TES AKHIR PRAKTIKUM

AK5183 TEORI PELUANG AKTUARIA

Materi : Pencocokan Distribusi Nama / NIM : I Gede Maha Hendra

Parametrik Pratama / 20822017

Shift (Hari Jam) : Kamis/13:00-15:00 Nama Dosen : Dr. Utriweni Mukhaiyar,

S.Si., M.Si

I. Masalah Dalam Soal

Nomor 1

Ambil data mtcars kemudian analisis data untuk data wt!

Nomor 2

Panggil rgamma(200,a,b)

Untuk (a=1,b=2)

Untuk (a=2,b=1)

Kemudian analisis distribusinya & parameter terbaik !

II. Syntax R
library(MASS)

library(fitdistrplus)

library(actuar)

Nomor 1

#I. Kandidat Model (Klasik)

mtcars

wt<-mtcars$wt

wt

plotdist(wt, hist=TRUE, demp=TRUE)

descdist(wt, boot=1000)

#II. Penaksir Parameter

normal_fit<-fitdist(wt, distr='norm')

logistic_fit<-fitdist(wt, distr='logis')

gamma_fit<-fitdist(wt, distr='gamma')

log_normal_fit<-fitdist(wt, distr='lnorm')

exponential_fit<-fitdist(wt, distr='exp')

summary(normal_fit)

summary(logistic_fit)

summary(gamma_fit)

summary(log_normal_fit)

summary(exponential_fit)

#III. Uji Kecocokan (GOF Test)

par(mfrow=c(2,2))

plot.legend<-c("Logistik","Gamma")

denscomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)

cdfcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)

qqcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)

ppcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)

gofstat(list(logistic_fit, gamma_fit),
fitnames=c('Logistik','Gamma'))

Nomor 2

#I. Kandidat Model (Klasik)

data<-c(rgamma(200,1,2),rgamma(200,2,1))

plotdist(data, hist=TRUE, demp=TRUE)

descdist(data, boot=1000)

#II. Penaksir Parameter

gamma_fit<-fitdist(data, distr='gamma')

exponential_fit<-fitdist(data, distr='exp')
 summary(gamma_fit)

summary(exponential_fit)

#III. Uji Kecocokan (GOF Test)

par(mfrow=c(2,2))

plot.legend<-c("Logistik","Gamma")

denscomp(list(exponential_fit, gamma_fit),
legendtext=plot.legend)

cdfcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)

qqcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)

ppcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)

gofstat(list(exponential_fit, gamma_fit),
fitnames=c('Eksponensial','Gamma'))

III. Keluaran R
> library(MASS)
> library(fitdistrplus)
> library(actuar)
> mtcars

Nomor 1
> #I. Kandidat Model (Klasik)
mpg cyl disp hp drat wt qsec vs am gear c
arb
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4
4
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4
4
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4
1
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3
1
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3
2
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3
1
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3
4
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4
2
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4
2
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4
4
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4
4
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3
3
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3
3
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3
3
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3
4
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3
4
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3
4
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4
1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4
2
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4
1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3
1
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3
2
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3
2
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3
4
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3
2
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4
1
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5
2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5
2
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5
4
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5
6
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5
8
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4
2
> wt<-mtcars$wt
> wt
[1] 2.620 2.875 2.320 3.215 3.440 3.460 3.570 3.190 3.150 3.440 3.4
40 4.070 3.730
[14] 3.780 5.250 5.424 5.345 2.200 1.615 1.835 2.465 3.520 3.435 3.8
40 3.845 1.935
[27] 2.140 1.513 3.170 2.770 3.570 2.780
> plotdist(wt, hist=TRUE, demp=TRUE)
> descdist(wt, boot=1000)
summary statistics
------
min: 1.513 max: 5.424
median: 3.325
mean: 3.21725
estimated sd: 0.9784574
estimated skewness: 0.4659161
estimated kurtosis: 3.416595

>

> #II. Penaksir Parameter

> normal_fit<-fitdist(wt, distr='norm')
> logistic_fit<-fitdist(wt, distr='logis')
> gamma_fit<-fitdist(wt, distr='gamma')
> log_normal_fit<-fitdist(wt, distr='lnorm')
> exponential_fit<-fitdist(wt, distr='exp')
> summary(normal_fit)
Fitting of the distribution ' norm ' by maximum likelihood
Parameters :
estimate Std. Error
mean 3.2172500 0.1702444
sd 0.9630477 0.1203804
Loglikelihood: -44.20116 AIC: 92.40232 BIC: 95.33379
Correlation matrix:
mean sd
mean 1.000000e+00 3.640481e-11
sd 3.640481e-11 1.000000e+00

> summary(logistic_fit)
Fitting of the distribution ' logis ' by maximum likelihood
Parameters :
estimate Std. Error
location 3.1891264 0.16274434
scale 0.5339408 0.07967224
Loglikelihood: -44.02487 AIC: 92.04973 BIC: 94.9812
Correlation matrix:
location scale
location 1.000000000 -0.009056598
scale -0.009056598 1.000000000

> summary(gamma_fit)
Fitting of the distribution ' gamma ' by maximum likelihood
Parameters :
estimate Std. Error
shape 10.847529 2.6712156
rate 3.371673 0.8497715
Loglikelihood: -43.64553 AIC: 91.29106 BIC: 94.22253
Correlation matrix:
shape rate
shape 1.0000000 0.9770604
rate 0.9770604 1.0000000

> summary(log_normal_fit)
Fitting of the distribution ' lnorm ' by maximum likelihood
Parameters :
estimate Std. Error
meanlog 1.1217390 0.05524238
sdlog 0.3124981 0.03906046
Loglikelihood: -44.08066 AIC: 92.16132 BIC: 95.09279
Correlation matrix:
meanlog sdlog
meanlog 1 0
sdlog 0 1

> summary(exponential_fit)
Fitting of the distribution ' exp ' by maximum likelihood
Parameters :
estimate Std. Error
rate 0.3108245 0.05494595
Loglikelihood: -69.39286 AIC: 140.7857 BIC: 142.2515
> #III. Uji Kecocokan (GOF Test)
> par(mfrow=c(2,2))
> plot.legend<-c("Logistik","Gamma")
> denscomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)
> cdfcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)
> qqcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)
> ppcomp(list(logistic_fit, gamma_fit), legendtext=plot.legend)
> gofstat(list(logistic_fit, gamma_fit), fitnames=c('Logistik','Gamma'))
Goodness-of-fit statistics
Logistik Gamma
Kolmogorov-Smirnov statistic 0.11313006 0.13786900
Cramer-von Mises statistic 0.06623931 0.09956949
Anderson-Darling statistic 0.48196368 0.57298212

Goodness-of-fit criteria
Logistik Gamma
Akaike's Information Criterion 92.04973 91.29106
Bayesian Information Criterion 94.98120 94.22253

>

Nomor 2
> #I. Kandidat Model (Klasik)
> data<-c(rgamma(200,1,2),rgamma(200,2,1))
> data
[1] 5.175071e-01 4.809100e-01 1.265785e-01 1.541833e-01 2.130469e-
01 1.142279e+00
[7] 3.910837e-01 1.317159e-01 6.278423e-01 1.124120e-01 2.073370e-
01 1.435835e-01
[13] 1.890969e-01 9.949903e-01 1.170575e+00 3.000764e-01 1.400939e+
00 2.777929e-01
[19] 1.452257e-01 1.694074e+00 4.127860e-02 4.006271e-01 2.052033e-
01 5.784890e-01
 [25] 4.337144e-01 4.855763e-01 1.375935e-01 1.157096e+00 1.000599e-
01 1.284729e+00
[31] 1.278448e-01 8.596375e-02 8.901525e-02 2.663807e-01 8.923130e-
01 6.950004e-01
[37] 7.516783e-02 1.079641e-01 1.339833e-01 2.119346e-01 1.282611e-
01 4.484140e-02
[43] 1.660661e+00 4.981227e-01 3.099231e+00 3.536924e-01 3.163598e-
01 5.970886e-01
[49] 5.018677e-01 6.852675e-03 3.015142e-01 1.842803e+00 4.341750e-
01 5.194566e-01
[55] 8.636620e-02 1.257334e-01 3.950247e-01 4.603288e-02 2.279208e-
01 1.156046e-01
[61] 8.461582e-01 5.838289e-01 1.409032e+00 1.840810e+00 1.871832e-
01 2.691646e+00
[67] 1.132872e+00 4.024472e-01 1.499024e+00 5.507722e-01 6.476091e-
01 1.908698e+00
[73] 4.458580e-02 8.440544e-01 1.759550e-01 1.688901e-01 1.514485e-
01 1.011451e-01
[79] 2.512702e-01 7.186195e-01 2.113763e-01 9.221025e-05 3.402728e-
01 3.867971e-02
[85] 1.276881e+00 4.363994e-02 5.058100e-01 4.738602e-01 6.366044e-
02 8.430086e-01
[91] 6.716431e-01 4.609554e-01 5.905466e-02 4.708209e-01 3.768012e+
00 7.905274e-01
[97] 3.544065e-01 1.323203e+00 1.953453e+00 7.017232e-02 3.613552e-
02 1.195152e-01
[103] 7.000375e-03 1.408225e-01 2.213492e-01 7.880244e-01 7.979938e-
01 3.308375e-01
[109] 4.251679e-01 1.025944e-01 4.967471e-02 7.630911e-01 4.064254e-
01 6.433618e-01
[115] 4.731613e-02 3.147584e-01 9.615011e-01 2.841276e-01 1.357421e-
01 5.125734e-01
[121] 1.399654e-02 6.974237e-01 1.914415e-01 7.987125e-02 4.953481e-
01 1.845709e-01
[127] 2.199081e-01 6.825624e-01 5.511733e-01 8.919217e-01 4.994499e-
03 7.434318e-01
[133] 1.960880e-02 4.343037e-01 9.936417e-01 2.496596e-01 4.367266e-
01 7.154534e-02
[139] 8.604476e-01 4.804126e-01 3.296449e-01 6.531014e-01 2.356464e+
00 5.240935e-01
[145] 1.835975e-01 1.724804e-01 1.699560e+00 3.237604e+00 6.182117e-
01 3.840545e-01
[151] 4.868306e-01 3.782060e-01 4.791756e-01 9.126818e-01 3.503809e-
01 9.566578e-01
[157] 2.120123e-01 8.472719e-02 5.703061e-01 6.980122e-02 3.057132e-
01 1.194620e-01
[163] 1.081277e+00 7.062278e-01 3.679197e-02 6.275575e-02 2.379663e-
03 7.084118e-02
[169] 7.950605e-01 3.023873e-01 8.752471e-01 8.609003e-01 2.313949e-
01 9.572771e-02
[175] 7.611735e-01 3.926244e-01 4.126693e-01 1.434369e-01 4.360550e-
01 2.488161e-01
[181] 2.986786e-02 3.229794e-02 6.908280e-01 6.453717e-01 5.797743e-
01 1.405581e-01
[187] 2.693559e-02 2.172535e-01 3.323530e-01 1.815207e-01 4.570859e-
01 6.617452e-01
[193] 2.674505e-01 2.839967e-01 5.451555e-01 5.856351e-01 1.744270e-
01 1.489528e+00
[199] 1.522723e+00 3.240284e-01 1.682029e+00 1.839104e+00 9.390940e-
01 1.041523e+00
[205] 9.921425e-01 7.658615e-01 1.042651e+00 7.619662e+00 8.480781e-
01 3.238333e+00
[211] 5.876525e+00 9.074774e-01 7.699497e-01 7.059235e-01 2.166233e+
00 9.906716e-01
[217] 7.830856e-01 5.549779e-01 1.860854e+00 1.857860e+00 4.917564e-
01 1.069685e+00
[223] 2.393805e+00 4.729557e-01 1.302785e+00 3.886782e+00 1.110057e+
00 9.864669e+00
[229] 1.909528e+00 1.889407e+00 4.291006e+00 5.531164e-01 5.596616e-
01 1.693863e+00
[235] 1.227512e+00 3.917994e+00 3.759192e+00 1.251343e+00 1.230044e+
00 1.275482e+00
[241] 7.187333e-01 3.012163e+00 9.918603e-01 8.151378e-01 2.485948e+
00 3.350309e+00
[247] 3.086507e-01 1.119883e-01 1.898790e+00 2.213352e+00 6.168110e-
01 2.468423e+00
[253] 1.724436e+00 4.670868e+00 1.802699e+00 4.021791e+00 5.049150e-
01 1.881827e+00
[259] 9.234612e-01 3.467148e+00 6.463375e+00 3.585417e-01 1.296505e+
00 2.103961e+00
[265] 1.422001e+00 3.352897e+00 6.380301e-01 3.787635e+00 1.009738e+
00 1.937477e+00
[271] 1.826191e+00 1.222460e+00 1.001389e+00 1.094402e+00 1.341398e+
00 2.336899e+00
[277] 3.308987e+00 3.045693e+00 1.649172e+00 3.427740e+00 5.944086e-
01 3.065267e+00
[283] 1.158719e+00 6.645397e-01 2.731783e+00 2.431830e+00 3.955370e+
00 3.389534e+00
[289] 1.552137e+00 1.202692e+00 2.046955e+00 1.80 5194e+00 3.608584e-
01 1.517270e+00
[295] 1.872516e+00 1.116488e+00 1.264134e+00 7.890828e-01 1.983175e+
00 3.886358e+00
[301] 1.282560e+00 4.136352e-01 4.765856e+00 1.387027e+00 2.028862e+
00 1.174118e+00
[307] 2.334367e+00 1.412138e+00 1.345064e+00 5.371530 e+00 1.607779e+
00 1.798135e+00
[313] 8.558757e-01 2.609905e+00 4.444806e+00 9.072516e-01 3.526173e+
00 1.628419e+00
[319] 1.994287e+00 2.234088e+00 4.490957e+00 2.207536e+00 1.658167e+
00 7.265782e-01
[325] 1.277269e+00 7.726965e-01 1.718936e+00 2.478502e+00 1.071988e+
00 1.162460e+00
[331] 1.197958e+00 3.606731e+00 1.338562e+00 7.149872e-01 3.509390e+
00 9.455549e-01
[337] 1.880696e+00 1.878820e+00 2.347105e-01 2.264610e+00 2.024909e+
00 5.598625e-01
[343] 2.481266e+00 3.752639e-01 1.516338e+00 2.212168e+00 2.634479e+
00 2.214708e+00
[349] 6.748269e-01 1.412463e+00 1.045626e+00 4.600704e-01 2.257692e+
00 7.318487e-01
[355] 2.010217e+00 7.059401e+00 1.120078e+00 1.118478e+00 3.708588e+
00 2.885959e+00
[361] 1.549433e+00 1.060447e+00 4.540664e-01 1.531884e+00 8.712563e+
00 6.426063e-01
[367] 1.223818e+00 8.508269e-01 1.290549e+00 1.646958e+00 1.872409e+
00 2.068128e+00
[373] 1.228377e+00 5.083696e+00 9.273767e-01 2.612578e+00 1.601408e+
00 7.321001e-01
[379] 1.611237e+00 3.310069e+00 3.085399e+00 1.088623e+00 3.347928e+
00 2.434346e+00
[385] 1.800685e+00 2.097528e+00 1.315683e+00 5.490137e+00 1.970181e+
00 3.125599e+00
[391] 9.737240e-01 5.297732e-01 9.881235e-01 4.049106e+00 3.796296e-
01 2.258658e+00
[397] 2.598038e+00 1.453450e+00 2.904453e+00 1.676894e+00
> plotdist(data, hist=TRUE, demp=TRUE)

>

> descdist(data, boot=1000)

summary statistics
------
min: 9.221025e-05 max: 9.864669
median: 0.8451063
mean: 1.263162
estimated sd: 1.357366
estimated skewness: 2.353976
estimated kurtosis: 11.18891
> #II. Penaksir Parameter
> gamma_fit<-fitdist(data, distr='gamma')
> exponential_fit<-fitdist(data, distr='exp')
> summary(gamma_fit)
Fitting of the distribution ' gamma ' by maximum likelihood
Parameters :
estimate Std. Error
shape 0.9139727 0.05644709
rate 0.7236176 0.05856205
Loglikelihood: -492.3601 AIC: 988.7203 BIC: 996.7032
Correlation matrix:
shape rate
shape 1.0000000 0.7631322
rate 0.7631322 1.0000000

> summary(exponential_fit)
Fitting of the distribution ' exp ' by maximum likelihood
Parameters :
estimate Std. Error
rate 0.7916638 0.03958313
Loglikelihood: -493.4474 AIC: 988.8947 BIC: 992.8862

> #III. Uji Kecocokan (GOF Test)

> par(mfrow=c(2,2))
> plot.legend<-c("Eksponensial","Gamma")
> denscomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)
> cdfcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)
> qqcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)
> ppcomp(list(exponential_fit, gamma_fit), legendtext=plot.legend)
> gofstat(list(exponential_fit, gamma_fit), fitnames=c('Eksponensial
','Gamma'))
>
Goodness-of-fit statistics
Eksponensial Gamma
Kolmogorov-Smirnov statistic 0.03176045 0.01772358
Cramer-von Mises statistic 0.07322218 0.01746295
Anderson-Darling statistic 0.52162426 0.15232166

Goodness-of-fit criteria
Eksponensial Gamma
Akaike's Information Criterion 988.8947 988.7203
Bayesian Information Criterion 992.8862 996.7032

IV. Diskusi Pengolahan Data dan Interpretasi

Nomor 1

Berdasarkan hasil output software R dapat dilihat bahwa:

1. Tahap Penentuan Kandidat Model Klasik

Grafik empirical density dan grafik cumulative distribution menunjukkan bahwa data hasil
observasi cenderung menceng ke kanan dengan nilai skewness sebesar 0.4659161 dan nilai
kurtosis sebesar 3.416595. Kemudian pada bagian grafik Cullen and Frey dapat dilihat bahwa
data hasil observasi menunjukkan bahwa distribusi yang mendekati adalah distribusi Normal,
Logistik, Gamma, Log-normal, dan Eksponensial, yang ditandai dengan simbol data observasi
terletak berdekatan dengan simbol dari kandidat distribusi.

2. Tahap Penaksiran Parameter

 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran
LM untuk distribusi Normal serta nilai yaitu:
 𝜇̂ 𝐿𝑀 = 3.2172500 , 𝜎̂𝐿𝑀 =0.9630477, AIC = 92.40232

 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM

untuk distribusi Logistik yaitu:
𝜇̂ 𝐿𝑀 = 3.1891264 , 𝑠̂ 𝐿𝑀 =0.5339408, AIC = 92.04973
 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM
untuk distribusi Gamma yaitu:
𝛼̂ 𝐿𝑀 = 10.847529 , 𝛽̂𝐿𝑀 = 1⁄3.371673 , AIC = 91.29106
 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM
untuk distribusi Log-normal yaitu:
𝑙𝑜𝑔 𝜇̂ 𝐿𝑀 = 1.1217390, 𝑙𝑜𝑔𝜎̂𝐿𝑀 =0.3124981, AIC = 92.16132
 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM
untuk distribusi Eksponensial yaitu:
𝜆̂ 𝐿𝑀 = 0.3108245 , AIC = 140.7857
Berdasarkan hasil estimasi parameter dari beberapa kandidat distribusi tersebut diperoleh
nilai AIC distribusi Gamma dan distribusi Logistik bernilai paling kecil dimana ini
mengindikasikan bahwa model distribusi Gamma dan distribusi Logistik paling baik, sehingga
akan di uji kecocokan dengan membandingkan distribusi Gamma dan Logistik.

3. Tahap Uji Kecocokan (Goodness of Fit)

Berdasarkan grafik Histogram and Theoretical Densities dan grafik Emperical and
Theoretical CDFs dapat dilihat bahwa dalam merepresentasikan data terdapat terlihat bahwa
fungsi kepadatan peluang distribusi Gamma lebih baik daripada distribusi Logistik, dimana hal
ini diindikasikan oleh grafik distribusi Gamma terlihat lebih dekat dengan data yang
dimodelkan. Namun berdasarkan Q-Q Plot dan P-P Plot dapat dilihat bahwa tidak terdapat
perbedaan yang signifikan dari plot distribusi Gamma dan plot distribusi Logistik dalam
merepresentasikan data, dimana hal ini diindikasikan dari quantil-quantil dari distribusi Gamma
memiliki sebaran yang hampir sama dengan quantil-quantil distribusi Logistik.
Berdarkan hasil statistik uji menggunakan uji Kolmogorov-Smirnov statistic, Cramer-von
Mises statistic dan Anderson-Darling statistic menunjukkan bahwa distribusi Gamma memiliki
signifikansi yang lebih besar dalam merepresentasikan data. Sehingga dapat disimpulkan
bahwa berdasarkan beberapa tahapan pada pemodelan data distribusi Gamma adalah distribusi
yang paling baik untuk memodelkan data wt mtcars pada software R.
𝑥 𝛼−1 exp ( ) dengan 𝛼̂ 𝐿𝑀 = 10.847529 , 𝛽̂𝐿𝑀 = 1⁄3.371673
1 −𝑥
𝛼
𝛽 𝛤(𝛼) 𝛽

Nomor 2

Berdasarkan hasil output software R dapat dilihat bahwa:

1. Tahap Penentuan Kandidat Model Klasik

Grafik empirical density dan grafik cumulative distribution menunjukkan bahwa data hasil
observasi cenderung menceng ke kanan dengan nilai skewness sebesar 2.353976 dan nilai
kurtosis sebesar 11.18891. Kemudian pada bagian grafik Cullen and Frey dapat dilihat bahwa
data hasil observasi menunjukkan bahwa distribusi yang mendekati adalah distribusi Gamma
dan Eksponensial, yang ditandai dengan simbol data observasi terletak berdekatan dengan
simbol dari kandidat distribusi.

2. Tahap Penaksiran Parameter

  Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM
untuk distribusi Gamma yaitu:
𝛼̂ 𝐿𝑀 = 0.9139727 , 𝛽̂𝐿𝑀 = 1⁄0.7236176 , AIC = 988.7203
 Hasil estimasi parameter dengan menggunakan metode MLE menghasilkan penaksiran LM
untuk distribusi Eksponensial yaitu:
𝜆̂ 𝐿𝑀 = 0.7916638 , AIC = 988.8947
Berdasarkan hasil estimasi parameter dari 2 kandidat distribusi tersebut diperoleh nilai AIC
distribusi Gamma bernilai lebih kecil daripada distribusi Eksponensial dimana ini
mengindikasikan bahwa model distribusi Gamma lebih baik daripada model distribusi
Eksponensial, selanjutnya akan di uji kecocokan dengan membandingkan distribusi Gamma
dan Eksponensial.

3. Tahap Uji Kecocokan (Goodness of Fit)

Berdasarkan grafik Histogram and Theoretical Densities dan grafik Emperical and
Theoretical CDFs dapat dilihat bahwa dalam merepresentasikan data terdapat terlihat bahwa
fungsi kepadatan peluang distribusi Gamma lebih baik daripada distribusi Eksponensial,
dimana hal ini diindikasikan oleh grafik distribusi Gamma terlihat lebih dekat dengan data yang
dimodelkan. Selanjutnya berdasarkan Q-Q Plot dan P-P Plot dapat dilihat bahwa distribusi
Gamma lebih baik daripada distribusi Eksponensial dalam merepresentasikan data, dimana hal
ini diindikasikan dari quantil-quantil dari distribusi Eksponensial lebih banyak yang berada
berjauhan dari garis kuantil dari pada quantil-quantil dari distribusi Gamma.
Berdarkan hasil statistik uji menggunakan uji Kolmogorov-Smirnov statistic, Cramer-von
Mises statistic dan Anderson-Darling statistic menunjukkan bahwa distribusi Gamma memiliki
signifikansi yang lebih besar dalam merepresentasikan data. Sehingga dapat disimpulkan
bahwa berdasarkan beberapa tahapan pada pemodelan data distribusi Gamma adalah distribusi
yang paling baik untuk memodelkan data yang dibangkitkan secara random pada software R.
𝑥 𝛼−1 exp( 𝛽 ) dengan 𝛼̂𝐿𝑀 = 0.9139727 , 𝛽̂𝐿𝑀 = 1⁄0.7236176
1 −𝑥
𝛽𝛼 𝛤(𝛼)