MODUL 2

DISTRIBUSI POISSON DAN EKSPONENSIAL

I. Pendahuluan
1.1 Latar Belakang
Secara umum pemodelan yang berkembang saat ini bisa dikategorikan kedalam dua
proses yaitu proses poisson dan proses deterministik. Pada proses stokastik banyak fenomena
di alam yang bisa dibawa kearah proses poisson. Proses antrian merupakan contoh nyata
proses poisson yang banyak terjadi pada berbagai fasilitas pelayanan saat ini. Proses antrian
suatu proses yang berhubungan dengan kedatangan pelanggan pada suatu fasilitas pelayanan,
menunggu dalam baris antrean jika belum dapat dilayani, kemudian seorang pelanggan begitu
dilayani hanya akan meninggalkan sarana pelayanan tersebut setelah selesai pelayanan.
Bentuk distribusi kedatangan ada dua yaitu distribusi jumlah kedatangan dan distribusi waktu
antar kedatangan. Sedangkan bentuk distribusi pelayanan juga ada dua yaitu distribusi jumlah
pelayanan dan distribusi waktu pelayanan.
Pada proses kedatangan waktu antar kedatangan merupakan distribusi identik dan
independen (bebas). Beberapa distribusi waktu antar kedatangan bisa berdistribusi
eksponensial, general, deterministic atau poisson. Untuk memperoleh distribusi waktu antar
kedatangan beberapa kasus antrean yang terjadi saat ini, seperti panggilan telpon, koneksi
server internet, dan lalu lintas kendaraan dijalan tol pada arus mudik dan arus balik lebaran
serta kedatangan pelanggan dikantor pos pada menjelang tahun baru dan lebaran tidak mudah
didapatkan. Hal ini terjadi karena waktu antar kedatangannya yang sangat kecil sekali,
sehingga sulit untuk mendapatkan data waktu antar kedatangannya, atau dalam interval waktu
kecil, misalkan satu menit jumlah kedatangannya sangat besar.
1.2 Tujuan
a) Membedakan karakteristik distribusi poisson dan eksponensial.
b) Membandingkan distribusi empiris dan distribusi frekuensi teoritis untuk
distribusi poisson dan distribusi eksponensial.
 1.3 Pembahasan Masalah
Dalam praktikum kita dituntut untuk dapat membedakan karakteristik dari distribusi
poisson dan eksponensial. Dimana praktikum ini dilakukan dengan metode-metode
pelaksanaan yaitu dengan memperhatikan antrean data yang diperoleh pada selang waktu
tertentu. Pengumpulan data atau pengambilan data pada praktikum kali ini dilakukan dengan
pengambilan secara langsung ke lapangan yang kemudian data diisikan pada front
pengamatan (tabel data).
Selanjutnya penjelasan tentang pengambilan data yang berjenis antrean ini kita lakukan
dengan 3 tahap, dimana:
a) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana pada masing-masing kelas berselang waktu 2 menit.
b) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana waktu berselang selama 1.5 menit.
c) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana waktu dua kedatangan yang berurutan.

1.4 Sistematika Penulisan

BAB I PENDAHULUAN

Berisi tentang hal-hal yang melatarbelakangi pelaksanaan praktikum, tujuan praktikum,

pembatas masalah, metodologi praktikum, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Berisi dasar teori yang membahas tentang distribusi poisson dengan pembagian
pengertian distribusi poisson, karakteristik, kegunaan dan aplikasi, rumus-rumus,
hubungan dengan distribusi binominal, dan hubungan dengan distribusi normal dan
berisikan tentang landasan teori distribusi eksponensial dengan pembagian pengertian
distribusi eksponensial, karakteristik, kegunaan dan aplikasi, dan rumus-rumus yang
digunakan.

BAB III PENGUMPULAN DAN PENGOLAHAN DATA

Berisi pengumpulan dan pengolahan data yang akan membahas kasus yang ada dalam
skenario serta penyelesaiannya.
BAB IV PERHITUNGAN DAN PENGUJIAN

Berisi mengenai hasil pengujian, perhitungan dari data yang diperoleh.

BAB V ANALISIS DATA

Berisi tentang pembahasan atau penganalisisan hasil perhitungan yang diperoleh.

BAB VI PENUTUP

Berisi kesimpulan yang membahas hasil praktikum dan isi laporan secara ringkas, serta
saran mengenai hal– hal yang harus diperhatikan oleh praktikan untuk rangkaian
praktikum.
II. Tinjauan Pustaka
2.1 Pengertian Distribusi Poisson
Distribusi poisson adalah distribusi peluang acak poisson x, yang menyatakan
banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu. Bilangan x
yang menyatakan banyaknya hasil percobaan dalam suatu percobaan poisson disebut peubah
acak poisson dan sebaran peluangnya disebut sebaran poisson.
Distribusi poisson ini hampir sama dengan distribusi binomial, hanya saja jumlah
percobaan yang diulang (sampel) sangat besar dan probabilitasnya terjadi peristiwa sukses
sangat kecil. Maka distribusi poisson paling tepat untuk menggambarkan struktur probabilitas
dari variabel random yang mencakup rentang yang cukup panjang. Sehingga didapat
bahwasanya:
𝜆 = mean dari jumlah kemunculan antara interval o - t
Distribusi poisson sebagai suatu bentuk Pembahasan distribusi binomial pada saat n
besar, sedangkan p mendekati 0, dan np konstan. Sehingga bila n besar dan p mendekati 0,
distribusi poisson dapat digunakan untuk memperkirakan probabilitas binomial, dengan:
𝜆 = n. p
(2.1)
Dalam menyatakan distribusi poisson dari sebuah variabel random perlu diperhatikan
hal-hal sebagai berikut:
 Nilai peluang atau relasi matematika untuk menyatakan peluang.
 Variabel berikut daerahnya.
 Parameter-parameter dan daerahnya.
Dengan catatan:
 Variabel: nilai yang ingin diproleh dari pengamatan.
 Daerah variabel: semua nilai-nilai variabel yang didapat atau diperoleh dari
pengamatan.
Kemudian mengenai variabel random, yaitu suatu fungsi yang bernilai real yang
harganya ditentukan oleh tiap anggota dalam ruang sampel. Dengan demikian suatu distribusi
poisson dapat saja membangkitkan pengamatan pengamatan bagi peubah acak x pada selang
waktu tertentu. Bilangan x yang menyatakan banyaknya hasil percobaan dalam suatu
percobaan/distribusi poisson dinamakan peubah acak poisson. Selain dari itu ragam pada
distribusi poisson dapat ditunjukkan sama dengan nilai tengahnya.

a) Karakteristik Distribusi Poisson

Karakteristik distribusi poisson diantaranya:
 Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak tergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
 Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang selang
waktu tersebut atau besarnya derah tersebut. Dan tidak tergantung pada
banyaknya hasil percobaan yang terjadi diluar selang waktu atau daerah
tersebut.
 Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu
yang singkat tersebut atau dalam daerah yang terkecil tersebut, dapat
diabaikan.
Namun adapula beberapa sifat dari distribusi poisson, diantaranya:
 Nilai Tengah: 𝜇= 𝜆 (2.2)
 Variansi: 𝜎2 = 𝜆 (2.3)
 Simpangan Baku: 𝜎 = √𝜆 (2.4)
b) Kegunaan dan Aplikasi Distribusi Poisson
Kegunaan distribusi poisson untuk mengukur probabilitas dari variabel random yang
mencakup rentang yang cukup panjang. Kemudian selain dari pada itu distribusi
poisson juga berguna untuk mengukur peluang yang mungkin terjadi dalam waktu
atau daerah tertentu. Kemudian selain dari pada itu, distribusi poisson juga digunakan
untuk menghitung distribusi binominal dengan mean dari distribusi poisson
ditetapkan sesuai dengan nilai mean n.p dari distribusi binominal yang telah diketahui.
Distribusi poisson memiliki aplikasi, terutama dalam menghitung atau mengolah
suatu data. Diantaranya, aplikasi distribusi poisson ini adalah digunakan dalam
menghitung data antrean yang terjadi selama selang waktu atau daerah tertentu.
c) Rumus Distribusi Poisson
Rumus dari distribusi poisson adalah sebagai berikut:
 𝑒 −𝜆 𝜆𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) = (2.5)
𝑥!

Mean: E(x) = 𝜆 (2.6)

Variansi: V(x) = 𝜆 (2.7)

Keterangan
x = 1, 2, 3, .. n
e = 2.71828
𝜆 = rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu atau dalam daerah
tertentu.
d) Hubungan Distribusi Poisson dengan Distribusi Binomial
Distribusi poisson sebagai suatu bentuk Pembahasan distribusi binomial pada saat n
besar, sedangkan p mendekati 0, dan np konstan. Sehingga bila n besar dan p mendekati 0,
distribusi poisson dapat digunakan untuk memperkirakan probabilitas binomial, dengan 𝜆 =
np.
e) Hubungan Distribusi Poisson dengan Distribusi Normal
Distribusi normal merupakan perkiraan terhadap distribusi binominal dan poisson.
Bila jumlah percobaan binominal besar dan mean dari distribusi poisson besar, maka
perhitungan probabilitas untuk variabel-variabel random tersebut amat sulit. Namun dengan
adanya control limit Theorem bisa dilakukan perkiraan normal terhadap distribusi ini.
Variabel random x menggambarkan jumlah kemunculan kejadian dalam interval
waktu tertentu dan x jumlah kemunculan yang diharapkan, atau mean interval waktu tersebut.
Bila jumlah kemunculan 𝜆, besar dari interval waktu dipecahkan dalam sub interval yang
sama panjang, maka jumlah total kemunculan adalah jumlah banyaknya kemunculan untuk
tiap sub interval. Dengan demikian sesuai dengan Central Limit Theorem, dapat disimpulkan
bila 𝜆 besar, maka distribusi variabel random. Sehingga untuk distribusi poisson hasil tersebut
dapat digunakan untuk memperkirakan probabilitas, dan bila 𝜆 hanya berukuran sedang akan
dibutuhkan koreksi kontinuitas.
2.2 Distibusi Eksponensial
Salah satu distribusi yang banyak digunakan dalam statistika, khususnya proses
stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah salah satu kasus
khusus dari distribusi gamma. Peubah acak kontinu berdistribusi eksponensial dengan para
meter 𝜆, bila fungsi padatnya:
f(x) = 𝜆𝑒 −𝜆𝑥 (2.8)
syaratnya x>0, 𝜆>0
f(x) = 0 (2.9)
syaratnya x≤0
Sehingga distribusi eksponensial juga disebut dengan distribusi gama dengan 𝛼= 1.
Distribusi eksponensial juga merupakan suatu distribusi yang berguna untuk mencari selisih
waktu yang terjadi dalam suatu peluang tertentu.
Dalam distribusi eksponensial ini digunakan pencarian atau pengolahan data dengan
menggunakan variabel random. Dimana variabel random itu sendiri adalah variabel yang
berupa nilai atau angka yang merupakan outcome dari eksperimen random. Variabel random
bersifat diskrit bila hanya berupa nilai tertentu yang dapat dihitung. Namun variabel random
bersifat kontinu bila mana berupa suatu nilai manapun dalam suatu interval.
a) Karakteristik Distribusi Eksponensial
Adapun karakeristik distribusi eksponensial sebagai berikut:
 Mempunyai nilai variansi
1
V(x) = 𝜆² (2.10)

 Mempunyai nilai mean

1
E(x) = 𝜆 (2.11)

 Pencarian pada distribusi eksponensial menggunakan variabel random.

 Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang
terjadi pda percobaan tersebut.
 Mempunyai nilai 𝛽> 0.

III. Pengumpulan Data

Pada praktikum modul 2 ini kami melakukan pengamatan pom bensin yang berada di
daerah Kalimanah Purbalingga. Kami melakukan pengamatan pada 2 server untuk
mendapatkan waktu kedatangan yang nantinya akan dibagi menjadi 2 interval, yaitu interval
2 menit dan interval 1,5 menit. Berikut ini adalah hasil data-data yang diperoleh pada saat
pengamatan.
III.1 Data Waktu Kedatangan Server 1
Setelah melakukan pengamatan di pom bensin, maka didapatkan sebuah data waktu
kedatangan pada server 1 sebagai berikut:

Tabel 1. Data Waktu Kedatangan pada Server 1

III.2 Data Waktu Kedatangan pada Server 2

Lalu tidak hanya pada 1 server, kami melakukan pengamatan pada 2 server. Berikut
ini adalah data pengamatan waktu kedatangan pada server 2.

Tabel 1. Waktu Kedatangan pada Server 2

IV. Perhitungan dan Pengujian

A. Poisson 1
i. Poisson 1 Server 1
Setelah melakukan pengamatan di pom bensin, maka didapatkan sebuah data yang sudah
dibagi kedalam interval 2 menit sebagai berikut:

Tabel 1.1 Data Interval 2 Menit pada Server 1 Poisson 1

POISSON SERVER 1 INTERVAL 120 DETIK
NO WAKTU JUMLAH KENDARAAN
1 0 0
2 38.00 – 2.38.00 6
3 2.38.01- 4.38.00 3
4 4.38.01 – 6.38.00 6
5 6.38.01 – 8.38.00 7
6 8.38.01 – 10.38.00 7
7 10.38.01 – 12.38.00 4
8 12.38.01 – 14.38.00 2
9 14.38.01 – 16.38.00 2
10 16.38.01 – 18.38.00 3
JUMLAH 40

Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .
 𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙

40
𝜆𝑡 =
10

𝜆𝑡 = 4

Setelah mengetahui 𝜆𝑡 maka kita dapat menghitung sebuah peluang dari data yang telah
didapatkan.

Nilai mean (𝜇 ) dan variansi (𝜎 2 ) distribusi poisson 1 pada server 1 adalah sebagai berikut:

Mean (𝜇) = 𝜆

𝜇= 4

Variansi (𝜎 2 ) = 𝜆

𝜎2 = 4

FREKUENSI DAN PELUANG TEORITIS SERVER 1 POISSON 1 (INTERVAL 2

MENIT)

Selanjutnya dari data interval 2 menit dihitung kembali untuk mendapatkan frekuensi
teoritis dan peluang teoritis. Hasil dari perhitungan peluang teoritis adalah sebagai berikut:

Tabel 1.2 Frekuensi Teoritis dan Peluang Teoritis

FREKUENSI TEORITIS PELUANG TEORITIS

0 0
1 0.072
2 0.234
3 0.426
4 0.618
5 0.772
6 0.874
7 0.924
8 0.954
9 1
Berikut ini adalah perhitungan peluang teoritis poisson 1 pada server 1 dengan interval
2 Menit:

 Jika x = 0
𝜆𝑡 = 4

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 40
𝑝 (0) =
0!

0,018 x 1
𝑝 (0) =
0!

0,018
𝑝 (0) =
0!

𝑝 (0) = 0,018

 Jika x = 1
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 41
𝑝 (1) =
1!

0,018 x 4
𝑝 (1) =
1!

0,072
𝑝 (1) =
1!

𝑝 (1) = 0,072

𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1) = 0,018 + 0,072

= 0.09

 Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
 𝑒 −4 x 42
𝑝 (2) =
2!

0,018 x 16
𝑝 (2) =
2!

0,288
𝑝 (2) =
2!

𝑝 (2) = 0,144

𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.09 + 0,144

= 0,234

 Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 43
𝑝 (3) =
3!

0,018 x 64
𝑝 (3) =
3!

1,152
𝑝 (3) =
3!

𝑝 (3) = 0,192

𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,234 + 0,192

= 0,426

 Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 44
𝑝 (4) =
4!

0,018 x 256
𝑝 (4) =
4!
 4,608
𝑝 (4) =
4!

𝑝 (4) = 0.192

𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,426 + 0,192

= 0,618

 Jika x = 5
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 45
𝑝 (5) =
5!

0,018 x 1024
𝑝 (5) =
5!

18,432
𝑝 (5) =
5!

𝑝 (5) = 0,154

𝑃 (𝑋 = 4) + 𝑃 (𝑋 = 5) = 0,618 + 0,154

= 0,772

 Jika x = 6
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 46
𝑝 (6) =
6!

0,018 x 4096
𝑝 (6) =
6!

73,728
𝑝 (6) =
6!

𝑝 (6) = 0,102
𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0,772 + 0,102

= 0.874

 Jika x = 7
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 47
𝑝 (7) =
7!

0,018 x 16384
𝑝 (7) =
7!

294,912
𝑝 (7) =
7!

𝑝 (7) = 0,05

𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0.874 + 0,05

= 0.924

 Jika x = 8
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −4 x 48
𝑝 (8) =
8!

0,018 x 65536
𝑝 (8) =
8!

1179.648
𝑝 (8) =
8!

𝑝 (8) = 0,05

𝑃 (𝑋 = 7) + 𝑃 (𝑋 = 8) = 0.924 + 0,03

= 0.954
PERBANDINGAN PELUANG TEORITIS DAN PELUANG EMPIRIS SERVER 1
POISSON 1 (INTERVAL 2 MENIT)

Setelah menghitung peluang teoritis dan peluang empiris pada server 1, maka berikut
ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:

Tabel 1.3 Perbandingan Peluang Teoritis dan Peluang Empiris

PELUANG
NO PELUANG EMPIRIS TEORITIS
1 0 0
2 0.874 0.072
3 1 0.234
4 1 0.426
5 1 0.618
6 1 0.772
7 1 0.874
8 1 0.924
9 1 0.954
10 1 1
Dari hasil tabel
tersebut maka dapat digambarkan secara grafik perbandingan antara peluang teoritis dan
peluang empiris sebagai berikut:

Poisson Server 1 Interval 2 Menit

1.2
1 1 1 1 1 1 1 1
0.924 0.954
1 0.874 0.874
0.772
0.8
0.618
0.6
0.426
0.4
0.234
0.2 0.072
0
0
1 2 3 4 5 6 7 8 9 10
PELUANG EMPIRIS PELUANG TEORITIS

Gambar 2.1 Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 1 Interval
2 menit
 Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritis distribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.

ii. Poisson 1 Server 2

Setelah melakukan pengamatan di pom bensin, maka didapatkan sebuah data yang sudah
dibagi kedalam interval 2 menit pada server 2 sebagai berikut:

Tabel 1.4 Data Interval 2 Menit pada Server 2 Poisson 1

NO WAKTU JUMLAH KENDARAAN
1 0 0
2 20.00 - 2:20.00 4
3 2:20.01 - 4:20.00 4
4 4:20.01 - 6:20.00 4
5 6:20.01 - 8:20.00 1
6 8:20.01 - 10:20.00 2
7 10:20.01 - 12:20.00 2
8 12:20.01 - 14:20.00 6
9 14.20.01 - 16:20.00 2
10 16:20.01 - 18:20.00 11
11 18:20.01 - 20:20.00 4

Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .

𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙

40
𝜆𝑡 =
11

𝜆𝑡 = 3.63

Setelah mengetahui 𝜆𝑡 maka kita dapat menghitung sebuah peluang dari data yang telah
didapatkan.

Nilai mean (𝜇 ) dan variansi (𝜎 2 ) distribusi poisson 2 pada server 2 adalah

Mean (𝜇) = 𝜆

𝜇 = 3.63
Variansi (𝜎 2 ) = 𝜆

𝜎 2 = 3.63

FREKUENSI DAN PELUANG TEORITIS SERVER 2 POISSON 2 (INTERVAL 2

MENIT)

Selanjutnya dari data interval 2 menit dihitung kembali untuk mendapatkan frekuensi
teoritis dan peluang teoritis. Hasil dari perhitungan peluang teoritis adalah sebagai berikut:

Tabel 1. Frekuensi Teoritis dan Peluang Teoritis

Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 2 dengan
interval 2 Menit:

 Jika x = 0

𝜆𝑡 = 3.63

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.630
𝑝 (0) =
0!

0.026 x 1
𝑝 (0) =
0!

0,026
𝑝 (0) =
0!

𝑝 (0) = 0,026

 Jika x = 1

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.631
𝑝 (1) =
1!
 0.026 x 3.63
𝑝 (1) =
1!

0,094
𝑝 (1) =
1!

𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1) = 0,026 + 0,094

= 0.12

 Jika x = 2

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.632
𝑝 (2) =
2!

0.026 x 13.1769
𝑝 (2) =
2!

0,34
𝑝 (2) =
2!

𝑝 (2) = 0,171

𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.12 + 0,171

= 0.291

 Jika x = 3

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.633
𝑝 (3) =
3!

0.026 x 35.937
𝑝 (3) =
3!

0,934
𝑝 (3) =
3!

𝑝 (3) = 0,155
𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,291 + 0,155

𝑝 (3) = 0,446

 Jika x = 4

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.634
𝑝 (4) =
4!

0.026 x 173.630
𝑝 (4) =
4!

4.514
𝑝 (4) =
4!

𝑝 (4) = 0,188

𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,446 + 0,188

= 0,634

 Jika x = 5

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.635
𝑝 (5) =
5!

0.026 x 630.279
𝑝 (5) =
5!

16.387
𝑝 (5) =
5!

𝑝 (5) = 0.136

𝑃 (𝑋 = 4) + 𝑃 (𝑋 = 5) = 0,634 + 0.136

= 0.770

 Jika x = 6
 𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.636
𝑝 (6) =
6!

0.026 x 2287.914
𝑝 (6) =
6!

59.485
𝑝 (6) =
6!

𝑝 (6) = 0.083

𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0.770 + 0.083

= 0,853

 Jika x = 7

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.63 x 3.637
𝑝 (7) =
7!

0.026 x 8305.128
𝑝 (7) =
7!

215.933
𝑝 (7) =
7!

𝑝 (7) = 0.047

𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0,853+ 0.047

= 0.91

PERBANDINGAN PELUANG TEORITIS DAN PELUANG EMPIRIS SERVER 2

POISSON 2 (INTERVAL 2 MENIT)

Setelah menghitung peluang teoritis dan peluang empiris pada server 2, maka berikut
ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:
 Tabel 1.5 Perbandingan Peluang Teoritis dan Peluang Empiris
NO PELUANG EMPIRIS PELUANG TEORITIS
1 0.026 0.026
2 0.634 0.12
3 1 0.291
4 1 0.446
5 1 0.634
6 1 0.77
7 1 0.853
8 1 0.91
9 1 1
10 1 1
11 1 1

Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara
peluang teoritis dan peluang empiris sebagai berikut:

Poisson Server 2 Interval 2 menit

2.5

1.5

0.5

0
1 2 3 4 5 6 7 8 9 10 11

PELUANG EMPIRIS PELUANG TEORITIS

Gambar 2. Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 2 Interval 2
menit

Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritisdistribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.
 B. Poisson 2

Untuk mengetahui banyaknya kedatangan pada interval 1,5 menit, maka kita menghitung
𝜆𝑡 .

𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙

40
𝜆𝑡 =
13

𝜆𝑡 = 3.07

Nilai mean (𝜇 ) dan variansi (𝜎 2 ) distribusi poisson 2 pada server 1 adalah

Mean (𝜇) = 𝜆

𝜇 = 3.07

Variansi (𝜎 2 ) = 𝜆

𝜎 2 = 3.07

FREKUENSI DAN PELUANG TEORITIS SERVER 1 POISSON 2 (INTERVAL 1,5

MENIT)

Selanjutnya data interval 1.5 menit dihitung kembali untuk mengetahui peluang empiris.
Hasil perhitungan peluang empiris dengan x = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 adalah sebagai
berikut.
 Tabel 1.6 Frekuensi Teoritis dan Peluang Teoritis

FREKUENSI TEORITIS PELUANG TEORITIS

0 0.046
1 0.187
2 0.403
3 0.624
4 0.794
5 0.898
6 0.958
7 0.991
8 1
9 1
10 1
11 1
12 1

Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 1 dengan
interval 1,5 Menit:

 Jika x = 0
𝜆𝑡 = 3.07

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.070
𝑝 (0) =
0!

0.046 x 1
𝑝 (0) =
0!

0,046
𝑝 (0) =
0!

𝑝 (0) = 0,046

 Jika x = 1
𝜆𝑡 = 3.07
 𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.071
𝑝 (1) =
1!

0,046 x 3.07
𝑝 (1) =
1!

0,141
𝑝 (1) =
1!

𝑝 (1) = 0,141

𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1)+ = 0,046 + 0,141

= 0,187

 Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.072
𝑝 (2) =
2!

0,046 x 9.425
𝑝 (2) =
2!

0,433
𝑝 (2) =
2!

𝑝 (2) = 0,216

𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0,187 + 0,216

= 0,403

 Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.073
𝑝 (3) =
3!
 0,046 x 28.934
𝑝 (3) =
3!

1.33
𝑝 (3) =
3!

𝑝 (3) = 0.221

𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,403 + 0,221

= 0,624

 Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.074
𝑝 (4) =
4!

0,046 x 88.829
𝑝 (4) =
4!

4.086
𝑝 (4) =
4!

𝑝 (4) = 0.17

𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,624 + 0,17

= 0.794

 Jika x = 6
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −3.07 x 3.076
𝑝 (6) =
6!

0,046 x 837.202
𝑝 (6) =
6!
 38.511
𝑝 (6) =
6!

𝑝 (6) = 0.06

𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0,898 + 0,06

= 0.958

𝑝 (7) = 0.033

𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0,958 + 0,033

= 0.991

PERBANDINGAN PELUANG TEORITIS DAN PELUANG EMPIRIS SERVER 1

POISSON 2 (INTERVAL 1,5 MENIT)

Berikut ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:

Tabel 1.7 Perbandingan Peluang Teoritis dan Peluang Empiris

NO PELUANG EMPIRIS PELUANG TEORITIS
1 0.046 0.046
2 0.898 0.187
3 0.991 0.403
4 1 0.624
5 1 0.794
6 1 0.898
7 1 0.958
8 1 0.991
9 1 1
10 1 1
11 1 1
12 1 1
13 1 1

Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara peluang
teoritis dan peluang empiris sebagai berikut:
 Poisson Server 1 Interval !.5 Menit
2.5
0.991 1 1 1 1 1
0.898 0.958
2 0.794
0.624
0.403
1.5
0.187
0.991 1 1 1 1 1 1 1 1 1 1
0.898
1

0.5
0.046
0.046
0
1 2 3 4 5 6 7 8 9 10 11 12 13

PELUANG EMPIRIS PELUANG TEORITIS

Gambar 2. Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 1 Interval
1,5 menit

Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritisdistribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.
i. Poisson 2 Server 2

Setelah melakukan pengamatan di pom bensin, maka didapatkan sebuah data yang sudah
dibagi kedalam interval 1,5 menit sebagai berikut:

NO WAKTU JUMLAH KENDARAAN

1 0 0
2 20.01 - 1:50.00 3
3 1:50.01 - 3:20.00 4
4 3:20.01 - 4:50.00 4
5 4:50.01 - 6:20.00 3
6 06:20.01 - 7:50.00 1
7 7:50.01 - 9:20.00 1
8 9:20.01 - 10:50.00 2
9 10:50.01 - 12:20.00 1
10 12:20.01 - 13:50.00 3
11 13:50.01 - 15:20.00 3
 Tabel 1.8 Data NO WAKTU JUMLAH KENDARAAN Interval 1,5
Menit pada Server 12 15:20.01 - 16:50.00 2 2
13 16:50.01 - 18:20.00 9
14 18: 20.01 - 19:50.00 4

Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .

𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙

40
𝜆𝑡 =
14

𝜆𝑡 = 2.857

Nilai mean (𝜇 ) dan variansi (𝜎 2 ) distribusi poisson 2 pada server 2 adalah

Mean (𝜇) = 𝜆

𝜇 = 2.857

Variansi (𝜎 2 ) = 𝜆

𝜎 2 = 2.857
FREKUENSI DAN PELUANG TEORITIS SERVER 2 POISSON 2 (INTERVAL 1,5
MENIT)

Selanjutnya data interval 1.5 menit dihitung kembali untuk mengetahui peluang
teoritis. Hasil perhitungan peluang teoritis dengan x = 0, 1, 2, 3, 4 adalah sebagai berikut.

Tabel 1.9 Frekuensi Teoritis dan Peluang Teoritis

PELUANG
FREKUENSI TEORITIS TEORITIS
0 0.057
1 0.226
2 0.458
3 0.901
4 1
5 1
6 1
7 1
8 1
9 1
10 1
11 1
12 1
13 1

Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 2 dengan interval
1,5 Menit:

 Jika x = 0

𝜆𝑡 = 2.857
 𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −2.857 x 2.8570
𝑝 (0) =
0!

0.057 x 1
𝑝 (0) =
0!

0,057
𝑝 (0) =
0!

𝑝 (0) = 0,057

 Jika x = 1

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −2.857 x 2.8571
𝑝 (1) =
1!

0.057 x 2.857
𝑝 (1) =
1!

0,169
𝑝 (1) =
1!

𝑝 (1) = 0,169

𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0,057 + 0,169

= 0.226

 Jika x = 2

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −2.857 x 2.8572
𝑝 (2) =
2!

0.057 x 8.162
𝑝 (2) =
2!
 0,465
𝑝 (2) =
2!

𝑝 (2) = 0,232

𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.226 + 0,232

= 0.458

 Jika x = 3

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −2.857 x 2.8573
𝑝 (3) =
3!

0.057 x23.32
𝑝 (3) =
3!

1.329
𝑝 (3) =
3!

𝑝 (3) = 0.443

𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0.458 + 0.443

= 0.901

 Jika x = 4

𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!

𝑒 −2.857 x 2.8574
𝑝 (4) =
4!

0.057 x 66.625
𝑝 (4) =
4!

3.797
𝑝 (4) =
4!

𝑝 (4) = 0.158

𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0.901 + 0,158
= 1.059

PERBANDINGAN PELUANG TEORITIS DAN PELUANG EMPIRIS SERVER 2

POISSON 2 (INTERVAL 1,5 MENIT)

Berikut ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:

Tabel 1.10 Perbandingan Peluang Teoritis dan Peluang Empiris

NO PELUANG EMPIRIS PELUANG TEORITIS
1 0.057 0.057
2 0.901 0.226
3 1 0.458
4 1 0.901
5 1 1
6 1 1
7 1 1
8 1 1
9 1 1
10 1 1
11 1 1
12 1 1
13 1 1
14 1 1

Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara peluang
teoritis dan peluang empiris sebagai berikut:
 Poisson Server 2 Interval 1.5 menit
2.5
1 1 1 1 1 1 1 1 1 1
0.901
2
0.458
1.5
0.226
1 1 1 1 1 1 1 1 1 1 1 1
0.901
1

0.5
0.057
0.057
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

PELUANG EMPIRIS PELUANG TEORITIS

Gambar 2. Perbandingan Peluang Teoritis dan Peluang Empiris pada Server 2 Interval 1,5
Menit

Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritis terdapat perbedaan yang signifikan antara data empiris dan teoritis.
V. Analisa

Pada praktikum mata kuliah statistika industri ini kami mempelajari distribusi poisson dan
distribusi eksponensial. Kami mengambil data di 2 server dengan interval 2 menit lalu diolah
menjadi 1,5 menit dan diolah menjadi data eksponensial.

1.1.Distribusi Poisson Server I

1.1.1. Distribusi Poisson I Server I
 Poisson Server 1 Interval 2 Menit

1.2
1 1 1 1 1 1 1 1
0.924 0.954
1 0.874 0.874
0.772
0.8
0.618
0.6
0.426
0.4
0.234
0.2 0.072
0
0
1 2 3 4 5 6 7 8 9 10
PELUANG EMPIRIS PELUANG TEORITIS

Gambar 5.1. Perbandingan P Empiris dan P Teoritis pada Poisson I Server I

Pada poisson I server I ini memiliki interval 2 menit dengan server

pertalite. Pada poisson I server I ini kami memproses dan menghitung
𝐹𝑘
peluang teoritis mulai dari 0 sampai 10 dengan rumus ƛ= lalu
𝑛
(𝑒 − ƛ ) ( ƛ)𝑥
dimasukan ke rumus = . Pada hasil yang kami dapatkan peluang
𝑥!

empiris atau peluang aktual sudah terdistribusi secara poisson dengan

sangat baik artinya hasil dari perhitungan peluang teoritis dan peluang
empiris sudah sesuai.

1.1.2. Distribusi Poisson II server I

VI. Penutup
6.1 Kesimpulan
6.2 Saran