Anda di halaman 1dari 15

Program Studi Teknik Industri 2006

PROGRAM STUDI TEKNIK INDUSTRI


FAKULTAS TEKNOLOGI INDUSTRI
2006

Probabilitas
PROBABILITAS, RUANG SAMPEL
DAN KEJADIAN ƒ Sebuah ukuran ketidak-pastian.
ƒ Sebuah ukuran tingkat keyakinan terjadinya
sebuah kejadian yang tidak pasti (uncertain
event).
ƒ Sebuah ukuran tingkat peluang (likelihood of
TI2131 TEORI PROBABILITAS occurrence) dari sebuah kejadian yang tidak
MINGGU KE 2-4 pasti (uncertain event).
ƒ Diukur dengan nilai antara 0 dan 1 (atau antara
0% dan 100%).

1 2

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Type Probabilitas (1) Type Probabilitas (2)


z Objektif atau Probabilitas Klasik z Probabilitas Subjektif
„ Berlandaskan pada kejadian yang sama „ Berlandaskan pada keyakinan individu,
(equally-likely) dan logis. pengalaman, intuisi, dan justifikasi personal.
„ Berdasarkan frekuensi relatif kejadian dalam „ Ada perbedaan untuk setiap peneliti (subjektif).
waktu yang lama. „ Contoh: pemasaran produk baru, ramalan
„ Tidak memperhatikan keyakinan perorangan. cuaca, hasil pertandingan olah raga.
„ Dianggap sama untuk setiap peneliti (objektif).
„ Contoh: pelemparan koin atau dadu.

3 4
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Ruang Sampel & Kejadian Ruang Sampel & Kejadian

„ Fakta bahwa a anggota (elemen) himpunan (semesta)


„ Himpunan (set) adalah kumpulan objek.
A dapat dituliskan dalam simbol a ∈ A
„ Himpunan semua outcome yang mungkin muncul
„ Jika tiap anggota himpunan A1 juga merupakan anggota
dalam suatu percobaan/pengamatan disebut dengan
dari himpunan A2, maka himpunan A1 disebut dengan
himpunan semesta sampel (sample space)
himpunan bagian dari himpunan A2 atau dapat
„ Masing-masing outcome disebut dengan elemen atau dituliskan dalam bentuk simbol A1 ⊂ A2
titik sampel

5 6

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Ruang Sampel & Kejadian Ruang Sampel & Kejadian


„ Himpunan dari semua elemen yang termasuk dalam
„ Jika himpunan A tidak memiliki anggota maka A
himpunan A1 dan juga dalam himpunan A2 disebut
disebut dengan himpunan kosong dan dituliskan
dengan interseksi dari A1 dan A2. Interseksi A1 dan A2
sebagai A = ∅.
disimbolkan dengan A1 ∩ A2.
„ Himpunan dari semua elemen yang setidaknya
„ Himpunan yang terdiri atas elemen yang bukan elemen
menjadi anggota salah satu dari himpunan A1 dan
A disebut dengan komplemen A (mengacu pada A)
himpunan A2 disebut union dari A1 dan A2. Union ini
dan disimbolkan dengan A*.
disimbolkan dengan A1 ∪ A2

7 8
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Ruang Sampel & Kejadian Beberapa Teorema (1)


Teorema: P(φ ) = 0
„ Dua buah himpunan dikatakan saling bebas Bukti:
(mutually exclusive) atau disjoint, jika interseksi Tuliskan hubungan berikut S = S ∪ φ dan juga diperoleh
keduanya adalah himpunan kosong. Himpunan A hubungan S ∩ φ = φ . Dengan aksioma di atas, diperoleh
P( S ) = P( S ) + P(φ ) . Karena P(S) = 1, maka P(φ ) = 0 .
dikatakan mutually exclusive terhadap himpunan B
jika A ∩ B = ∅ Teorema: P ( A) = 1 − P ( A), dimana A adalah komplemen dari A
Bukti:
Dari definisi komplemen, untuk setiap A ⊂ S maka diperoleh
S = A ∪ A . Karena A ∩ A = φ , maka dengan aksioma di atas
diperoleh P( S ) = P( A) + P( A ) .
Karena P(S) = 1, dengan demikian P ( A) = 1 − P ( A) .
9 10

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Beberapa Teorema (2) Kejadian


Teorema: Untuk dua kejadian A dan B, sedemikian •Mutually exclusive atau disjoint
sehingga A ⊂ B , maka P( A) ≤ P(B) . –dua set tidak memiliki elemen bersama,
Bukti: tidak memiliki irisan, atau irisannya adalah
Kejadian B dapat ditulis sebagai B = A ∪ ( A ∩ B) , dimana set kosong.
A ∩ ( A ∩ B) = φ , maka dengan aksioma di atas diperoleh •Partisi
P(B) = P( A) + P( A ∩ B) . Karena ( A ∩ B) ⊂ S adalah suatu –adalah sekumpulan set yang mutually
kejadian maka P( A ∩B) ≥ 0 , dengan demikian P( A) ≤ P(B) . exclusive yang secara bersama-sama
mencakup semua elemen, atau
gabungannya membentuk set universal S.

11 12
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Diagram set Percobaan - Experiments


• Sebuah proses yang menghasilkan satu dari
A A AI B
B A B beberapa hasil yang mungkin terjadi*, contoh:
A „ Coin toss: Heads,Tails
„ Throw die: 1, 2, 3, 4, 5, 6
Komplemen A∩ B A∪ B „Pengenalan produk baru: sukses, gagal
A3
• Setiap percobaan memiliki hasil observasi
tunggal.
A1
A2

A4 A5
• Hasil pasti dari percobaan random tidak dapat
diketahui sebelum dilakukan.
Partisi * Juga dikenal sebagai hasil dasar ( basic outcome), kejadian dasar atau kejadian sederhana

13 14

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Kejadian Percobaan Ideal


z Ruang sample atau set kejadian • Perhatikan contoh berikut:
„ adalah set dari semua hasil yang mungkin ada dari „ Percobaan pelemparan sebuah dadu seimbang
sebuah percobaan • Ada 6 hasil yang mungkin (1,2,3,4,5,6)
z contoh: pelemparan dadu S = (1,2,3,4,5,6) • Jika setiap hasil seimbang (equally-likely), probabilitas setiap
z Kejadian hasil adalah 1/6 = .1667 = 16.67%
Kumpulan dari hasil dengan karakteristik yang sama 1
„
Contoh: muncul sisi genap A = (2,4,6)
„ P( e) =
z
n( S )
„ Kejadian A terjadi jika sebuah hasil dalam set A terjadi
Probabilitas sebuah kejadian „ Kejadian A (muncul sisi genap)
„ Jumlah probabilitas dari setiap hasil yang muncul • P(A) = P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 = 1/2
z P(A) = P(2) + P(4) + P(6) • P( A) = ∑ P( e) untuk setiap e dalam A
n( A ) 3 1
= = =
n( S ) 6 2
15 16
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Pengambilan Kartu Aturan Dasar Probabilitas (1)


Hearts Diamonds Clubs Spades
Gabungan A
K
A
K
A
K
A
K
Kejadian ‘Ace’ z Rentang nilai 0 ≤ P ( A ) ≤ 1
kejadian ‘Heart’ Q Q Q Q
J J J J n ( Ace ) 4 1
dan ‘Ace’
Komplement - Probabilitas bukan A
P ( Ace ) = = =
10 10 10 10
P ( Heart U Ace ) = 9 9 9 9 n (S ) 52 13 z
8 8 8 8
n ( Heart U Ace )
=
7
6
7
6
7
6
7
6
P ( A ) = 1 − P ( A)
n(S ) 5 5 5 5

Irisan - Probabilitasy A dan B


4 4 4 4
16 4 3 3 3 3
= z
2 2 2 2

P ( A ∩ B ) = n( A ∩ B )
52 13

Irisan kejadian ‘Heart’ dan ‘Ace’


Kejadian ‘Heart’
Adalah titik yang dilingkari n(S )
dua kali: the ace of hearts
Kejadian mutually exclusive (A dan C) :
n ( Heart ) 13 1
P ( Heart ) = = = „

P( A ∩ C) = 0
n (S ) 52 4 n ( Heart I Ace ) 1
P ( Heart I Ace ) = =
n (S ) 52

17 18

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Aturan Dasar Probabilitas (2) Probabilitas Bersyarat


• Gabungan - Probabilitas A atau B atau keduanya Aturan probabilitas bersyarat:
P( A ∪ B) = n( A ∪ B) = P( A) + P( B) − P( A ∩ B)
P ( A B ) = P ( A ∩ B ) maka
n( S )
P( A ∩ B) = P( A B) P( B)
P( B)
„ Kejadian mutually exclusive : = P ( B A) P ( A)
P ( A ∩ C ) = 0 so P ( A ∪ C ) = P ( A ) + P (C )
Probabilitas Bersyarat - Probabilitas A pada(given) B Jika kejadian A dan D saling independen secara statistik:

P( A B) = P( A ∩ B) P ( A D ) = P ( A)
P( B) maka P ( A ∩ D ) = P ( A) P ( D )
P ( A B ) = P ( A) P ( D A) = P ( D )
„ Kejadian independen:
P ( B A) = P ( B)

19 20
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Tabel Contingency Independensi Kejadian (1)


Frekuensi Syarat independensi secara statistik dari kejadian A dan B
Acer IBM Total
Probabilitas bahwa sebuah
adalah: P ( A B ) = P ( A)
Telekomunikasi 40 10 50 proyek yang dikerjakan P ( B A) = P ( B)
IBM adalah (given) proyek
Komputer 20 30 50 and
telekomunikasi adalah:
60 40 100
P ( A I B ) = P ( A) P( B)
Total

Probabilitas P ( IBM I T ) P ( A c e I H e a rt ) P ( H e a rt I A c e )
P ( IBM T ) = P ( A c e H e a rt ) = P ( H e a rt A c e ) =
P (T ) P ( H e a rt ) P ( A ce )
Acer IBM Total 1 1
.10 1 1
Telekomunikasi .40 .10 .50 = = .2 = 52 =
13 13
= P ( A ce ) = 52 =
4 4
= P ( H e a rt )
.50
52 52
Komputer .20 .30 .50
4 13 1
P ( Ace I Heart ) = = = P ( Ace ) P ( Heart )
Total .60 .40 1.00 52 52 52
21 22

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Independensi Kejadian (1) Perkalian Kejadian Independen


Kejadian T (prob. 0,04) dan B (prob. 0,06) diasumsikan
independen Probabilitas irisan dari beberapa kejadian independen adalah
perkalian dari probabilitas masing-masing:
a) P ( T I B ) = P (T ) P ( B ) P ( A ∩ A ∩ A ∩L∩ An ) = P ( A ) P ( A ) P ( A )L P ( An )
1 2 3 1 2 3
= 0.04 * 0.06 = 0.0024
b ) P ( T UUB ) = P (T ) + P ( B ) − P (T I B ) Probabilitas gabungan dari beberapa kejadian independen
= 0.04 + 0.06 − 0.0024 = 0.0976 adalah 1 dikurangi perkalian probabilitas komplemen
masing-masing:
P ( A ∪ A ∪ A ∪L∪ An ) = 1 − P ( A ) P ( A ) P ( A )L P ( An )
1 2 3 1 2 3

23 24
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Aditif Teorema Aditif

„ Jika A dan B adalah 2 buah kejadian, maka: „ Untuk tiga kejadian A, B, dan C,
P(A ∪B) = P(A) + P(B) - P(A ∩B) P(A ∪B ∪C) = P(A) + P(B) + P(B) - P(A ∩B) -
„ Jika A1,A2,…,An bersifat mutually exclusive, maka P(A ∩ C) - P(B ∩C) + - P(A ∩B∩C)
P(A1∪ A2 ∪ … ∪ An) = P(A1) + P(A2) +… +P(An) „ Probabilitas Badu harus menjalani operasi katup
jantung adalah 0,8 dan probabilitas Badu harus
„ Jika A1, A2, … , An adalah partisi dari suatu semesta menjalani operasi pelebaran pembuluh darah 0,6
sampel, maka serta probabilitas Badu harus menjalani keduanya
P(A1∪ A2 ∪ … ∪ An) = P(A1) + P(A2) +… +P(An) adalah 0,5. Berapa probabilitas Badu harus menjalani
minimal salah satu operasi di atas?
= P(S)
=1
25 26

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Aditif Hukum Probabilitas


„ Identity laws (A∪∅=A, A∩∅=∅),
„ Jika A dan A* merupakan dua kejadian yang bersifat „ Idempotent law (A∪A=A, A∩A=A)
saling komplemen, maka: „ Complement law (A∪A=S, A∩A=∅)
P(A) + P(A*) = 1 „ Commutative law (A∪B=B∪A, A∩B=B∩A)
„ De morgan’s law (A∪B=B∩A, A∩B=B∪A)
„ Associative law A∩(B∩C)=(A∩B)∩C,
A∪(B∪C)=(A∪B)∪C
„ Distributive law A∩(B∪C)= (A∩B)∪(A∩C)

27 28
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Konsep Kombinatorial (2)


Konsep Kombinatorial (1) (Diagram pohon / Tree Diagram)
Percobaan sebuah dadu 6 sisi, ada 6 hasil yang mungkin dari pelemparan
pertama, yaitu (1,2,3,4,5,6) dan 6 hasil yang mungkin dari pelemparan kedua Urutan tiga huruf: A, B, dan C C
(1,2,3,4,5,6). Secara bersama-sama ada 6*6=36 hasil yang mungkin dari dua ABC
B
kali pelemparan.
C B
Umumnya, jika ada n kejadian dan kejadian i dapat terjadi dalam Ni cara yang ACB
A
mungkin, maka jumlah caradimana urutan dari n kejadian akan muncul adalah C
N1N2...Nn. B A BAC
C A
z Ambil 5 kartu dari tumpukan z Ambil 5 kartu dari tumpukan C BCA
lengkap – dengan lengkap – tanpa pengembalian A
pengembalian
B
„ 52*51*50*49*48 =
B CAB
„ 52*52*52*52*52=52 311,875,200 hasil yang
5

380,204,032 hasil yang mungkin A


mungkin CBA
29 30

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema: Multiplication Rule Faktorial


Ada berapa cara untuk mengurutkan 3 huruf A, B, dan C?
„ Jika suatu operasi dapat berlangsung dalam n1 cara, dan dari
masing-masing cara ini dilakukan operasi kedua yang dapat Ada 3 pilihan untuk huruf pertama, 2 untuk huruf kedua dan 1
berlangsung dalam n2 cara, maka kedua operasi dapat dilakukan Untuk huruf terakhir, sehingga ada 3*2*1 = 6 cara yang mungkin.
secara bersama dalam n1n2 cara. Secara umum teorema ini berlaku
juga pada k operasi berturutan, yaitu k operasi ini dapat dilakukan Ada berapa cara untuk mengurutkan 6 huruf A, B, C, D, E,
dalam n1n2…nk dan F? (6*5*4*3*2*1 = 720)

„ Hasil dua pelemparan uang logam dapat muncul dalam 4 cara. Faktorial: Untuk setiap integer positif n, n faktorial didefinisikan:
Pelemparan uang logam pertama memiliki 2 cara kemunculan dan n(n-1)(n-2)...(1). n faktorial ditulis dengan n!.
pelemparan uang logam kedua memiliki 2 cara kemunculan, Jumlah n! adalah jumlah cara dimana n objek dapat diurutkan.
sehingga secara keseluruhan terdapat 4 (= 2 x 2) cara kemunculan Didefinisikan bahwa 1! = 1.
hasil pelemparan 2 kali uang logam.
31 32
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Permutasi Teorema Permutasi

„ Permutasi adalah suatu penyusunan atas semua „ Jumlah permutasi dari n objek yang berbeda yang
atau sebagian dari kumpulan obyek tertentu. diambil sejumlah r pada suatu waktu adalah:
„ Jumlah permutasi dari n buah obyek yang berbeda n Pr = n!
adalah sejumlah n! (n − r )!
„ Contoh: Dari tiga judul buku dapat disusun pada rak „ Berapa permutasi dari bilangan-bilangan 1, 2, 3, 4,
sejumlah 3! = 1 x 2 x 3 = 6 permutasi dan 5 sehingga dapat terbentuk suatu bilangan 3
digit (setiap bilangan dipakai sekali)? Bagaimana
dengan 0, 1, 2, 3, 4, dan 5?

33 34

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Permutasi Teorema Permutasi


„ Jumlah permutasi dari n objek berbeda yang disusun „ Dalam satu barisan terdapat 3 orang alumni TI, 3
secara sirkular adalah (n-1)! orang alumni teknik lainnya, dan 2 orang alumni
„ Jumlah permutasi yang berbeda yang dapat disusun MIPA. Dalam berapa cara kedelapan orang itu dapat
dari n objek yang terdiri atas n1 objek dari jenis membentuk barisan yang berbeda berdasarkan latar
pertama, n2 objek dari jenis kedua, dan seterusnya belakang pendidikannya?
sampai nk objek dari jenis ke-k adalah :
n!
n1!n 2!L n k !

35 36
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Partisi Teorema Partisi


„ Jumlah cara membagi suatu kumpulan n objek ke „ Contoh: Sebuah rombongan bakti sosial 6 orang
dalam r sel dengan jumlah elemen n1 pada sel mahasiswa menyewa 3 sepeda motor. Ada berapa
pertama, n2 pada sel kedua, dan seterusnya sampai cara menumpang sepeda motor yang mungkin
nk elemen pada sel ke-k adalah: dilakukan? Asumsikan ke-enam mahasiswa tersebut
n mampu mengendarai sepeda motor.
⎛ ⎞ n!
⎜⎜ ⎟⎟ =
⎝ n1 , n 2 , L , n r ⎠ n1!n 2!L n k !

di mana n1+ n2 + … + nr = n.

37 38

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Kombinasi
„ Sering kali kita tertarik pada cara memilih r objek dari Contoh: Pada sebuah proyek perancangan sistem
sejumlah n objek tanpa memperhatikan urutan yang manufaktur terdapat 12 orang lulusan TI, 8 lulusan
terbentuk. Cara pemilihan ini disebut dengan teknik lainnya, dan 4 lulusan MIPA. Jika ingin dibentuk
kombinasi. kelompok beranggotakan 6 orang dengan komposisi 3
„ Jumlah kombinasi dari n objek yang berbeda yang lulusan TI, 2 lulusan teknik lainnya, dan 1 lulusan
diambil sejumlah r dalam satu waktu adalah: MIPA, ada berapa alternatif kelomok yang dapat
⎛n ⎞ n! dibentuk?
⎜⎜ ⎟⎟ =
⎝ r ⎠ r ! (n − r )!

39 40
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Permutasi dan Kombinasi


(dengan Excel) Probabilitas Bersyarat

Probabilitas terjadinya kejadian B ketika telah


n=10 (Total Number of Objects Available)
„
Total Number of # of Probability of # of Probability of
Objects Selected r Permutations Particular Permutation Combinations Particular Combination
diketahui bahwa kejadian A terjadi disebut dengan
1
2
10
90
0.1
0.011111111
10
45
0.1
0.022222222
probabilitas bersyarat kejadian B atas kejadian A,
3 720 0.001388889 120 0.008333333 disimbolkan dengan P(B|A). P(B|A) ini didefinisikan
4 5040 0.000198413 210 0.004761905
5 30240 3.31E-05 252 0.003958254 sebagai:
6 151200 6.61E-06 210 0.004761905
7 604800 1.65E-06 120 0.008333333
8 1814400 5.51E-07 45 0.022222222 P (A ∩ B )
9 3628800 2.76E-07 10 0.1 P(B|A) = ,jika P(A) > 0
10 3628800 2.76E-07 1 1
P (A)

41 42

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Probabilitas Total & Bersyarat Probabilitas Total & Bersyarat


P ( A) = P ( A ∩ B ) + P ( A ∩ B ) Kejadian U: pasar saham tumbuh tahun depan
Kejadian W: kondisi ekonomi membaik tahun depan
Dalam bentuk probabilitas bersyarat:
P ( U W ) = .7 5
P ( A) = P ( A ∩ B ) + P ( A ∩ B )
P (U W ) = 3 0
= P( A B) P( B) + P( A B ) P( B )
P ( W ) = .8 0 ⇒ P ( W ) = 1 − .8 = .2
Secara umum (dimana Bi membentuk partisi):
P (U ) = P (U ∩ W ) + P (U ∩ W )
P ( A) = ∑ P ( A ∩ B ) = P (U W ) P (W ) + P (U W ) P (W )
i
= ∑ P( A B ) P( B ) = ( .7 5 ) ( .8 0 ) + ( .3 0 ) ( .2 0 )
i i
= .6 0 + .0 6 = .6 6
43 44
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Contoh: Probabilitas Bersyarat


Teorema Bayes
„ Diberikan data sampel pemakaian merk shampo • Teorema Bayes memungkinkan untuk menge-
sebagai berikut: tahui probabilitas B bersyarat A jika diketahui
probabilitas A bersyarat B.
Sunsilk Clear Total
• Menggunakan definisi probabilitas bersyarat dan
Laki-laki 150 250 400 hukum probabilitas total.
Wanita 400 200 600
P(AI B)
Total 550 450 1000 P ( B A) =
P ( A) Menggunakan probabilitas
P(AI B) total pada penyebut
„ Jika diketahui seseorang tersebut adalah laki-laki, =
P(AI B) + P(AI B )
maka berapa probabilitas ia memakai shampo =
P( A B) P(B) Menggunakan probabilitas
bersyarat
sunsilk? P ( A B) P (B) + P( A B ) P(B )

45 46

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Contoh Teorema Bayes (1) Contoh Teorema Bayes (2)


• Sebuah pengaruh treatment logam (berdampak 0.1% P ( I ) = 0.001 P(I I Z )
terhadap populasi [ P ( I ) = 0.001 ]) tidak sempurna: P(I Z ) =
P(Z )
„Jika dilakukan pada logam non-standar, perlakukan dinilai P ( I ) = 0.999 P(I I Z )
=
sukses dengan probabilitas 0.92 [ P(Z I ) =.92 ⇒ P(Z I ) =.08 ] P(I I Z ) + P(I I Z )
„Kejadian ( Z I ) disebut false negative P(Z I ) P(I )
P ( Z I ) = 0.92 =
„Jika dilakukan pada logam standar, perlakukan akan me- P(Z I ) P(I ) + P(Z I ) P(I )
nyimpang (false positive) dengan probabilitas 0.04 (.92 )( 0.001)
=
[ P(ZI ) = 004
. ⇒ P(Z I ) = 096 . ] P ( Z I ) = 0.04 (.92 )( 0.001) + ( 0.04 )(.999 )
„Kejadian ( Z I ) disebut false positive. . 0.00092 0.00092
= =
0.00092 + 0.03996 .04088
= .0225

47 48
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Contoh Teorema Bayes (3) Contoh Aturan Bayes


Probabilitas Probabilitas Probabilitas
prior bersyarat gabungan „ Suatu perusahaan memiliki 3 buah pabrik B1, B2, dan B3
yang masing-masing memasok sebanyak 30%, 25%, dan
P ( Z I ) = 0.92 P ( Z I I ) = ( 0.001)( 0.92 ) = .00092
45% kebutuhan perusahaan. Dari data masa lalu diketahui
tingkat cacat produk yang dihasilkan masing-masing pabrik
P ( Z I ) = 0.08 P ( Z I I ) = ( 0.001)( 0.08) = .00008
berturut-turut adalah 2%, 3%, dan 2%.
„ Jika diambil sebuah produk jadi di kantor perusahaan,
P ( I ) = 0.001

berapa probabilitas produk tersebut adalah cacat?


„ Jika produk yang diambil adalah cacat, berapa
P ( I ) = 0.999 P ( Z I ) = 0.04 P ( Z I I ) = ( 0.999 )( 0.04 ) = .03996 probabilitas produk tersebut berasal dari pabrik B2?
P ( Z I ) = 0.96

P ( Z I I ) = ( 0.999 )( 0.96) = .95904

49 50

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Perluasan Teorema Bayes (1) Perluasan Teorema Bayes (2)


• Diberikan partisi B1,B2 ,...,Bn: z Pada saat kondisi mesin sangat baik, diperkirakan sebuah industri akan
menhasilkan produk yang baik dengan probabilitas 0,70; dalam kondisi biasa
probabilitasnya 0,40; dan pada kondisi buruk probabilitas menghasilkan produk
P( A ∩ B ) yang baik hanya 0,20.
P( B A) =
1
1
z Dalam suatu perioda, probabilitas bahwa kondisi mesin sangat baik adalah 0,30,
P( A) moderat 0,50, dan buruk 0,50.
Jika selama perioda tersebut dihasilkan produk yang baik, bepara kemungkinan
P( A ∩ B ) Gunakan probabilitas
z

= 1
total pada penyebut
bahwa kondisi mesin sangat baik?
∑ P( A ∩ B ) i Partisi Kejadian A (produk baik)
P( AB ) P( B ) H – Mesin sangat baik P(H) = 0,30 P(A|H)=0,70
Terapkan probabilitas
= 1 1
bersyarat M – Mesin moderat P(M) = 0,50 P(A|M)=0,40
∑ P( A B ) P( B )
i i L – Mesin buruk P(L) = 0,20 P(A|L)=0,20

51 52
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Perluasan Teorema Bayes (3) Perluasan Teorema Bayes (4)


Probabilitas Probabilitas Probabilitas
P ( H I A) prior bersyarat gabungan
P ( H A) = P ( A H ) = 0.7 0 P ( A I H ) = ( 0 . 3 0 )( 0 . 7 0 ) = 0 . 2 1
P ( A)
P ( H I A)
=
P ( H I A) + P ( M I A) + P ( L I A) P ( H ) = 0 .3 0
P ( A H ) = 0 .3 0
P ( A I H ) = ( 0 . 3 0 )( 0 . 3 0 ) = 0 . 0 9
P( A H ) P( H )
= P ( A M ) = 0.4 0 P ( A I M ) = ( 0 .5 0 )( 0 . 4 0 ) = 0 . 2 0
P ( A H ) P ( H ) + P ( A M ) P ( M ) + P ( A L) P ( L)
P ( M ) = 0 .5 0
( 0.70)( 0.30)
=
( 0.70)( 0.30) + ( 0.40)( 0.50) + ( 0.20)( 0.20) P ( A M ) = 0 .6 0 P ( A I M ) = ( 0 .5 0 )( 0 . 6 0 ) = 0 . 3 0
0.21 0.21
= = P ( L ) = 0.2 0
P ( A L ) = 0.2 0
P ( A I L ) = ( 0 . 2 0 )( 0 . 2 0 ) = 0 . 0 4
0.21 +0.20 + 0.04 0.45
= 0.467
P ( A L ) = 0 .8 0 P ( A I L ) = ( 0 . 2 0 )( 0 .8 0 ) = 0 .1 6
53 54

Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Bayes – Distribusi (1) Teorema Bayes – Distribusi (2)


„ Teorema Bayes dalam aplikasinya dapat digunakan dalam Contoh :
proses perbaikan distribusi kemungkinan berdasarkan Proporsi “pencemar/polutant” (didefinisikan sebagai
informasi yang terbaru terdapatnya bahan-bahan lain yang tidak diinginkan)
pada sebuah kemasan bahan baku yang diterima oleh
Prior probability distribution sebuah perusahaan diketahui sebagai berikut:
Proporsi pencemar P Probabilitas*
additional information 0.05 0.21
0.10 0.23
(sampling distribution) 0.15 0.45
0.20 0.09
0.25 0.01
Posterior or revised distribution 0.30 0.01
* diperoleh dari pengamatan untuk jangka waktu yang panjang.

55 56
Program Studi Teknik Industri 2006 Program Studi Teknik Industri 2006

Teorema Bayes – Distribusi (3) Teorema Bayes – Distribusi (4)


Sebuah informasi penelitian terakhir dari 50 kemasan yang Berdasarkan data terbaru, dilakukan revisi distribusi
diperiksa diperoleh data bahwa 8 delapan kemasan probabilitas:
dinilai “tercemar/tidak murni”. Distribusi informasi
P Aw al Sam pel J o in t* B a ru * *
tersebut adalah: 0 .0 5 0 .2 1 0 .0 0 2 0 .0 0 0 4 2 0 .0 0 7
Proporsi keberhasilan P Probabilitas * P( x|θ ) = P( X = 850
| , p) 0 .1 0 0 .2 3 0 .0 6 4 0 .0 1 4 7 2 0 .2 1 8
0.05 0.002 0 .1 5 0 .4 5 0 .0 9 1 0 .0 4 0 9 5 0 .6 0 8
0.10 0.064 0 .2 0 0 .0 9 0 .1 1 7 0 .0 1 0 5 3 0 .1 5 6
0.15 0.091 0 .2 5 0 .0 1 0 .0 6 4 0 .0 0 0 6 4 0 .0 0 9
0.20 0.117
0 .3 0 0 .0 1 0 .0 1 1 0 .0 0 0 1 1 0 .0 0 2
0.25 0.064
0.30 0.011 0 .3 4 9 0 .0 6 7 3 7 1 .0 0 0
0.349
*mengikuti distribusi binomial.

57 58

Program Studi Teknik Industri 2006

Teorema Bayes – Distribusi (4)


„ Kesimpulan:
ƒ Ekspektasi awal (0.1245) lebih kecil dari
ekspektasi baru (0.1474).
ƒ Artinya, ada indikasi bahwa rata-rata proporsi
pencemar dalam setiap kemasan bahan baku
telah mengalami peningkatan sekitar 2,3 %.

59

Anda mungkin juga menyukai