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
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.
Kelompok 19
iii
DAFTAR ISI
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
vi
DAFTAR TABEL
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
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.
BAB II
METODE PRAKTIKUM
BAB III
PENGUMPULAN, PENGOLAHAN DATA, DAN ANALISIS
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
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
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)
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
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
Berikut ini merupakan output yang dihasilkan dari software EasyFit mengenai
grafik distribusi eksponensial.
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
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
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
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.
Tabel 3. 12 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
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
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
a. Uji Kolmogorov-Smirnov
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
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.
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
e) Mean
∑ 𝑥𝑖 237,800
𝑋̅ = = = 5,284
𝑛 45
f) Standar Deviasi
∑ 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
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
1) H0 = Data berdistribusi normal
2) H1 = Data tidak berdistribusi normal
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
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,11053
P-Value 0,81836
Rank 1
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
Kolmogorov-Smirnov
Sample Size 30
Statistic 0,35693
P-Value 6,3063E-4
Rank 3
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? Yes No No No No
b. Uji Anderson-Darling
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
uniform diskrit dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 27 Output Uji Anderson-Darling Distribusi Uniform Diskrit
Anderson-Darling
Sample Size 30
Statistic 7,6283
Rank 3
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
Anderson-Darling
Sample Size 30
Statistic 1,0867
Rank 1
Reject? No No No No No
Kolmogorov-Smirnov
Sample Size 45
Statistic 0,13582
P-Value 0,34595
Rank 39
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
P-Value 3,2127E-6
Rank 59
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? No No No No No
Chi-Squared
Deg. of freedom 4
Statistic 4,3213
P-Value 0,36426
Rank 18
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
Weibull dengan uji Chi Square pada software EasyFit:
Tabel 3. 37 Output Uji Chi Square Distribusi Weibull
Chi-Squared
Deg. of freedom 4
Statistic 5,3707
P-Value 0,25133
Rank 32
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? No No No No No
c. Uji Anderson-Darling
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
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
Reject? No No No No No
Berikut ini merupakan output uji Goodness of Fit data kontinu distribusi
gamma dengan uji Anderson-Darling pada software EasyFit:
Tabel 3. 42 Output Uji Anderson-Darling Distribusi Gamma
Anderson-Darling
Sample Size 45
Statistic 0,72996
Rank 18
Reject? No No No No No
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
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
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.
b. Uji Anderson-Darling
Berikut merupakan rekap data uji Goodness of Fit menggunakan Uji
Anderson-Darling secara manual dan software EasyFit dengan data diskrit
distribusi uniform diskrit:
Tabel 3. 45 Rekap Data Uji Anderson-Darling Data Diskrit Manual dan Software
Parameter Manual EasyFit
Nilai Kritis 0,05 2,5018
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
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, 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.
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
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 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
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.
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 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.
Tabel 3. 50 Rekap Data Uji Chi Square Data Kontinu Manual dan Software (Lanjutan)
Parameter Manual EasyFit
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
Parameter Eksponensial Weibull Gamma
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
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
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 .
c. Uji Anderson-Darling
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
Parameter Manual EasyFit
Nilai Kritis 0,05 2,5018
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
Parameter Eksponensial Weibull Gamma
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
Tabel 3. 54 Rekap Data Uji Anderson-Darling Data Kontinu Software EasyFit (Lanjutan)
Parameter Eksponensial Weibull Gamma
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.
Nilai kritis antara perhitungan manual dan nilai kritis perhitungan EasyFit
distribusi uniform memiliki nilai yang berbeda. Nilai kritis pada perhitungan manual yaitu
0,05 sementara nilai kritis pada perhitungan EasyFit yaitu 2,5018.
Pada perhitungan manual dan EasyFit dengan nilai a sebesar 0,05 artinya bahwa
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
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.
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.