bab ii
DESCRIPTION
lTRANSCRIPT
BAB II
LANDASAN TEORI
2.1. Peubah Acak1
Peubah acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang contoh. Untuk melambangkan suatu
peubah acak, digunakan huruf capital, misalnya X dan huruf kecil, misalnya x
untuk melambangkan salah satu di antara nilai-nilainya.
Percobaan acak sekeping mata uang, ruang sampelnya akan berisi semua hasil
yang mungkin, yaitu C = {x | x = A, G }, A adalah yang muncul angka, dan G
gambar. X merupakan fungsi, jika c adalah angka, maka X(c) = 0, dan X(c) = 1,
apabila c adalah gambar. X merupakan fungsi bernilai real yang terdefinisi pada
ruang sampel C , sehingga terbentuk suatu ruang sampel baru yaitu A = { x | x = 0,
1}. Maka X adalah peubah acak.
Suatu percobaan acak mempunyai ruang sampel c. Fungsi X yang
menghubungkan setiap c C tepat dengan satu bilangan real x(c) = x, disebut
peubah acak. Ruang dari X adalah himpunan bilangan real A = { x | x = X(c) ; c
C c}.
Bila suatu ruang contoh mengandung jumlah titik contoh yang terhingga atau
suatu barisan unsur yang tidak pernah berakhir tetapi yang sama banyaknya
dengan bilangan cacah, maka ruang itu disebut ruang contoh diskrit. Bila suatu
ruang contoh mengandung tak hingga banyaknya titik contoh yang sama
banyaknya dengan titik pada sebuah ruas garis, maka ruang itu disebut ruang
contoh kontinu.
Peubah acak yang didefenisikan di atas ruang contoh yang diskrit dan kontinu
masing-masing disebut peubah acak diskrit dan peubah acak kontinu. Dalam
prakteknya, peubah acak kontinu digunakan untuk data yang diukur, misalnya
tinggi, bobot, suhu, jarak, atau umur, sedangkan peubah acak diskrit digunakan
1 Walpole, Ronald E. 1992. Pengantar Statistika. III(Jakarta:Gramedia Pustaka Utama),hal.114-116
II-1
II-2
untuk data yang berupa cacahan, misalnya banyak produk cacat, banyaknya
kecelakaan per tahun di suatu provinsi.
2.2. Fungsi Kepadatan Probabilitas
Fungsi kepadatan peluang dibagi menjadi dua jenis. Yakni untuk data
diskrit dan kontinu. Untuk fungsi kepadatan peluang data diskrit sering disebut
sebagai fungsi sebaran peluang, sedangkan untuk fungsi kepadatan peluang data
kontinu sering disebut sebagai fungsi kepadatan peluang (fkp), atau probability
density function (pdf).
2.2.1. Fungsi Kepadatan Peluang Diskrit
Fungsi ini disebut juga fungsi sebaran peluang. Sedangkan untuk definisi
nya sendiri, fungsi f(x) adalah suatu fungsi peluang atau sebaran peluang dari
peubah acak X, jika untuk setiap hasil yang muncul x berlaku :
1. f(x) ≥ 0
2. ∑x f(x) = 1
3. P(X=x) = f(x)
F(x) lebih besar atau sama dengan nol. Jelas karena f(x) adalah peluang
dari masing-masing nilai peubah acak yang diperoleh dari permasalahan sesuai
kisaran nilai peluang. Sedangkan sigma f(x) = 1, menunjukan nilai peubah acak
menyebar di ruang sampel (berpasangan dengan anggota ruang sampel) sehingga
jumlah jika setiap titik sampel yang menjadi pasangan nilai peubah dijumlahkan
maka akan sama dengan ruang sampel, sehingga peluangnya jelas berjumlah 1
karena peluang menjadi ruang sampel dibagi ruang sampel sama dengan 1.
P(X=x) = f(x), adalah peluang untuk peubah acak x tertentu. Sama dengan
fungsi sebaran peluang untuk x tertentu tersebut.
Contoh 1.
Dua buah dadu ditos satu kali, diberi peubah acak x yaitu jumlah mata
dadu yang muncul. Tentukan :
1. Formula sebaran peluangnya
2. P(X=3)
II-3
3. P(X<5)
Jawab :
1. Terlebih dahulu kita menentukan nilai peubah acak yang mungkin yakni
{2,3,4,5,6,7,8,9,10,11,12}, lalu masukkan kedalam Tabel 2.1. Dalam
Tabel 2.1. dapat dilihat nilai peubah acak dari dua buah dadu yang ditos
satu kali.
Tabel 2.1. Tabel Nilai Peubah Acak
Sehingga sebaran peluangnya dapat dilihat pada Tabel 2.2.
Tabel 2.2. Sebaran Peluang Dua Dadu
2. P = (x = 3) = f(3) = 2/36
3. P(X <5) = F(2) + F(3) + F(4)
= 1/36 + 2/36 + 3/36
= 6/36
= 1/6
2.2.2. Fungsi Kepadatan Peluang Kontinu
Fungsi f(x) adalah fungsi padat peluang sebuah peubah acak kontinu X,
yang didefinisikan di atas himpunan semua bilangan real R, bila :
1. F(x) ≥ 0 untuk semua x є R
2.
II-4
3. P(a < x < b) =
Karena x di definiskan pada ruang sampel kontinu, mungkin saja F(x)
tidak kontinu pada beberapa titik yang terhingga banyaknya. Akan tetapi,
kebanyakan fungsi padat yang mempunyai penggunaan praktis dalam analisis data
statitika bersifat kontinu dan grafiknya, beberapa diantaranya, dapat dibentuk
salah satu dari bentuk grafik. Karena peluang akan dinyatakan sebagai luas dan
peluang merupakan bilangan positif maka fungsi haruslah seluruhnya terletak
diatas sumbu x.
Fungsi padat peluang kontinu didefiniskan sedemikian rupa sehingga luas
daerah, diantara kurva dan sumbu x yang dihitung atas semua rentangan harga X
pada daerah f(x) terdefinisi adalah 1. Kalau seluruh nilai X terletak pada selang
berrhingga, selalu mungkin memperluas selang tersebut sehingga mencakup
seluruh himpunan bilangan real dengan mendefiniskan f(x) sama dengan nol pada
semua titik pada selang perluasan tersebut.
Contoh 2.
Misalkan bahwa galat suhu reaksi dalam 0C, pada suatu percobaan
laboratorium yang dikontrol merupakan peubah acak X yang mempunyai fungsi
padat peluang :
a. Tunjukan bahwa syarat 2 terpenuhi
b. Hitung P(0 < x ≤ 1)
Jawab :
a.
b. P(0 < X ≤ 1) =
II-5
2.3. Jenis-Jenis Distribusi Diskrit
Distribusi diskrit adalah distribusi yang mencantumkan semua
kemungkinan nilai suatu peubah acak diskrit dan peluangnya. Distribusi diskrit
memiliki titik-titik sampel yang terbatas, dapat dihitung satu persatu yang
dinyatakan dalam bilangan bulat (cacah).
2.3.1. Distribusi Seragam
Distribusi peluang diskrit yang paling sederhana ialah peubah acaknya
memperoleh semua nilainya dengan peluang yang sama. Distribusi peluang
semacam ini disebut distribusi peluang diskrit. Dimana peubah acak X mendapat
nilai dengan peluang yang sama, maka distribusi seragam diskrit
diberikan oleh :
Lambang f(x;k) telah dipakai sebagai pengganti f(x) untuk menunjukan
bahwa distribusi seragam tersebut bergantung pada parameter k.
Contoh distribusi seragam adalah bila sebuah dadu dilemparkan, maka tiap
elemen ruang sampelnya adalah S = { 1, 2, 3, 4, 5, 6 }, muncul dengan peluang
1/6. Jadi, distribusi peluang f(x;6} = 1/6, x = 1,2,3,4,5,6. Grafik distribusi seragam
dapat dilihat pada gambar 2.1.
II-6
Gambar 2.1. Grafik Distribusi Seragam
2.3.2. Distribusi Binomial2
Distribusi binomial adalah salah satu distribusi probabilitas diskrit yang
paling sering digunakan dalam analisis statistik modern. Suatu distribusi binomial
dibentuk oleh suatu eksperimen binomial yang merupakan n kali percobaan
Bernoulli sehingga harus memenuhi kondisi-kondisi berikut:
1. Jumlah percobaan n adalah konstanta yang telah ditentukan sebelumnya
(dinyatakan sebelum eksperimen dimulai).
2. Setiap pengulangan eksperimen, biasa disebut percobaan (trial) hanya dapat
menghasilkan satu dari dua keluaran yang mungkin, sukses atau gagal.
3. Probabilitas suskses p, dan demikian pula probabilitas gagal q = 1 – p selalu
konstan dalam setiap percobaan.
4. Setiap percobaan saling bebas secara statistik, yang berarti keluaran suatu
percobaan tidak berpengaruh pada keluaran percobaan lainnya.
Kurva Distribusi Binomial dapat dilihat pada gambar 2.2.
2 Harinaldi. 2005. Prinsip-prinsip Statistik untuk Teknik dan Sains. Hal 76-88.
II-7
Gambar 2.2. Kurva Distribusi Binomial
Dalam sebuah eksperimen binomial dengan n percobaan (trial), dimana p
adalah probabilitas sukses dan q = 1 – p adalah probabilitas gagal dalam sekali
perobaan, jika suatu variabel acak X menyatakan banyaknya x yang sukses yang
terjadi pada n percobaan tersebut, dapat dibentuk suatu distribusi probabalitas
binomial dengan fungsi probabilitasnya:
n n
0 ≤ p ≤ 1
Di mana:
n = kombinasi dari n objek di mana untuk setiap pemilihan diambil x objek.
2.3.3. Distribusi Hipergeometrik
Suatu distribusi hipergeometrik dibentuk oleh suatu eksperimen yang
memenuhi kondisi-kondisi berikut:
1. Populasi berukuran N (anggotanya terdiri dari N objek).
II-8
2. Setiap anggota populasi dapat dinyatakan sebagai sukses atau gagal dan
terdapat M buah sukses dalam populasi, jadi p = M/N
3. Suatu sampel berukuran n (anggotanya terdiri dari n objek) dipilih dari s
populasi tanpa pergantian di mana setiap himpunan bagian beranggotkan n
yang dapat dibentuk dari populasi memiliki kesempatan yang sama untuk
terpilih menjadi sampel.
Kurva Distribusi Binomial dapat dilihat pada gambar 2.3.
Gambar 2.3. Kurva Distribusi Hipergeometrik
Jika variabel acak X menyatakan jumlah x sukses dalam suatu sampel
berukuran n yang dipilih secara acak dari populasi berukuran N yang memiliki M
sukses dan N – M gagal, maka dapat dibentuk distribusi probabilitas
hipergeometrik yang fungsi probabilitasnya adalah:
di mana
Jadi, fungsi suatu distribusi hipergeometrik merupakan fungsi dengan tiga
parameter n, M, dan N.
2.3.4. Distribusi Binom Negatif
Suatu distribusi binomial negatif dibentuk oleh suatu eksperimen yang
memenuhi kondisi-kondisi berikut:
1. Eksperimen terdiri dari serangkaian percobaan yang saling bebas.
II-9
2. Setiap percobaan hanya dapat menghasilkan satu dari dua keluaran yang
mungkin yaitu sukses atau gagal.
3. Probabilitas sukses p dan demikian pula probabilitas gagal q = 1 – p selalu
konstan dalam setiap percobaan.
4. Eksperimen terus berlanjut (percobaan terus dilakukan) sampai sejumlah total
r sukses diperoleh di mana r berupa bilangan bulat tertentu.
Kurva Distribusi Binom Negatif dapat dilihat pada gambar 2.4.
Gambar 2.4. Kurva Distribusi Binom Negatif
Apabila dalam sebuah eksperimen binomial negatif dari serangkaian
percobaan di mana p adalah probabilitas sukses dan q = 1 – p adalah probabilitas
gagal dalam setiap percobaan, maka jika variabel acak X menyatakan banyaknya
x gagal sebelum r sukses tercapai pada eksperimen tersebut, dapat diperoleh
distribusi probabilitas binomial negatif dengan fungsi probabilitasnya:
0 ≤ p ≤ 1
Jadi, jumlah percobaan yang harus dilakukan adalah sebanyak x + r.
2.3.5. Distribusi Geometrik
II-10
Jadi pada eksperimen binomial negatif, percobaan terus dilakuakn
sampai diperolehnya sukses pertama (diperoleh hanya satu sukses, r = 1), maka
eksperimen itu disebut eksperimen geometrik. Kurva Distribusi Geometrikdapat
dilihat pada gambar 2.5.
Gambar 2.5. Kurva Distribusi Geometrik
Jika variabel acak X menyatakan banyaknya x gagal sebelum sebuah
sukses tercapai maka dapat dibentuk suatu distribusi probabilitas geometrik
dengan menetapkan harga r = 1 pada distribusi probabilitas binomial negatif.
Berikut ini merupakan fungsi probabilitasnya:
0 ≤ p ≤ 1
2.3.6. Distribusi Poisson
Dalam eksperimen Poisson, probabilitas memperoleh dengan tepat
peristiwa X sebanyak X kejadian untuk setiap satu satuan unit (waktu atau ruang)
yang ditentukan membentuk sebuah distribusi yang fungsi probabilitasnya adalah:
Pp
Di mana:
II-11
λ = laju kejadian (rata-rata banyaknya kejadian dalam satu satuan unit tertentu)
e = konstanta dasar logaritma natural = 2,71828
Jadi fungsi probabilitas dari suatu distribusi poisson merupakan fungsi
dengan parameter λ. Kurva Distribusi Poisson dapat dilihat pada gambar 2.6.
Gambar 2.6. Kurva Distribusi Poisson
2.3.7. Distribusi Bernoulli
Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli yang
memenuhi syarat sebagai berikut:
1. Keluaran yang mungkin hanya salah satu dari sukses atau gagal
2. Jika probabilitas sukses p, maka probabilitas gagal q = 1 – p.
Kurva Distribusi Bernoulli dapat dilihat pada gambar 2.7.
Gambar 2.7. Kurva Distribusi Bernoulli
Dalam sebuah percobaan Bernoulli, di mana p adalah probabilitas sukses
dan q = 1 – p adalah probabilitas gagal, dan jika X adalah variabel acak yang
II-12
menyatakan sukses, maka dapat dibentuk sebuah distribusi probabilitas Bernoulli
sebagai fungsi probabilitas sebagai berikut:
PB
0 ≤ p ≤ 1
Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada
persamaan di atas dapat dipahami bahwa fungsi tersebut adalah fungsi dengan
satu parameter, yaitu p.
2.4. Jenis-Jenis Distribusi Kontinu3
Peubah acak kontinu dan fungsi kepekatannya muncul bila data percobaan
kita didefinisikan pada suatu ruang contoh yang kontinu. Oleh karena itu, bila kita
mengukur selang waktu, bobot, tinggi, volume, dan lain sebagainya, maka
populasi kita dapat dinyatakan dengan suatu distribusi kontinu. Adapun
penjelasan dari jenis-jenis distribusi kontinu dijelaskan sebagi berikut.
2.4.1. Distribusi Normal
Distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika
adalah distribusi normal. Distribusi normal, disebut pula distribusi Gauss untuk
menghormati Karl Friedrich Gauss (1777-1855), yang juga menemukan
persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang.
Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan
simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve)
karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
Kurva Normal dapat dilihat pada gambar 2.8.
3 Ibid; 179-215.
II-13
Gambar 2.8. Kurva Normal
Suatu peubah acak kontinu X yang memiliki sebaran berbentuk genta
seperti pada Gambar 2.9. disebut peubah acak normal. Persamaan matematik bagi
sebaran peluang peubah acak normal ini bergantung pada dua parameter µ dan σ,
yaitu nilai tengah dan simpangan bakunya. Oleh karena itu kita lambangkan nilai
fungsi kepekatan bagi X ini dengan n(x; µ, σ).
n(x; µ, σ) =
Sedangkan dalam hal ini π = 3,14159... dan e = 2,71828…
Gambar 2.9. Arti dari σ
Bila nilai-nilai µ dan σ diketahui, maka kurva normal itu telah tertentu
dengan pasti. Misalnya, bila µ = 50 dan σ = 5, maka ordinat-ordinat n(x; 50, 5)
dengan mudah dapat dihitung untuk berbagai nilai x, dan kemudian kurvanya
dapat digambar. Dalam Gambar 2.10. diberikan sketsa dua kurva normal yang
mempunyai simpangan baku yang sama tetapi nilai tengah yang berbeda. Kedua
II-14
kurva itu sama bentuknya tetapi berpusat pada posisi yang berbeda sepanjang
sumbu mendatar.
Gambaar 2.10. Dua Kurva Normal dengan µ1 µ2 tetapi σ1 = σ2
Dalam Gambar 2.11. diberikan sketsa dua kurva normal dengan nilai
tengah yang sama tetapi simpangan bakunya berbeda. Di sini kita melihat bahwa
kedua kurva itu berpusat pada posisi yang sama pada sumbu mendatar, tetapi
kurva dengan simpangan baku yang lebih besar berada lebih rendah dan lebih
menyebar ke samping. Ingat bahwa luas daerah di bawah suatu kurva peluang
harus sama dengan 1, oleh karena itulah semakin beragam suatu gugus
pengamatan, maka kurvanya menjadi lebih rendah dan lebih melebar.
Gambar 2.11. Dua Kurva Normal dengan µ1 = µ2 tetapi σ1 < σ2
Kurva normal standar adalah kurva normal yang sudah diubah menjadi
distribusi nilai Z, dimana distribusi tersebut akan mempunyai Q = 0 dan standar
deviasi W = 1. Grafik distribusi normal tergantung pada dua faktor, yaitu nilai
rata-rata (mean) dan standar deviasi. Mean dari distribusi menentukan lokasi pusat
grafik, dan standar deviasi menentukan tinggi dan lebar grafik.
Gambar 2.12. menunjukkan skets dua kurva normal yang mempunyai nilai
tengah dan simpangan baku yang berbeda. Jelas, bahwa keduanya berpusat pada
II-15
posisi yang berbeda pada sumbu mendatar dan bangun kedua kurva itu
mencerminkan kedua nilai σ yang berbeda.
Gambar 2.12. Dua Kurva Normal dengan µ1 µ2 tetapi σ1 < σ2
Dari pengamatan terhadap Gambar 2.9 sampai 2.12 kita memperoleh sifat-
sifat kurva normal berikut ini:
1. Modus, titik pada sumbu mendatar yang memberikan maksimum kurva,
terdapat pada x = µ.
2. Kurvanya setangkup terhadap suatu garis tegak yang melalui rataan µ.
3. Kurva mempunyai titik belok pada x = µ cekung dari bawah bila µ-σ
µ+σ, dan cekung dari atas untuk nilai x lainnya.
4. Kedua ujung kurva normal mendekati asimtot sumbu datar bila nilai x
bergerak menjauhi µ baik ke kiri maupun ke kanan.
5. Seluruh luas daerah di bawah kurva dan di atas sumbu datar sama dengan 1.
2.4.2. Distribusi T
Jarang sekali kita beruntung mengetahui ragam populasi induk (asal)
tempat kita menarik contoh. Untuk contoh berukuran n ≥ 30, nilai dugaan yang
baik bagi σ2 diberikan oleh s2. Dengan demikian apa yang terjadi dengan sebaran
nilai-nilai z dalam Dalil Limit Pusat bila kita mengganti σ2 dengan s2. Asalkan s2
merupakan nilai dugaan yang baik bagi σ2 dan tidak terlalu bervariasi dari contoh
satu ke contoh lainnya, dan inilah yang terjadi bila n ≥ 30, maka nilai-nilai ( -
µ)/(s/√n) masih menyebar menghampiri sebaran normal baku, sehingga Dalil
Limit Pusat tetap berlaku.
II-16
Bila ukuran contohnya kecil (n < 30), nilai-nilai s2 berfluktuasi cukup
besar dari contoh satu ke contoh lainnya, dan sebaran nilai-nilai ( - µ)/(s/√n)
tidak lagi normal baku. Bila demikian halnya, kita sesungguhnya berhadapan
dengan sebaran untuk statistik yang disebut T, yang nilai-nilainya adalah
t =
Dan merupakan sebuah nilai peubah acak T yang mempunyai sebaran t
dengan v = n – 1 derajat bebas.
Pada tahun 1908, W.S. Gosset mempublikasikan sebuah makalah yang
memuat keberhasilannya menurunkan sebaran peluang bagi T. Pada waktu itu,
Gosset bekerja pada sebuah pabrik bir milik orang Irlandia yang tidak
mengizinkan publikasi hasil-hasil penelitian para stafnya. Untuk mengatasi hal
ini, ia mempublikasikan karyanya itu dibawah nama samaran ”Student”. Sejak itu,
sebaran bagi T disebut sebaran t-Student atau ringkasnya sebaran t.
Sebaran t menyerupai sebaran z, dalam hal keduanya setangkup di sekitar nilai
tengah nol. Kedua sebaran tersebut berbentuk genta namun, sebaran t lebih
bervariasi, berdasarkan kenyataan bahwa nilai t bergantung pada fluktuasi dua
besaran yaitu x dan s2, sedangkan nilai z bergantung pada perubahan x dari satu
contoh ke contoh lainnya. Sebaran bagi t berbeda dengan sebaran bagi z dalam hal
ragamnya bergantung pada ukuran contoh n dan selalu lebih besar dari 1. Hanya
bila ukuran contoh kedua sebaran itu menjadi sama. Sifat kesetangkupan
sebaran t dapat dilihat pada gambar 2.13.
Gambar 2.13. Sifat Kesetangkupan Sebaran t
II-17
2.4.3. Distribusi F4
Salah satu distribusi yang terpenting dalam statistika terapan adalah
distribusi F. Distribusi F didefinisikan sebagai nisbih dua peubah acak chi-kuadrat
yang bebas, masing-masing dibagi dengan derajat kebebasannya. Distribusi F
diaberi dari nama R. A. Fisher. Dapat dituliskan sebagai berikut :
U dan V menyatakan peubah acak bebas, masing-masing berdistribusi khi-kuadrat
dengan derajat kebebasan v1 dan v2.
Misalkan U dan V dua peubah acak bebas masing-masing berdistribusi khi-
kuadrat dengan derajat kebebasan v1 dan v2. Maka distribusi peubah acak :
Parameter dari distribusi ini adalah d1 yakni derajat kebebasan pertama dan d2
yakni derajat kebebasan kedua.
Diberikan oleh :
0 < f <
= 0 untuk f lainnya
Distribusi F dapat dilihat pada gambar 2.14.
4 Ibid; Hal 374-375
II-18
Gambar 2.13. Distribusi F
2.3.4. Distribusi Chi-Kuadrat
Uji chi kuadrat antara frekuensi yang teramati dengan frekuensi harapan
yang didasarkan pada besaran yang terjadi. Frekuensi observasi nilainya didapat
dari hasil percobaan (o) sementara frekuensi harapan, nilainya dapat dihitung
secara teoritis (e).
Uji χ² dapat digunakan untuk :
1. Uji Kecocokan
2. Uji Kebebasan
3. Uji beberapa proporsi
Fungsi distribusi chi-kuadrat diberikan sebagai berikut:
Berikut aplikasi dari uji χ² pada penggunaan uji kebaikan suai. Bila suatu
contoh berukuran n ditarik dari sebuah populasi normal dengan ragam σ2, dan
kemudian hitung ragam contoh s2, maka kita memperoleh sebuah nilai bagi
statistik s2. Ragam contoh ini akan digunakan sebagai nilai dugaan titik bagi σ2.
Dengan demikian statistik s2 disebut penduga bagi σ2.
Selang kepercayaan bagi σ2 dapat diperoleh dengan menggunakan rumus statistik:
II-19
yang disebut chi kuadrat, yang sebaran penarikan contohnya dikenal sebagai
sebaran chi kuadrat dengan v = n – 1 derajat bebas. V di sini sama dengan
pembagi dalam rumus s2. Nilai statistik chi-kuadrat dihitung dari suatu contoh
acak berdasarkan hal berikut.
Bila s2 adalah ragam contoh acak berukuran n yang ditarik dari suatu populasi
normal dengan ragam σ2, maka
merupakan sebuah nilai peubah acak 2 yang mempunyai sebaran chi-kuadrat
dengan v = n – 1 derajat bebas. Distribusi Chi-kuadrat dapat dilihat pada gambar
2.14.
Gambar 2.14. Distribusi Chi-kuadrat
2.3.5. Distribusi Weibull
Model ini banyak dipergunakan untuk sebaran fungsinya berupa fungsi
tidak linier terhadap waktu t. Fungsi padat peluang dari model distribusi Weibull
adalah:
f(t) =
dengan parameter θ dan γ adalah bernilai positif. Parameter θ merupakan
parameter skala merupakan karakteristik umur, yang menggambarkan sifat umur
produk. Sedangkan parameter γ merupakan parameter bentuk, yang
menggambarkan macam-macam bentuk distribusinya, jika nilainya bervariabel.
II-20
Jika nilai γ dilakukan simulasi pada fungsi padat peluang Weibull, maka akan
didapat distribusi seperti pada Tabel 2.3.
Tabel 2.3. Hasil Simulasi Nilai γ terhadap Distribusi
Γ f(t) Distribusi
1 Eksponensial
3,43927 Normal
Selanjutnya, fungsi distribusi kumulatif Weibull diberikan dengan:
F(t) =
Fungsi reliabilitas Weibull adalah :
R(t) =
Berikut ini disajikan plot dari fungsi reliabilitas weibull untuk bermacam-
macam nilai γ (atau g), untuk suatu θ diambil konstan. Plot Fungsi Reliabilitas
Weibull terhadap Waktu dapat dilihat pada gambar 2.15.
Gambar 2.15. Plot Fungsi Reliabilitas Weibull terhadap Waktu
Berdasarkan Gambar 2.15 diperoleh kesimpulan bahwa untuk nilai θ
konstan, fungsi reliabilitasnya adalah makin kecil, jika nilai γ makin besar
II-21
terhadap waktu. Dapat pula dikatakan bahwa fungsi reliabilitas Weibull kurang
sensitive untuk nilai γ yang besar, dimana nilai θ dianggap konstan. Juga, fungsi
tingkat risiko weibull diberikan dengan :
h(t) =
Jika dilakukan simulasi secara umum terhadap nilai γ dengan θ dianggap
konstan pada fungsi tingkat resiko weibull didapat keputusan fungsi seperti pada
Tabel 2.4.
Tabel 2.4. Hubungan Antara γ dengan Fungsi
Γ Fungsi
Lebih dari 1 Monoton naik
Sama dengan 1 Konstan
Kurang dari1 Monoton turun
Di bawah ini ditampilkan plot dari fungsi tingkat risiko weibull untuk
suatu θ konstan dengan bermacam-macam nilai γ (atau g). Plot Fungsi Tingkat
Resiko Weibull terhadap Waktu dapat dilihat pada gambar 2.17.
Gambar 2.17. Plot Fungsi Tingkat Resiko Weibull terhadap Waktu
II-22
Menurut Gambar 2.15, untuk nilai θ konstan dapat dikatakan bahwa pada
γ= 1, maka h(1) merupakan fungsi konstan. Sedangkan pada γ lebih dari 1, nilai
awal h(γ) lebih kecil dari h(1) tetapi akhirnya lebih besar darinya, yang mana
makin besar nilai γ nilai fungsi h(γ) akan cepat besar. Sebaliknya, pada γ kurang
dari 1, nilai awal h(γ) lebih besar dari h(1) tetapi akhirnya lebih kecil darinya,
yang mana makin kecil nilai γ nilai fungsi h(γ) akan cepat mengecil.
Misalkan suatu produk diasumsikan bahwa waktu kegagalannya adalah
berdistribusi Weibull dengan parameter θ = 100 dan γ = 5. Maka reliabilitas untuk
waktu sesudah t adalah . Sehingga untuk t = 1,5 tahun didapat R(1,5) = 0,9269.
Sedangkan tingkat risiko pada waktu t adalah, pada t = 1,5 tahun tingkat risikonya
adalah 0,2531 kegagalan per tahun.
2.3.6. Distribusi Lognormal
Dalam teori-teori probabilitas, distribusi normal merupakan distribusi
probabilitas dari variabel acak yang logaritma adalah terdistribusi normal. Jika Y
adalah variabel random dengan distribusi normal, maka X = exp (Y) memiliki
distribusi lognormal juga, jika Y adalah log terdistribusi normal, maka log (Y)
adalah distribusi normal. Dasar dari fungsi logaritmik tidak menjadi masalah; jika
loga (Y) adalah terdistribusi normal, maka demikian adalah log b ( Y), untuk setiap
dua bilangan positif a,b ≠ 1. Fungsi distribusi lognormal dinyatakan sebagai
fungsi y sebagai berikut :
f(y) =
dengan :
mean
variansi,
dimana µx = mean distribusi normal, σx = variansi distribusi normal.
II-23
Probabilitas Fungsi Kepadatan pada Distribusi Lognormal dapat dilihat pada
gambar 2.18 dan Fungsi Distribusi Kumulatif pada Distribusi Lognormal dapat
dilihat pada gambar 2.19.
Gambar 2.18. Probabilitas Fungsi Kepadatan pada Distribusi Lognormal
Gambar 2.19. Fungsi Distribusi Kumulatif pada Distribusi Lognormal
2.4.9. Distribusi Gamma
Distribusi Gamma merupakan distribusi fungsi padat yang terkenal luas
dalam bidang matematika. Fungsi gamma didefenisikan oleh:
Peubah acak kontinu X berdistribusi gamma, dengan parameter dan ,
dimana >0 dan >0 maka padatannya diberikan oleh:
II-24
= 0 untuk x lainnya
Rataan dan variansi distribusi gamma adalah:
= dan 2 = 2
Skewness :
Kurtosis :
Kurva distribusi gamma ditunjukkan pada Gambar 2.20.
0 2 4 6 8 10
0.0
0.2
0.4
0.6
0.8
1.0
1.2
x
f(x)
Distribusi Gamma
Gambar 2.20. Kurva Distribusi Gamma
2.4.10. Distribusi Laplace
Distribusi Laplace kontinu distribusi probabilitas dinamai Pierre-Simon
Laplace. Hal ini juga kadang-kadang disebut distribusi eksponensial ganda,
karena bisa dianggap sebagai dua distribusi eksponensial (dengan parameter
lokasi tambahan) disusun menjadi satu back-to-back, tetapi istilah distribusi
eksponensial ganda juga kadang-kadang digunakan untuk merujuk kepada
distribusi Gumbel.
Adpun relasi distribusi dari distribusi Laplace adalah sebagai berikut:
II-25
1. Jika X~Laplace(0,b) kemudian |X|~Exponential(b-1) adalah distribusi
eksponensial.
2. Jika X~Exponential(λ) dan Y~Bernoulli (0,5) independen X, kemudian.
X(2Y-1)~Laplace(0,λ-1).
3. Jika X1~Exponential(λ1) dan X2~Exponential(λ2) independen X1 , kemudian,
λ1X1 - λ2 X2~Laplace(0,1)
4. Jika V~Exponential(1) dan Z~N(0,1) independen dari V, maka. X=µ+
~Laplace(µ,b).
Kurva distribusi Laplace ditunjukkan pada Gambar 2.21.
Gambar 2.21. Kurva Distribusi Laplace
2.4.11. Distribusi Beta
Dalam teori probabilitas dan statistik, distribusi beta didefinisikan pada
interval (0, 1) oleh dua parameter positif, yang biasanya dilambangkan dengan α
dan β.
Probabilitas fungsi kepadatan dari distribusi beta adalah:
II-26
=
=
Dimana Γ adalah fungsi gamma, dan B adalah fungsi
2.4.12. Distribusi Triangular
Digunakan dalam situasi ketiadaan data, terutama jika minimum (a),
maximum (b) dan mode (m) dapat diperkirakan
Mean : (a + m + b) / 3
Varians : (a2 + m2 + b2 – am – ab – mb) /18
Distribusi Triangular dapat dilihat pada gambar 2.22
Gambar 2.22. Distribusi Triangular
Distribusi Triangular mempunyai fungsi kepadatan probabilitas sebagai berikut:
II-27
f(x) =
dengan parameter a, b, c , dimana a ≤ b ≤ c . Peubah acak X yang memiliki
distribusi Triangular dapat ditulis X ~ TRIA(a,b,c).
2.4.13. Distribusi Cauchy
The Cauchy-Lorentz distribusi adalah distribusi probabilitas kontinu .
Sebagai distribusi probabilitas, dikenal sebagai distribusi Cauchy, sementara di
kalangan fisikawan, itu dikenal sebagai distribusi Lorentz, fungsi Lorentz, atau
distribusi Breit-Wigner.
Distribusi yang Cauchy memiliki probabilitas fungsi kepadatan :
=
di mana x 0 adalah parameter lokasi, menentukan lokasi puncak distribusi, dan γ
adalah parameter skala yang menentukan lebar setengah maksimum. γ juga sama
dengan setengah inter kuartil.
Fungsi distribusi kumulatif dari distribusi Cauchy adalah:
Invers fungsi distribusi kumulatif dari distribusi Cauchy :
II-28
Kurva distribusi Cauchy ditunjukkan pada Gambar 2.23.
Gambar 2.23. Kurva Distribusi Cauchy
2.5. Pengujian Distribusi5
Hipotesis statistik adalah pernyataan atau dugaan mengenai satu atau lebih
populasi. Benar atau salahnya populasi tidak akan pernah diketahui dengan pasti,
kecuali bila seluruh populasinya diperiksa. Tentu saja dalam kebanyakan situasi
hal ini tidak mungkin dilakukan. Oleh karena itu dapat diambil suatu contoh acak
dari populasi tersebut dan mengunakan informasi yang dikandung contoh itu
untuk memutuskan apakah hipotesis tersebut kemungkinan besar benar atau salah.
Bukti dari contoh yang tidak konsisten dengan hipotesis yang dinyatakan tentu
saja membawa pada penolakan hipotesis tersebut, sedangkan bukti yang
mendukung hipotesis tersebut akan membawa pada penerimaannya.
Hipotesis yang dirumuskan dengan harapan akan ditolak akan membawa
penggunaan istilah hipotesis nol yang dilambangkan dengan H0. Penolakan H0
akan mengakibatkan penerimaan suatu hipotesis alternatif yang dilambangkan
dengan H1.
5Ronald E. Walpole. 1995. Pengantar Statistika.
II-29
2.6. P Value6
Dalam pengujian hipotesis dengan pengujian statistik yang diskret,
daerah kritis dipilih agak sembarang dan besarnya ditentukan. Bila α terlalu besar,
ukurannya dapat diturunkan dengan membuat penyesuaian dalam nilai kritis.
Mungkin saja perlu menaikkan ukuran sampel untuk mengimbangi penurunan
dalam kuasa uji yang terjadi secara otomatis.
Dalam beberapa angkatan analisis statistika, sudah merupakan kebiasaan
memilih α sebesar 0,05 atau 0,01dan kemudian memilih daerah kritis yang sesuai.
Kemudian, penolakan yang tegas atau penerimaan H0 akan bergantung pada
daerah kritis tersebut. Pendekatan nilai-P sebagai alat bantudalam pengambilan
keputusan cukup wajar karena hampir semua kemasan computer dalam
perhitungan pengujian hipotesis memberikan nilai-P bersama nilai yang sesuai
dengan uji statistic tersebut.
Nilai-P ialah taraf (keberatian) terkecil sehinggan nilai uji statistic yang
diamati masih berarti.
2.7. Koefiseien Determinasi7
Konsep korelasi linier daan koefisien determinasi yang diperkenalkan
dalam Pasal 11.8 memberikan ukuran kebaikan-suai terhadap garis regresi kuadrat
terkecil bagi gugus data yang berpasangan. Konsep tersebut juga dapat diperluas
pada kasus peubah ganda. Baiklah kita misalkan hubungan antara nilai-nilai
peubah tak bebas Y dengan peubah bebas X1 dan X2 dapat dijelaskan melalui
persamaan regresi berganda
µY|x1,x2 = β0 + β1x1 + β2x2
yang diduga dari contoh acak {(x1i, x2i, yi) ; I = 1, 2, …, n} melalui
persamaan regresi contoh kuadrat terkecil
ŷ = b0 + b1x1 + b2x2
6Ronald E. Walpole. 1995. Ilmu Peluang dan Statitika Untuk Insinyur dan Ilmuan. Hal. 341-342.7Ibd. Hal.373-374
II-30
koefisien determinasi berganda contoh, yang dilambangkan dengan R2y.12,
menunjukkan proporsi keragaman total nilai-nilai peubah Y yang dapat
diterangkan oleh model yang digunakan. Kita mendefinisikan R2y.12 tepat seperti
ketika kita mendefinisikan r2 pada halaman 371. Jadi , R2y.12 = 1-
dan seperti sebelumnya,
JKG = 2
Tetapi sekarang ŷi merupakan nilai lamaran bagi Y yang diperoleh dengan cara memasukkan (x1i,x2i), untuk i = 1,2, …. N, kedalam persamaan regresi berganda.
2.8. Perbandingan Potensi Energi Angin menggunakan Metode
Matematika yang berbeda untuk Pasni, (Pakistan)8
2.8.1. Pendahuluan
Desain Konversi sistem energi angin memerlukan upaya besar untuk
mengenali model statistik yang sesuai untuk distribusi frekuensi kecepatan angin.
Fungsi yang banyak digunakan untuk memodelkan data kecepatan angin adalah
fungsi distribusi Weibull. Baru-baru distribusi ini telah menjadi fungsi distribusi
acuan dalam software analisis dan aplikasi i-e Wind Atlas. Kami metandai
distribusi Weibull dengan dua parameter, parameter skala dan parameter bentuk.
Metode grafik distribusi Weibull dan model lognormal digunakan untuk data
kecepatan angin oleh Garcia et al. Metode kemungkinan maksimum yang
dimodifikasi (MMLM) yang direkomendasikan oleh Seguro dan Lambert untuk
penilaian parameter Weibull menggunakan seri waktu data angin. Hal ini
didasarkan pada sejumlah data kecepatan angin dari tiga hari dan ia menyarankan
bahwa metode evaluasi yang benar memerlukan beberapa bulan / tahun untuk
8
II-31
pengukuran data kecepatan angin. Sulaiman dkk. (2002) menggunakan metode
grafis untuk menentukan parameter Weibull karakteristik angin untuk Oman.
Menggunakan metode grafis dan empiris untuk menganalisis kepadatan tenaga
angin di ketinggian 10, 30, dan 60 meter di Kerajaan Bahrain, Jowder. Metode
empiris memberikan prediksi yang lebih tepat pada kecepatan angin rata-rata dan
densitas daya. Dorvlo menyimpulkan bahwa metode Chi-square menyediakan
evaluasi yang lebih baik untuk parameter Weibull daripada metode grafis dan
momen, berdasarkan statistik Kolmogorov-Smirnov ketika menganalisis data
angin dari stasiun 04 di Oman. Data angin yang diamati tidak selalu mengikuti
distribusi Weibull tapi disebutkan di atas metode numerik mengindikasikan
bahwa data kecepatan angin mengikuti distribusi probabilitas Weibull.
2.8.2. Landasan Teori
Pengukuran distribusi kecepatan angin yang diukur dimodelkan dengan
teori fungsi distribusi untuk perhitungan potensi energi angin. Distribusi Weibull
ditandai dengan fungsi kecepatan dua parameter (k, c). Hal ini dapat dijelaskan
oleh fungsi kepadatan probabilitas f (v) dan fungsi distribusi F (v) diberikan
sebagai:
di mana k adalah parameter bentuk yang tidak berdimensi, v adalah kecepatan
angin, dan c adalah parameter skala yang memiliki dimensi yang sama dengan
kecepatan angin. Jika parameter bentuk k adalah 2, distribusi bernama distribusi
Rayleigh. Rata-rata angin kecepatan Weibull v.m, menggunakan fungsi Gamma
Γ, dinyatakan dengan persamaan (3), kepadatan energy Pv dinyatakan oleh
persamaan (4) (ρa: kerapatan udara 1,225 kg / m3) dan kepadatan energi yang
tersedia untuk semua angin kecepatan Ed (Weibull kepadatan energi) adalah
dinyatakan oleh persamaan (5).
II-32
dimana ρa adalah densitas udara 1,225 kg / m3 dan Γ() adalah fungsi Gamma
diungkapkan oleh
Survei dari enam metode statistik untuk memperkirakan parameter Weibull adalah
diberikan pada bagian berikut. i-e (MoM), (MLE), (MLM), (MMLM), (EM),
(PDM).
2.8.3. Analisis Eror Statistik dan Uji Kecocokan Model
Tujuh metode untuk menganalisis efisiensi yang digunakan dalam tes yang
dilakukan untuk mengestimasi parameter Weibull dan uji kecocokan dari data
yang diukur pada fungsi Weibull, RMSE dan koefisien determinasi. Tes ini adalah
sebagai;
Dimana, N adalah jumlah observasi, zi adalah rata-rata yi, yi adalah frekuensi yang
diamati untuk i, xi diharapkan frekuensi untuk i dan dihitung menggunakan
distribusi Weibull.
II-33
Root Mean Square Error (RMSE) diukur untuk titik data diskrit dan
umumnya digunakan untuk memperkirakan kesalahan atau ketidakpastian dalam
lokasi. Uji RMSE adalah akar kuadrat dari varians dari residual. Tes ini
memberikan ukuran absolut dari uji kecocokan model untuk data yang diukur.
Nilai RMSE yang lebih rendah menunjukkan kecocokan yang lebih. Uji koefisien
determinasi memberikan ukuran relatif kecocokan dari model data untuk
mengukur data dalam perbandingkan untuk RMSE. Nilai koefisien determinasi
yang mendekati satu menunjukkan bahwa proporsi yang lebih besar dari variasi
dalam data sedang dijelaskan oleh model.
Uji Kolmogorov-Smirnov dilakukan untuk menguji kesesuaian kepadatan
probabilitas teoritis fungsi. Tes tersebut didefinisikan sebagai maksimum
kesalahan antara 2 fungsi distribusi kumulatif:
dimana F(v) ≡ fungsi distribusi kumulatif untuk kecepatan angin dihitung
menggunakan parameter Weibull ditentukan. O(v) ≡ fungsi distribusi kumulatif
untuk pengamatan atau data kecepatan angin yang secara acak dihasilkan. Nilai
kritis untuk uji Kolmogorov-Smirnov pada tingkat kepercayaan 95%. Tingkat
kepercayaan diberikan oleh:
Data kecepatan angin (pengukuran) dapat digambarkan oleh histogram.
Hal ini berguna dalam membandingkan distribusi variasi kecepatan angin dengan
model distribusi Weibull. Pilihan ukuran bin sangat penting sebagaimana bentuk
histogram tergantung pada ukuran bin. Ukuran bin (B) dapat ditentukan dengan
menggunakan ekspresi empiris berikut:
Dimana vmax adalah data kecepatan angin maksimum dan n adalah nomor data.
Tabel 2.4. Rata-rata Tahunan Data kecepatan Angin (m/dtk) untuk Pasni pada Tengah
Malam
II-34
Bulan 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Januari 1.7923 0.6638 0.8297 1.0289 1.0289 1.5267 2.6884 1.2280 0.7634 0.8629
Februari 1.1616 0.3651 0.4978 1.2612 0.7966 0.5310 1.7591 0.5642 0.9957 0.4315
Maret 0.0996 0.5642 1.8586 0.6306 0.8961 0.3983 0.0664 0.7966 1.3940 1.0289
April 0.4647 0.6638 1.6595 0.4813 1.4935 0.6970 0.4647 0.1991 1.6595 0.4647
Mei 0.3983 1.1948 1.0953 1.2944 1.8586 0.9625 0.7302 0.0332 1.4935 0.7966
Juni 0.4978 1.0621 1.4604 0.7302 1.5267 0.4978 0.3651 0.3651 1.3940 0.8961
Juli 3.1530 1.2280 1.2612 1.1616 1.3608 1.0289 0.5974 0.0000 1.4272 0.9957
Augustus 2.6884 0.5310 1.6595 0.3651 1.0953 0.8961 0.5974 0.0000 1.2612 0.7966
September 1.5599 0.9625 1.2612 0.0664 0.2987 0.4647 0.3319 0.3983 0.7634 0.5974
October 0.3651 0.7966 0.6638 0.3651 0.8961 0.8297 0.2987 0.5974 0.0996 0.3983
November 0.9293 1.2612 0.1328 0.5974 0.8629 0.3319 0.7966 0.5974 0.0332 0.1991
December 1.6595 1.4604 5.6755 0.9625 1.5599 1.0953 0.1328 0.4978 0.3983 1.1948
Rata-rata
Tahunan1.2308 0.8961 1.5046 0.7454 1.1644 0.7717 0.7357 0.4398 0.9736 0.7219
Tabel 2.5. Rata-rata Tahunan Data kecepatan Angin (m/dtk) untuk Pasni pada Tengah
Hari
Bulan 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Januari 6.1567 4.1819 3.1199 4.3811 3.5181 3.9828 3.5513 3.1862 2.9207 3.7505
Februari 5.8746 3.3190 3.2526 4.3811 3.5845 4.5802 3.9164 3.8500 2.8211 3.5513
Maret 7.4345 4.9453 7.4843 5.4763 5.4100 5.2440 5.3104 4.7794 6.0074 4.3479
April 6.7376 4.5470 5.9908 7.0363 6.7542 5.3436 4.7462 4.4806 6.9035 4.9453
Mei 6.4057 4.7462 5.9078 7.5009 7.2354 6.7707 5.7750 4.9785 7.5341 7.9324
Juni 7.1026 5.1776 6.0738 7.4345 6.8039 5.3104 3.9496 4.6798 5.5759 5.4431
Juli 7.0695 4.1487 6.2397 5.4763 5.3104 5.1776 4.3147 4.4475 5.2772 5.9410
Augustus 4.1156 4.9951 6.4388 5.4100 5.5095 5.7750 3.5513 4.6134 6.5052 3.0867
September 6.0074 4.9453 6.7376 5.6257 5.1776 5.2274 5.4100 5.1776 6.1733 5.1444
October 4.5636 4.0160 5.1776 4.8457 5.4100 4.1487 3.7837 3.4518 3.8168 3.5181
November 4.5138 3.2858 3.7837 3.0535 3.7837 4.0160 3.6675 2.8543 2.6552 2.3565
II-35
December 5.9078 5.0449 4.6466 3.2194 3.6841 3.4849 2.4561 3.0203 2.8875 3.1530
Rata-rata
Tahunan5.9908 4.4461 5.4044 5.3201 5.1818 4.9218 4.2027 4.1266 4.9232 4.4309
2.8.4. Hasil dan Pembahasan
Gambar 2.1. menunjukkan histogram data kecepatan angin per jam yan
digabungkan dengan berbagai fungsi Weibull dengan nilai estimasi k & c
menggunakan tujuh metode. Gambar 2.2-2.8 menyajikan histrogram kecepatan
angin harian diamati pada Pasni dengan berbagai fungsi Weibullnya. Histogram
yang tumpang tindih dengan kumulatif fungsi distribusi probabilitas (CDF) dan
distribusi probabilitas Weibull function (pdf) dihitung dengan bentuk dan skala
tertentu parameter untuk Data kecepatan angin (yang sebenarnya) juga untuk data
yang dihasilkan. Angka menunjukkan kesepakatan yang sangat halus antara
histogram, cdf dan pdf dari data seri waktu aktual dan data yang dihasilkan di
mana parameter bentuk dan skala Weibull dihitung menggunakan tujuh metode
statistik.
Gambar 2.1. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Fungsi Weilbull dengan Estimasi Nilai c dan k
Menggunakan Tujuh Metode
II-36
Gambar 2.2. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode MLE
Gambar 2.3. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan Metode
MLM
II-37
Gambar 2.4. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode MMLM
Gambar 2.5. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode MoM
Gambar 2.6. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode EM
II-38
Gambar 2.7. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode EPFM
Gambar 2.8. Histogram Data Kecepatan Angin Harian yang Tumpang
Tindih dari Berbagai Perhitungan Fungsi Weibull Menggunakan
Metode PDM
2.8.5. Kesimpulan
Diukur data kecepatan angin untuk Pasni dan dianalisis menggunakan
Fungsi Distribusi Weibull. Karakteristik parameter Bentuk dan skala untuk
distribusi Weibull yang ditentukan dengan menggunakan tujuh metode estimasi.
Perbandingan antara tujuh metode estimasi dilakukan dan untuk semua metode
meunjukkan hasil yang memuaskan. Nilai yang lebih rendah dari RMSE, yaitu,
103 diperoleh selama tujuh metode estimasi parameter Weibull. Hal ini
menunjukkan respon yang baik dari fungsi distribusi Weibull untuk data
kecepatan angin yang diukur. Perbandingan dari tujuh metode estimasi yaitu
MLE, MLM, MMLM, MoM, EM, EPFM dan PDM menunjukkan konsistensi dari
estimasi parameter bentuk dan skala nilai hal kecil RMSE. Sedikit perbedaan
perkiraan nilai k dan c diamati untuk EPFM dan PDM. Hal ini menunjukkan
bahwa fungsi distribusi Weibull cocok untuk mengukur distribusi kecepatan
angin. Tes RMSE dan koefisien determinasi untuk semua metode estimasi, yang
dilakukan memberikan nilai dalam kisaran yang direkomendasikan menunjukkan
keandalan metode yang digunakan untuk memperkirakan parameter Weibull dan
akibatnya pendekatan yang lebih baik dari pengukuran data distribusi kecepatan
II-39
angin. Uji statistik menunjukkan bahwa fungsi distribusi Weibull cukup
menjelaskan distribusi kecepatan angin yang diukur.
Analisis data kecepatan angin yang diukur mengungkapkan bahwa diantara
tujuh metode estimasi parameter Weibull, metode kemungkinan maksimum dan
Modifikasi Metode kemungkinan maksimum yang lebih akurat dibandingkan
dengan metode lain.
Fungsi distribusi Weibull cocok untuk meukur distribusi kecepatan angin.
Perjanjian antara distribusi kecepatan angin yang diamati dan distribusi Weibull
yang dianalisis dengan melakukan uji statistik, seperti tes RMSE dan koefisen
determinasi. Tes menunjukkan kesepakatan yang baik antara fungsi distribusi
yang diamati dan dicocokkan.