kolmogorov-Smirnov Distribusi Uniform Diskrit .................. 38
vii
Tabel 3. 24 Output Uji Kolmogorov-Smirnov Distribusi Geometrik ........................... 38
Tabel 3. 25 Output Uji Kolmogorov-Smirnov Distribusi Poisson ............................... 39
Tabel 3. 26 Output Uji Kolmogorov-Smirnov Distribusi Negatif Binomial ................ 39
Tabel 3. 27 Output Uji Anderson-Darling Distribusi Uniform Diskrit ........................ 39
Tabel 3. 28 Output Uji Anderson-Darling Distribusi Geometrik ................................. 40
Tabel 3. 29 Output Uji Anderson-Darling Distribusi Poisson ..................................... 40
Tabel 3. 30 Output Uji Anderson-Darling Distribusi Negatif Binomial....................... 41
Tabel 3. 31 Output Uji Kolmogorov-Smirnov Distribusi Normal ............................... 41
Tabel 3. 32 Output Uji Kolmogorov-Smirnov Distribusi Eksponensial ....................... 41
Tabel 3. 33 Output Uji Kolmogorov-Smirnov Distribusi Gamma ............................... 42
Tabel 3. 34 Output Uji Kolmogorov-Smirnov Distribusi Gamma ............................... 42
Tabel 3. 35 Output Uji Chi Square Distribusi Normal ............................................... 43
Tabel 3. 36 Output Uji Chi Square Distribusi Eksponensial........................................ 43
Tabel 3. 37 Output Uji Chi Square Distribusi Weibull ............................................... 43
Tabel 3. 38 Output Uji Chi Square Distribusi Gamma ................................................ 44
Tabel 3. 39 Output Uji Anderson-Darling Distribusi Normal...................................... 44
Tabel 3. 40 Output Uji Anderson-Darling Distribusi Eksponensial ............................. 45
Tabel 3. 41 Output Uji Anderson-Darling Distribusi Weibull .................................... 45
Tabel 3. 42 Output Uji Anderson-Darling Distribusi Gamma .................................... 45
Tabel 3. 43 Rekap Data Uji Kolmogorov-Smirnov Data Diskrit Manual dan Software 46
Tabel 3. 44 Rekap Data Uji Kolmogorov-Smirnov Data Diskrit Software EasyFit ...... 47
Tabel 3. 45 Rekap Data Uji Anderson-Darling Data Diskrit Manual dan Software ..... 49
Tabel 3. 46 Rekap Data Uji Anderson-Darling Data Diskrit Software EasyFit ........... 49
Tabel 3. 47 Rekap Data Uji Kolmogorov-Smirnov Data Kontinu Manual dan Software
................................................................................................................................... 51
Tabel 3. 48 Rekap Data Uji Kolmogorov-Smirnov Data Kontinu Software EasyFit ... 52
Tabel 3. 49 Rekap Data Uji Chi Square Data Kontinu Manual dan Software .............. 53
Tabel 3. 50 Rekap Data Uji Chi Square Data Kontinu Manual dan Software (Lanjutan)
................................................................................................................................... 54
Tabel 3. 51 Rekap Data Uji Chi Square Data Kontinu Software EasyFit .................... 54
Tabel 3. 52 Rekap Data Uji Anderson-Darling Data Kontinu Manual dan Software ... 56
viii
Tabel 3. 53 Rekap Data Uji Anderson-Darling Data Kontinu Software EasyFit ......... 56
Tabel 3. 54 Rekap Data Uji Anderson-Darling Data Kontinu Software EasyFit
(Lanjutan) ................................................................................................................... 57
ix
Laporan Praktikum Teori Probabilitas
Modul 3 – Distribusi Statistik
Kelompok 19
BAB I
PENDAHULUAN
1.1 Latar Belakang

Dalam kehidupan sehari-hari, kita sering menghadapi situasi yang memiliki
berbagai macam kemungkinan. Distribusi statistik dapat dimanfaatkan untuk menghitung
data seperti distribusi pendapatan, tingkat pendidikan, tinggi badan dan lain sebagainya.
Penting bagi kita untuk memahami distribusi statistik karena ini membantu kita
menganalisis data dan memahami probabilitas yang terkait dengan penelitian tersebut.
Data memiliki beragam jenis, sehingga tidak semua data dapat dianalisis dengan cara
yang sama. Oleh karena itu, kita perlu memilih metode analisis yang sesuai dengan
distribusi statistik yang dimiliki oleh data tersebut.
Distribusi statistik adalah konsep kunci dalam ilmu statistik yang mengacu pada
cara data disebarkan dalam sebuah kumpulan data (Irianto, 2016). Menurut pendapat lain,
distribusi statistik adalah cara data disebarkan atau diinterpretasikan dengan metode yang
sistematis (Setiawan, 2011). Sehingga dapat disimpulkan, distribusi statistik merupakan
salah satu metode yang digunakan dalam menganalisis, mengolah, dan menyajikan data.
Distribusi statistik dibagi menjadi dua jenis yaitu distribusi diskrit dan distribusi kontinu.
Distribusi diskrit merupakan fungsi matematika digunakan ketika variabel yang sedang
dianalisis memiliki berbagai kemungkinan hasil yang berbeda, dengan nilai nilai yang
bersifat data diskrit (Wahid, 2020). Distribusi diskrit memiliki beberapa jenis distribusi,
antara lain distribusi uniform diskrit, distribusi poisson, distribusi binomial, distribusi
negatif binomial, distribusi geometrik, distribusi hipergeometrik, distribusi multinomial,
dan distribusi Bernoulli. Sedangkan distribusi kontinu adalah distribusi yang berlaku
ketika variabel acak memiliki nilai yang terletak dalam rentang antara nol hingga satu
(Wahid, 2020). Jenis – jenis distribusi distribusi kontinu antara lain distribusi uniform
kontinu, distribusi normal, distribusi gamma, distribusi eksponensial, distribusi Weibull,
distribusi beta, distribusi erlang, dan distribusi lognormal. Parameter adalah angka atau
nilai numerik yang digunakan untuk menggambarkan sifat atau karakteristik dari sebuah
kelompok atau populasi (Ramadhani, Margono, Paramitha, & Kaavessina, 2019).
Departemen Teknik Industri 1

Universitas Diponegoro
2023
Kelompok 19
Menurut pendapat lain, parameter adalah ukuran atau karakteristik yang digunakan untuk
menggambarkan sifat atau ciri-ciri dari seluruh populasi dari mana sampel diambil (Abdi,
2021). Sehingga dapat disimpulkan bahwa parameter adalah angka yang menunjukkan
karakteristik sebuah populasi.
Data yang digunakan dalam praktikum ini berasal dari modul 1 dan bersifat
kuantitatif. Data kuantitatif ini terdiri dari data diskrit dan data kontinu. Data diskrit yang
digunakan adalah data Jumlah Desa/Kelurahan yang Memiliki Fasilitas Sekolah Menurut
Kabupaten/Kota dan Tingkat Pendidikan SMK Di Provinsi Jawa Timur Tahun 2021
dengan jumlah sampel 30 data yang bersumber dari Badan Pusat Statistik. Sedangkan
data kontinu yang digunakan adalah Data Wilayah Berdasarkan Desa di Kabupaten Bogor
Tahun 2021 dengan jumlah sampel data sebanyak 45 data yang bersumber dari web site
Open Data Jabar.
Distribusi statistik memiliki peran yang sangat rinci dalam berbagai aspek
kehidupan sehari-hari. Dalam bidang perhubungan, distribusi statistik dapat digunakan
untuk menghitung peluang penerbangan suskses dengan jumlah mesin tertentu. Selain
itu, distribusi statistik juga digunakan dalam analisis medis, contohnya menghitung
peluang pasien selamat dalam operasi jantung yang rumit. Dalam bidang olahraga juga
distribusi statistik dapat diterapkan. Contohnya seorang pemain basket dapat mengetahui
peluang berhasil melakukan tembakan (Novyantika, 2017),
Pada modul 3 ini, kita akan memproses kedua jenis data statistik tadi, yakni data
kuantitatif yang bersifat diskrit dan kontinu. Proses ini dapat dilakukan baik secara
manual maupun dengan menggunakan perangkat lunak. Dalam praktikum kali ini, kita
akan memanfaatkan perangkat lunak Microsoft Office Excel untuk membantu
perhitungan manual dan EasyFit. EasyFit menyediakan berbagai fitur yang dapat
memudahkan kita dalam mencari distribusi statistik yang tepat.
1.2 Tujuan Praktikum

Pada praktikum Teori Probabilitas Modul 3 “Statistika Deskritptif” 2023,
praktitkan diharapkan mampu untuk:
1. Memahami parameter-parameter dalam distribusi statistik.
2. Mengetahui dan memahami fungsi dan jenis-jenis distribusi statistik.

2023
Kelompok 19
3. Memahami dan mampu melakukan uji Goodness of Fit.

4. Mampu menggunakan dan menganalisis output software EasyFit dalam melihat
distribusi statistik.
1.3 Batasan Penelitian

Dalam modul 3 yang berjudul “Dstribusi Statistik” menggunakan satu jenis data
yang merupakan data kuantitatif. Data kuantitatif yang dipakai dalam modul ini adalah
data diskrit dan data kontinu. Kami menggunakan kedua data tersebut karena disesuaikan
dengan dua jenis distribusi statistik yang akan dianalisis nantinya, yaitu distribusi diskrit
dan distribusi kontinu. Dalam mendapatkan data yang akan dipakai, modul ini
menggunakan data kuantitatif yang sama seperti pada modul 1. Dimana data diskrit yang
dipakai oleh kelompok 19 adalah Jumlah Desa/Kelurahan yang Memiliki Fasilitas
Sekolah Tingkat SMK. Data diskrit tersebut bersumber dari web BPS Jatim pada tahun
2019-2021. Untuk data kontinu yang dipakai oleh kelompok 19 berupa Luas Wilayah
Berdasarkan Desa di Kabupaten Bogor 2020. Data kontinu tersebut bersumber dari web
Open Data Provinsi Jawa Barat. Untuk jumlah data yang dipakai berupa 30 pada data
diskrit dan 45 pada data kontinu.
Dalam modul 3 ini software yang digunakan berupa EasyFit. Software EasyFit
merupakan sebuah program aplikasi yang dapat membantu dalam proses analisis data
distribusi dalam pengambilan keputusan. Dalam cara pengolahannya, pada modul 3 ini
menggunakan 2 jenis yaitu secara perhitungan manual dengan bantuan software Excel
dan pembuatan grafik menggunakan software EasyFit. Dalam perhitungan manual data
diskrit mencari Uji Kolmogorov-Smirnov dan Uji Anderson-Darling. Dalam perhitungan
manual data kontinu mencari Uji Kolmogorov-Smirnov, Uji Chi Square, dan Uji
Anderson-Darling. Setelah perhitungan secara manual tersebut maka akan dihitung
dengan menggunakan software EasyFit apakah output yang dihasilkan dengan
perhitungan manual sama dengan perhitungan yang dilakukan dengan menggunakan
software EasyFit. Sedangkan dalam penggunaan software EasyFit data diskrit
dipergunakan untuk pembuatan grafik output Distribusi Uniform Diskrit, Geometrik,
Poisson, dan Negative Binominal. Dalam penggunaan software data kontinu
dipergunakan dalam membuat grafik output berupa Distribusi Uniform Kontinu, Normal,

2023
Kelompok 19
Gamma, Eksponensial, Weilbull, Beta, Erlang, dan Lognormal.
1.4 Sistematika Penulisan

Sistematika penulisan laporan Teori Probabilitas Modul 3 Distribusi Statistik
adalah sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi mengenai latar belakang, tujuan praktikum, batasan
penelitian, dan sistematika penulisan.
BAB II METODE PRAKTIKUM
Berisi flowchart metode praktikum modul 3 serta penjelasan dari
flowchart tersebut dimulai dari identifikasi masalah sampai menarik
kesimpulan serta memberikan saran.
BAB III PENGUMPULAN, PENGOLAHAN DATA, DAN ANALISIS
Bab ini berisi tentang pengumpulan data yang diambil dari data modul 1
yaitu data kuantitatif diskrit dan kontinu. Data diskrit yang digunakan
adalah data Jumlah Desa/Kelurahan yang Memiliki Fasilitas Sekolah
Menurut Kabupaten/Kota Dan Tingkat Pendidikan SMK Di Provinsi Jawa
Timur Tahun 2021 sedangkan data kontinu yang digunakan adalah Data
Wilayah Berdasarkan Desa di Kabupaten Bogor Tahun 2021. Data akan
diolah menggunakan software Excel untuk membantu perhitungan manual
dan EasyFit untuk mendapatkan output parameter distribusi serta uji
Goodness of Fit yang dilakukan dengan perhitungan manual dan
menggunakan software EasyFit. Output tersebut akan dibandingkan antara
output dari perhitungan manual dan menggunakan software lalu output
distribusi statistik akan dianalisis pengaruh grafiknya terkait nilai
parameter yang didpatkan.
BAB IV KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang menjawab tujuan praktikum dan saran
untuk praktikan dan praktikum selanjutnya.

2023
Kelompok 19
BAB II
METODE PRAKTIKUM
2.1 Flowchart Metode Praktikum

Berikut merupakan flowchart dari metode praktikum teori probabilitas modul 3
“Distribusi Statistik”.
Gambar 2. 1 Flowchart Metode Praktikum Modul 3

2023
Kelompok 19
2.2 Penjelasan Flowchart

Langkah awal pada Praktikum Teori Probabilitas Modul “Distribusi Statistik”
adalah mengidentifikasi permasalahan yang terkait dengan penggunaan distribusi
statistik. Dalam hal ini, kita dapat mencari masalah-masalah yang sering diselesaikan
dengan bantuan distribusi statistik melalui literatur yang ada. Kemudian, langkah
berikutnya adalah melakukan peninjauan pustaka dengan mengacu pada jurnal, artikel
ilmiah, buku, dan modul praktikum yang relevan. Setelah itu, langkah selanjutnya adalah
mengumpulkan data yang akan digunakan dalam praktikum. Data yang digunakan dalam
praktikum ini berasal dari modul 1 dan bersifat kuantitatif. Data kuantitatif ini terdiri dari
data diskrit dan data kontinu. Data diskrit yang digunakan adalah data Jumlah
Desa/Kelurahan yang Memiliki Fasilitas Sekolah Menurut Kabupaten/Kota Dan Tingkat
Pendidikan SMK Di Provinsi Jawa Timur Tahun 2021 dengan jumlah sampel 30 data
yang bersumber dari Badan Pusat Statistik. Sedangkan data kontinu yang digunakan
adalah Data Wilayah Berdasarkan Desa di Kabupaten Bogor Tahun 2021 dengan jumlah
sampel data sebanyak 45 data yang bersumber dari web site Open Data Jabar.
Setelah data terkumpul, langkah berikutnya adalah melakukan perhitungan
manual menggunakan Microsoft Excel dan mengolah data menggunakan perangkat lunak
EasyFit. Tujuannya adalah untuk mencari distribusi statistik yang sesuai dengan data
diskrit dan data kontinu. Untuk data diskrit dilakukan pencocokan ke distribusi uniform
diskrit, distribusi geometrik, distribusi poisson dan distribusi negatif binomial.
Sedangkan untuk data kontinu dilakukan pencocokan ke distribusi uniform kontinu,
distribusi normal, distribusi gamma, distribusi Weibull, distribusi eksponensial, distribusi
beta, distribusi erlang dan distribusi lognormal. Selain itu, praktikan juga akan melakukan
Uji Goodness of Fit, yang akan dilakukan secara manual dan menggunakan perangkat
lunak EasyFit. Data yang telah diolah akan dianalisis untuk menentukan parameter
distribusi diskrit dan kontinu, serta hasil analisis Uji Goodness of Fit. Selanjutnya,
kesimpulan akan ditarik untuk menjawab tujuan praktikum, dan saran akan diberikan
untuk modul 3 dan praktikum Teori Probabilitas selanjutnya.

2023
Kelompok 19
BAB III
PENGUMPULAN, PENGOLAHAN DATA, DAN ANALISIS
3.1 Pengumpulan Data

Berikut merupakan data diskrit dan data kontinu yang digunakan dalam praktikum
modul 3 “Distribusi Statistik”.
3.1.1 Data Diskrit
Berikut merupakan tabel data kuantitatif diskrit yang digunakan kelompok 19.
Tabel 3. 1 Data Kuantitatif Diskrit
Jumlah Desa/Kelurahan
No Kabupaten/ Kota yang Memiliki Fasilitas
Sekolah Tingkat SMK
1. Kabupaten Pacitan 26
2. Kabupaten Ponorogo 37
3. Kabupaten Trenggalek 28
4. Kabupaten Tulungagung 29
5. Kabupaten Blitar 26
6. Kabupaten Kediri 42
7. Kabupaten Lumajang 30
8. Kabupaten Banyuwangi 64
9. Kabupaten Bondowoso 55
10. Kabupaten Situbondo 39
11. Kabupaten Probolinggo 55
12. Kabupaten Pasuruan 60
13. Kabupaten Sidoarjo 54
14 Kabupaten Mojokerto 55
15. Kabupaten Jombang 52
16. Kabupaten Nganjuk 43

2023
Kelompok 19
Tabel 3. 2 Data Kuantitatif Diskrit (Lanjutan)
Jumlah Desa/Kelurahan
No Kabupaten/ Kota yang Memiliki Fasilitas
Sekolah Tingkat SMK
17. Kabupaten Madiun 20
18. Kabupaten Magetan 26
19. Kabupaten Ngawi 33
20. Kabupaten Bojonegoro 53
21. Kabupaten Tuban 36
22. Kabupaten Lamongan 69
23. Kabupaten Gresik 50
24. Kabupaten Bangkalan 53
25. Kabupaten Sampang 64
26. Kabupaten Pamekasan 71
27. Kabupaten Sumenep 60
28. Kota Kediri 13
29. Kota Blitar 11
30. Kota Malang 35
(Sumber: BPS Jawa Timur
https://jatim.bps.go.id/statictable/2023/07/20/2970/jumlah-desa-kelurahan-yang-
memiliki-fasilitas-sekolah-menurut-kabupaten-kota-dan-tingkat-pendidikan-
smk-di-provinsi-jawa-timur-2019-2021.html)
3.1.2 Data Kontinu
Berikut merupakan tabel data kuantitatif kontinu yang digunakan kelompok 19.
Tabel 3. 3 Data Kuantitatif Kontinu
Luas Wilayah Berdasarkan

No Desa Desa di Kabupaten Bogor
2020
1. Cisarua 3,01

2023
Kelompok 19
Tabel 3. 4 Data Kuantitatif Kontinu (Lanjutan)

2020
2. Curugbitung 4,41
3. Nanggung 2,88
4. Sukaluyu 3,59
5. Hambaro 3,24
6. Parakanmuncang 4,04
7. Karyasari 6,77
8. Pabangbon 5,28
9. Karacak 9,68
10. Cibeber I 6,36
11. Cibeber II 8,29
12. Leuwimekar 5,67
13. Leuwiliang 7,25
14. Karehkel 6,83
15. Wangunjaya 3,18
16. Babakan Sadeng 3,89
17. Sadeng 3,17
18. Cibunian 4,11
19. Ciasmara 3,06
20. Ciasihan 6,88
21. Gunungsari 2,08
22. Cibening 5,84
23. Cijujung 6,41
24. Cibitung Kulon 3,16
25. Cimayang 3,23
26. Situ Udik 2,36

2023
Kelompok 19
Tabel 3. 5 Data Kuantitatif Kontinu (Lanjutan)

2020
27. Cibatok II 4,17
28. Cemplang 4,35
29. Galuga 3,97
30. Cinangka 8,43
31. Girimulya 3,32
32. Cibanteng 7,38
33. Cibadak 8,75
34. Tegalwaru 4,31
35. Bojongjengkol 6,52
36. Ciampea 7,32
37. Cihideunghilir 5,75
38. Tapos I 5,65
39. Cibitung Tengah 5,74
40. Petir 6,44
41. Sukawening 7,25
42. Neglasari 2,98
43. Kota Batu 6,12
44. Parakan 5,41
45. Pagelaran 9,14
(Sumber: Open Data Jabar
https://opendata.jabarprov.go.id/id/dataset/luas-wilayah-berdasarkan-desa-di-
jawa-barat)
3.2 Parameter Statistik

Parameter merupakan sebuah nilai bersifat sembarang yang menjelaskan nilai
suatu sampel (Suyanto, Dasar Dasar Statistik Penelitian, 2017). Sedangkan menurut

2023
Kelompok 19
(Sumertajaya, 2017) parameter statistik merupakan suatu nilai numerik yang

menggambarkan dan menunjukan karakteristik seluruh anggota populasi. Jadi parameter
statistik merupakan sebuah nilai yang berupa numerik yang berfungsi untuk menunjukan
dan memberikan sebuah gambaran dari nilai suatu populasi. Menurut (Walpole, 1995)
parameter statistik dibagi menjadi 3 yaitu location parameter, scale parameter, dan shape
parameter. Location parameter sendiri berguna untuk menentukan nilai axis suatu nilai.
Scale parameter digunakan untuk menentukan unit dan suatu ukuran dalam suatu nilai
distribusi. Shape parameter merupakan parameter dimana menetukan dan membedakan
scale dan location parameter.
Software Easyfit merupakan sebuah software yang berfungsi untuk membantu
user dalam menganalisis dan menentukan data probabilitas terbaik dalam pembuat
keputusan. Dalam penggunaannya pada modul 3 ini software Easyfit dapat
mempermudah serta menghemat waktu dalam pengelolaan data yang digunakan dan
software ini bisa mendukung semua distribusi kontinu secara umum yang digunakan.
Dalam menggunakan software Easyfit langkah yang perlu dilakukan adalah dengan
memasukan data pada worksheet Easyfit lalu melakukan pengolahan data secara otomatis
dengan memilih tombol analyze lalu memilih data yang akan diolah dan pilih data domain
bagian continuous. Lalu akan keluar output berupa grafik dan informasi mengenai
distribusi statistik setelah ditekannya tombol smartasis pada Easyfit. Setelah ditekan
smartasis maka kita bisa mengubah angka yang digunakan sebagai output agar kita bisa
mengetahui jenis parameter apa yang output tersebut keluarkan.
3.2.1 Parameter Distribusi Data Diskrit
Distribusi diskrit merupakan fungsi matematika digunakan ketika variabel yang
sedang dianalisis memiliki berbagai kemungkinan hasil yang berbeda, dengan nilai nilai
yang bersifat data diskrit (Wahid, 2020).
3.2.2 Parameter Distribusi Data Kontinu
Distribusi data kontinu merupakan sebuah distribusi probabilitas yang
memberikan sebuah gambaran variabel acak dalam nilai interval tertentu (Suyanto &
Suharto, Dasar Dasar Statistik Penelitian, 2017).

2023
Kelompok 19
3.3 Output Distribusi Statistik Data Diskrit dengan Software EasyFit

Berikut merupakan output distribusi statistik menggunakan berbagai jenis
distribusi.
3.3.1 Distribusi Uniform Diskrit
Output dari software EasyFit mengenai grafik distribusi uniform diskrit
ditunjukkan pada gambar 3.1
Gambar 3. 1 Grafik Distribusi Uniform Diskrit

Distribusi uniform diskrit adalah distribusi yang peubah acaknya memiliki
probabilitas yang sama pada setiap kejadian (Darsah & Ismunarti, 2013). Salah satu
kegunaan distribusi uniform diskrit yaitu mengetahui bahwa masing-masing elemen dari
ruang sampel pelemparan sebuah dadu memiliki peluang yang sama untuk muncul.
Distribusi uniform mempunyai dua jenis parameter yaitu lower boundary parameter (a)
dan upper boundary parameter (b). Parameter tersebut masuk ke dalam jenis location
parameter. Berdasarkan grafik distribusi uniform diskrit diatas parameter a memiliki nilai
15 dan parameter b memiliki nilai 71. Jika terjadi perubahan nilai pada parameter,
misalnya parameter a diperbesar sementara b konstan maka rentang batas nilai maksimum
dan minimum akan berubah, yaitu pada sumbu x akan bergeser ke kanan sementara pada
sumbu y akan naik ke atas dengan rentang grafik semakin kecil maka jumlah bar chart
sedikit. Sementara jika parameter b diperbesar sementara a konstan maka rentang batas
nilai maksimum dan minimum akan berubah, yaitu pada sumbu x akan bergeser ke kiri
sementara pada sumbu y akan naik ke atas dengan rentang grafik semakin besar maka
jumlah bar chart semakin banyak.

2023
Kelompok 19
3.3.2 Distribusi Geometrik

Output dari software EasyFit mengenai grafik distribusi geometrik ditunjukkan
pada gambar 3.2
Gambar 3. 2 Grafik Distribusi Geometrik

Distribusi geometrik adalah distribusi yang dicirikan oleh fakta bahwa variabel
randomnya menyatakan jumlah percobaan yang diperlukan untuk mendapatkan
keberhasilan pertama. Distribusi geometrik dapat digunakan untuk menghitung peluang
banyak sumur yang dibor sampai sumur yang dibor dapat mengeluarkan minyak (Myers,
2012). Berdasarkan gambar diatas diperoleh nilai parameter dari grafik distribusi
geometrik yaitu, parameter p yang merupakan peluang sukses dengan nilai sebesar
0,02274. Parameter p pada distribusi geometrik tergolong dalam jenis parameter scale.
Perubahan nilai p dapat membuat pergeserah pada sumbu y. Perubahan nilai p, maka
distribusi akan lebih "rapat" di sekitar mean.
3.3.3 Distribusi Poisson
Berikut ini merupakan output yang dihasilkan dari software EasyFit mengenai
grafik distribusi poisson.
Gambar 3. 3 Grafik Distribusi Poisson

2023
Kelompok 19
Distribusi poisson merupakan sebuah jenis distribusi yang manyatakan

banyaknya suksesnya suatu kejadian selama rentan waktu tertentu (Montgomery, 2015).
Berdasarkan output software Easyfit yang ada diatas didapatkkan nilai parameter dari
grafik poisson adalah lambda (𝜆) dengan nilai 42,967. Nilai tersebut memberikan sebuah
parameter rata rata banyaknya nilai sukses yang terjadi pada rantan waktu tertentu.
Semakin besar nilainya, semakin banyak kejadian yang diharapkan terjadi dalam interval
waktu atau ruang tertentu. Kegunaan dari distribusi ini bisa digunakan meramalkan atau
menghitung perkiraan jumlah peristiwa yang terjadi dalam interval waktu atau ruang
tertentu, seperti jumlah mobil yang akan mampir dalam pom bensin undip selama 5 menit.
Jenis parameter yang ada pada distribusi poisson ini adalah scale. Jika terjadi perubahan
nilai lambda 𝜆 maka grafik akan ada perubahan pada sumbu Y, jika semakin kecil yang
mengakibatkan grafik menjadi semakin melandai.
3.3.4 Distribusi Negatif Binomial
Gambar 3. 4 Grafik Distribusi Negatif Binomial

Distribusi negatif binomial adalah salah satu percobaan Bernoulli yang dilakukan
hingga terjadi k buah sukses, dengan setiap pengulangannya saling bebas dimana
probabilitas gagalnya adalah 1-p sementara probabilitas suksesnya adalah p (Handayani,
2022). Salah satu contoh kegunaan dari distribusi negatif binomial yaitu untuk
mengetahui peluang terambil lego cacat ketiga pada lima kali pengambilan. Berdasarkan
gambar grafik distribusi negatif binomial diatas terdapat dua parameter yang muncul,
yaitu p dan n. Dimana p menyatakan probabilitas sukses kejadian dan n menyatakan
banyaknya percobaan yang dilakukan. Berdasarkan grafik distribusi negatif binomial
diatas, didapatkan nilai parameter n sebesar 8 dan nilai parameter p sebesar 0,16155.
Apabila terjadi perubahan nilai pada parameter maka akan terjadi perubahan pada

2023
Kelompok 19
grafiknya. Misalnya ketika nilai parameter n semakin besar dan parameter p konstan,
maka kurva akan bergeser ke kanan. Sebaliknya jika nilai n semakin besar maka kurva
akan bergeser ke kiri. Sehingga parameter n termasuk ke dalam jenis location parameter.
Jika nilai parameter n konstan dan nilai p semakin besar maka kurva akan bergeser ke
kiri. Sebaliknya jika nilai n konstan p semakin kecil maka kurva akan bergeser ke kanan.
Sehingga parameter p termasuk ke dalam jenis location parameter.
3.3.5 Rekap Data Diskrit Parameter Distribusi
Berikut ini merupakan rekapitulasi data dari semua parameter dalam distribusi
diskrit yang ada.
Tabel 3. 6 Rekap Data Diskrit Parameter Distribusi
Jenis
No. Distribusi Parameter Nilai
Parameter
boundary (a) Location 15
1 Uniform Diskrit
boundary (b) Location 71
probability successed
2 Geometrik Scale 0,02274
(p)
3 Poisson lambda (𝜆) Scale 42,967
number successed (n) Location 8
4 Negatif Binominal probability successed
Location 0,16155
(p)
3.4 Output Distribusi Statistik Data Kontinu dengan Software EasyFit

Berikut merupakan output distribusi statistik data kontinu bila dicocokkan ke
berbagai jenis distribusi.
3.4.1 Distribusi Uniform Kontinu
Output dari software EasyFit mengenai grafik distribusi uniform kontinu
ditunjukkan pada gambar 3.5

2023
Kelompok 19
Gambar 3. 5 Grafik Distribusi Uniform Kontinu

Distribusi uniform kontinu adalah salah satu distribusi kontinu yang paling
sederhana dalam statistik yang dicirikan oleh fungsi densitas yang "datar", dan dengan
demikian probabilitasnya seragam dalam interval tertutup, misalnya [A, B] (Walpole,
1995). Distibusi uniform kontinu dapat digunakan dalam menghitung probabilitas volume
minuman kaleng dimana pengisian minuman dilakukan dengan mesin dalam sebuah
industri softdrink. Berdasarkan gambar diatas diperoleh nilai parameter dari grafik
distribusi uniform kontinu yaitu, lower boundary parameter (a) sebesar 1,8318 dan upper
boundary parameter (b) sebesar 8,7313. Parameter a dan b tergolong dalam jenis
parameter lokasi. Ketika parameter a diperbesar sementara b konstan maka terjadi
kenaikan pada rentang nilai sumbu y, tetapi grafik tetap menunjukan garis lurus (konstan).
Ketika parameter b yang diperbesar dan a konstan maka terjadi perubahan pada rentang
nilai sumbu x yang semakin besar dan sumbu y rentangnya semakin kecil dan grafik tetap
menunjukan lurus (konstan).
3.4.2 Distribusi Normal
Gambar 3. 6 Grafik Distribusi Normal

Distribusi normal adalah suatu distribusi dengan variabel acaknya kontinu.

2023
Kelompok 19
Distribusi normal merupakan salah satu distribusi peluang yang penting dan sering
digunakan, karena bentuk kurva normal yang menyerupai lonceng menunjukkan
keseimbangan antara luas ratar-rata ke kanan dan ke kiri masing-masing mendekati 50 %
(Nurudin, Mara, & Kusnandar, 2014). Distribusi normal dapat digunakan untuk
pengendalian kualitas dan pengujian hipotesis misalnya mencari banyak baterai yang
dapat berumur kurang dari 3 tahun pada populasi umur baterai rata-rata 4 tahun dengan
simpangan baku 0,5 tahun. Pada distribusi normal dipengaruhi oleh dua parameter yaitu
simpangan baku (σ) dan rata-rata (μ). Nilai σ sebagai scale parameter sebagai penentu
rentang dari distribusi. Sedangkan, μ sebagai location parameter menunjukkan lokasi
titik axis distribusi pada sumbu x. Berdasarkan output grafik distribusi normal diatas
diperoleh nilai parameter 𝜎 sebesar 1,9917 dan parameter 𝜇 sebesar 5,2816. Apabila
terjadi perubahan nilai pada parameter maka akan terjadi perubahan pada grafiknya. Jika
nilai parameter 𝜎 semakin besar maka nilai distribusinya akan semakin menyebar
sehingga kurva melandai. Namun jika nilai parameter μ semakin besar maka kurva yang
membentang akan bergeser ke kanan.
3.4.3 Distribusi Gamma
Output dari software EasyFit mengenai grafik distribusi gamma ditunjukkan pada
gambar 3.7
Gambar 3. 7 Grafik Distribusi Gamma

Distribusi gamma adalah jenis distribusi statistik umum yang terkait dengan
distribusi beta dan muncul secara alami dalam proses yang relevan dengan waktu tunggu
antara kejadian berdistribusi poisson. Distribusi gamma dapat digunakan dalam
mengukur waktu untuk menyelesaikan pekerjaan dan sering digunakan dalam teori
antrian. (Weisstein, 2004). Berdasarkan gambar diatas diperoleh nilai parameter dari

2023
Kelompok 19
grafik distribusi gamma yaitu, shape parameter (𝛼) sebesar 7,0317; scale parameter (𝛽)
sebesar 0,75111; dan location parameter (γ) sebesar 0. Dalam distribusi gamma, shape
parameter (𝛼) mempengaruhi bentuk distribusi, semakin tinggi 𝛼, maka distribusi akan
bergeser pada sumbu x dan y. Scale parameter (𝛽) akan mempengaruhi pergeseran kurva
ke atas dan bawah. Semakin besar nilai 𝛽 maka kurva akan bergeser ke kanan dan
sebaliknya. Location parameter (γ) adalah pergeseran distribusi ke kiri atau kanan pada
sumbu x. Bilai nilai 𝛼 diubah, maka akan terjadi menggerakkan grafik pada sumbu x dan
sumbu y sehingga mempengaruhi bentuk distribusi.
3.4.4 Distribusi Eksponensial
grafik distribusi eksponensial.
Gambar 3. 8 Grafik Distribusi Eksponensial

Distribusi eksponensial merupakan sebuah distribusi yang menunjukan
probabilitas waktu antara peristiwa atau kejadian yang berhasil dalam suatu proses yang
terjadi secara terus menerus dalam tingkat konstan (Rachman, 2017). Berdasarkan data
yang diperoleh melalui grafik software Easyfit tersebut didapatkan lambda (𝜆) sebesar
0,18934 dan γ sebesar 0. Pada parameter lambda (𝜆) termasuk kedalam jenis parameter
scale dan parameter (γ) merupakan kedalam jenis parameter location. Parameter 𝜆
termasuk kedalam jenis parameter scale karena jika nilai 𝜆 berubah menjadi lebih kecil
dan nilai γ tetap maka grafik akan menjadi semakin melandai. Parameter γ termasuk
kedalam jenis parameter location karena jika nilainya berupah semakin besar dan nilai 𝜆
tetap maka sumbu X akan bergerak kekanan. Kegunaan distribusi eksponensial salah
satunya adalah untuk meramalkan waktu tunggu sampai sebuah peristiwa terjadi, seperti
waktu tunggu antara kedatangan mobil 1 dan mobil 2 di sebuah pom bensin undip.

2023
Kelompok 19
3.4.5 Distribusi Weibull
Gambar 3. 9 Grafik Distribusi Weibull

Distribusi Weibull merupakan salah satu distribusi kontinu dalam teori
probabilitas dan statistika yang digunakan untuk menganalisis data kerusakan. Distribusi
weibull telah diakui sebagai model yang tepat dalam menghitung tingkat keandalan
(reliability) dan masalah waktu kegagalan suatu komponen (Otaya, 2016). Salah satu
kegunaan dari distribusi weibull yaitu untuk mengetahui peluang umur suatu produk.
Terdapat tiga parameter yang mempengaruhi distribusi weibull yaitu shape parameter
(α), scale parameter (𝛽), dan location parameter (γ). Berdasarkan grafik distribusi
weibull diatas, parameter α menghasilkan nilai 2,9387, parameter 𝛽 menghasilkan nilai
5,8191 , parameter γ menghasilkan nilai 0. Apabila terjadi perubahan nilai pada
parameter maka akan terjadi perubahan pada grafiknya. Jika nilai parameter α semakin
besar sementara nilai β dan γ konstan maka grafik bergeser ke kanan dan semakin runcing
dan sebaliknya. Jika nilai parameter β berubah sementara parameter α dan γ konstan maka
grafik bergerak pada sumbu y yaitu ke atas dan ke bawah. Jika nilai parameter γ semakin
besar dengan syarat parameter β dan α konstan maka grafik akan bergeser ke kanan.
Jumlah bar chart dipengaruhi oleh rentang grafik. Jika rentang grafik semakin besar maka
jumlah bar chart akan semakin banyak, begitu juga kebalikannya jika rentang grafik
semakin kecil, maka jumlah bar chart yang ada pada grafik akan semakin sedikit.
3.4.6 Distribusi Beta
Output dari software EasyFit mengenai grafik distribusi beta ditunjukkan pada
gambar 3.10

2023
Kelompok 19
Gambar 3. 10 Grafik Distribusi Beta

Distribusi Beta adalah distribusi probabilitas kontinu yang sering dipakai untuk
memodelkan ketidakpastian tentang probabilitas keberhasilan suatu percobaan. Distribusi
Beta dapat digunakan untuk mengalisa eksperimen peluang yang hanya memiliki dua
hasil yang mungkin yaitu sukses, dengan probabilitas X; gagal, dengan probabilitas 1-X
(Taboga, 2021). Berdasarkan gambar diatas diperoleh nilai parameter dari grafik
distribusi beta yaitu, shape parameter (𝛼) dimana nilai 𝛼1 sebesar 1,1067 dan 𝛼2 sebesar
1,586; lower boundary parameter (a) sebesar 2,0653; dan upper boundary parameter (b)
sebesar 9,9132. Nilai 𝛼1 dan 𝛼2 tergolong dalam jenis parameter shape atau bentuk
sementara a dan b tergolong dalam jenis parameter location. Nilai shape parameter (𝛼1
dan 𝛼2) menentukan bentuk distribusi. Jika nilai 𝛼1 dan 𝛼2 diperbesar, maka akan terjadi
pergeseran pada sumbu x dan y sehingga dapat mempengaruhi bentuk distribusi.
Sementara bila nilai a atau b diperbesar, maka akan mempengaruhi rentang nilai dari
sumbu x yang bergerakan ke kanan dan sumbu y yang bergerak ke atas.
3.4.7 Distribusi Erlang
grafik distribusi erlang.

2023
Kelompok 19
Gambar 3. 11 Grafik Distribusi Erlang

Distribusi erlang merupakan sebuah distribusi yang menyatakan variabel sebagai
waktu yang diperlukan hingga terjadinya sukses dengan rata rata banyaknya kejadian
selama rentan waktu tertentu (Montgomery, 2015). Berdasarkan data yang diperoleh
melalui grafik software Easyfit tersebut didapatkan nilai parameter β sebesar 0,75111, γ
sebesar 0, dan m sebesar 7. Masing masing parameter tersebut parameter β ke dalam jenis
parameter scale, parameter γ termasuk ke dalam jenis parameter location, dan parameter
m termasuk kedalam jenis parameter shape. Salah satu kegunaan dari distribusi erlang
adalah untuk menganalisis sistem yang terdiri dari beberapa komponen yang saling
terkait, seperti digunakan untuk menghitung waktu tunggu sampai terjadinya kejadian
tertentu pada sistem tersebut. Pengaruh parameter γ pada grafik distribusi erlang jika nilai
berubah menjadi lebih besar dan nilai lainnya tetap adalah grafik akan bergerak pada
sumbu X ke kanan begitu juga sebaliknnya. Pengaruh parameter β pada grafik distribusi
erlang jika nilainya berubah dan nilai lainnya sama maka grafik distribusinya akan
bergerak pada sumbu y yaitu ke atas dan bawah. Sedangkan pengaruh parameter m pada
grafik distribusi erlang adalah besar nilainya, semakin lambat laju penurunan probabilitas.
Sedangkan pengaruh parameter m pada grafik distribusi erlang jika nilainya semakin
kecil dan nilai lainnya sama adalah grafik distribusinya akan semakin meruncing begitu
juga sebaliknya.

2023
Kelompok 19
3.4.8 Distribusi Lognormal
Gambar 3. 12 Grafik Distribusi Logonormal

Distribusi lognormal adalah distribusi peubah acak kontinu yang mengikuti
hukum distribusi normal. Oleh karena itu, suatu peubah acak kontinu dapat dikatakan
berdistribusi lognormal apabila logaritma dari peubah acak tersebut adalah normal
(Syafik, 2007). Salah satu kegunaan dari distribusi lognormal yaitu untuk memodelkan
umur atau lifetime dari sebuah produk yang menurun kualitasnya seiring dengan
berjalannya waktu. Distribusi lognormal memiliki tiga parameter yaitu σ sebagai scale
parameter, μ sebagai location parameter, dan γ sebagai location parameter. Berdasarkan
gambar diatas diperoleh nilai parameter dari grafik distribusi lognormal yaitu, nilai σ
sebesar 0,39049 μ sebesar 1,5908; dan γ sebesar 0. Jika nilai parameter σ semakin besar
dengan nilai parameter yang lain konstan maka grafik semakin melandai begitupun
sebaliknya. Jika nilai parameter μ semakin besar dengan nilai parameter yang lain konstan
maka grafik bergeser ke kanan begitupun sebaliknya. Kemudian jika nilai parameter γ
dengan nilai parameter yang lain konstan semakin besar maka grafik akan bergeser ke
kanan.
3.4.9 Rekap Data Kontinu Parameter Distribusi
Berikut ini adalah rekapitulasi data kontinu parameter distribusi:
Tabel 3. 7 Tabel Rekapitulasi Data Kontinu Parameter Distribusi
No Distribusi Parameter Jenis Parameter Nilai
1. Uniform Kontinu a Location 1,8318
b Location 8,7313
2. Normal 𝜇 Location 5,2816
𝜎 Scale 1,9917

2023
Kelompok 19
Tabel 3. 8 Rekapitulasi Data Kontinu Parameter Distribusi (Lanjutan)

No Distribusi Parameter Jenis Parameter Nilai
3. Gamma 𝛼 Shape 7,0317
𝛽 Scale 0,75111
γ Location 0
4. Eksponensial 𝜆 Scale 0,18934
γ Location 0
5. Weibull α Shape 2,9387
𝛽 Scale 5,8191
γ Location 0
6. Beta 𝛼1 Shape 1,1067
𝛼2 Shape 1,586
a Location 2,0653
b Location 9,9132
7. Erlang β Scale 0,75111
γ Location 0
m Shape 7
8. Logonormal σ Scale 0,39049
μ Location 1,5908
γ Location 0
3.5 Uji Goodness of Fit

Uji Goodness of Fit adalah uji statistik yang digunakan untuk mengetahui apakah
sebuah distribusi data dari sampel mengikuti sebuah distribusi teoritis tertentu atau tidak
(Prodea, 2017). Sementara menurut (Kenton, 2023) uji Goodness of Fit adalah
perbandingan antara nilai yang diamati dengan nilai nilai yang diharapkan. Sehingga
dapat disimpulkan bahwa uji Goodness of Fit adalah suatu uji dalam metode statistika
yang digunakan untuk menguji terhadap hipotesis tentang suatu populasi berdasarkan
data sampel yang kita miliki. Perhitungan pada uji Goodness of Fit akan dilakukan
dengan metode perhitungan manual menggunakan Microsoft Excel dan perhitungan

2023
Kelompok 19
otomatis menggunakan software EasyFit. Selain itu, jenis distribusi data yang digunakan
dalam kedua metode tersebut adalah jenis distribusi data normal dan uniform. Distribusi
normal adalah salah satu jenis distribusi acak kontinu dengan kurva berbentuk lonceng
(Myers, 2012). Pada distribusi normal, peubah acaknya bergantung pada dua parameter
yaitu mean (𝜇) dan standar deviansi (𝜎). Semakin besar nilai 𝜎 , maka kurva normal akan
menjadi lebih rendah dan distribusinya akan menjadi lebih lebar. Data dianggap
mengikuti distribusi normal jika tidak menunjukkan perbedaan yang signifikan atau
deviasi yang besar jika dibandingkan dengan distribusi normal standar. Ketika
menggunakan uji statistik, seperti uji Kolmogorov-Smirnov dan uji Chi-Square, data
dianggap mengikuti distribusi normal jika nilai signifikansinya adalah lebih besar atau
sama dengan 0,05. Sebaliknya, jika nilai signifikansinya kurang dari 0,05, maka data
dianggap tidak mengikuti distribusi normal. Distribusi uniform adalah distribusi
probabilitas yang dimana semua hasil memiliki kemungkinan yang sama (Myers, 2012).
Ketika menggunakan uji Anderson-Darling data dianggap uniform ketika p value kurang
dari daerah kritis. Adapun uji Goodness of Fit yang dilakukan terdiri atas Uji
Kolmogorov-Smirnov, Uji Chi Square, dan Uji Anderson-Darling.
3.5.1 Perhitungan Manual Data Diskrit
a. Uji Kolmogorov-Smirnov
Berikut merupakan perhitungan manual data distrik dengan uji Kolmogorov-
Smirnov.
1. Ho = Data berdistribusi uniform
2. Hi = Data tidak berdistribusi uniform
3. α = 0,05
4. Dengan n=30 dan α=0,05 maka nilai Dα = 0,242 (menurut tabel Kolmogorov
Smirnov)
5. Perhitungan
 Mean
Σ𝑋𝑖
𝑥̅ =
Σf
1289
𝑥̅ =
30
𝑥̅ = 42,967

2023
Kelompok 19
 Standar Devisiasi
∑𝑛 (𝑥𝑖 − 𝑥̅ )2
𝑆 = √ 𝑖=1
𝑛−1
7978,97
𝑆= √
29
𝑆 = 16,587
 Nilai Z
𝑋𝑖1 − 𝑥
𝑍1 =
𝑠
−31,967
𝑍1 =
16,587
𝑍1 = −1,9
 Nilai F(x)
𝐹(𝑥)1 = 𝑃(𝑍1 )
𝐹(𝑥)1 = 𝑃(−1,9)
𝐹(𝑥)1 = 0,027
 Nilai S(x)
𝑘
𝑆(𝑥)1 =
𝑛
1
𝑆(𝑥)1 =
30
𝑆(𝑥)1 = 0,033
 Nilai D
𝐷1 = |𝑆(𝑥)1 − 𝐹(𝑥)1 |
𝐷1 = |0,02698 − 0,033|
𝐷1 = 0,006
Berikut merupakan tabel hasil perhitungan manual data diskrit menggunakan uji
Kolmogorov-smirnov.
Tabel 3. 9 Hasil Perhitungan Manual Data Diskrit Menggunakan Uji Kolmogorov-Smirnov
No Xi Mean Xi-Mean (Xi-Mean)^2 SD Z F(x) S(x) D
1 11 42,967 -31,967 1021,868 16,587 -1,9 0,02698 0,033 0,006

2023
Kelompok 19

(Lanjutan)
2 13 42,967 -29,967 898,001 16,587 -1,8 0,03541 0,067 0,031
3 20 42,967 -22,967 527,468 16,587 -1,4 0,08309 0,100 0,017
4 26 42,967 -16,967 287,868 16,587 -1,0 0,15318 0,133 0,020
5 26 42,967 -16,967 287,868 16,587 -1,0 0,15318 0,167 0,013
6 26 42,967 -16,967 287,868 16,587 -1,0 0,15318 0,200 0,047
7 28 42,967 -14,967 224,001 16,587 -0,9 0,18345 0,233 0,050
8 29 42,967 -13,967 195,068 16,587 -0,8 0,19989 0,267 0,067
9 30 42,967 -12,967 168,134 16,587 -0,8 0,21719 0,300 0,083
10 33 42,967 -9,967 99,334 16,587 -0,6 0,27397 0,333 0,059
11 35 42,967 -7,967 63,468 16,587 -0,5 0,31551 0,367 0,051
12 36 42,967 -6,967 48,534 16,587 -0,4 0,33724 0,400 0,063
13 37 42,967 -5,967 35,601 16,587 -0,4 0,35953 0,433 0,074
14 39 42,967 -3,967 15,734 16,587 -0,2 0,40550 0,467 0,061
15 42 42,967 -0,967 0,934 16,587 -0,1 0,47676 0,500 0,023
16 43 42,967 0,033 0,001 16,587 0,0 0,50080 0,533 0,033
17 50 42,967 7,033 49,468 16,587 0,4 0,66422 0,567 0,098
18 52 42,967 9,033 81,601 16,587 0,5 0,70698 0,600 0,107
19 53 42,967 10,033 100,668 16,587 0,6 0,72737 0,633 0,094
20 53 42,967 10,033 100,668 16,587 0,6 0,72737 0,667 0,061
21 54 42,967 11,033 121,734 16,587 0,7 0,74703 0,700 0,047
22 55 42,967 12,033 144,801 16,587 0,7 0,76591 0,733 0,033
23 55 42,967 12,033 144,801 16,587 0,7 0,76591 0,767 0,001
24 55 42,967 12,033 144,801 16,587 0,7 0,76591 0,800 0,034
25 60 42,967 17,033 290,134 16,587 1,0 0,84776 0,833 0,014
26 60 42,967 17,033 290,134 16,587 1,0 0,84776 0,867 0,019
27 64 42,967 21,033 442,401 16,587 1,3 0,89761 0,900 0,002
28 64 42,967 21,033 442,401 16,587 1,3 0,89761 0,933 0,036

2023
Kelompok 19

(Lanjutan)
29 69 42,967 26,033 677,734 16,587 1,6 0,94173 0,967 0,025
30 71 42,967 28,033 785,868 16,587 1,7 0,95449 1,000 0,046
6. Keputusan
Berdasarkan tabel tersebut nila D terbesar adalah 0,107 maka jangan tolak Ho
karena D(0,107) < Dα(0,242)
7. Kesimpulan
Data berdistribusi uniform
b. Uji Anderson-Darling
Berikut merupakan perhitungan manual data diskrit menggunakan uji
Anderson-Darling.
1. Ho = Data berdistribusi uniform
2. Hi = Data tidak berdistribusi uniform
3. α = 0,05
4. Daerah kritis = p-value < 0,05
 Jika AD ≥ 0,60
p = exp(1,2937 – 5,709(AD) + 0,0186 (𝐴𝐷)2
 Jika 0,34 < AD < 0,60
p = exp(0,9177 – 4,279(AD) + 1,38(𝐴𝐷)2
 Jika 0,20 < AD < 0,34
p = 1- exp(-8,318 + 42,796(AD) – 59,938(𝐴𝐷)2
 Jika AD ≤ 0,20 < AD < 0,34
p = 1- exp(-13,436 + 101,14(AD) – 223,73(𝐴𝐷)2
5. Perhitungan
 Mean
Σ𝑋𝑖
𝑥̅ =
Σf

2023
Kelompok 19
1289
𝑥̅ =
30
𝑥̅ = 42,967
 Standar Devisiasi
∑𝑛 (𝑥𝑖 − 𝑥̅ )2
𝑆 = √ 𝑖=1
𝑛−1
7978,97
𝑆= √
29
𝑆 = 16,587
Berikut merupakan tabel hasil perhitungan manual data diskrit menggunakan uji
Anderson-Darling.
Xi i F(Xi) F(Xn-i+1) AD (Si)
11 1 0,027 0,954 -0,223
13 2 0,035 0,942 -0,618
20 3 0,083 0,898 -0,794
26 4 0,153 0,898 -0,970
26 5 0,153 0,848 -1,128
26 6 0,153 0,848 -1,378
28 7 0,183 0,766 -1,364
29 8 0,200 0,766 -1,531
30 9 0,217 0,766 -1,688
33 10 0,274 0,747 -1,691
35 11 0,316 0,727 -1,717
36 12 0,337 0,727 -1,830
37 13 0,360 0,707 -1,875
39 14 0,405 0,664 -1,795
42 15 0,477 0,501 -1,388
43 16 0,501 0,477 -1,384
50 17 0,664 0,405 -1,022

2023
Kelompok 19

(Lanjutan)
52 18 0,707 0,360 -0,924
53 19 0,727 0,337 -0,900
53 20 0,727 0,316 -0,907
54 21 0,747 0,274 -0,836
55 22 0,766 0,217 -0,733
55 23 0,766 0,200 -0,735
55 24 0,766 0,183 -0,735
60 25 0,848 0,153 -0,541
60 26 0,848 0,153 -0,563
64 27 0,898 0,153 -0,485
64 28 0,898 0,083 -0,357
 Nilai A
𝐴 = −𝑛 − ∑ 𝑆
𝐴 = −30 − (−30,440)
𝐴 = 0,440
 Nilai AD
0,75 2,25
𝐴𝐷 = 𝐴2 (1 + + 2 )
𝑛 𝑛
0,75 2,25
𝐴𝐷 = 0,4402 (1 + + 2)
30 30
𝐴𝐷 = 0,452
 Nilai P-Value
Karena nilai AD adalah 0,34 < AD < 0,6
𝑝 = 𝑒𝑥𝑝 [0,9177 − 4,279(𝐴𝐷) − 1,38(𝐴𝐷)2 ]
𝑝 = 𝑒𝑥𝑝 [0,9177 − 4,279(0,452) − 1,38(0,452)2 ]
𝑝 = 0,273
6. Keputusan

2023
Kelompok 19
Hasil nilai (P-Value) adalah 0,273 dan daerah kritis yang didapatkan adalah
p(0,273) > α(0,05) maka jangan tolak Ho karena nilai p > 0,05
7. Kesimpulan
Distribusi data uniform
3.5.2 Perhitungan Manual Data Kontinu
Uji Hipotesis
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 237,67
𝑋̅ = = = 5,282
𝑛 45
b) Standar Deviasi
(𝑋𝑖 − 𝑋̅ )2 174,549
𝑆 = √∑ =√ = 1,992
𝑛−1 44
c) Nilai Z
𝑋𝑖 − 𝑋̅ −3,202
𝑍1 = = = −1,6
𝑆 1,992
d) 𝐹(𝑥)1 = 𝑃(𝑍)1 = 0,054
𝑘 1
e) 𝑆(𝑥)1 = 𝑛 = 45 = 0,022
f) 𝐷1 = |𝑆𝑘 (𝑥) − 𝐹(𝑥)| = |0,022 − 0,05398| = 0,032

Berikut ini adalah tabel perhitungan manual Uji Kolmogorov-Smirnov
Distribusi Normal data kontinu:
Tabel 3. 14 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu
No Xi ̅
𝑿 ̅)
(𝑿𝒊 − 𝑿 ̅ )𝟐
(𝑿𝒊 − 𝑿 S Z Fx Sx D
1 2,08 5,282 -3,202 10,250 1,992 -1,6 0,054 0,022 0,032

2 2,36 5,282 -2,922 8,535 1,992 -1,5 0,071 0,044 0,027

2023
Kelompok 19
Tabel 3. 15 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu (Lanjutan)

No Xi ̅
𝑿 ̅)
(𝑿𝒊 − 𝑿 ̅ )𝟐
3 2,88 5,282 -2,402 5,767 1,992 -1,2 0,114 0,067 0,047

4 2,98 5,282 -2,302 5,297 1,992 -1,2 0,124 0,089 0,035
5 3,01 5,282 -2,272 5,160 1,992 -1,1 0,127 0,111 0,016
6 3,06 5,282 -2,222 4,935 1,992 -1,1 0,132 0,133 0,001
7 3,16 5,282 -2,122 4,501 1,992 -1,1 0,143 0,156 0,012
8 3,17 5,282 -2,112 4,459 1,992 -1,1 0,145 0,178 0,033
9 3,18 5,282 -2,102 4,417 1,992 -1,1 0,146 0,200 0,054
10 3,23 5,282 -2,052 4,209 1,992 -1,0 0,151 0,222 0,071
11 3,24 5,282 -2,042 4,168 1,992 -1,0 0,153 0,244 0,092
12 3,32 5,282 -1,962 3,848 1,992 -1,0 0,162 0,267 0,104
13 3,59 5,282 -1,692 2,861 1,992 -0,8 0,198 0,289 0,091
14 3,89 5,282 -1,392 1,936 1,992 -0,7 0,242 0,311 0,069
15 3,97 5,282 -1,312 1,720 1,992 -0,7 0,255 0,333 0,078
16 4,04 5,282 -1,242 1,541 1,992 -0,6 0,267 0,356 0,089
17 4,11 5,282 -1,172 1,373 1,992 -0,6 0,278 0,378 0,100
18 4,17 5,282 -1,112 1,236 1,992 -0,6 0,288 0,400 0,112
19 4,31 5,282 -0,972 0,944 1,992 -0,5 0,313 0,422 0,109
20 4,35 5,282 -0,932 0,868 1,992 -0,5 0,320 0,444 0,124
21 4,41 5,282 -0,872 0,760 1,992 -0,4 0,331 0,467 0,136
22 5,28 5,282 -0,002 0,000 1,992 0,0 0,500 0,489 0,011
23 5,41 5,282 0,128 0,016 1,992 0,1 0,526 0,511 0,015
24 5,65 5,282 0,368 0,136 1,992 0,2 0,573 0,533 0,040
25 5,67 5,282 0,388 0,151 1,992 0,2 0,577 0,556 0,022
26 5,74 5,282 0,458 0,210 1,992 0,2 0,591 0,578 0,013
27 5,75 5,282 0,468 0,219 1,992 0,2 0,593 0,600 0,007
28 5,84 5,282 0,558 0,312 1,992 0,3 0,610 0,622 0,012
29 6,12 5,282 0,838 0,703 1,992 0,4 0,663 0,644 0,019
30 6,36 5,282 1,078 1,163 1,992 0,5 0,706 0,667 0,039

2023
Kelompok 19
Tabel 3. 16 Perhitungan Uji Kolmogorov-Smirnov Data Kontinu (Lanjutan)

No Xi ̅
𝑿 ̅)
(𝑿𝒊 − 𝑿 ̅ )𝟐
31 6,41 5,282 1,128 1,273 1,992 0,6 0,714 0,689 0,026

32 6,44 5,282 1,158 1,342 1,992 0,6 0,720 0,711 0,008
33 6,52 5,282 1,238 1,534 1,992 0,6 0,733 0,733 0,000
34 6,77 5,282 1,488 2,215 1,992 0,7 0,773 0,756 0,017
35 6,83 5,282 1,548 2,398 1,992 0,8 0,782 0,778 0,004
36 6,88 5,282 1,598 2,555 1,992 0,8 0,789 0,800 0,011
37 7,25 5,282 1,968 3,875 1,992 1,0 0,838 0,822 0,016
38 7,25 5,282 1,968 3,875 1,992 1,0 0,838 0,844 0,006
39 7,32 5,282 2,038 4,155 1,992 1,0 0,847 0,867 0,020
40 7,38 5,282 2,098 4,403 1,992 1,1 0,854 0,889 0,035
41 8,29 5,282 3,008 9,051 1,992 1,5 0,935 0,911 0,023
42 8,43 5,282 3,148 9,913 1,992 1,6 0,943 0,933 0,010
43 8,75 5,282 3,468 12,030 1,992 1,7 0,959 0,956 0,004
44 9,14 5,282 3,858 14,888 1,992 1,9 0,974 0,978 0,004
45 9,68 5,282 4,398 19,346 1,992 2,2 0,986 1,000 0,014
Total 237,67 237,670 0,000 174,549 89,628 0,0 22,039 23,000 1,807
6) Keputusan
Diketahui D(x) atau Dhitung terbesar adalah 0,136, maka keputusan jangan tolak
H0 karena daerah Dhitung < Daerah kritis atau 0,136 < 0,198.
7) Kesimpulan
Data berdistribusi normal.
b. Uji Chi Square

Uji Hipotesis
3) 𝛼 = 0,05
4) Daerah Kritis = x2 hitung ≥ x2 tabel

2023
Kelompok 19
k=5
v=5–1=5–1=4
Berdasarkan tabel L.5 pada buku Walpole 1995, diperoleh nilai x2 𝛼 =
9,488 dengan nilai 𝛼 = 0,05.
5) Perhitungan
a) Range
Range = Xmax – Xmin = 9,68 – 2,08 = 7,60
b) Banyak Kelas
Banyak Kelas = 1 + 3,3 log n = 1 + 3,3 log 45 = 6,456 ≈ 7 kelas
c) Interval
𝑟𝑎𝑛𝑔𝑒 7,60
Interval = 𝑏𝑎𝑛𝑦𝑎𝑘 𝑘𝑒𝑙𝑎𝑠 = = 1,09
7
d) Distribusi Frekuensi
Berikut merupakan tabel distribusi frekuensi yang didapatkan berdasarkan
perhitungan dari poin sebelumnya.
Tabel 3. 17 Distribusi Frekuensi
Kelas Interval fi fk xi TB TA f i (Xi) ̅
𝑿 ̅ )𝟐
(𝑿𝒊 − 𝑿 ̅ )𝟐
fi(𝑿𝒊 − 𝑿
1 2,08 3,16 7 7 2,620 2,075 3,165 18,340 5,284 7,099 49,695

2 3,17 4,25 11 18 3,710 3,165 4,255 40,810 5,284 2,479 27,268
3 4,26 5,34 4 22 4,800 4,255 5,345 19,200 5,284 0,235 0,939
4 5,35 6,43 9 31 5,890 5,345 6,435 53,010 5,284 0,367 3,300
5 6,44 7,52 9 40 6,980 6,435 7,525 62,820 5,284 2,875 25,874
6 7,53 8,61 2 42 8,070 7,525 8,615 16,140 5,284 7,759 15,519
7 8,62 9,70 3 45 9,160 8,615 9,705 27,480 5,284 15,020 45,060
Total 237,800 35,834 167,654
e) Mean
∑ 𝑥𝑖 237,800
𝑋̅ = = = 5,284
𝑛 45
f) Standar Deviasi

2023
Kelompok 19
∑ 𝑓𝑖(𝑋𝑖 − 𝑋̅ )2 167,654
𝑆=√ =√ = 1,952
𝑛−1 45 − 1
g) Nilai Z
𝑇𝐴 − 𝑋̅ 3,165 − 5,284
𝑍11 = = = −1,086
𝑆 1,952
𝑇𝐵 − 𝑋̅ 2,075 − 5,284
𝑍21 = = = −1,644
𝑆 1,952
h) Nilai Frekuensi Harapan
|𝑃1| = |𝑃𝑍1 − 𝑃𝑍2| = |(0,139) − (0,050)| = 0,089
𝐹ℎ1 = |𝑃1| × 𝑛 = 0,089 × 45 = 3,992
Berikut merupakan hasil perhitungan nilai peluang frekuensi harapan:
Tabel 3. 18 Hasil Perhitungan Nilai Peluang Frekuensi Harapan
Kelas Xi TB TA fi(xi) ̅
𝑿 ̅ )𝟐
(𝑿𝒊 − 𝑿 S Z1 PZ1 Z2 PZ2 P
1 2,620 2,075 3,165 18,340 5,284 7,099 1,952 -1,086 0,139 -1,644 0,050 0,089
2 3,710 3,165 4,255 40,810 5,284 2,479 1,952 -0,527 0,299 -1,086 0,139 0,160
3 4,800 4,255 5,345 19,200 5,284 0,235 1,952 0,031 0,512 -0,527 0,299 0,213
4 5,890 5,345 6,435 53,010 5,284 0,367 1,952 0,589 0,722 0,031 0,512 0,210
5 6,980 6,435 7,525 62,820 5,284 2,875 1,952 1,148 0,874 0,589 0,722 0,152
6 8,070 7,525 8,615 16,140 5,284 7,759 1,952 1,706 0,956 1,148 0,874 0,082
7 9,160 8,615 9,705 27,480 5,284 15,020 1,952 2,265 0,988 1,706 0,956 0,032
Total 35,834
Berikut merupakan hasil perhitungan frekuensi harapan dan objektif:

Tabel 3. 19 Hasil Perhitungan Frekuensi Harapan dan Objektif
Kelas P Fh Fob ei oi (𝒐𝒊 − 𝒆𝒊)𝟐 /𝒆𝒊
1 0,089 3,992 7
11,200 18 4,128
2 0,160 7,208 11
3 0,213 9,603 4 9,603 4 3,269
4 0,210 9,443 9 9,443 9 0,021
5 0,152 6,852 9 6,852 9 0,673

2023
Kelompok 19
Tabel 3. 20 Hasil Perhitungan Frekuensi Harapan dan Objektif (Lanjutan)

Kelas P Fh Fob ei oi (𝒐𝒊 − 𝒆𝒊)𝟐 /𝒆𝒊
6 0,082 3,669 2
5,119 5 0,003
7 0,032 1,450 3
TOTAL 8,094
2
(𝑜𝑖 − 𝑒𝑖)2
𝑥 ℎ𝑖𝑡𝑢𝑛𝑔 = ∑ = 8,094
𝑒𝑖
6) Keputusan = karena 𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (8,094) < 𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,488) maka
keputusannya jangan tolak H0
7) Kesimpulan = Data berdistribusi normal
c. Uji Anderson-Darling
Uji Hipotesis
3) 𝛼 = 0,050
4) Daerah kritis = p-value < 0,05
 Jika AD ≥ 0,60
p = exp(1,2937 – 5,709(AD) + 0,0186 (𝐴𝐷)2
 Jika 0,34 < AD < 0,60
p = exp(0,9177 – 4,279(AD) + 1,38(𝐴𝐷)2
 Jika 0,20 < AD < 0,34
p = 1- exp(-8,318 + 42,796(AD) – 59,938(𝐴𝐷)2
 Jika AD ≤ 0,20 < AD < 0,34
p = 1- exp(-13,436 + 101,14(AD) – 223,73(𝐴𝐷)2
5) Perhitungan
a) Rata-rata (𝑥̅ )
∑ 𝑋𝑖 237,67
𝑋̅ = = = 5,282
𝑛 45
b) Standar Deviasi

2023
Kelompok 19
(𝑋𝑖 − 𝑋̅)2 174,549

𝑆 = √∑ =√ = 1,992
𝑛−1 44
1
c) 𝐴2 = −𝑛 − 𝑛 ∑[2𝑖 − 1][ln (𝐹(𝑍𝑖 )) +ln(1 − 𝐹(𝑍𝑛+1−𝑡 ))]
𝐴2 = −45 − (−45,766) = 0,766

0,75 2,25
d) 𝐴𝐷 = 𝐴2 (1 + + )
𝑛 𝑛2
0,75 2,25
𝐴𝐷 = 0,766 (1 + + ) = 0,780
30 302
e) p = exp(1,2937 – 5,709(AD) + 0,0186 (𝐴𝐷)2

p = exp(1,2937 – 5,709(0,780) + 0,0186 (0,780)2= 0,043
Berikut ini adalah tabel perhitungan manual Uji Anderson-Darling
Distribusi Uniform data kontinu:
Tabel 3. 21 Perhitungan Statistik A2 Data Kontinu
2,08 1 0,054 0,986 -0,160
2,36 2 0,071 0,974 -0,419
2,88 3 0,114 0,959 -0,597
2,98 4 0,124 0,943 -0,771
3,01 5 0,127 0,935 -0,958
3,06 6 0,132 0,854 -0,965
3,16 7 0,143 0,847 -1,103
3,17 8 0,145 0,838 -1,252
3,18 9 0,146 0,838 -1,417
3,23 10 0,151 0,789 -1,454
3,24 11 0,153 0,782 -1,587
3,32 12 0,162 0,773 -1,686
3,59 13 0,198 0,733 -1,634
3,89 14 0,242 0,720 -1,613
3,97 15 0,255 0,714 -1,688
4,04 16 0,267 0,706 -1,754
4,11 17 0,278 0,663 -1,736

2023
Kelompok 19
Tabel 3. 22 Perhitungan Statistik A2 Data Kontinu (Lanjutan)

4,17 18 0,288 0,610 -1,700
4,31 19 0,313 0,593 -1,695
4,35 20 0,320 0,591 -1,762
4,41 21 0,331 0,577 -1,792
5,28 22 0,500 0,573 -1,477
5,41 23 0,526 0,526 -1,389
5,65 24 0,573 0,500 -1,304
5,67 25 0,577 0,331 -1,036
5,74 26 0,591 0,320 -1,033
5,75 27 0,593 0,313 -1,057
5,84 28 0,610 0,288 -1,019
6,12 29 0,663 0,278 -0,933
6,36 30 0,706 0,267 -0,863
6,41 31 0,714 0,255 -0,855
6,44 32 0,720 0,242 -0,849
6,52 33 0,733 0,198 -0,767
6,77 34 0,773 0,162 -0,648
6,83 35 0,782 0,153 -0,632
6,88 36 0,789 0,151 -0,633
7,25 37 0,838 0,146 -0,541
7,25 38 0,838 0,145 -0,554
7,32 39 0,847 0,143 -0,549
7,38 40 0,854 0,132 -0,526
8,29 41 0,935 0,127 -0,366
8,43 42 0,943 0,124 -0,352
8,75 43 0,959 0,114 -0,307
9,14 44 0,974 0,071 -0,194

2023
Kelompok 19
6) Keputusan = Diketahui P-Value sebesar 0,043, maka keputusan

tolak H0 karena P (0,043) <0,05
7) Kesimpulan = Data tidak berdistribusi uniform
3.5.3 Output Data Software EasyFit Data Diskrit
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
uniform diskrit dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 23 Output Uji Kolmogorov-Smirnov Distribusi Uniform Diskrit
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,11053
P-Value 0,81836
Rank 1
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,19032 0,21756 0,2417 0,27023 0,28987
Reject? No No No No No
geometrik dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 24 Output Uji Kolmogorov-Smirnov Distribusi Geometrik
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,3627
P-Value 4,8268E-4
Rank 4
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,19032 0,21756 0,2417 0,27023 0,28987
Reject? Yes Yes Yes Yes Yes

2023
Kelompok 19
poisson dengan uji Kolmogorov-Smirnov pada software EasyFit:

Tabel 3. 25 Output Uji Kolmogorov-Smirnov Distribusi Poisson
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,35693
P-Value 6,3063E-4
Rank 3
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,19032 0,21756 0,2417 0,27023 0,28987
negatif binomial dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 26 Output Uji Kolmogorov-Smirnov Distribusi Negatif Binomial
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,20748
P-Value 0,13064
Rank 2
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,19032 0,21756 0,2417 0,27023 0,28987
Reject? Yes No No No No
uniform diskrit dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 27 Output Uji Anderson-Darling Distribusi Uniform Diskrit
Anderson-Darling

2023
Kelompok 19
Sample Size 30
Statistic 7,6283
Rank 3
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
geometrik dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 28 Output Uji Anderson-Darling Distribusi Geometrik
Anderson-Darling
Sample Size 30
Statistic 5,3063
Rank 2
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
poisson dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 29 Output Uji Anderson-Darling Distribusi Poisson
Anderson-Darling
Sample Size 30
Statistic 19,461
Rank 5
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074

2023
Kelompok 19
negatif binomial dengan uji Anderson-Darling pada software EasyFit:

Tabel 3. 30 Output Uji Anderson-Darling Distribusi Negatif Binomial
Anderson-Darling
Sample Size 30
Statistic 1,0867
Rank 1
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
3.5.4 Output Software EasyFit Data Kontinu

normal dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 31 Output Uji Kolmogorov-Smirnov Distribusi Normal
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,13582
P-Value 0,34595
Rank 39
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,15623 0,17856 0,19837 0,22181 0,23798
eksponensial dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 32 Output Uji Kolmogorov-Smirnov Distribusi Eksponensial
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,37588

2023
Kelompok 19
P-Value 3,2127E-6
Rank 59
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,15623 0,17856 0,19837 0,22181 0,23798
Weibull dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 33 Output Uji Kolmogorov-Smirnov Distribusi Gamma
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,10894
P-Value 0,62029
Rank 13
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,15623 0,17856 0,19837 0,22181 0,23798
gamma dengan uji Kolmogorov-Smirnov pada software EasyFit:
Tabel 3. 34 Output Uji Kolmogorov-Smirnov Distribusi Gamma
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,11097
P-Value 0,59738
Rank 16
 0,2 0,1 0,05 0,02 0,01
Critical Value 0,15623 0,17856 0,19837 0,22181 0,23798

2023
Kelompok 19
b. Uji Chi Square

normal dengan uji Chi Square pada software EasyFit:
Tabel 3. 35 Output Uji Chi Square Distribusi Normal
Chi-Squared
Deg. of freedom 4
Statistic 4,3213
P-Value 0,36426
Rank 18
 0,2 0,1 0,05 0,02 0,01
Critical Value 5,9886 7,7794 9,4877 11,668 13,277
eksponensial dengan uji Chi Square pada software EasyFit:
Tabel 3. 36 Output Uji Chi Square Distribusi Eksponensial
Chi-Squared
Deg. of freedom 4
Statistic 34,528
P-Value 5,8076E-7
Rank 54
 0,2 0,1 0,05 0,02 0,01
Critical Value 5,9886 7,7794 9,4877 11,668 13,277
Weibull dengan uji Chi Square pada software EasyFit:
Tabel 3. 37 Output Uji Chi Square Distribusi Weibull
Chi-Squared

2023
Kelompok 19
Deg. of freedom 4
Statistic 5,3707
P-Value 0,25133
Rank 32
 0,2 0,1 0,05 0,02 0,01
Critical Value 5,9886 7,7794 9,4877 11,668 13,277
gamma dengan uji Chi Square pada software EasyFit:
Tabel 3. 38 Output Uji Chi Square Distribusi Gamma
Chi-Squared
Deg. of freedom 4
Statistic 3,4347
P-Value 0,48788
Rank 10
 0,2 0,1 0,05 0,02 0,01
Critical Value 5,9886 7,7794 9,4877 11,668 13,277
normal dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 39 Output Uji Anderson-Darling Distribusi Normal
Anderson-Darling
Sample Size 45
Statistic 0,76638
Rank 24
 0,2 0,1 0,05 0,02 0,01

2023
Kelompok 19
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
eksponensial dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 40 Output Uji Anderson-Darling Distribusi Eksponensial
Anderson-Darling
Sample Size 45
Statistic 8,0912
Rank 58
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
Weibull dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 41 Output Uji Anderson-Darling Distribusi Weibull
Anderson-Darling
Sample Size 45
Statistic 0,69866
Rank 12
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
gamma dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 42 Output Uji Anderson-Darling Distribusi Gamma
Anderson-Darling

2023
Kelompok 19
Sample Size 45
Statistic 0,72996
Rank 18
 0,2 0,1 0,05 0,02 0,01
Critical Value 1,3749 1,9286 2,5018 3,2892 3,9074
3.5.5 Rekap Data Uji Goodness of Fit Data Diskrit

Berikut merupakan rekap data uji Goodness of Fit menggunakan Uji
Kolmogorov-Smirnov secara manual dan software EasyFit dengan data diskrit distribusi
uniform diskrit:
Tabel 3. 43 Rekap Data Uji Kolmogorov-Smirnov Data Diskrit Manual dan Software
Parameter Manual EasyFit
Nilai Kritis 0,242 0,2417
a 0,05 0,05
𝑥̅ 42,967 -
S 16,587 -
D/Statistics 0,107 0,11053
Daerah Kritis D 0,107 < Da 0,242 D 0,11053 < Da 0,2417
Keputusan Jangan tolak 𝐻0 Jangan tolak 𝐻0
Kesimpulan Data berdistribusi uniform Data berdistribusi uniform

Kolmogorov-Smirnov memakai software EasyFit menggunakan distribusi geometrik,
poisson, dan negatif binomial:

2023
Kelompok 19
Tabel 3. 44 Rekap Data Uji Kolmogorov-Smirnov Data Diskrit Software EasyFit

Parameter Geometrik Poisson Negatif Binomial
Nilai Kritis 0,2417 0,2417 0,2417
a 0,05 0,05 0,05
𝑥̅ - - -
S - - -
D/Statistics 0,3627 0,35693 0,20748
D 0,3627 > Da D 0,35693 > Da D 0,20748 < Da
Daerah Kritis
0,2417 0,2417 0,2417
Keputusan Tolak 𝐻0 Tolak 𝐻0 Jangan tolak 𝐻0
Data tidak
Data tidak Data berdistribusi
Kesimpulan berdistribusi
berdistribusi uniform uniform
uniform
Analisis:
Uji Goodness of Fit yang digunakan untuk membandingkan distribusi sampel
dengan distribusi lainnya, terutama distribusi normal dengan mean dan standar deviasi
yang sama, adalah uji Kolmogorov-Smirnov. Uji ini memeriksa sejauh mana data yang
diamati cocok dengan distribusi teoritis yang diharapkan, seperti distribusi normal
(Siregar, 2015). Berikut merupakan analisis hasil perhitungan uji Goodness of Fit
distribusi data diskrit berdasarkan tabel 3.27 dan 3.28 menggunakan uji Kolmogorov-
Smirnov.
Nilai kritis antara perhitungan manual dan nilai kritis perhitungan EasyFit
distribusi uniform sebenarnya relatif sama. Hanya berbeda pada hasil pembulatan karena
pada perhitungan manual sudah merupakan pembulatan 3 angka belakang koma. Adapun
nilai kritis untuk distribusi geometrik, poisson, dan negatif binomial memiliki nilai yang
sama yaitu 0,2417 dihitung dengan software EasyFit.
Pada perhitungan manual dan EasyFit dengan nilai a sebesar 0,05 artinya bahwa
peluang menghasilkan kesimpulan yang benar sebesar 95%. Pada distribusi geometrik,
poisson, dan negatif binomial yang dihitung menggunakan software EasyFit memiliki a
yang sama juga, yaitu 0,05. α merujuk pada taraf signifikansi atau tingkat kepercayaan

2023
Kelompok 19
yang digunakan dalam pengujian hipotesis. Tingkat signifikansi (α) menentukan sejauh
mana bukti yang diperlukan untuk menolak hipotesis nol (H0). Semakin kecil nilai α,
semakin ketat kriteria untuk menolak hipotesis nol. Semakin besar nilai α, semakin besar
kemungkinan untuk tidak menolak hipotesis nol.
Nilai rata-rata pada perhitungan manual distribusi uniform diskrit yaitu 42,967
sedangkan pada distribusi uniform diskrit, geometrik, poisson, dan negatif binomial hasil
Easyfit tidak menghasilkan output nilai rata-rata.
Nilai standar deviasi pada perhitungan manual distribusi uniform diskrit adalah
sebesar 16,587. Pada perhitungan Easyfit distribusi uniform diskrit, geometrik, poisson,
dan negatif binomial hasil Easyfit tidak menghasilkan output nilai standar deviasi.
Nilai D pada perhitungan manual dan Easyfit distribusi uniform diskrit berbeda.
Pada perhitungan manual, diperoleh nilai D sebesar 0,006 dan pada perhitungan EasyFit
D sebesar 0,11053. Maka keputusannya jangan tolak H0 D 0,107 < Da 0,242. Adapun
kesimpulannya yaitu berdistribusi secara normal pada perhitungan manual dan
perhitungan menggunakan software Easyfit pada distribusi negatif binomial maupun
distribusi uniform diskrit. Sedangkan pada distribusi geometrik dan distribusi poisson
dapat diambil keputusan yaitu data tidak berdistribusi normal. Adapun nilai D pada
distribusi geometrik, poisson, dan negatif binomial pada perhitungan easyfit berturut-
turut sebesar 0,3627, 0,35693, dan 0,20748.
Pada hasil uji kolmogorov-smirnov, diketahui nilai kritis yaitu 0,242 maka pada
perhitungan geometrik didapatkan nilai D>Dα dengan keputusan tolak H0 serta
kesimpulan nya tidak berdistribusi secara normal, pada perhitungan poisson didapatkan
nilai D>Dα dengan keputusan tolak H0 serta kesimpulan nya tidak berdistribusi secara
normal, dan pada perhitungan negatif binomial didapatkan nilai D < Dα dengan keputusan
jangan tolak H0 serta kesimpulannya dapat berdistribusi secara normal.
Anderson-Darling secara manual dan software EasyFit dengan data diskrit
distribusi uniform diskrit:

2023
Kelompok 19
Tabel 3. 45 Rekap Data Uji Anderson-Darling Data Diskrit Manual dan Software
a 0,05 0,05
𝑥̅ 42,967 -
S 16,587 -
P-Value/Statistics 0,727 7,6283
Daerah Kritis P 0,727 > Pα 0,05 P 7,6283 > Pα 2,5018
Keputusan Jangan tolak 𝐻0 Tolak 𝐻0
Data tidak berdistribusi
Kesimpulan Data berdistribusi uniform
uniform

Anderson-Darling memakai software EasyFit menggunakan distribusi
geometrik, poisson, dan negatif binomial:
Tabel 3. 46 Rekap Data Uji Anderson-Darling Data Diskrit Software EasyFit
Parameter Geometrik Poisson Negatif Binomial
Nilai Kritis 2,5018 2,5018 2,5018
a 0,05 0,05 0,05
𝑥̅ 42,967 42,967 42,967
S 16,587 16,587 16,587
_P-Value/Statistics 5,3063 19,461 1,0867
Daerah Kritis P 5,3063 > Pα P 19,461 > Pα P 1,0867 < Pα
2,5018 2,5018 2,5018
Keputusan Tolak 𝐻0 Tolak 𝐻0 Jangan tolak 𝐻0
Data tidak Data tidak
Data berdistribusi
Kesimpulan berdistribusi berdistribusi
uniform
uniform uniform
Analisis:
Uji Anderson-Darling adalah suatu alat statistik yang digunakan untuk menguji

2023
Kelompok 19
apakah data yang berupa variabel kuantitatif sesuai dengan berbagai jenis distribusi,
termasuk distribusi normal, lognormal, eksponensial, Weibull, dan distribusi logistik. Uji
ini berguna untuk mengevaluasi tingkat kesesuaian antara data yang diamati dan
distribusi yang diharapkan, sehingga dapat digunakan baik sebagai uji kenormalan
maupun uji kebaikan sesuaian (Goodness of Fit) untuk berbagai jenis distribusi data
(Stephens, 1974). Berikut merupakan analisis hasil perhitungan uji Goodness of Fit
distribusi data diskrit berdasarkan tabel 3.29 dan 3.30 menggunakan uji Anderson-
Darling.
distribusi uniform sebenarnya relatif sama. Hanya berbeda pada hasil pembulatan karena
nilai kritis untuk distribusi geometrik, poisson, dan negatif binomial memiliki nilai yang
sama yaitu 0,2417 dihitung dengan software EasyFit.
peluang menghasilkan kesimpulan yang benar sebesar 95%. Pada distribusi geometrik,
poisson, dan negatif binomial yang dihitung menggunakan software EasyFit memiliki a
yang sama juga, yaitu 0,05. α merujuk pada taraf signifikansi atau tingkat kepercayaan
yang digunakan dalam pengujian hipotesis. Tingkat signifikansi (α) menentukan sejauh
mana bukti yang diperlukan untuk menolak hipotesis nol (H0). Semakin kecil nilai α,
semakin ketat kriteria untuk menolak hipotesis nol. Semakin besar nilai α, semakin besar
Nilai rata-rata pada perhitungan manual distribusi uniform diskrit yaitu 42,967
sedangkan pada distribusi uniform diskrit, geometrik, poisson, dan negatif binomial hasil
Easyfit tidak menghasilkan output nilai rata-rata.
Nilai standar deviasi pada perhitungan manual distribusi uniform diskrit adalah
sebesar 16,587. Pada perhitungan Easyfit distribusi uniform diskrit, geometrik, poisson,
dan negatif binomial hasil Easyfit tidak menghasilkan output nilai standar deviasi.
Nilai D pada perhitungan manual dan Easyfit distribusi uniform diskrit berbeda.
Pada perhitungan manual, diperoleh nilai P-Value sebesar 0,727 dan pada perhitungan
EasyFit sebesar 7,62833. Maka keputusannya jangan tolak H0 karena p 0,727 > 0,05.
Adapun kesimpulannya yaitu berdistribusi secara normal pada perhitungan manual dan

2023
Kelompok 19
berdistribusi secara tidak normal pada perhitungan menggunakan software Easyfit pada
distribusi uniform diskrit. Sedangkan pada distribusi geometrik dan distribusi poisson
dapat diambil kesimpulan yaitu data tidak berdistribusi normal. Lalu pada distribusi
negatif binomial dapat diambil kesimpulan data berdistribusi secara normal. Adapun nilai
P pada distribusi geometrik, poisson, dan negatif binomial pada perhitungan easyfit
berturut-turut sebesar 5,3063; 19,461; dan 1,0867.
Pada hasil uji kolmogorov-smirnov dengan software EasyFit, diketahui nilai kritis
yaitu 2,5018 maka pada perhitungan geometrik didapatkan nilai P>Pα dengan keputusan
tolak H0 serta kesimpulan nya tidak berdistribusi secara normal, pada perhitungan poisson
didapatkan nilai P>Pα dengan keputusan tolak H0 serta kesimpulan nya tidak berdistribusi
secara normal, dan pada perhitungan negatif binomial didapatkan nilai P < Pα dengan
keputusan jangan tolak H0 serta kesimpulannya dapat berdistribusi secara normal.
3.5.6 Rekap Data Uji Goodness of Fit Data Kontinu

Kolmogorov-Smirnov secara manual dan software EasyFit dengan distribusi
normal:
Tabel 3. 47 Rekap Data Uji Kolmogorov-Smirnov Data Kontinu Manual dan Software
a 0,05 0,05
𝑥̅ 5,282 -
S 1,992 -
D/Statistics 0,136 0,136
Daerah Kritis D (0,136) < D𝛼 (0,198) D (0,136) < D𝛼 (0,19837)
Keputusan Jangan Tolak H0 Jangan Tolak H0
Kesimpulan Data Berditribusi Normal Data Berditribusi Normal

Kolmogorov-Smirnov memakai software EasyFit menggunakan distribusi

2023
Kelompok 19
eksponensial, weibull, dan gamma:
Tabel 3. 48 Rekap Data Uji Kolmogorov-Smirnov Data Kontinu Software EasyFit

Parameter Eksponensial Weibull Gamma
Nilai Kritis 0,19837 0,19837 0,19837
a 0,05 0,05 0,05
𝑥̅ - - -
S - - -
_D/Statistics 0,37588 0,10894 0,11097
Daerah Kritis D (0,37588) > D𝛼 D (0,10894) < D𝛼 D (0,11097) < D𝛼
(0,198) (0,198) (0,198)
Keputusan Tolak H0 Jangan Tolak H0 Jangan Tolak H0
Data Tidak
Data Berdistribusi Data Bersditribusi
Kesimpulan Berdistribusi
Normal Normal
Normal
Analisis:
Uji Goodness of Fit yang digunakan untuk membandingkan distribusi sampel
dengan distribusi lainnya, terutama distribusi normal dengan mean dan standar deviasi
yang sama, adalah uji Kolmogorov-Smirnov. Uji ini memeriksa sejauh mana data yang
diamati cocok dengan distribusi teoritis yang diharapkan, seperti distribusi normal
(Siregar, 2015). Berikut merupakan analisis hasil perhitungan uji Goodness of Fit
distribusi data kontinu berdasarkan tabel 3.31 dan 3.32 menggunakan uji Kolmogorov-
Smirnov.
distribusi normal sebenarnya relatif sama. Hanya berbeda pada hasil pembulatan karena
nilai kritis untuk distribusi eksponensial, weibull, dan gamma memiliki nilai yang sama
yaitu 0,19837 dihitung dengan software EasyFit.
peluang menghasilkan kesimpulan yang benar sebesar 95%. Pada distribusi eksponensial,
weibull, dan gamma yang dihitung menggunakan software EasyFit memiliki a yang sama

2023
Kelompok 19
juga, yaitu 0,05. α merujuk pada taraf signifikansi atau tingkat kepercayaan yang
digunakan dalam pengujian hipotesis. Tingkat signifikansi (α) menentukan sejauh mana
bukti yang diperlukan untuk menolak hipotesis nol (H0). Semakin kecil nilai α, semakin
ketat kriteria untuk menolak hipotesis nol. Semakin besar nilai α, semakin besar
Nilai rata-rata pada perhitungan manual distribusi normal yaitu 5,282 sedangkan
pada distribusi normal, eksponensial, weibull, dan gamma hasil software Easyfit tidak
menghasilkan output nilai rata-rata.
Nilai standar deviasi pada perhitungan manual distribusi normal adalah sebesar
1,992. Pada perhitungan Easyfit distribusi normal, eksponensial, weibull, dan gamma
hasil Easyfit tidak menghasilkan output nilai standar deviasi.
Nilai D pada perhitungan manual dan Easyfit distribusi normal memiliki nilai
yang sama yaitu sebesar 0,136. Maka keputusannya jangan tolak H0, karena D (0,136) <
D𝛼 (0,198). Adapun kesimpulannya yaitu berdistribusi secara normal pada perhitungan
manual dan perhitungan menggunakan software Easyfit pada distribusi normal.
Sedangkan nilai D pada distribusi eksponensial, weibull, dan gamma memiliki nilai yang
berbeda-beda. Nilai D pada eksponensial sebesar 0,37588, weibull sebesar 0,10894, dan
gamma sebesar 0,11097. Maka keputusannya jangan terima H0, karena D (0,37588) > D𝛼
(0,198) dengan kesimpulan data tidak berdistribusi normal. Sementara keputusan untuk
distribusi weibull dan gamma jangan tolak H0 karena untuk weibull D (0,10894) < D𝛼
(0,198) sementara untuk gamma D (0,11097) < D 𝛼 (0,198). Adapun kesimpulan
distribusi weibull dan gamma adalah data berdistribusi normal.
b. Uji Chi Square

Berikut merupakan rekap data uji Goodness of Fit menggunakan uji Chi Square
secara manual dan software EasyFit menggunakan distribusi normal:
Tabel 3. 49 Rekap Data Uji Chi Square Data Kontinu Manual dan Software
a 0,05 0,05
𝑥̅ 5,284 -

2023
Kelompok 19
Tabel 3. 50 Rekap Data Uji Chi Square Data Kontinu Manual dan Software (Lanjutan)
S 1,952 -
X2/Statistics 8,094 4,3213
Daerah Kritis 𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (8,094) < 𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (4,3213) <
𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,487) 𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,4877)
Keputusan Jangan Tolak H0 Jangan Tolak H0
Kesimpulan Data berdistribusi normal Data berdistribusi normal
Berikut merupakan rekap data uji Goodness of Fit menggunakan Uji Chi-
Square memakai software EasyFit menggunakan distribusi eksponensial, weibull, dan
gamma:
Tabel 3. 51 Rekap Data Uji Chi Square Data Kontinu Software EasyFit
Nilai Kritis 9,4877 9,4877 9,4877
a 0,05 0,05 0,05
𝑥̅ - - -
S - - -
X2/Statistics 34,528 5,3707 3,4347
𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (34,528)> 𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (5,3707)< 𝑥 2 ℎ𝑖𝑡𝑢𝑛𝑔 (3,4347)<
Daerah Kritis
𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,4877) 𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,4877) 𝑥 2 𝑡𝑎𝑏𝑒𝑙 (9,4877)
Keputusan Tolak H0 Jangan Tolak H0 Jangan Tolak H0
Data tidak Data berdistribusi Data berdistribusi
Kesimpulan
berdistribusi normal normal normal
Analisis:
Uji Chi-Square merupakan sebuah uji statistik penganalisa komparatif guna perbandingan
2 variabel kategorik yang tidak berpasangan (Halim, 2020). Berdasarkan tabel 3.33 dan
3.34 hasil perhitungan uji Goodness of Fit menggunakan uji Chi-Square distribusi data
kontinu pada nilai kritis antara perhitungan manual dan nilai kritis perhitungan easyfit

2023
Kelompok 19
distribusi normal sedikit berbeda. Pada perhitungan manual, diperoleh nilai kritis sebesar
9,487 dan pada semua perhitungan dengan menggunakan software yang mencakup
distribusi normal, distribusi eksponensial, distribusi weibull, dan distribusi gamma
memperoleh nilai krisis sebesar 9,4877.
Pada perhitungan manual dan software Easyfit diperoleh nilai α yang sama yaitu
sebesar 0,05 yang berarti bahwa peluang menghasilkan kesimpulan yang benar sebesar
95%. Pada distribusi eksponensial, weibull, dan gamma yang dihitung menggunakan
software easyfit memiliki α yang sama juga, yaitu 0,05. Nilai α bisa diartikan sebagai
derajat kebebasan dan sering disebut juga dengan tingkat signifikansi. Semakin kecil nilai
α maka semakin kecil kemungkinan untuk terjadi penolakan hipotesis nol.
Nilai rata-rata pada perhitungan manual distribusi normal yaitu 5,284 sedangkan
pada distribusi normal, distribusi eksponensial, distribusi weibull, dan distribusi gamma
hasil dari perhitungan software Easyfit tidak ditemukan nilai rata-ratanya. Nilai standar
deviasi pada perhitungan manual distribusi normal adalah sebesar 1,952 tetapi pada
perhitungan software Easyfit distribusi normal, distribusi eksponensial, distribusi
weibull, dan distribusi gamma tidak diperoleh nilai standar deviasinya.
Nilai 𝑥 2 pada perhitungan manual dan software Easyfit distribusi normal cukup
berbeda. Pada perhitungan manual, diperoleh nilai sebesar 8,094 dan pada perhitungan
software Easyfit diperoleh nilai sebesar 4,3231. Lalu dengan diketahuinya nilai 𝑥 2 pada
tabel yaitu sebesar 9,487 maka pada perhitungan normal dapat disimpulkan bahwa semua
data melalui perhitungan secara manual maupun dengan bantuan software berdistribusi
normal karena dalam daerah kritis yang terjadi 𝑥 2 hitung < 𝑥 2 tabel dengan keputusan
akhirnya jangan tolak 𝐻0 .
Nilai 𝑥 2 pada perhitungan software Easyfit distribusi eksponensial diperoleh nilai
𝑥 2 sebesar 34,528 dan dengan diketahuinya nilai 𝑥 2 pada tabel yaitu sebesar 9,487 maka
pada perhitungan normal dapat disimpulkan bahwa data tidak berdistribusi normal karena
dalam daerah kritis yang terjadi 𝑥 2 hitung > 𝑥 2 tabel dengan keputusan akhirnya tolak
𝐻0 . Sedangkan nilai 𝑥 2 pada perhitungan software Easyfit distribusi weibull dan
distribusi gamma cukup berbeda. Pada distribusi weibull diperoleh nilai 𝑥 2 sebesar
5,3707 dan pada perhitungan software Easyfit distribusi gamma diperoleh nilai sebesar
3,4347. Lalu dengan diketahuinya nilai 𝑥 2 pada tabel yaitu sebesar 9,487, maka dapat

2023
Kelompok 19
disimpulkan bahwa data distribusi weibull berdistribusi normal karena dalam daerah
kritis yang terjadi 𝑥 2 hitung < 𝑥 2 tabel dengan keputusan akhirnya jangan tolak 𝐻0 .
Sedangkan data distribusi weibull berdistribusi normal karena dalam daerah kritis yang
terjadi 𝑥 2 hitung < 𝑥 2 tabel dengan keputusan akhirnya jangan tolak 𝐻0 .
Berikut merupakan rekap data uji Goodness of Fit menggunakan uji Anderson-
Darling secara manual dan software EasyFit menggunakan distribusi normal:
Tabel 3. 52 Rekap Data Uji Anderson-Darling Data Kontinu Manual dan Software
a 0,05 0,05
𝑥̅ 5,282 -
S 1,992 -
P-Value/Statistics 0,043 0,76638
P-Value (0,043) < P𝛼 P-Value (0,76638) > P𝛼
Daerah Kritis
(0,050) (0,050)
Keputusan Tolak H0 Jangan tolak H0
Data tidak berdistribusi
Kesimpulan Data berdistribusi uniform
uniform
Berikut merupakan rekap data uji Goodness of Fit menggunakan Uji Anderson-
Darling memakai software EasyFit menggunakan distribusi eksponensial, weibull,
dan gamma:
Tabel 3. 53 Rekap Data Uji Anderson-Darling Data Kontinu Software EasyFit
Nilai Kritis 2,5018 2,5018 2,5018
a 0,05 0,05 0,05
𝑥̅ - - -
S - - -
_P-Value/Statistics 8,0912 0,69866 0,72996

2023
Kelompok 19
Tabel 3. 54 Rekap Data Uji Anderson-Darling Data Kontinu Software EasyFit (Lanjutan)
P-Value
P-Value (8,0912) > P-Value (0,72996)
Daerah Kritis (0,69866) > P𝛼
P𝛼 (0,050) > P𝛼 (0,050)
(0,050)
Keputusan Tolak H0 Jangan tolak H0 Jangan tolak H0
Data tidak
Data berdistribusi Data berdistribusi
Kesimpulan berdistribusi
uniform uniform
uniform
Analisis:
Uji Anderson-Darling adalah suatu alat statistik yang digunakan untuk menguji
apakah data yang berupa variabel kuantitatif sesuai dengan berbagai jenis distribusi,
termasuk distribusi normal, eksponensial, weibull, dan gamma. Uji ini berguna untuk
mengevaluasi tingkat kesesuaian antara data yang diamati dan distribusi yang diharapkan,
sehingga dapat digunakan baik sebagai uji kenormalan maupun uji kebaikan sesuaian
(Goodness of Fit) untuk berbagai jenis distribusi data (Stephens, 1974). Berikut
merupakan analisis hasil perhitungan uji Goodness of Fit distribusi data kontinu
berdasarkan tabel 3.35 dan 3.36 menggunakan uji Anderson-Darling.
distribusi uniform memiliki nilai yang berbeda. Nilai kritis pada perhitungan manual yaitu
0,05 sementara nilai kritis pada perhitungan EasyFit yaitu 2,5018.
peluang menghasilkan kesimpulan yang benar sebesar 95%. Pada eksponensial, weibull,
dan gamma yang dihitung menggunakan software EasyFit memiliki a yang sama juga,
yaitu 0,05. α merujuk pada taraf signifikansi atau tingkat kepercayaan yang digunakan
dalam pengujian hipotesis. Tingkat signifikansi (α) menentukan sejauh mana bukti yang
diperlukan untuk menolak hipotesis nol (H0). Semakin kecil nilai α, semakin ketat kriteria
untuk menolak hipotesis nol. Semakin besar nilai α, semakin besar kemungkinan untuk
tidak menolak hipotesis nol.
Nilai rata-rata pada perhitungan manual distribusi normal manual yaitu 5,282

2023
Kelompok 19
sedangkan pada distribusi normal, eksponensial, weibull, dan gamma hasil Easyfit tidak
menghasilkan output nilai rata-rata.
Nilai standar deviasi pada perhitungan manual distribusi normal adalah sebesar
1,992. Pada perhitungan Easyfit distribusi distribusi normal, eksponensial, weibull, dan
gamma hasil Easyfit tidak menghasilkan output nilai standar deviasi.
Nilai P-Value pada perhitungan manual dan Easyfit distribusi normal berbeda.
Pada perhitungan manual, diperoleh nilai P-Value sebesar 0,043 dan pada perhitungan
EasyFit sebesar 7,6638. Maka keputusannya untuk distribusi normal dengan perhitungan
manual yaitu tolak H0 karena p 0,043 < 0,05. Sementara keputusan untuk distribusi
normal yang menggunakan EasyFit yaitu jangan tolak H0 karena p 0,76638 > 0,05.
Adapun kesimpulannya yaitu data tidak berdistribusi secara uniform pada perhitungan
manual dan berdistribusi uniform pada perhitungan menggunakan software Easyfit pada
distribusi normal. Perbedaan kesimpulan pada perhitungan manual dan EasyFit
dikarenakan algoritma pada EasyFit sudah diatur yang mana algoritma tersebut bisa
berbeda dengan algoritma metode manual. Sedangkan nilai P pada distribusi
eksponensial, weibull, dan gamma pada perhitungan EasyFit secara berturut-turut sebesar
8,0912; 0,69866; dan 0,72996. Maka keputusannya untuk distribusi eksponensial yaitu
tolak H0 karena p 8,0912 > 0,05. Sementara keputusan distribusi weibull dan gamma yaitu
jangan tolak H0 karena pada ditribusi weibull p 0,699 > 0,05 dan distribusi gamma p
0,72996 > 0,05.

2023
Kelompok 19
BAB IV
PENUTUP
4.1 Kesimpulan
Setelah menyelesaikan Praktikum Modul 3 mengenai Distribusi Statistik, berikut
adalah kesimpulan yang dapat ditarik:
1. Distribusi statistik memiliki tiga parameter utama, yakni parameter lokasi (γ) yang
digunakan untuk menentukan posisi data pada sumbu horizontal, parameter skala
(𝛽) yang menunjukkan ukuran data dalam distribusi, seperti simpangan baku, dan
parameter bentuk (𝛼) yang membedakan antara parameter lokasi dan skala.
2. Distribusi statistik terbagi menjadi dua jenis, yaitu distribusi diskrit yang
mencakup variabel yang memiliki rentang nilai yang terbatas atau tak terbatas
tetapi dapat dihitung, dan distribusi kontinu yang mencakup variabel yang dapat
mengambil nilai pada skala kontinu. Fungsi distribusi statistik adalah untuk
menggambarkan dan menganalisis sebaran data.
3. Uji Goodness of Fit adalah proses pengujian hipotesis untuk menilai apakah
frekuensi data yang diamati sesuai dengan yang diharapkan dari suatu distribusi
tertentu. Uji Goodness of Fit seperti Kolmogorov-Smirnov dan Chi-Square
digunakan pada data kuantitatif kontinu. Proses perhitungan uji Goodness of Fit
dapat dilakukan manual menggunakan Excel atau dengan bantuan perangkat
lunak EasyFit.
4. Perangkat lunak EasyFit merupakan alat yang mudah digunakan untuk
menganalisis dan mendistribusikan data. EasyFit menghasilkan output berupa
grafik dari berbagai jenis distribusi statistik, menampilkan parameter-parameter
distribusi, dan hasil uji Goodness of Fit.
4.2 Saran
Sebelum menjalani praktikum, praktikan sebaiknya melakukan persiapan agar
praktikum dapat berlangsung dengan lancar.
1. Praktikan harus mempersiapkan diri sebelum praktikum untuk memastikan
kelancaran jalannya praktikum.

2023
Kelompok 19
2. Sebelumnya, praktikan sebaiknya memahami materi dasar statistika melalui studi

literatur dan penggunaan perangkat lunak untuk memastikan kelancaran
pelaksanaan praktikum.
3. Jika menghadapi kesulitan selama praktikum atau dalam proses pembuatan
laporan, praktikan sebaiknya mengajukan pertanyaan kepada asisten modul.
4. Praktikan disarankan untuk menjaga kerjasama kelompok yang baik dan berbagi
pengetahuan dengan rekan praktikan lainnya untuk menghindari keterlambatan
dalam penyelesaian tugas sesuai deadline yang ditetapkan.
5. Praktikan diharapkan menjaga ketelitian saat mengolah dan menghitung data agar
tidak ada kesalahan input data khususnya dalam pengolahan data secara manual
agar tidak mempengaruhi hasil pengolahan data.

2023
DAFTAR PUSTAKA
Abdi, H. (2021, November 30). Parameter. Retrieved from Liputan6.com:

https://www.liputan6.com/hot/read/4724674/parameter-adalah-ukuran-seluruh-
populasi-dalam-penelitian-kenali-bidangnya?page=2
Darsah, M. Y., & Ismunarti, D. H. (2013). Perbandingan Kurva Pada Distribusi
Uniform dan Distribusi Binomial. https://jurnal.unimus.ac.id/.
Halim, d. A. (2020). Perbandingan Ddua Proporsi Uji Chi Square X.
Handayani, D. (2022). Karakterisasi Sebaran Binomial Negatif-Binomial Negatif.
Jurnal Hasi Penelitian Dan Pengkajian Ilmiah Eksakta, Vol, 1, No.2 Juli 2022.
Irianto. (2016). Statistik Konsep Dasar, Aplikasi dan Pengembangannya. Jakarta:
Premanedia Group.
Kenton, W. (2023). Goodness of Fit.
Montgomery, D. C. (2015). Applied statistic and probability for engineer. New York.
Myers, R. E. (2012). Probability & Statistics for Engineers & Scientists. Boston:
Pearson Education, Inc.
Nata, T. W., & Andriani, D. P. (2016). Pengantar Statistik Industri.
Novyantika, R. D. (2017, Desember 16). Probability Distribution. Retrieved from
medium.com: https://medium.com/@rizkynovyantika/probability-distribution-
6f20640bc4c3
Nurudin, M., Mara, M. N., & Kusnandar, D. (2014). Ukuran Sampel dan Distribusi
Sampling dari Beberapa Variabel. Buletin Ilmiah Mat. Stat. dan Terapannya
(Bimaster).
Otaya, L. (2016). Distribusi Probabilitas Weibull Dan Aplikasinya . : Jurnal
Manajemen Pendidikan Islam .
Prodea, R. (2017). Chi-Square untuk Uji Goodness of Fit.
Rachman, A. B. (2017). Konsep Distribusi Eksponensial.
Ramadhani, A. N., Margono, D., Paramitha, T., & Kaavessina, M. (2019). KONSEP
DASAR STATISTIKA. Surakarta: Universitas Sebelas Maret.
Setiawan. (2011).
Siregar, S. (2015). Statistik Terapan untuk Perguruan Tinggi. Jakarta : Prenadamedia
Group.
Stephens, M. A. (1974). EDF Statistics for Goodness of Fit and Some Comparisons.
Sumertajaya. (2017). Cara Mudah Memahami Statistik 1.
Suyanto. (2017). Dasar Dasar Statistik Penelitian. Sibuku Media.
Suyanto, & Suharto. (2017). Dasar Dasar Statistik Penelitian.
Syafik, A. (2007). Aplikasi Distribusi Lognormal Dalam Statistika. LIMIT-Pendidikan
Matematika.
Taboga, M. (2021). Beta Distribution. Retrieved from StatLect:
https://www.statlect.com/probability-distributions/beta-distribution.
Wahid, R. (2020, Maret 29). Membahas Distribusi Peluang Diskrit dan Distribusi
Peluang Kontinu . Retrieved from rachmatwahid.com:
https://www.rachmatwahid.com/2020/03/distribusi-peluang-diskrit-distribusi-
peluang-kontinu.html
Walpole, R. E. (1995). Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuan.
Bandung: ITB.
Weisstein, E. W. (2004). Gamma Distribution. Retrieved from Wolfram MathWorld:
https://mathworld.wolfram.com/GammaDistribution.html
LAMPIRAN

Kelompok 19 - Modul 3

Diunggah oleh

Informasi Dokumen

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 19 - Modul 3

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM TEORI PROBABILITAS

DEPARTEMEN TEKNIK INDUSTRI

Semarang, 02 Oktober 2023

Semarang, 02 Oktober 2023

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

Gambar 2. 1 Flowchart Metode Praktikum ................................................................... 5

Tabel 3. 1 Data Kuantitatif Diskrit ............................................................................... 7

1.1 Latar Belakang

Departemen Teknik Industri 1

1.2 Tujuan Praktikum

Departemen Teknik Industri 2

3. Memahami dan mampu melakukan uji Goodness of Fit.

1.3 Batasan Penelitian

Departemen Teknik Industri 3

Gamma, Eksponensial, Weilbull, Beta, Erlang, dan Lognormal.

1.4 Sistematika Penulisan

Departemen Teknik Industri 4

2.1 Flowchart Metode Praktikum

Gambar 2. 1 Flowchart Metode Praktikum Modul 3

Departemen Teknik Industri 5

2.2 Penjelasan Flowchart

Departemen Teknik Industri 6

3.1 Pengumpulan Data

Departemen Teknik Industri 7

Tabel 3. 2 Data Kuantitatif Diskrit (Lanjutan)

Luas Wilayah Berdasarkan

Departemen Teknik Industri 8

Tabel 3. 4 Data Kuantitatif Kontinu (Lanjutan)

Luas Wilayah Berdasarkan

Departemen Teknik Industri 9

Tabel 3. 5 Data Kuantitatif Kontinu (Lanjutan)

Luas Wilayah Berdasarkan

3.2 Parameter Statistik

Departemen Teknik Industri 10

(Sumertajaya, 2017) parameter statistik merupakan suatu nilai numerik yang

Departemen Teknik Industri 11

3.3 Output Distribusi Statistik Data Diskrit dengan Software EasyFit

Gambar 3. 1 Grafik Distribusi Uniform Diskrit

Departemen Teknik Industri 12

3.3.2 Distribusi Geometrik

Gambar 3. 2 Grafik Distribusi Geometrik

Gambar 3. 3 Grafik Distribusi Poisson

Departemen Teknik Industri 13

Distribusi poisson merupakan sebuah jenis distribusi yang manyatakan

Gambar 3. 4 Grafik Distribusi Negatif Binomial

Departemen Teknik Industri 14

3.4 Output Distribusi Statistik Data Kontinu dengan Software EasyFit

Departemen Teknik Industri 15

Gambar 3. 5 Grafik Distribusi Uniform Kontinu

Gambar 3. 6 Grafik Distribusi Normal

Departemen Teknik Industri 16

Gambar 3. 7 Grafik Distribusi Gamma

Departemen Teknik Industri 17

Gambar 3. 8 Grafik Distribusi Eksponensial

Departemen Teknik Industri 18

3.4.5 Distribusi Weibull

Gambar 3. 9 Grafik Distribusi Weibull

Departemen Teknik Industri 19

Gambar 3. 10 Grafik Distribusi Beta

Departemen Teknik Industri 20

Gambar 3. 11 Grafik Distribusi Erlang

Departemen Teknik Industri 21

3.4.8 Distribusi Lognormal

Gambar 3. 12 Grafik Distribusi Logonormal