LAPORAN PRAKTIKUM

PRAKTIKUM KE : 01
MATA KULIAH : SIMULASI KOMPUTER
SKS : 3 SKS
STATUS MK : WAJIB
DOSEN PENGAMPUH : MUHAMMAD KASIM AIDID, S.Si., M.Si.
PROGRAM STUDI : STATISTIKA

Membangkitkan Data dari N(0,1) dengan Tranformasi Box-Muller

OLEH :

Nama : Andi Makmun Muhammad 1617140009

LABORATORIUM STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MAKASSAR

MARET, 2018

1
Judul : Membangkitkan Data dari N(0,1) dengan Tranformasi Box-Muller

PENDAHULUAN

Perangkat lunak sebagai media pembelajaran telah menjadi sebuah tren dikalangan
masyarakat. Perangkat lunak (Software) merupakan istilah yang dgunakan untuk
menggambarkan intruksi-intruksi yang memberitahu perangkat keras untuk
melakukan suatu tugas sesuai perintah. Perangkat lunak kemudian menjadi salah
satu pendukung untuk media pembelajaran seperti simulasi Komputer (Yuniar
Rahmah, Desember, 2016).

Simulasi komputer sering digunakan untuk memeriksa tehnik statistik yang

diajukan. Simulasi mensyaratkan bahwa kita memperoleh nilai pengamatan dari
suatu peubah acak dengan distriusi dan parameternya yang telah ditentukan.
Kebanyakan sistem komputer memuat subrutin yang menyediakan nilai
pengamatan dari suatu peubah acak Y yang memiliki distribusi uniform pada selang
[0,1]. Ini berarti dari distribusi uniform ini kita harus dapat memanfaatkannya untuk
mensimulasikan data dari suatu distribusi yang kita inginkan (Tirta, 2003).

Distribusi Normal merupakan distribusi paling penting dalam statistika. Banyak

gejala yang muncul dialam, industry, dan penelitian yang dapat digambarkan
dengan baik oleh kuva distribusi normal. Kurva distribusi normal ini berbentuk
seperti lonceng atau genta, dan persamaanya pertama kalinya ditemukan tahun1733
oleh Abraham DeMoivre. Distribusi ini juga disebut juga distribusi Gauss, untuk
menghormati Karl Fredich Gauss (1777-1855), yang juga menemukan
persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang
mengenai bahan yang sama (R. Didin Kusdian, 2015)

Banyak Percobaan simulasi memerlukan sampel acak dari distribusi tidak seragam,
seperti distribusi normal, eksponensial, beta, gamma, chi-square, log-normal,
Cauchy, dan Weibull. Dapat dibuktikan bahwa sampel-sampel dari distribusi
sembarang dapat dibangkitkan dengan menggunakan bilangan-bilangan acak

2
terdistribusi seragam dalam interval (0,1). Kenyataannya, sampai saat ini tidak ada
metode praktis yang cepat dalam pembangkitan sampel sampe-sampel dari suatu
distribusi sembarang, kecuali melalui bilangan-bilangan acak terdistribusi seragam.
Terdapat banyak teknik khusus untuk mengkonversi bilangan-bilangan acak
terdistribusi seragam ke dalam berbagai distribusi lain.

Prinsip transformasi dapat digunakan untuk membangkitkan sejumlah pengamatan

distribusi lain, misalnya distribusi normal, eksponensial dan lain-lain. Berikut
diberikan rangkuman beberapa transformasi yang bermanfaat dalam
mensimulasikan pengamatan atau data dari suatu distribusi. Transformasi-
transformasi ini dibahas dan dibuktikan dalam Statistika Matematika, sehingga di
sini hanya dikutip hasilnya sebagai prosedur untuk membangkitkan data acak dari
suatu distribusi tertentu. Transformasi yang ada dapat dibedakan menjadi dua
kelompok besar.

1. Transformasi T dari U(0, 1) ke suatu peubah acak X. Termasuk dalam

kelompok ini adalah transformasi Box-Muller yang memetakan U(0, 1) ke
N(0, 1).
2. Transformasi T1 dari peubah acak X yang memiliki fungsi kepadatan f(x) ke
peubah acak Y dengan fungsi peluang g(y). Termasuk dalam transformai ini
adalah transformasi linier dari N(0, 1) ke N(μ, 𝜎2), transformasi dari N(0, 1)
ke 𝑥12 dan lain-lain.

Semua transformasi di atas pada dasarnya telah dibahas pada matakuliah Statistika
Matematika. Satu metode yang lazim digunakan untuk membangkitkan sampel
acak dari distribusi normal standar adalah dengan menggunakan hubungan berikut,
yang disebut dengan Transformasi Box-Muller.

Transformasi dari distribusi uniform ke distribusi normal standar dapat dilakukan

dengan transformasi Box-Muller. Hasil Transformasi Box-Muller. Jika U1||U2
masing masing dari U(0, 1), maka

Z1 = √(−2 ln U1 cos(2πU2), dan

3
 Z2 = √(−2 ln U2 sin(2πU2)

saling bebas dan masing- masing dengan distribusi N(0, 1).

Tujuan dari praktikum ini adalah untuk memahami dan mengingat kembali jenis-
jenis transformasi peubah acak serta dapat menggunakannya dalam simulasi,
khususnya dalam membangkitkan sampel dari peubah acak dengan distribusi
tertentu.

BAHAN DAN METODE

Pada praktikum ini menggunakan software/bahan R Studio. Praktikum ini

dilaksakan pada hari Kamis tanggal 22 Maret 2018 dan berlokasi di Laboratorium
Statistika FMIPA UNM. Metode dalam praktikum ini adalah proses
membangkitkan data dengan transformasi Box-Muller.

HASIL

Langkah-langkah untuk membangkitkan data transformasi Box-Muller adalah

sebagai berikut (Rizki, 2016) :

1. Bangkitkan U1 dan U2 dari U(0,1)

2. Tentukan :
a) 𝑍1 = √(−2 𝑙𝑛 𝑈1 cos(2𝜋𝑈2), dan

b) 𝑍2 = √(−2 𝑙𝑛 𝑈2 sin(2𝜋𝑈2)

Maka 𝑍1, 𝑍2 adalah data acak dari N(0,1)

#Program inti untuk membangkitkan 2*n data normal standar

u1<-runif(n,0,1)

u2<-runif(n,0,1)

4
 z1<-sqrt(-2*log(u1))*cos(2*pi*u2)

z2<-sqrt(-2*log(u1))*sin(2*pi*u2)

z<-c(z1,z2)

plot(density(z),xlab = 'x',ylab = 'p')

x<-seq(min(z),max(z),0.1)

y<-dnorm(x,0,1)

lines(x,y)

dengan program dan hasil sebagai berikut :

1. Pecobaan Pertama

> #program inti untuk membangkitkan 2*50 data normal standa

r
> u1<-runif(50,0,1)
> u1

> u2<-runif(50,0,1)
> u2

> z1<-sqrt(-2*log(u1))*cos(2*pi*u2)
> z1

> z2<-sqrt(-2*log(u1))*sin(2*pi*u2)
> z2
> z<-c(z1,z2)
> z
> plot(density(z),xlab = 'x',ylab = 'p')
> x<-seq(min(z),max(z),0.1)
> x

> y<-dnorm(x,0,1)
> y
> lines(x,y)

> #menguji kenormalan data

5
 > nortest::ad.test(z)

> nortest::cvm.test(z)

> nortest::lillie.test(z)

2. Percobaan kedua
> #program inti untuk membangkitkan 2*50 data normal standa
r
> u1<-runif(50,0,1)
> u1

> u2<-runif(50,0,1)
> u2

> z1<-sqrt(-2*log(u1))*cos(2*pi*u2)
> z1

> z2<-sqrt(-2*log(u1))*sin(2*pi*u2)
> z2
> z<-c(z1,z2)
> z

> plot(density(z),xlab = 'x',ylab = 'p')

> x<-seq(min(z),max(z),0.1)
> x

> y<-dnorm(x,0,1)
> y

> lines(x,y)

> #menguji kenormalan data

> nortest::ad.test(z)

6
 > nortest::cvm.test(z)

> nortest::lillie.test(z)

PEMBAHASAN

Berdasrakan percobaan yang telah dilakukan dengan membangkitkan data

sebanyak 100 data dengan nilai mean= 0 dan standar deviasi= 1 pada software R
Studio. Setelah membangkitakan data secara acak, kita akan mentransformasikan
data dari distribusi uniform ke distribusi normal dengan transformasi Box-Muller.
Transformasi Box-Muller pada percobaan ini dinyatakan dengan Z1 dan Z2.
Selanjutnya Z1 dan Z2 digabungkan untuk memperoleh nilai Z. Kemudian plot data
Z yang diperoleh untuk melihat distribusi data. Langkah selanjutnya yaitu menguji
kenormalan data dengan menggunakan uji normalitas, pada percobaan ini uji
normalitas yang digunakan ada 3 yaitu: Anderson-Darling normality test, Cramer-von
Mises normality test, dan Lilliefors (Kolmogorov-Smirnov) normality test. Pada
percobaan pertama setelah dlakukan pengujian dengan menggunakan ketiga uji
normalitas sebelumnya diperoleh nilai P-value > 0,5 sehingga data pada percobaan
pertama dapat dikatakan tidak berdistribusi normal. Sedangkan pada percobaan
kedua diperoleh nilai P-value < 0,5 sehingga dapat dikatakan bahwa data percobaan
kedua berdistribusi normal.

7
DAFTAR PUSTAKA

R. Didin Kusdian, A. S. (2015, Desember). Penggunaan Distribusi Normal dalam

Memodelkan Sebaran Persepsi Biaya Perjalanan dan Transformasi Box-
Muller pada Pengambilan Sampel Acak Model Pemilihan Rute dan
Pembebanan Stokastik. Transfortasi, 125-136.

Rizki, N. A. (2016). Pemrograman Komputer II. Samarinda: FMIPA Universitas

Mulawarman.

Tirta, I. M. (2003). Pengantar Metode Simulasi Statistika dengan Aplikasi R dan

S+. Jember: FMIPA Universitas Jember.

Yuniar Rahmah, S. P. (Desember, 2016). Development of Calculator for Finding

Complex Roots Of n Degree Polynomials. ITsmart : Jurnal Ilmiah
Teknologi dan Informasi.