MAKALAH

“Ciri-Ciri Dan Karakteristik Promodel”

Di susun Oleh :

Beni Riyaldi

NPM. 2110017311031

Program Study Teknik Industri

Fakultas Teknologi Industri
Universitas Bung Hatta
2024
 “Ciri-Ciri Dan Karakteristik Promodel”

ProModel adalah salah satu perangkat lunak yang digunakan untuk

memodelkan dan menganalisis proses bisnis dan operasi.
Secara umum promodel sama dengan banyak program lainnya yang digunakan untuk
membuat model. Promodel terdiri dari berbagai fungsi yang dapat kita masukkan
sesuai dengan keinginan kita. Banyaknya pilihan fungsi yang ditawarkan oleh
promodel adalah agar model yang kita buat dapat semirip mungkin dengan keadaan
sebenarnya.
Data yang dibutuhkan pada pembuatan model dengan menggunakan Promodel ada
banyak jenisnya. Untuk data waktu proses atau durasi sebuah proses, jika data
pengamatan yang didapat adalah berupa time series maka untuk memasukkannya
dalam promodel dapat berupa sebuah distribusi. Untuk pengolahannya dapat
digunakan software statistic. Beberapa distribusi yang dapat digunakan dalam
promodel adalah :

1. Uniform

a. Pengertian Umum Uniform Distribution

Uniform Distribution atau Distribusi Seragam adalah salah satu jenis
distribusi probabilitas yang menggambarkan kemungkinan terjadinya suatu
peristiwa dengan peluang yang sama di seluruh rentang nilai yang mungkin.
Dalam distribusi seragam, setiap nilai dalam rentang memiliki peluang yang
sama untuk terjadi.
b. Definisi Menurut Ahli
Menurut Ross, S. M. (2010) dalam bukunya yang berjudul
“Introduction to Probability Models”, distribusi seragam adalah distribusi
probabilitas yang mempunyai fungsi kepadatan probabilitas yang konstan di
seluruh rentang nilai yang mungkin. Fungsi kepadatan probabilitas ini
dinyatakan dengan persamaan:
f(x) = 1/(b-a) untuk a ≤ x ≤ b
di mana a dan b adalah batas bawah dan batas atas rentang nilai yang
mungkin.
c. Fungsi Uniform Distribution
Uniform Distribution adalah distribusi probabilitas yang digunakan
untuk menggambarkan kejadian acak dengan probabilitas yang sama di
seluruh rentang nilai yang mungkin. Fungsi ini sering digunakan dalam
statistik dan matematika untuk menghitung probabilitas kejadian acak yang
terjadi dalam rentang nilai tertentu.
d. Contoh Uniform Distribution
Contoh penerapan Uniform Distribution adalah pada pelemparan dadu.
Probabilitas munculnya setiap angka pada dadu adalah sama, yaitu 1/6. Oleh
karena itu, distribusi probabilitas pada pelemparan dadu dapat digambarkan
sebagai Uniform Distribution.
Contoh lainnya adalah pada pengambilan sampel acak dari populasi
dengan jumlah yang sama. Jika kita mengambil sampel acak sebanyak 100
orang dari populasi sebanyak 1000 orang, maka probabilitas munculnya setiap
orang dalam sampel adalah sama, yaitu 1/10. Distribusi probabilitas pada
pengambilan sampel acak ini juga dapat digambarkan sebagai Uniform
Distribution.
e. Rumus atau Formula terkait Uniform Distribution
Uniform Distribution adalah suatu distribusi probabilitas di mana
setiap nilai dalam rentang tertentu memiliki probabilitas yang sama untuk
terjadi. Rumus atau formula untuk menghitung probabilitas dalam Uniform
Distribution adalah sebagai berikut:
f(x) = 1/(b-a)
Dimana:
 f(x) adalah probabilitas dari nilai x dalam rentang a dan b
 a adalah nilai terkecil dalam rentang
 b adalah nilai terbesar dalam rentang
Contoh penggunaan rumus Uniform Distribution adalah ketika kita ingin
menghitung probabilitas dari suatu nilai acak dalam rentang tertentu, misalnya
probabilitas dari nilai x antara 0 dan 10 dalam rentang 0 hingga 20. Dalam hal
ini, nilai a adalah 0 dan nilai b adalah 20, sehingga rumusnya menjadi:
f(x) = 1/(20-0) = 0.05
Dengan demikian, probabilitas dari nilai x antara 0 dan 10 dalam rentang 0
hingga 20 adalah 0.05 atau 5%.
f. Rentang Nilai: Distribusi uniform memiliki rentang nilai tertentu, yang
dinyatakan sebagai interval [a, b], di mana setiap nilai antara a dan b
memiliki probabilitas yang sama untuk muncul.
g. Probabilitas Konstan: Probabilitas setiap nilai dalam rentang yang
ditentukan adalah konstan. Ini berarti setiap nilai dalam rentang memiliki
peluang yang sama untuk terjadi.
h. Fungsi Probabilitas: Fungsi probabilitas distribusi uniform didefinisikan
sebagai:
(𝑥)=1𝑏−𝑎,untuk 𝑎≤𝑥≤𝑏f(x)=b−a1,untuk a≤x≤b
Di mana (𝑥)f(x) adalah probabilitas bahwa variabel acak X berada pada nilai
tertentu x dalam rentang [a, b].
i. Nilai Ekspektasi: Nilai ekspektasi atau nilai rata-rata dari distribusi
uniform dapat dihitung dengan rumus:
[𝑋]=𝑎+𝑏2E[X]=2a+b
Ini menunjukkan bahwa nilai rata-rata dari distribusi uniform adalah nilai
tengah dari rentang.
 j. Variabilitas: Distribusi uniform memiliki variabilitas yang relatif rendah
karena setiap nilai dalam rentang memiliki probabilitas yang sama untuk
muncul.
k. Dapat Digunakan untuk Pemodelan Sederhana: Distribusi uniform
sering digunakan dalam situasi di mana variasi acak diperlukan tetapi
tidak ada informasi yang cukup untuk mendukung distribusi probabilitas
yang lebih kompleks.
2. Triangular
Distribusi triangular adalah distribusi probabilitas kontinu yang umum
digunakan dalam analisis risiko dan simulasi. Distribusi ini sering digunakan
ketika terdapat ketidakpastian tentang variabel tertentu dan hanya sedikit data
yang tersedia untuk mendukung pemodelan distribusi probabilitas yang lebih
kompleks. Distribusi triangular memiliki tiga parameter utama: nilai minimum
(a), nilai maksimum (b), dan nilai puncak (c). Ciri-ciri distribusi triangular
meliputi:
a. Rentang Nilai: Distribusi triangular memiliki rentang nilai tertentu yang
didefinisikan oleh nilai minimum (a) dan nilai maksimum (b). Semua nilai
antara a dan b memungkinkan untuk muncul, tetapi dengan probabilitas yang
berbeda-beda.
b. Nilai Puncak: Distribusi triangular juga memiliki nilai puncak (c), yang
merupakan nilai yang paling mungkin terjadi. Nilai puncak ini terletak di
antara nilai minimum dan maksimum.
c. Probabilitas Non-linear: Probabilitas untuk nilai-nilai di sekitar nilai puncak
meningkat secara bertahap dari nilai minimum hingga nilai puncak, dan
kemudian menurun secara bertahap ke nilai maksimum.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi triangular tidak bersifat
linear, tetapi biasanya didefinisikan dalam tiga segmen, yaitu dari nilai
 minimum hingga nilai puncak, dari nilai puncak hingga nilai maksimum, dan
kembali dari nilai maksimum hingga nilai minimum.
e. Nilai Ekspektasi: Nilai ekspektasi atau nilai rata-rata dari distribusi triangular
dapat dihitung dengan rumus:
[𝑋]=𝑎+𝑏+𝑐3E[X]=3a+b+c
f. Variabilitas: Distribusi triangular memberikan fleksibilitas dalam
memodelkan variasi acak dengan nilai puncak yang bisa ditempatkan dekat
dengan nilai minimum, maksimum, atau di tengah-tengah rentang, sesuai
dengan situasi yang dihadapi.
3. Normal
Distribusi normal, juga dikenal sebagai distribusi Gauss atau distribusi bell-
shaped, adalah salah satu distribusi probabilitas kontinu yang paling umum
digunakan dalam berbagai bidang, termasuk statistika, ilmu sosial, ilmu alam,
dan ekonomi. Distribusi ini memiliki bentuk simetris bell-shaped dan
didefinisikan oleh dua parameter utama: rata-rata (μ) dan deviasi standar (σ).
Ciri-ciri distribusi normal meliputi:
a. Bentuk Bell-shaped: Distribusi normal memiliki bentuk simetris bell-shaped
dengan nilai puncak di tengah-tengah distribusi. Kurva distribusi normal naik
dari nilai minimum, mencapai nilai maksimum di sekitar nilai rata-rata, dan
kemudian menurun secara simetris.
b. Parameter Rata-rata dan Deviasi Standar: Dua parameter utama distribusi
normal adalah rata-rata (μ), yang menentukan lokasi nilai puncak, dan deviasi
standar (σ), yang mengukur seberapa tersebar data di sekitar nilai rata-rata.
c. Kurva Simetri: Distribusi normal memiliki kurva simetri di sekitar nilai rata-
rata. Ini berarti bahwa nilai yang sama jumlahnya berada di atas dan di bawah
nilai rata-rata, sesuai dengan hukum probabilitas normal.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi normal didefinisikan oleh
rumus matematika yang kompleks, dikenal sebagai fungsi densitas
 probabilitas (PDF), yang menggambarkan probabilitas munculnya nilai
tertentu dalam distribusi.
e. Skewness dan Kurtosis: Distribusi normal memiliki skewness
(kecondongan) sebesar nol, yang berarti tidak ada kecondongan ke kiri atau ke
kanan. Kurtosis distribusi normal juga sebesar nol, menunjukkan bahwa ekor
distribusi tidak lebih tebal atau lebih tipis dari distribusi yang berbentuk bell-
shaped ideal.
f. Teorema Central Limit: Distribusi normal sering muncul dalam konteks
Teorema Central Limit, yang menyatakan bahwa distribusi rata-rata dari
sejumlah besar sampel acak independen akan mendekati distribusi normal,
terlepas dari distribusi asli dari sampel-sampel tersebut.

Distribusi normal sangat berguna dalam berbagai aplikasi simulasi sistem

industri, terutama dalam memodelkan waktu proses, permintaan pelanggan, atau
variabel-variabel lain yang dipengaruhi oleh banyak faktor acak. Ini memberikan
dasar untuk analisis statistik yang mendalam, pemodelan risiko, dan pengambilan
keputusan yang baik dalam lingkungan yang kompleks.
Exponential
Distribusi eksponensial adalah distribusi probabilitas kontinu yang sering
digunakan dalam analisis waktu tunggu, peristiwa yang terjadi secara acak, dan
proses degradasi. Distribusi ini memiliki parameter tunggal yang disebut
parameter laju (λ), yang menentukan tingkat di mana peristiwa terjadi. Ciri-ciri
distribusi eksponensial meliputi:
a. Kurva Tidak Simetris: Distribusi eksponensial memiliki bentuk kurva yang
tidak simetris, dengan ekor yang memanjang ke arah nilai yang lebih besar.
Kurva ini menurun secara eksponensial seiring dengan peningkatan nilai.
b. Parameter Laju: Parameter tunggal yang mengontrol distribusi eksponensial
adalah parameter laju (λ). Laju ini menentukan tingkat di mana peristiwa
 terjadi atau tingkat penurunan probabilitas peristiwa terjadi seiring
berjalannya waktu.
c. Fungsi Probabilitas: Fungsi probabilitas distribusi eksponensial didefinisikan
oleh rumus matematika:
(𝑥)=𝜆𝑒−𝜆𝑥f(x)=λe−λx
Di sini, (𝑥)f(x) adalah probabilitas bahwa variabel acak X memiliki nilai x
tertentu, dan 𝑒e adalah basis logaritma natural.
d. Kurva Monoton Menurun: Kurva distribusi eksponensial monoton
menurun, artinya semakin besar nilai x, semakin kecil probabilitasnya.
e. Kurva Skewed ke Kanan: Distribusi eksponensial memiliki kecondongan
(skewness) positif, yang berarti ekor kurva cenderung lebih panjang di sebelah
kanan dan kurang panjang di sebelah kiri.
f. Waktu Tunggu: Distribusi eksponensial sering digunakan untuk memodelkan
waktu antara kedatangan suatu peristiwa acak, seperti kedatangan pelanggan
di suatu layanan atau waktu antara kegagalan peralatan dalam sistem.
g. Kurva Survival: Kurva survival distribusi eksponensial menunjukkan
probabilitas bahwa suatu peristiwa tidak terjadi sampai waktu tertentu. Kurva
ini berkurang secara eksponensial seiring dengan berjalannya waktu.

Distribusi eksponensial sangat penting dalam simulasi sistem industri karena

sering digunakan untuk memodelkan waktu tunggu antara peristiwa, seperti waktu
antara kedatangan pelanggan, waktu pemrosesan, atau waktu antara kegagalan
peralatan. Ini memberikan dasar untuk mengoptimalkan proses bisnis,
mengidentifikasi bottleneck, dan memahami kinerja sistem secara lebih baik.
4. Gamma
Distribusi gamma adalah distribusi probabilitas kontinu yang sering
digunakan dalam analisis waktu tunggu, kegagalan peralatan, dan peristiwa yang
terjadi secara acak. Distribusi ini memiliki dua parameter: parameter bentuk (α)
dan parameter laju (β), yang memengaruhi bentuk dan skala distribusi. Distribusi
gamma umumnya digunakan untuk memodelkan waktu tunggu total dari
sejumlah peristiwa acak yang terjadi secara independen dan secara berurutan.
Berikut adalah beberapa ciri-ciri dari distribusi gamma:
a. Bentuk yang Fleksibel: Distribusi gamma dapat memiliki berbagai bentuk,
tergantung pada nilai parameter bentuk (α) dan laju (β). Ini memungkinkan
distribusi gamma untuk menyesuaikan dengan berbagai situasi dan jenis data.
b. Skewed ke Kanan: Distribusi gamma sering memiliki kecondongan
(skewness) positif, yang berarti ekor distribusi cenderung lebih panjang di
sebelah kanan daripada di sebelah kiri.
c. Parameter Bentuk dan Laju: Dua parameter utama distribusi gamma adalah
parameter bentuk (α) dan parameter laju (β). Parameter bentuk mengontrol
bentuk distribusi, sedangkan parameter laju mengontrol tingkat di mana
distribusi berubah.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi gamma didefinisikan oleh
rumus matematika yang kompleks, tetapi dapat diekspresikan sebagai:
𝑓(𝑥;𝛼,𝛽)=𝛽𝛼𝑥𝛼−1𝑒−𝛽𝑥Γ(𝛼)f(x;α,β)=Γ(α)βαxα−1e−βx
Di sini, 𝑓(𝑥;𝛼,𝛽)f(x;α,β) adalah probabilitas bahwa variabel acak X memiliki
nilai x tertentu, dan Γ(𝛼)Γ(α) adalah fungsi gamma.
e. Dapat Mendekati Distribusi Normal: Saat parameter bentuk (α) meningkat
ke arah tak terbatas, distribusi gamma dapat mendekati distribusi normal.
f. Pemodelan Waktu Tunggu: Distribusi gamma sering digunakan untuk
memodelkan waktu tunggu total dari sejumlah peristiwa acak yang terjadi
secara independen dan secara berurutan. Ini termasuk waktu antara
kedatangan pelanggan, waktu pemrosesan, atau waktu antara kegagalan
peralatan dalam sistem.
g. Kombinasi Distribusi Eksponensial: Distribusi gamma dapat diperoleh
sebagai hasil dari penjumlahan variabel acak yang didistribusikan
eksponensial dengan parameter laju yang sama atau berbeda.

Distribusi gamma memiliki aplikasi yang luas dalam simulasi sistem industri,
terutama dalam analisis waktu tunggu, kegagalan peralatan, dan pemodelan
proses yang melibatkan sejumlah peristiwa acak yang terjadi secara berurutan. Ini
memberikan alat yang berguna dalam memahami kinerja sistem, mengidentifikasi
bottleneck, dan merencanakan peningkatan efisiensi operasional.
5. Weibull
Distribusi Weibull adalah distribusi probabilitas kontinu yang sering
digunakan dalam analisis keandalan, waktu tunggu, dan kegagalan peralatan.
Distribusi ini memiliki dua parameter: parameter bentuk (k) dan parameter skala
(λ), yang memengaruhi bentuk dan skala distribusi. Ciri-ciri distribusi Weibull
meliputi:
a. Bentuk Fleksibel: Distribusi Weibull memiliki bentuk yang sangat fleksibel,
yang dapat disesuaikan dengan berbagai jenis data dan situasi. Bentuk
distribusi bisa miring ke kiri, ke kanan, atau simetris tergantung pada nilai
parameter bentuk.
b. Skewed ke Kiri atau ke Kanan: Distribusi Weibull dapat memiliki
kecondongan (skewness) positif atau negatif tergantung pada nilai parameter
bentuk (k). Nilai k yang lebih besar dari 1 menghasilkan distribusi yang
miring ke kanan, sementara nilai k yang kurang dari 1 menghasilkan distribusi
yang miring ke kiri.
c. Parameter Bentuk dan Skala: Dua parameter utama distribusi Weibull
adalah parameter bentuk (k) dan parameter skala (λ). Parameter bentuk
mempengaruhi bentuk distribusi, sedangkan parameter skala mempengaruhi
tingkat di mana distribusi berubah.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi Weibull didefinisikan
sebagai:
𝑓(𝑥;𝑘,𝜆)=𝑘𝜆(𝑥𝜆)𝑘−1𝑒−(𝑥/𝜆)𝑘f(x;k,λ)=λk(λx)k−1e−(x/λ)k
Di sini, (𝑥;𝑘,𝜆)f(x;k,λ) adalah probabilitas bahwa variabel acak X memiliki
nilai x tertentu, 𝑘k adalah parameter bentuk, dan 𝜆λ adalah parameter skala.
e. Menggambarkan Waktu Hidup dan Kegagalan: Distribusi Weibull sering
digunakan untuk menggambarkan waktu hidup produk atau komponen, serta
kegagalan peralatan dalam sistem. Ini memungkinkan analisis keandalan yang
mendalam.
f. Pemodelan Waktu Tunggu: Distribusi Weibull juga digunakan untuk
memodelkan waktu tunggu atau waktu antara kejadian dalam berbagai
konteks, termasuk kedatangan pelanggan, waktu pemrosesan, dan waktu
antara kegagalan.
g. Fungsi Hazard: Distribusi Weibull memiliki fungsi hazard yang berguna,
yang merupakan tingkat kegagalan yang bersyarat pada titik waktu tertentu,
yang dapat memberikan wawasan tentang keandalan produk atau sistem.

Distribusi Weibull sangat penting dalam analisis keandalan, pemodelan waktu

tunggu, dan pemodelan kegagalan peralatan dalam simulasi sistem industri.
Dengan menggunakan distribusi ini, para analis dapat memahami perilaku
sistem dalam hal waktu dan keandalan, serta merencanakan strategi untuk
meningkatkan efisiensi dan kinerja keseluruhan sistem.Top of Form
6. Erlang
Distribusi Erlang adalah distribusi probabilitas kontinu yang umum digunakan
dalam analisis waktu tunggu, keandalan sistem, dan berbagai aplikasi lain dalam
ilmu statistik dan teknik industri. Distribusi ini didasarkan pada distribusi gamma,
tetapi dengan parameter bentuk yang merupakan bilangan bulat positif.

Berikut adalah beberapa ciri-ciri distribusi Erlang:

a. Turunan dari Distribusi Gamma: Distribusi Erlang adalah turunan dari
distribusi gamma, di mana parameter bentuk (k) merupakan bilangan bulat
positif. Ini membatasi distribusi gamma menjadi distribusi Erlang yang
khusus.
b. Bentuk Kurva yang Lebih Simetris: Distribusi Erlang cenderung memiliki
bentuk kurva yang lebih simetris dibandingkan dengan distribusi gamma.
Seiring dengan peningkatan parameter bentuk (k), kurva akan semakin
simetris.
c. Parameter Bentuk dan Skala: Distribusi Erlang memiliki dua parameter
utama: parameter bentuk (k) dan parameter skala (λ). Parameter bentuk
mengontrol bentuk distribusi, sementara parameter skala mengontrol tingkat
di mana distribusi berubah.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi Erlang didefinisikan
sebagai:
𝑓(𝑥;𝑘,𝜆)=𝜆𝑘𝑥𝑘−1𝑒−𝜆𝑥(𝑘−1)!f(x;k,λ)=(k−1)!λkxk−1e−λx
di mana 𝑓(𝑥;𝑘,𝜆)f(x;k,λ) adalah probabilitas bahwa variabel acak X memiliki
nilai x tertentu, 𝑘k adalah parameter bentuk, dan 𝜆λ adalah parameter skala.
e. Pemodelan Waktu Tunggu: Distribusi Erlang sering digunakan untuk
memodelkan waktu tunggu, terutama ketika ada serangkaian peristiwa yang
terjadi secara berurutan dengan tingkat keberhasilan yang sama. Ini terutama
berguna dalam pemodelan proses dengan pemrosesan sekuensial atau paralel.
f. Keandalan Sistem: Distribusi Erlang juga digunakan dalam analisis
keandalan sistem, di mana waktu sampai terjadinya suatu kejadian kritis atau
kegagalan sistem dapat diprediksi menggunakan distribusi ini.

Distribusi Erlang memiliki banyak aplikasi dalam berbagai bidang, termasuk

manufaktur, layanan, transportasi, dan telekomunikasi. Dengan menggunakan
distribusi ini, para analis dapat memahami perilaku sistem dengan lebih baik dan
membuat keputusan yang lebih tepat berdasarkan analisis statistik yang kuat.

7. Beta ‘
Distribusi beta adalah distribusi probabilitas kontinu yang memiliki dua
parameter, yaitu alpha (α) dan beta (β). Distribusi ini memiliki bentuk yang
fleksibel dan dapat merepresentasikan berbagai pola data, seperti distribusi yang
miring ke kiri, ke kanan, atau simetris tergantung pada nilai dari kedua parameter.

Berikut adalah beberapa ciri-ciri distribusi beta:

a. Bentuk Fleksibel: Distribusi beta memiliki bentuk yang sangat fleksibel dan
dapat digunakan untuk merepresentasikan berbagai pola data. Ini dapat
mewakili distribusi yang simetris atau miring ke kiri atau ke kanan tergantung
pada nilai dari alpha dan beta.
b. Batas yang Terbatas: Distribusi beta terbatas pada interval [0, 1], yang
membuatnya sangat berguna dalam model yang memerlukan batas-batas
tersebut, seperti proporsi, peluang, atau tingkat keberhasilan.
c. Parameter Alpha dan Beta: Parameter alpha (α) dan beta (β) mengontrol
bentuk dan skala distribusi. Nilai alpha dan beta yang berbeda akan
menghasilkan distribusi yang berbeda, seperti distribusi yang lebih condong
ke kiri atau lebih condong ke kanan.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi beta tidak memiliki rumus
yang sederhana seperti distribusi eksponensial atau normal. Namun, untuk
nilai α dan β yang diberikan, probabilitas masing-masing nilai x dalam
interval [0, 1] dapat dihitung menggunakan formula yang kompleks.
e. Pemodelan Proporsi: Distribusi beta sering digunakan dalam pemodelan
proporsi atau persentase, seperti proporsi pengguna yang melakukan tindakan
 tertentu, tingkat keberhasilan suatu produk, atau peluang keberhasilan dalam
uji klinis.
f. Analisis Bayesian: Distribusi beta juga penting dalam analisis Bayesian, di
mana distribusi ini sering digunakan sebagai distribusi prior untuk parameter
bernoulli atau binomial dalam model Bayesian.

Distribusi beta memiliki banyak aplikasi dalam berbagai bidang, termasuk

ilmu sosial, ekonomi, biologi, dan teknik. Dengan menggunakan distribusi ini,
para analis dapat memodelkan dan menganalisis data yang melibatkan
proporsi, peluang, atau tingkat keberhasilan dengan lebih baik, dan membuat
inferensi yang lebih akurat berdasarkan statistik.
8. Lognormal
Distribusi log-normal adalah distribusi probabilitas kontinu di mana logaritma
variabel acak mengikuti distribusi normal. Ini berarti bahwa variabel acak itu
sendiri tidak terdistribusi normal, tetapi logaritma dari variabel acak tersebut
memiliki distribusi normal.

Berikut adalah beberapa ciri-ciri distribusi log-normal:

a. Bentuk Kurva Skewed ke Kanan: Distribusi log-normal memiliki bentuk
kurva yang skewed ke kanan. Ini berarti distribusi memiliki ekor yang
panjang di sisi kanan dan kecenderungan memiliki nilai ekstrim yang tinggi.
b. Transformasi Logaritma: Distribusi log-normal didefinisikan melalui
transformasi logaritma dari variabel acak yang terdistribusi normal. Ini
membuatnya berguna ketika data asli memiliki distribusi normal dalam ruang
logaritma.
c. Parameter Mean dan Deviasi Standar Logaritma: Distribusi log-normal
memiliki dua parameter utama, yaitu mean (μ) dan deviasi standar (σ) dari
logaritma variabel acak. Ini mengontrol posisi dan dispersi distribusi.
d. Fungsi Probabilitas: Fungsi probabilitas distribusi log-normal dapat
dinyatakan dalam bentuk rumus matematika yang kompleks, yang melibatkan
eksponen dari kuadrat logaritma variabel acak. Ini menghasilkan distribusi
yang cenderung lebih sulit untuk dimodelkan dan dipahami daripada distribusi
yang lebih sederhana.
e. Pemodelan Data Positif yang Skewed: Distribusi log-normal sering
digunakan untuk memodelkan data yang terdistribusi secara positif dan
memiliki skewness ke kanan, seperti pendapatan individu, harga saham, atau
ukuran partikel.
f. Tingkat Kecocokan yang Tidak Terduga: Distribusi log-normal sering
memberikan tingkat kecocokan yang baik untuk data yang memenuhi asumsi
distribusi normal dalam logaritma.
g. Analisis Risiko dan Keuangan: Distribusi log-normal digunakan dalam
berbagai aplikasi analisis risiko dan keuangan, termasuk penilaian opsi,
simulasi monte carlo, dan model volatilitas pasar.
Dengan demikian, distribusi log-normal merupakan alat yang berguna dalam
berbagai aplikasi statistik, terutama ketika data memiliki sifat-sifat tertentu seperti
skewness ke kanan dan data yang terdistribusi secara positif.
9. Invers Gaussion
Distribusi invers Gaussian (Inverse Gaussian Distribution) adalah distribusi
probabilitas kontinu yang didefinisikan oleh dua parameter: parameter lokasi (μ)
dan parameter skala (λ). Distribusi ini juga dikenal sebagai distribusi Wald.

Berikut adalah beberapa ciri-ciri distribusi invers Gaussian:

a. Bentuk Kurva Skewed ke Kanan: Distribusi invers Gaussian memiliki
bentuk kurva yang skewed ke kanan, yang berarti ekor distribusi cenderung
panjang di sebelah kanan.
b. Parameter Lokasi dan Skala: Distribusi invers Gaussian memiliki dua
parameter utama, yaitu parameter lokasi (μ) dan parameter skala (λ).
Parameter lokasi mengontrol pusat distribusi, sementara parameter skala
mengontrol dispersi.
c. Densitas Probabilitas: Fungsi densitas probabilitas (PDF) untuk distribusi
invers Gaussian didefinisikan sebagai:
𝑓(𝑥;𝜇,𝜆)=𝜆2𝜋𝑥3exp⁡(−𝜆(𝑥−𝜇)22𝜇2𝑥)f(x;μ,λ)=2πx3λexp(−2μ2xλ(x−μ)2)
di mana 𝑥x adalah variabel acak, 𝜇μ adalah parameter lokasi, dan 𝜆λ adalah
parameter skala.
d. Keterkaitan dengan Waktu Pertama Kepulihan: Distribusi invers Gaussian
sering muncul dalam konteks waktu pertama pulih (first-passage time) dalam
proses stokastik, seperti model Wiener atau proses difusi.
e. Pemodelan Waktu Antara Kedatangan: Distribusi invers Gaussian juga
digunakan untuk memodelkan waktu antara kedatangan dalam sistem antrian
dan teori proses stokastik.
f. Pemodelan Data yang Positif: Distribusi invers Gaussian dapat digunakan
untuk memodelkan data yang terdistribusi secara positif dan memiliki
skewness ke kanan, seperti waktu antara peristiwa dalam banyak bidang ilmu,
termasuk keuangan, ekonomi, dan ilmu biologi.

Distribusi invers Gaussian merupakan alat yang berguna dalam berbagai

aplikasi statistik dan ilmu terapan, terutama dalam pemodelan waktu antara
peristiwa yang penting dalam sistem antrian, proses stokastik, dan analisis risiko.
10. Binomial
Distribusi binomial adalah distribusi probabilitas diskrit yang
menggambarkan jumlah keberhasilan dalam serangkaian uji coba independen
yang memiliki probabilitas keberhasilan yang sama. Setiap uji coba hanya
memiliki dua hasil yang mungkin: sukses atau gagal.
 Berikut adalah beberapa ciri-ciri distribusi binomial:
a. Uji Coba Berulang: Distribusi binomial digunakan untuk memodelkan hasil
dari serangkaian uji coba independen, di mana setiap uji coba memiliki dua
hasil yang mungkin: sukses atau gagal.
b. Parameter: Distribusi binomial memiliki dua parameter utama: jumlah uji
coba (n) dan probabilitas keberhasilan dalam setiap uji coba (p).
c. Rumus Probabilitas: Probabilitas untuk mendapatkan k keberhasilan dalam n
uji coba diberikan oleh rumus:
𝑃(𝑋=𝑘)=(𝑛𝑘)𝑝𝑘(1−𝑝)𝑛−𝑘P(X=k)=(kn)pk(1−p)n−k
di mana (𝑛𝑘)(kn) adalah koefisien binomial yang merupakan jumlah
kombinasi dari n pilihan yang berbeda k.
d. Batas: Distribusi binomial terbatas pada bilangan bulat non-negatif dari 0
hingga n, karena hanya ada jumlah bulat uji coba.
e. Bentuk Kurva: Kurva distribusi binomial cenderung simetris jika nilai
probabilitas keberhasilan (p) mendekati 0,5 dan semakin miring ke kanan atau
kiri saat p mendekati 0 atau 1.
f. Skewness: Distribusi binomial cenderung memiliki skewness yang lebih
tinggi saat nilai probabilitas keberhasilan (p) jauh dari 0,5.
g. Aplikasi: Distribusi binomial digunakan dalam berbagai bidang, termasuk
statistik, ilmu sosial, ekonomi, dan ilmu alam, untuk memodelkan peristiwa
yang melibatkan dua hasil yang mungkin, seperti hasil uji coba, survei, atau
percobaan medis.

Distribusi binomial adalah salah satu distribusi probabilitas diskrit

yang paling penting dan sering digunakan, karena dapat digunakan untuk
 memodelkan banyak situasi dunia nyata yang melibatkan uji coba atau
percobaan yang berulang.

11. Geometrik
Distribusi geometrik adalah distribusi probabilitas diskrit yang
menggambarkan jumlah uji coba yang diperlukan sebelum terjadi sukses pertama kali
dalam serangkaian uji coba Bernoulli yang independen, di mana setiap uji coba hanya
memiliki dua hasil yang mungkin: sukses atau gagal. Distribusi ini sangat berguna
dalam memodelkan waktu tunggu untuk kejadian pertama kali terjadi.

Berikut adalah beberapa ciri-ciri distribusi geometrik:

a. Uji Coba Berulang: Distribusi geometrik digunakan untuk memodelkan

waktu tunggu (jumlah uji coba) hingga terjadi sukses pertama kali dalam
serangkaian uji coba independen, di mana setiap uji coba memiliki
probabilitas keberhasilan yang tetap.
b. Parameter: Distribusi geometrik memiliki satu parameter utama, yaitu
probabilitas keberhasilan dalam setiap uji coba (p).
c. Rumus Probabilitas: Probabilitas untuk mendapatkan sukses pertama
kali pada uji coba ke-n diberikan oleh rumus:
(𝑋=𝑛)=(1−𝑝)𝑛−1×𝑝P(X=n)=(1−p)n−1×p
di mana 𝑛n adalah jumlah uji coba yang diperlukan untuk mendapatkan
sukses pertama kali.
d. Batas: Distribusi geometrik terbatas pada bilangan bulat positif
𝑛=1,2,3,...n=1,2,3,..., karena sukses pertama kali harus terjadi pada uji
coba tertentu.
e. Bentuk Kurva: Kurva distribusi geometrik berkurang secara eksponensial
saat nilai 𝑛n meningkat, menunjukkan bahwa semakin besar jumlah uji
 coba, semakin rendah probabilitas sukses pertama kali terjadi pada uji
coba ke-n.
f. Skewness: Distribusi geometrik cenderung memiliki skewness yang
tinggi, karena probabilitas keberhasilan yang tetap dalam setiap uji coba.
g. Aplikasi: Distribusi geometrik banyak digunakan dalam berbagai bidang,
termasuk statistik, ilmu sosial, ekonomi, dan ilmu alam, untuk
memodelkan waktu tunggu hingga kejadian pertama kali terjadi, seperti
waktu tunggu antara kedatangan pelanggan pertama kali di suatu toko,
waktu tunggu hingga mendapatkan panggilan pertama kali, atau waktu
tunggu hingga suatu peristiwa langka terjadi.

Distribusi geometrik memberikan kerangka kerja yang berguna untuk

memahami dan memodelkan waktu tunggu hingga sukses pertama kali terjadi dalam
serangkaian uji coba independen. Hal ini penting dalam banyak situasi praktis di
mana kita ingin memprediksi atau mengoptimalkan waktu tunggu untuk suatu
kejadian yang langka atau penting.