LAPORAN modul 2B Distribusi Statistik
-
Upload
kris-stefanus -
Category
Documents
-
view
238 -
download
69
description
Transcript of LAPORAN modul 2B Distribusi Statistik
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
1
Program Studi Teknik Industri
Universitas Diponegoro
BAB I
PENDAHULUAN
1.1 Latar Belakang
Salah satu cara untuk mengetahui bahwadata memiliki distribusi baik atau tidak
adalah dengan menggunakan cara distribusi statistik. Banyak kegunaan dari distribusi
statistic, salah satu penerapannya adalah dalam pengambilan keputusan terhadap suatu
masalah. Dalam suatu masalah pasti banyak kemungkinan-kemungkinan dalam
penyelesaian masalah membuat distribusi statistik. Hal itu lah yang membuat distribusi
statistik berguna untuk membantu dalam pencarian jalan keluar untuk memutuskan
suatu masalah.
Distribusi statistik memiliki banyak macam, yaitu uniform, exponensial, gamma,
weibull, normal, lognormal, beta, pearson type v, pearson type vi, log-logistic,
triangular, dan lain sebagainya. Masing-masing macam distribusi statistic memiliki
fungsi dan parameternya.
Pada laporan kali ini, praktikan akan menganilisis suatu data kontinu dan akan
melakukan pengolahan data dengan uji goodness of fit. Uji goodness of fit sendiri
adalah suatu pengujian untuk menguji apakah keragamannya cocok dengan distribusi
atau tidak. Dalam laporan ini, praktikan juga akan menampilkan beebrapa grafik hasil
dari pengolahan data dengan software Easyfit.
1.2 Tujuan Praktikum
Melalui Praktikum Teori Probabilitas Distribusi Statistik ini, praktikan
diharapkan:
1. Mengerti dan memahami macam-macam distribusi statistik
2. Memahami parameter-parameter distribusi statistik
3. Memahami fungsi atau kegunaan dari distribusi statistik
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
2
Program Studi Teknik Industri
Universitas Diponegoro
4. Mengenal dan mampu menganalisis distribusi statistik dengan software
Arena dan Easyfit
1.3 Pembatasan Masalah
Pada praktikum Teori Probabilitas Distribusi Statistik ini praktikan mengambil
data kontinu dari panjang rentang tangan 40 mahasiswa Teknik Industri Universitas
Diponegoro 2013. Setelah mendapatkan data, praktikan lalu melakukan uji goodness
of fit. Setelah itu praktikan mencari data dengan distribusi terbaik dan menyajikan
grafiknya. Lalu praktikan akan melakukan analisis data dari hasil pengolahan data.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
3
Program Studi Teknik Industri
Universitas Diponegoro
1.4 Metodologi Praktikum
Gambar 1.1 Flowchart Metodologi Praktikum
Penutup
Identifikasi dan Perumusan
Pengolahan Data:
1. Software Arena
2. Uji Goodness of
Fit
Analisa
Studi Pustaka
Observasi
Pengumpulan
Selesai
Identifikasi masalah
Start
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
4
Program Studi Teknik Industri
Universitas Diponegoro
1.5 Sistematika Penulisan
Sistematika penulisan laporan praktikum Teori Probabilitas Distribusi
StatistikModul 2B adalah sebagai berikut:
BAB I PENDAHULUAN
Membahas tentang latar belakang praktikum, tujuan praktikum, perumusan
masalah, metodologi dalam praktikum, dan sistematika penulisan laporan
praktikum.
BAB II TINJAUAN PUSTAKA
Berisi tentang dasar-dasar teori distribusi statistik, yang meliputi parameter
statistik, statistika deskriptif, distribusi kontinu, dan uji Goodness of Fit. Selain
itu juga membahas mengenai software Arena dan juga software Easyfit
BAB III PENGUMPULAN DAN PENGOLAHAN DATA
Berisi pengumpulan dan pengolahan data. Selain itu juga berisi output software
Easyfit dan uji Goodness of Fit.
BAB IV ANALISIS DATA
Menganalisa hasil pengolahan data dari hasil perhitungan yang diperoleh dan
membandingkan hasil perhitungan manual dengan software. Selain itu juga
menganalisa output yang dari software.
BAB V PENUTUP
Berisi kesimpulan dan saran mengenai praktikum yang telah dilakukan dan juga
membahas isi laporan dalam bentuk ringkasan.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
5
Program Studi Teknik Industri
Universitas Diponegoro
BAB II
TINJAUAN PUSTAKA
2.1 Parameter Statistik
Parameter statistik dalam suatu distribusi statistik ada tiga jenis, yaitu location
parameter, scale parameter, dan shape parameter. Setiap distribusi statistik
mempunyai minimal satu dari ketiga parameter tersebut.
Location parameter digunakan untuk menentukan lokasi titik axis dari suatu
nilai dari distribusi. Biasanya adalah midpoint (contohnya mean untuk distribusi
normal) atau lower endpoint. Location parameter sering disebut shift parameter . Jika
distribusi random variabel X mempunyai location parameter 0, kemudian distribusi dari
random variabel Y = x + mempunyai location parameter.
Scale parameter digunakan untuk menentukan unit dari ukuran nilai dalam
suatu distribusi. Standar deviasi adalah salah satu contoh scale parameter dalam
distribusi normal. Suatu perubahan dalam menekan atau memperluas pengelompokan
distribusi tanpa merubah bentuk bentuk dasarnya. Jika distribusi dengan random
variabel X mempunyai scale parameter 1, kemudian distribusi random variabel Y = X
mempunyai scale parameter .
Shape parameter menentukan, membedakan location dan scale parameter,
bentuk dasar dari distribusi dengan memperhatikan kelompok distribusi secara umum.
Perubahan di dalam secara umum merubah isi distribusi (misalnya skewness) lebih
mendasarkan pada perubahan location dan scale parameter. Beberapa distribusi seperti
distribusi eksponensial dan normal tidak mempunyai shape parameter namun distribusi
beta mempunyai 2 buah.
(Kelton,2000)
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
6
Program Studi Teknik Industri
Universitas Diponegoro
2.2 Statistika Deskriptif
Statistka adalah ilmu yang mempelajari tentang cara pengumpulan, pengolahan,
penyajian, dan penganalisisan data serta penarikan kesimpulan dan pembuatan
keputusan berdasrakan fakta atau data dan hasil analisis yang telah dialakukan.
Sedangkan statistika deskriptif adalah statistika yang menjelaskan atau menggambarkan
berbagai karakteristik data, sperti rata-ratanya, seberapa jauh data-data bgervariasi dan
sebagainya.Seperti telah disebutkan bahwa statistika deskriptif lebih berhubungan
dengan pengumpulan dan peringkasan data, serta penyajian hasil peringkasan tersebut.
Data statistik yang biasa diperoleh dari hasil sensus ,survei, atau pengamatan lainnya
umumnya masih acak, dan tidak terorganisir dengan baik. Data tersebut harus diringkas
dengan baik dan teratur, baik dalam bentuk tabel atau presentasi grafis sebagai dasar
untuk berbagai pengambilan keputusan.
(Kelton,2000)
2.3 Distribusi Kontinu
Distribusi Uniform
Distribusi ini terdiri dari dua nilai yaitu nilai maksimum dan minimum.
Bentuk distribusinya adalah
xbjika
bxajikaab
ax
axjika
xF
,1
,
,0
)(
……….(1)
U(0,1) adalah kasus spesial dari distribusi beta (ketika 𝛼1 = 𝛼2).
Parameternya adalah a dan b angka real dengan ; a adalah location
parameter, b – a adalah scale parameter.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
7
Program Studi Teknik Industri
Universitas Diponegoro
Aplikasinya adalah digunakan sebagai model pertama untuk kuantitas yang
dirasa bervariasi secara acak antara a dan b tapi sedikit yang lain diketahui.
Distribusi U (0,1) terutama dalam nilai acak umum dari semua distribusi yang
lain.
(Kelton, 2000)
Distribusi Exponensial
Distribusi ini banyak diaplikasikan dalam waktu antar kedatangan konsumen
suatu system yang dianggap konstan, waktu kerusakan dari komponen suatu
mesin.
Distribusi :
lainyangxuntuk
xjikaexF
x
,0
01
)(
……….(2)
Parameternya adalah Scale parameter β>0
Aplikasinya adalah waktu antar kedatangan dari “pelanggan” suatu sistem
yang konstan, waktu rusaknya bagian dari suatu perlengkapan
(Kelton, 2000)
Distribusi Gamma
Distribusi ini banyak diaplikasikan untuk waktu pengerjaan suatu tugas
misalnya waktu pelayanan kepada pelanggan yang memperbaiki mobil.
Distribusi ini sama dengan distribusi eksponensial ( ), jika gamma (1, ).
Sedangkan m integer positif, distribusi gamma (m, ), disebut dengan distribusi
m-Erlang.
Bentuk distribusinya adalah:
lainyangxuntuk
xjikaj
xxe
xF j
j
0
0!
)/(/1
)(
1
0
……….(3)
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
8
Program Studi Teknik Industri
Universitas Diponegoro
Aplikasiya adalah waktu untuk menyelesaikan suatu pekerjaan, seperti
customer service pada reparasi mesin
Parameternya adalah Shape parameter α > 0 , scale parameter β > 0
(Kelton, 2000)
Distribusi Weibull
Aplikasi dari distribusi weibull sama dengan penerapan distribusi gamma.
Hal ini disebabkan parameter distribusi ini sama dengan distribusi gamma.
Hanya bentuk distribusinya yang berbeda.
Bentuk distribusinya adalah:
xF =
lainyangxuntuk
xjikae x
0
01
……….(4)
Parameternya adalah shape parameter 0, scale parameter β > 0
Aplikasinya adalah waktu untuk menyelesaikan suatu pekerjaan, waktu
untuk rusaknya bagian dari perlengkapan.
(Kelton, 2000)
Distribusi Normal atau Distribusi Gauss
Distribusi peluang kontinyu yang terpenting dalam bidang statistika adalah
distribusi normal. Bentuk kurvanya seperti lonceng. Aplikasi distribusi normal
sangat banyak. Dengan fungsi padatan:
222
22
1
xexf ...........(5)
Parameternya adalah Location parameter dan scale parameter
Aplikasinya adalah data dengan kesalahan dari beberapa tipe.
(Kelton, 2000)
Distribusi Lognormal
Distribusi ini mirip dengan distribusi normal. Grafik fungsi padat dari
distribusi ini adalah:
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
9
Program Studi Teknik Industri
Universitas Diponegoro
lainyangxuntuk
xjikax
xxf
0
02
)(lnexp
2
1
)( 2
2
2
……….(6)
Aplikasinya adalah Waktu untuk mennjkkan suatu tugas(kepadatannya akan
mempunyai bentuk yang mirip dengan gamma ( αβ ) dan Weibull ( αβ) dengan
α>1, namun bisa mempunyai “paku” besar yang mendekati x = 0 yang sering
berguna);produk
Parameternya adalah Shape parameter α >0, scale parameter
(Kelton, 2000)
Distribusi Beta
Distribusi beta banyak digunakan untuk proporsi jumlah cacat, waktu
pengerjaan tugas seperti halnya jaringan kerja PERT.
Fungsi padatnya adalah:
……….(7)
Dengan B (𝛼1, 𝛼2) adalah fungsi beta.
Aplikasinya adalah digunakan untuk model yang tak beraturan dalam hal
kekurangan data; distribusi dari bagian yang random, seperti bagian barang yang
cacat pada saat pengiriman; waktu untuk menyelesaikan tugas, misal: dalam
sebuah jaringan kerja PERT.
Parameternya adalah Shape parameter α1 > 0 dan α2 > 0
(Kelton, 2000)
Distribusi Pearson Type V
Bentuk distribusinya adalah :
lainyangxuntuk
xjikaxF
0
0)x1(F -1)(
G
……….(8)
lainyangxuntuk
xjikaB
xx
xF
0
10),(
)1(
)(21
1121
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
10
Program Studi Teknik Industri
Universitas Diponegoro
Dengan FG adalah fungsi distribusi gamma (𝛼, 1/𝛽) random variabel.
Parameternya adalah shape parameter α>0, scale parameter β>0.
Aplikasinya adalah waktu untuk menyajikan suatu tugas (kepadatan
mempunyai bentuk yang mirip dengan lognormal, tapi bisa mempunyai lebih
besar “paku” yang dekat dengan x = 0)
(Kelton, 2000)
Distribusi Pearson Type VI
Bentuk distribusinya adalah:
lainyangxuntuk
xjikax
xF
xFB
0
0)()(
……….(9)
Dimana FB(x) adalah fungsi distribusi beta (𝛼1,𝛼2) variabel random.
Aplikasinya adalah waktu untuk menyajikan suatu tugas.
Parameternya adalah Shape parameter α1 >0 dan α2 >0,
scale parameter β>0.
(Kelton, 2000)
Distribusi Log-logistic
Bentuk distribusinya adalah :
lainyangxuntuk
xjikaxxF
0
0)/(1
1
)(
……….(10)
Aplikasinya adalah waktu untuk menyajikan suatu tugas.
Parameternya adalah Shape parameter α>0, scale parameter β>0
(Kelton, 2000)
Distribusi Johnson SB
Distribusi ini adalah distribusi dengan parameter paling lengkap. Distribusi
ini mempunyai tiga parameter yang ada:
Location parameter , scale parameter, dan shape parameter
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
11
Program Studi Teknik Industri
Universitas Diponegoro
Bentuk distribusinya adalah:
lainyangxuntuk
bxajikaxb
ax
xF
0
ln)(
21
……….(11)
dimana x adalah fungsi distribusi dari peubah acak normal dengan 0
dan 12 .
(Kelton, 2000)
Distribusi Johnson SU
Bentuk distribusinya adalah:
1ln
2
21
yxyx
xF
……….(12)
Distribusi ini mempunyai tiga parameter yang ada:
Location parameter , scale parameter, dan shape parameter
(Kelton, 2000)
Distribusi Triangular
Distribusi ini mempunyai tiga parameter. Dengan a, b, dan c adalah bilangan
real. Distribusi ini menggambarkan model secara kasar dimana terjadi absence
data.
Bentuk distribusinya adalah:
0
,2
,2
)( bxcjikacbab
xb
cxajikaacab
ax
xF
………(13)
Aplikasinya adalah digunakan sebagai model kasar dalam suatu absen data
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
12
Program Studi Teknik Industri
Universitas Diponegoro
a, b, dan c adalah bilangan real dengan . a adalah location parameter, b-a adalah
scale parameter, c adalah shape parameter.
(Kelton,2000)
2.4 Uji Goodness of Fit
Pengujian hipotesis kompatibilitas (goodness of fit) merupakan pengujian
hipotesis untuk menentukan apakah suatu himpunan frekuensi yang diharapkan sama
dengan frekuensi yang diperoleh dari suatu distribusi. Uji goodness of fit pada
prinsipnya bertujuan untuk mengetahui apakah sebuah distribusi teoritis tertentu
ataukah tidak. Sebagai contoh, jika sebuah dadu dilempar, maka kemungkinan
mendapat angka 5 adalah 1/6, juga kemungkinan untuk angka yang lain. Inilah yang
disebut distribusi teoritis sebuahd adu, karena terdiri atas 6 mata dadu yang mempunyai
kemungkinan seimbang untuk muncul dalam sekali pelemparan. Seandainya dilakukan
pelemparan 120 kali, seharusnya tiap mata dadu secara teoritis akan muncul masing-
masing 1/6 x 120= 20 kali(angka 1 muncul 20 kali,angkan 2 muncul 20 kali dan
seterusnya). Namun tentu kenyataan tidaklah persissama, bisa saja angka 1 muncul
hanya 10 kali, tapi angka 3 muncul 24 kali dan kemungkinan lain. Untuk mengetahui
apakah kenyataan tersebut masih bisa dianggap selaras(fit) dengan distribusi teoritis,
akan digunakan uji goodness of fit.
Dengan demikian,goodness of fit test akan membandingkan dua distribusi data,
yakni yang teoritis(frekuensi harapan) dan yang sesuai kenyataan (frekuensi observasi).
(Singgih,2010)
2.3.1 Chi-Square
Uji ini ialah suatu uji test hipotesis tertua yang ditemukan oleh K.Pearson(1900).
Langkah untuk melakukan pengujian ini adalah dengan membagi data kedalam interval
serta menentukan frekuensi amatan dan harapan. Bentuk uji statistik ini adalah:
X2= (oi-ei)^2
ei
k
i=1……….(14)
(Modul Praktikum Teori Probabilitas 2014)
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
13
Program Studi Teknik Industri
Universitas Diponegoro
2.3.2 Kolmogorov Smirnov
Uji Kolmogorov-Smirnov (Chakravart, Laha, dan Roy, 1967) biasa digunakan
untuk memutuskan jika sampel berasal dari populasi dengan distribusi spesifik/tertentu.
Uji Kolmogorov-Smirnov digunakan untuk menguji „goodness of fit‟ antar distribusi
sampel dan distribusi lainnya. Uji ini membandingkan serangkaian data pada sampel
terhadap distribusi normal serangkaian nilai dengan mean dan standar deviasi yang
sama. Singkatnya uji ini dilakukan untuk mengetahui kenormalan distribusi beberapa
data.
Uji Kolmogorov-Smirnov merupakan uji yang lebihkuat dari pada uji chi-square
ketika asumsi-asumsinya terpenuhi. Uji Kolmogorov-Smirnov juga tidak memerlukan
asumsi bahwa populasi terdistribusi secara normal.
(https://www.academia.edu/)
2.4.3 Anderson Darling
Metode Anderson-Darling digunakan untuk menguji apakah sampel data berasal
dari populasi dengan distribusi tertentu. Anderson-Darling merupakan modifikasi dari
uji Kolmogorv-Smirnov (KS). Nilai-nilai kritis dalam uji KS tidak tergantung pada
distribusi tertentu yang sedang diuji sedangkan uji Anderson-Darling memanfaatkan
distribusi tertentu dalam menghitung nilai kritis. Ini memiliki keuntungan yang
memungkinkan tes yang lebih sensitif, tetapi kelemahannya adalah nilai-nilai kritis
harus dihitung untuk setiap distribusi. Tabel nilai-nilai kritis untuk normal, lognormal,
eksponensial, Weibull, nilai ekstrim tipe I, dan distribusi logistic dapat dilihat di
Anderson dan Darling (1954), Law danKelton (1991). Misalkan𝑥1,𝑥2,…𝑥𝑛 adalah data
yang akan diuji distribusi normalnya dengan tingkat signifikan α maka uji Anderson-
Darling dapatdiperoleh dengan menggunakan rumus sebagai berikut:
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
14
Program Studi Teknik Industri
Universitas Diponegoro
……….(15)
(http://eprints.uny.ac.id/10838/1/S%20-%2019.pdf)
2.5 Software Arena
Software Arena adalah sebuah software pengolah dan penganalisa suatu data
statistika. Software Arena ini memiliki spesialisasi untuk menyelesaikan masalah pada
system diskrit. Fungsi dari software ini pun beragam, yaitu untuk mengolah data
statistik, menganalisa suatu aliran proses data, dan juga dapat menyajikan hasil
pengolahan dalam bentuk grafik. Kegunaan lainnya juga untuk identifikasi data,
mengetahui penyebaran, dan penjadwalan.
(digilib.upnjatim.ac.id)
2.6 Software Easyfit
Software Easyfit adalah sebuah software statistic yang menggunakan dasar
statistik. Kegunaan dari software Easyfit ini adalah untuk menganalisa dasar simulasi.
Selain itu juga dapat memudahkan kita dalam analisa probabilitas data dan juga
pemilihan model terbaik. Software Easyfit ini juga dapat dengan cepat memilih
distribusi terbaik yang sesuai dengan data.
(respiratory.ipb.ac.id)
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
15
Program Studi Teknik Industri
Universitas Diponegoro
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1 Data Kontinu
Dalam praktikum Teori Probabilitas Modul 2B data yang digunakanadalah data
panjang rentang tangan 40 mahasiswa Teknik Industri 2013 UniversitasDiponegoro.
Data tersebut sebagai berikut:
Tabel 3.1 Data Panjang Rentang Tangan
No Jenis Kelamin Nama PRT
1 Perempuan Natalia Purba 167.2
2 Perempuan Anatashia Rosa F 164.5
3 Perempuan Pramudiastuti Ageng N 165.4
4 Perempuan Rizqi Rahmawati C 160.8
5 Perempuan Adinda Putri P 151.9
6 Perempuan Almira Puan R 160.4
7 Perempuan Laila Izzatunnisa 159.5
8 Perempuan Dhindi Oxiana Irawan 162.3
9 Perempuan Devi Amalia A 159.0
10 Perempuan Andina Pratiwi 160.0
11 Perempuan Wening Rahayuningtyas 165.4
12 Perempuan Bella Prima Novita Sari 176.7
13 Perempuan Octavia Putri W 158.8
14 Perempuan Siti Nur Azizah 161.9
15 Perempuan Octavia Rosari G 158.1
16 Perempuan Yuni Sartika 155.8
17 Perempuan Ulyvia Trisnawati 156.8
18 Perempuan Bedietra Adriz R 152.2
19 Perempuan Claudia Gita Pratiwi 153.8
20 Perempuan Tiara Ima Khota 164.6
21 Laki-laki David Kurnia S H 156.6
22 Laki-laki Deshtyan Erlangga Adi 168.2
23 Laki-laki Dhani Alfanda 176.2
24 Laki-laki Dhialma Yonathan Susilo 178.1
25 Laki-laki Donnie Cahya Gumilang Silalahi 179.8
26 Laki-laki Eko Satriyo Nugroho 171.2
27 Laki-laki Eko Sunarto 165.6
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
16
Program Studi Teknik Industri
Universitas Diponegoro
Lanjutan Tabel 3.1 Data Panjang Rentang Tangan
28 Laki-laki Eric Priambodo S 172.4
29 Laki-laki Fahmi Farid Priyatna 167.8
30 Laki-laki Faiz Hanif Kurniawan 170.3
31 Laki-laki Hanan Muhardiansyah 171.3
32 Laki-laki Hary Utama Kurniawan 184.2
33 Laki-laki Hilal Soleh Jolang Prakoso 163.9
34 Laki-laki Hilga Prawingga 175.2
35 Laki-laki Ilham Sudrajat Ramadhon 177.7
36 Laki-laki Joy Irfan Sembiring 187.6
37 Laki-laki Lutfi Setiawan 169.8
38 Laki-laki Mario Exaudia Purba 176.1
39 Laki-laki Maulana Arif U 181.6
40 Laki-laki Meikel Zekben S 165.8
Kemudian kami menguji data kami dengan Uji Anderson darling dengan cara
mengubah data kami menjadi 10 bagian data kombinasi.Kombinasi 1 dari data ke – 1
sampai data ke-30.Kombinasi 2 dari data ke-2 sampai data ke-31,begitu seterusnya
sampai data kombinasi ke-10.Berikut hasil dari uji Anderson Darling untuk sepuluh data
kombinasi.
Tabel 3.3 Rank dariUji Anderson Darling
Kombinasi Anderson Darling Statistik Rank
1 Wakeby 0,13408 5
2 Johnson SB 0,15432 8
3 Johnson SB 0,13905 6
4 Johnson SB 0,13997 7
5 Johnson SB 0,1165 3
6 Johnson SB 0,15665 10
7 Johnson SB 0,11071 2
8 Johnson SB 0,10232 1
9 Johnson SB 0,15463 9
10 Error 0,12347 4
Dari tabel diatas diketahui bahwa data kombinasi ke-8merupakan data yang
memiliki rank pertama,data kombinasi ke-8 merupakan kombinasi data dari data ke-8
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
17
Program Studi Teknik Industri
Universitas Diponegoro
sampai data ke-37 dari data kontinu.Oleh karena itu dalam grafik output software kami
menggunakan data kombinasi yang ke-8.
3.2 Output Software Easyfit
1. Beta
Gambar 3.1 Output Software Easyfit Beta
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
18
Program Studi Teknik Industri
Universitas Diponegoro
2. Chi-Square
Gambar 3.2 Output Software Easyfit Chi-Square
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
19
Program Studi Teknik Industri
Universitas Diponegoro
3. Erlang
Gambar 3.3 Output Software Easyfit Erlang
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
20
Program Studi Teknik Industri
Universitas Diponegoro
4. Error
Gambar 3.4 Output Software Easyfit Error
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
21
Program Studi Teknik Industri
Universitas Diponegoro
5. Eksponensial
Gambar 3.5 Output Software Easyfit Eksponensial
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
22
Program Studi Teknik Industri
Universitas Diponegoro
6. Gamma
Gambar 3.6 Output Software Easyfit Gamma
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
23
Program Studi Teknik Industri
Universitas Diponegoro
7. Johnson SB
Gambar 3.7 Output Software Easyfit Johnson SB
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
24
Program Studi Teknik Industri
Universitas Diponegoro
8. Laplace
Gambar 3.8 Output Software Easyfit Laplace
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
25
Program Studi Teknik Industri
Universitas Diponegoro
9. Log Pearson 3
Gambar 3.9 Output Software Easyfit Log Pearson 3
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
26
Program Studi Teknik Industri
Universitas Diponegoro
10. Logistic
Gambar 3.10 Output Software Easyfit Logistic
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
27
Program Studi Teknik Industri
Universitas Diponegoro
11. Lognormal
Gambar 3.11 Output Software Easyfit Lognormal
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
28
Program Studi Teknik Industri
Universitas Diponegoro
12. Normal
Gambar 3.12 Output Software Easyfit Normal
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
29
Program Studi Teknik Industri
Universitas Diponegoro
13. Pareto
Gambar 3.13 Output Software Easyfit Pareto
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
30
Program Studi Teknik Industri
Universitas Diponegoro
14. Pearson 5
Gambar 3.14 Output Software Easyfit Pearson 5
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
31
Program Studi Teknik Industri
Universitas Diponegoro
15. Pearson 6
Gambar 3.15 Output Software Easyfit Pearson 6
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
32
Program Studi Teknik Industri
Universitas Diponegoro
16. Student‟s
Gambar 3.16 Output Software Easyfit Student’s
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
33
Program Studi Teknik Industri
Universitas Diponegoro
17. Triangular
Gambar 3.17 Output Software Easyfit Triangular
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
34
Program Studi Teknik Industri
Universitas Diponegoro
18. Uniform
Gambar 3.18 Output Software Easyfit Uniform
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
35
Program Studi Teknik Industri
Universitas Diponegoro
19. Wakeby
Gambar 3.19 Output Software Easyfit Wakeby
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
36
Program Studi Teknik Industri
Universitas Diponegoro
20. Weibull
Gambar 3.20 Output Software Easyfit Weibull
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
37
Program Studi Teknik Industri
Universitas Diponegoro
3.3 Uji Goodness of Fit (chi square)
3.3.1 Output software arena
Gambar 3.21 Output Distribusi Normal pada Software Arena
Distribution Summary
Distribution: Normal
Expression: NORM(167, 9.14)
Square Error: 0.022042
Chi Square Test
Number of intervals = 3
Degrees of freedom = 0
Test Statistic = 1.17
Corresponding p-value < 0.005
Kolmogorov-Smirnov Test
Test Statistic = 0.0923
Corresponding p-value > 0.15
Data Summary
Number of Data Points = 30
Min Data Value = 152
Max Data Value = 188
Sample Mean = 167
Sample Std Dev = 9.3
Histogram Summary
Histogram Range = 152 to 188
Number of Intervals = 5
3.3.2 Perhitungan Manual
K= 1+3,3 Log n
K= 1 + 3,3 Log 30
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
38
Program Studi Teknik Industri
Universitas Diponegoro
K= 5,87 ≈ 6
R = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
R = 187,6 − 152,2
R = 35,4 ≈ 36
I = 𝑅
𝑘
I = 36
6
I = 6
Tabel 3.4 Distribusi Frekuensi
Interval 𝑓 𝑓𝑘 𝑥𝑖 𝑓𝑖𝑥𝑖 𝑥 𝑥𝑖 − 𝑥 𝑥𝑖 − 𝑥 2 𝑓𝑖 𝑥𝑖 − 𝑥 2 152,2 – 158,1 6 6 155,15 930,9 167,3767 -12,2267 149,4922 896,9532
158,2 – 164,1 6 12 161,15 966,9 167,3767 -6,2267 38,77179 232,6308
164,2 – 170,1 6 18 167,15 1002,9 167,3767 -0,2267 0,051393 0,308357
170,2 – 176,1 5 23 173,15 865,75 167,3767 5,7733 33,33099 166,655
176,2 – 182,1 5 28 179,15 895,75 167,3767 11,7733 138,6106 693,053
182,2 – 188,1 2 30 185,15 370,3 167,3767 17,7733 315,8902 631,7804
Total 30 5032,5 16,6398 676,142 2621,381
Variansi
𝑆2 = 𝑓𝑖 (𝑥 − 𝑥 )2
𝑛 − 1=
2621,381
30 − 1= 90,3924
Standart Deviasi
𝑆 = 𝑓𝑖 (𝑥 − 𝑥 )2
𝑛 − 1
𝑆 = 2621,381
30 − 1
𝑆 = 9,50749
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
39
Program Studi Teknik Industri
Universitas Diponegoro
𝑍1 =Batas Bawah −Mean
Standar Deviasi
𝑍2 =Batas Atas −Mean
Standar Deviasi
PZ1 dan PZ2 merupakan nilai berdasarkan tabel L-3 Luas Wilayah dibawah
Kurva Normal pada Buku Walpole, nilai dilihat dari Z1 dan Z2.
Berikut tabel data hasil perhitungan keseluruhan
Tabel 3.5 Perhitungan Manual Kombinasi Terpilih
BB BA Z1 Z2 P(Z1) P(Z2) |P|=P(Z2)-P(Z1)
152,15 158,15 -1,60 -0,97 0,0548 0,166 0,1112
158,15 164,15 -0,97 -0,33 0,166 0,3707 0,2047
164,15 170,15 -0,33 0,29 0,3707 0,6141 0,2434
170,15 176,15 0,29 0,92 0,6141 0,8212 0,2071
176,15 182,15 0,92 1,55 0,8186 0,9394 0,1208
182,15 188,15 1,55 2,18 0,9394 0,9854 0,046
oi Fh oi ei oi-ei (oi-ei)^2
6 3,336 12 9,477 2,523 6,365529
6 6,141
6 7,302 6 7,302 -1,302 1,695204
5 6,213 5 6,213 -1,213 1,471369
5 3,624 7 5,004 1,996 3,984016
2 1,38
total 27,996 13,51612
Uji Goodness of Fit
1. H0= Data berdistribusi normal
2. H1= Data tak berdistribusi normal
3. Diketahui Taraf Signifikansi(α) = 0,05
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
40
Program Studi Teknik Industri
Universitas Diponegoro
4. Daerah Kritis x2>x
2 α
V = K-1
V = 4-1
V = 3
Berdasarkan tabel L-5 Nilai Kritik Sebaran Chi-Squared di buku Walpole
Tabel 3.6 Data Tabel L-5 Nilai Kritik Sebaran Chi-Squared
α
V 0,05
3 2,366
5. Perhitungan
𝑥2 = (𝑜𝑖 − 𝑒𝑖)2
𝑒𝑖
𝑥2 = (12−9,477 )2
9,477 +
(6−7,032 )2
7,032 +
(5−6,213 )2
6,213 +
(7−5,004 )2
5,004
𝑥2 = 2,0
6. Keputusan
Karena 𝑥2 hitung <𝑥2 tabel L-5,Maka jangan tolak H0
7. Kesimpulan
Maka ini termasuk distribusi normal.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
41
Program Studi Teknik Industri
Universitas Diponegoro
BAB IV
ANALISA DATA
4.1 Analisa Output
1. Beta
Berdasarkan gambar distribusi beta data kombinasi ke – 8 dari data
kombinasi menunjukkan 2 parameter ,yaitu shape parameter 1(α1)= 1,1996 dan
shape parameter 2(α2= 1,6052. Distribusi beta juga menunjukkan lower
boundary(a) = 152,2 dan upper boundary (b) = 187,6.Distribusi beta data
kombinasi ini memiliki nilai skewness = 0,2373 dan kurtosis = - 0,96371. Data
tersebut memiliki skewness positif, sehinngga grafik dari data tersebut condong
ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena itu grafik datanya
landai atau disebut platykurtic. Nilai statistic chi squared pada data tersebut
sebesar 0,33333, pada data tersebut tidak ada reject, sehingga data tersebut
cocok untuk djadikan sampel.
2. Chi Squared
Berdasarkan gambar distribusi chi squared data kombinasi ke – 8 dari
data kombinasi menunujukkan deg. of freedom (ν) = 167 dan location parameter
(γ) = 0.Distribusi chi squared ini menunjukkan nilai skewness = 0,21887 dan
kurtosis = 0,07186. Data tersebut memiliki skewness positif, sehinngga grafik
dari data tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh
karena itu grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi
squared pada data tersebut sebesar 3,4638, pada data tersebut tidak ada reject,
sehingga data tersebut cocok untuk djadikan sampel.
3. Erlang
Berdasarkan gambar distribusi erlang data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (m) = 323;scale parameter (β) =
0,51668 ; location parameter (γ) = 0.Distribusi erlang ini memiliki nilai
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
42
Program Studi Teknik Industri
Universitas Diponegoro
skewness = 0,11128 dan kurtosis = 0,01858. Data tersebut memiliki skewness
positif, sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut
leptokurtic.Nilai statistic chi squared pada data tersebut sebesar 2,0499, pada
data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
4. Exponential
Berdasarkan gambar distribusi exponential data kombinasi ke – 8 dari
data kombinasi menunjukkan inverse scale parameter (λ) = 0,00597 dan location
parameter (γ) = 0.Distribusi exponential ini memiliki nilai skewness = 2 dan
kurtosis = 6. Data tersebut memiliki skewness positif, sehinngga grafik dari data
tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu
grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada
data tersebut sebesar 255,77, pada data tersebut ada reject, sehingga data
tersebut tidak cocok untuk djadikan sampel.
5. Error
Berdasarkan gambar distribusi error data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (k) = 3,3552;scale parameter (σ) =
9,2995;location parameter (μ) = 167,38.Distribusi error ini memiliki nilai
skewness = 0 dan kurtosis = -0,68386. Data tersebut memiliki skewness positif,
sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari data
tersebut < 0, oleh karena itu grafik datanya landai atau disebut platykurtic. Nilai
statistic chi squared pada data tersebut sebesar 0,24035, pada data tersebut tidak
ada reject, sehingga data tersebut cocok untuk djadikan sampel.
6. Gamma
Berdasarkan gambar distribusi gamma data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (α) = 323,95;scale parameter (β) =
0,51668;location parameter (γ) = 0.Distribusi gamma ini memiliki nilai
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
43
Program Studi Teknik Industri
Universitas Diponegoro
skewness = 0,11112 dan kurtosis = 0,01852. Data tersebut memiliki skewness
positif, sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
Nilai statistic chi squared pada data tersebut sebesar 2,1012, pada data tersebut
tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
7. Johnson SB
Berdasarkan gambar distribusi Johnson SB data kombinasi ke – 8 dari
data kombinasi menunjukkan shape parameter (γ) = 0,45553;shape parameter (δ)
= 1,0454;scale parameter (λ) = 47,333;location parameter (ξ) = 147,98
.Distribusi Johnson SB ini memiliki nilai skewness = tidak ada dan kurtosis =
tidak ada. Nilai statistic chi squared pada data tersebut sebesar 1,0147, pada data
tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
8. Laplace
Berdasarkan gambar distribusi Laplace data kombinasi ke – 8 dari data
kombinasi menunjukkan inverse scale parameter (λ) = 0,15207;;location
parameter (μ) = 167,38.Distribusi Laplace ini memiliki nilai skewness = 0 dan
kurtosis = 3. Data tersebut memiliki skewness positif, sehinngga grafik dari data
tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu
grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada
data tersebut sebesar 5,1112, pada data tersebut ada reject, sehingga data
tersebut tidak cocok untuk djadikan sampel.
9. Lognormal
Berdasarkan gambar distribusi Lognormal data kombinasi ke – 8 dari
data kombinasi menunjukkan scale parameter (σ) = 0,05433;location parameter
(μ) = 5,1188;location parameter (γ) = 0.Distribusi Lognormal ini memiliki nilai
skewness = 0,16326 dan kurtosis = 0,04742. Data tersebut memiliki skewness
positif, sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
44
Program Studi Teknik Industri
Universitas Diponegoro
leptokurtic.Nilai statistic chi squared pada data tersebut sebesar 2,2167, pada
data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
10. Log-Pearson 3
Berdasarkan gambar distribusi Log-Pearson 3 data kombinasi ke – 8 dari
data kombinasi menunjukkan shape parameter (α) = 86,955;scale parameter (β)
= 0,00593;location parameter (γ) = 4,6035.Distribusi Log-Pearson 3 ini
memiliki nilai skewness = 0,38498 dan kurtosis = 0,26825. Data tersebut
memiliki skewness positif, sehinngga grafik dari data tersebut condong ke kiri.
Nilai kurtosiss dari data tersebut > 0, oleh karena itu grafik datanya runcing atau
disebut leptokurtic. Nilai statistic chi squared pada data tersebut sebesar 2,1834,
pada data tersebut tidak ada reject, sehingga data tersebut cocok untuk djadikan
sampel.
11. Logistic
Berdasarkan gambar distribusi Logistic data kombinasi ke – 8 dari data
kombinasi menunjukkan scale parameter (σ) = 5,1271;location parameter (μ) =
167,38.Distribusi Logistic ini memiliki nilai skewness = 0 dan kurtosis = 1,2.
Data tersebut memiliki skewness positif, sehinngga grafik dari data tersebut
condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu grafik
datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada data
tersebut sebesar 2,6707, pada data tersebut tidak ada reject, sehingga data
tersebut cocok untuk djadikan sampel.
12. Normal
Berdasarkan gambar distribusi Normal data kombinasi ke – 8 dari data
kombinasi menunjukkan scale parameter (σ) = 9,2995;location parameter (μ) =
167,38.Distribusi Normal ini memiliki nilai skewness = 0 dan kurtosis = -0. Data
tersebut memiliki skewness positif, sehinngga grafik dari data tersebut condong
ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena itu grafik datanya
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
45
Program Studi Teknik Industri
Universitas Diponegoro
landai atau disebut platykurtic. Nilai statistic chi squared pada data tersebut
sebesar 2,7196, pada data tersebut tidak ada reject, sehingga data tersebut cocok
untuk djadikan sampel.
13. Pareto
Berdasarkan gambar distribusi Pareto data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (α) = 10,687;scale parameter (β) =
152,2.Distribusi Pareto ini memiliki nilai skewness = 2,7415 dan kurtosis =
13,856. Data tersebut memiliki skewness positif, sehinngga grafik dari data
tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu
grafik datanya runcing atau disebut leptokurtic. Nilai statistic chi squared pada
data tersebut sebesar 4,0923, pada data tersebut tidak ada reject, sehingga data
tersebut cocok untuk djadikan sampel.
14. Pearson 5
Berdasarkan gambar distribusi Pearson 5 data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (α) = 340,32;scale parameter (β) =
56794,0;location parameter (γ) = 0.Distribusi Pearson 5 ini memiliki nilai
skewness = 0,21811 dan kurtosis = 0,08941. Data tersebut memiliki skewness
positif, sehinngga grafik dari data tersebut condong ke kiri. Nilai kurtosiss dari
data tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
Nilai statistic chi squared pada data tersebut sebesar 2,2312, pada data tersebut
tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
15. Pearson 6
Berdasarkan gambar distribusi Pearson 6 data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter 1 (α1) = 25,651; shape parameter 2
(α2) = 9,5522E+8;scale parameter (β) = 6,3471E+9;location parameter (γ) =
0.Distribusi Pearson 6 ini memiliki nilai skewness = 0,3949 dan kurtosis =
0,23391. Data tersebut memiliki skewness positif, sehinngga grafik dari data
tersebut condong ke kiri. Nilai kurtosiss dari data tersebut > 0, oleh karena itu
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
46
Program Studi Teknik Industri
Universitas Diponegoro
grafik datanya runcing atau disebut leptokurtic.Nilai statistic chi squared pada
data tersebut sebesar 20,843, pada data tersebut ada reject, sehingga data
tersebut tidak cocok untuk djadikan sampel.
16. Student‟s t
Berdasarkan gambar distribusi Student‟s t data kombinasi ke – 8 dari
data kombinasi menunjukkan deg.of freedom = 2.Distribusi Student‟s t ini
memiliki nilai skewness = tidak ada dan kurtosis = tidak ada. Nilai statistic chi
squared pada data tersebut sebesar 2,4945E+6, pada data tersebut ada reject,
sehingga data tersebut tidak cocok untuk djadikan sampel
17. Triangular
Berdasarkan gambar distribusi Triangular data kombinasi ke – 8 dari data
kombinasi menunjukkan mode parameter (m) = 162,33;lower boundary
parameter (a) = 152,2;upper boundary parameter (b) = 187,6.Distribusi
Triangular ini memiliki nilai skewness = 0,37565 dan kurtosis = -0,6. Data
tersebut memiliki skewness positif, sehinngga grafik dari data tersebut condong
ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena itu grafik datanya
landai atau disebut platykurtic. Nilai statistic chi squared pada data tersebut
sebesar 3,6667, pada data tersebut tidak ada reject, sehingga data tersebut cocok
untuk djadikan sampel.
18. Uniform
Berdasarkan gambar distribusi Uniform data kombinasi ke – 8 dari data
kombinasi menunjukkan lower boundary parameter (a) = 151,27;upper boundary
parameter (b) = 183,48.Distribusi Uniform ini memiliki nilai skewness = 0 dan
kurtosis = -1,2. Data tersebut memiliki skewness positif, sehinngga grafik dari
data tersebut condong ke kiri. Nilai kurtosiss dari data tersebut < 0, oleh karena
itu grafik datanya landai atau disebut platykurtic. Nilai statistic chi squared pada
data tersebut sebesar 7,5227, pada data tersebut ada reject, sehingga data
tersebut tidak cocok untuk djadikan sampel
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
47
Program Studi Teknik Industri
Universitas Diponegoro
19. Wakeby
Berdasarkan gambar distribusi Wakeby data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (α) = 25,09;scale parameter (β)
=1,5546;location parameter (γ) = 6,4568;shape parameter (δ) = -0,14239;
location parameter (ξ) = 151,9.Distribusi Wakeby ini memiliki nilai skewness =
tidak ada dan kurtosis = tidak ada . Nilai statistic chi squared pada data tersebut
sebesar 0,18747, pada data tersebut tidak ada reject, sehingga data tersebut
cocok untuk djadikan sampel.
20. Weibull
Berdasarkan gambar distribusi Weibull data kombinasi ke – 8 dari data
kombinasi menunjukkan shape parameter (α) = 21,159;scale parameter (β) =
170,73;location parameter (γ) = 0.Distribusi Weibull ini memiliki nilai skewness
= -0,088163 dan kurtosis = 1,3158. Data tersebut memiliki skewness negatif,
sehinngga grafik dari data tersebut condong ke kanan. Nilai kurtosiss dari data
tersebut > 0, oleh karena itu grafik datanya runcing atau disebut leptokurtic.
Nilai statistic chi squared pada data tersebut sebesar 2,7364, pada data tersebut
tidak ada reject, sehingga data tersebut cocok untuk djadikan sampel.
4.2 Analisa Perbandingan Manual dan Software Uji Goodness of Fit
Tabel 4.1 Perbandingan Manual,Easyfit,dan Arena
Karakteristik
Data Manual Easyfit Arena
Mean 167,3767 167,38 167
Variansi 90,3924 86,48 86,49
Standar Deviasi 9,50794 9,2995 9.3
α 0,05 0,05 0,05
Derajat
Kebebasan 4 3 0
X2
2 2,7196 1,17
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
48
Program Studi Teknik Industri
Universitas Diponegoro
LanjutanTabel 4.1 Perbandingan Manual,Easyfit,dan Arena
Daerah Kritis 2,366 7,8147 7,8147
Keputusan Distribusi Normal
Distribusi Normal
Distribusi Normal
Kesimpulan Diterima Diterima Diterima
Dalam data perbandingan ketiga metode diatas ada beberapa perbedaan dalam
hasil perhitungan antara metode manual,software easyfit,dan arena.
Mean
Dalam perhitungan manual nilai mean = 167,3767;Easyfit = 167,38;Arena =
167.Ada sedikit perbedaan dalam hasil perhitungan mean namun selisihnya sangat
sedikit,itu dikarenakan pembulatan nilai entah itu pada manual,Easyfit ataupun Arena.
Variansi
Dalam perhitungan manual nilai variansi = 90,3924;Easyfit = 86,48;Arena =
86,49.Perbedaan nilai variansi pada perhitungan manual dengan software itu
dikarenakan pada perhitungan manual kami menggunakan nilai pendekatan yang
berasal dari data kelompok yang pastinya memiliki error saat pembuatan data
kelompoknya.Sedangkan perbedaan nilai pada kedua software hanya dikarenakan cara
pembulatan nilai.
Standar Deviasi
Dalam perhitungan manual nilai standar deviasi = 9,50794;Easyfit = 9,2995;
Arena = 9,3.Perbedaan niali standar deviasi pada perhitungan manual dengan software
itu dikarenakan pada perhitungan manual kami menggunakan nilai mean pendekatan
yang berasal dari data kelompok yang pastinya memiliki error saat pembuatan data
kelompoknya.Sedangkan perbedaan nilai pada kedua software hanya dikarenakan cara
pembulatan nilai.
Nilai α
Untuk nilai α dalam perhitungan manual dan kedua software memiliki nilai yang
sama yaitu,0,05.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
49
Program Studi Teknik Industri
Universitas Diponegoro
Derajat Kebebasan
Untuk derajat kebebasan dalam perhitungan manual nilainya = 4;Easyfit= 3;
Arena = 0.Perbedaan nilai pada perhitungan manual dan dengan Easyfit berbeda karena
syarat penentuan nilai derjat kebebasan yang berbeda antara manual dan dengan
software Easyfit.Sedangkan nilai derajat kebebasan pada Arena = 0,karena dalam input
data kami menggunakan nilai data yang sudah ada pada software notepad sehingga nilai
derajat kebebasannya = 0.
Statistik(x2)
Nilai x2
berbeda satu sama lain dalam ketiga metode perhitungan yaitu dengan
manual =2,0;Easyfit=2,7196;Arena1,17 disebabkan perbedaan macam-macam cara
perhitungan.Jika dalam perhitungan manual errornya dikarenakan nilai-nilai yang
digunakan berasal dari data berkelompok sedangkan dalam kedua software,perbedaan
nilai yang terjadi karena perbedaan cara dan input data.
Daerah Kritis
Nilai daerah kritis dengan cara manual = 2,366;Easyfit dan Arena = 7,8147.
Selisih perhitungan itu terjadi karena dalam menghitung daerah kritis pada cara manual
kami menggunakan nilai-nilai pendekatan dari data kelompok yang bukan nilai
sebenarnya dalam artian bukan nilai baku.
Sesuai dengan data yang ada,niali ketiga metode menunjukkan bahwa data bisa
diterima dan ketiga metode menunjukkan juga bahwa data berdistribusi normal.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
50
Program Studi Teknik Industri
Universitas Diponegoro
BAB V
PENUTUP
5.1 Kesimpulan
Dari praktikum modul 2B yaitu mengenai distribusi statistik dapat diambil
beberapa kesimpulan yaitu :
1. Distribusi statistik dibagi menjadi 2 yaitu :
Distribusi Diskrit : Distribusi yang datanya diambil dari perhitungan
Distribusi Kontinu : Distribusi yang datanya diambil dari hasil
pengukuran
Dalam modul 2B ini kami menggunakan 20 macam distribusi kontinu
yaitu beta,chi squared,erlang,error,ekspoential,gamma,johnson SB,
laplace,log pearson 3,logistic,lognormal,normalpareto,pearson 5,pearson
6, student‟s t,triangular,uniform,wakeby,dan weibull.
2. Parameter distribusi statistic dibagi menjadi 3 yaitu:
Location parameter, untuk menentukan titik axis dari suatu nilai
distribusi
Scale parameter, menentukan nilai dari ukuran nilai dalam suatu
distribusi.
Shape parameter membedakan location dan scale parameter, bentuk
dasar dari distribusi dengan memperhatikan kelompok distribusi secara
umum.
Salah satu distribusi kontinu yang menggunakan ketiga parameter ini ialah
Log Pearson 3 dengan nilai Shape Parameter = 86,995;Scale Parameter =
0,00593;dan Location Parameter = 4,6035.
3. Distribusi statistik mempunyai fungsi menentukan jenis/tipe distribusi apa yang
paling cocok digunakan dalam suatu data yang telah diketahui.Sedangkan fungsi
dari goodness of fit adalah mengetahui keragaman suatu data.
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
51
Program Studi Teknik Industri
Universitas Diponegoro
4. Untuk mengolah data, menyajikan dan menganalisa data diskrit ini dipermudah
dengan penggunaan software-software pada komputer seperti easyfit dan Arena.
Perbedaan pada penggunaan software easyfit dan Arena yaitu:
Easyfit : penggunaan easyfit lebih mudah digunakan oleh user
Arena : penggunaan software Arena lebih sulit penggunaanya
dikarenakan input data dilakukan dengan langka-langkah yang sulit.
Dalam modul 2b ini kami menggunakan software Arena untuk melakukan Uji
Goodness of Fit dan hasilnya sebagai berikut:
Distribution Summary
Distribution: Normal
Expression: NORM(167, 9.14)
Square Error: 0.022042
Chi Square Test
Number of intervals = 3
Degrees of freedom = 0
Test Statistic = 1.17
Corresponding p-value < 0.005
Data Summary
Number of Data Points = 30
Min Data Value = 152
Max Data Value = 188
Sample Mean = 167
Sample Std Dev = 9.3
Laporan Praktikum Teori Probabilitas
Modul 2B- Distribusi Statistik
Kelompok 17
52
Program Studi Teknik Industri
Universitas Diponegoro
Sedangkan Easyfit kami gunakan untuk menyajikan grafik dan melihat nilai-nilai
tertentu yang dibutuhkan.Kemudian ditentukan bahwa uji Anderson Darling,pada
distribusi normal (chi squared) merupakan uji terbaik atau paling cocok.
5.2 Saran
Saran dari kelompok 17 untuk kelancaran praktikum selanjutnya adalah
1. Lebih baik bila modul 2A dan 2B dipisah saja pengerjaannya, karena materi
yang sama sekali berbeda.
2. Pemahaman tentang materi sebaiknya lebih diperdalam oleh para praktikan.
3. Praktikan dapat lebih memahami penggunaan softwareyang akan digunakan
untuk pengerjaan laporan praktikum