BAB 5

DISTRIBUSI PROBABILITAS KONTINU

Secara umum distribusi peluang dibedakan menjadi distribusi peluang

diskrit dan distribusi peluang kontinu. Distribusi peluang diskrit adalah distribusi
peluang untuk variabel acak diskrit (variabel yang dapat memiliki sejumlah nilai
yang bisa dihitung, misalnya himpunan {0, 1, 2, …, 20}) sedangkan distribusi
peluang kontinu adalah distribusi peluang untuk variabel acak kontinu (variabel
yang dapat memiliki nilai tak berhingga, berkaitan dengan titik-titik dalam suatu
interval). (Dergibson Siagian, 2002, 90)
Beberapa ciridistribusi probabilitas kontinu, yaitu :
1. Distribusi ProbabilitasKontinu, yaitu apabila random variabel yang
digunakan kontinu.
2. Probabilitas dihitung untuk nilai dalam suatu interval tertentu.
3. Probabilitas untuk random variabel kontinu (nilai-nilainya dalam suatu
interval), misalkan antara x1 dan x2, didefinisikan sebagai luas daerah di
bawah kurva (grafik) fungsi probabilitas antara x1 dan x2.
(http://repository.binus.ac.id/content/J0204/J020426154.ppt)

Pokok bahasan yang akan disajikan dalam tulisan ini adalah distribusi
probabilitas kontinu, distribusi-distribusi ini sangat berperan pada statistik
inferensial yaitu dalam pengujian hipotesis, pengujian panjang umur (life testing),
teori antrian, teori keandalan (reliability) dan sebagianya. Distribusi yang
termasuk dalam distribusi probabilitas kontinu adalah :
1. Distribusi Beta 8. Distribusi Log Logistic
2. Distribusi Cauchy 9. Distribusi Normal
3. Distribusi Chi-Square 10. Distribusi Log Normal
4. Distribusi Extreme Value 11. Distribusi Pareto
5. Distribusi Gamma 12. Distribusi Student-t
6. Distribusi Eksponensial 13. Distribusi Triang
7. Distribusi Logistic 14. Distribusi Weibull

1. Beta
Distribusi Beta digunakan untuk menentukan probabilitas terjadinya
suatu peristiwa. Distribusi beta juga telah digunakan untuk berbagai macam
aplikasi lain karena memiliki keragaman bentuk, seperti digambarkan dalam
grafik.
Format Beta (α1, α2)
x 1 1 1  x  2
Probability density function (PDF)  1
f x   1
 t 1  t 
1 1  2 1
dt
0
Fungsi distribusi komulatif Bentuk tidak tertutup
Parameter Retriction (batasan) 1  0,  2  0
Riset Pemasaran dan Manajemen Resiko

Domain 0  x 1
Mean (rataan) 1
1   2
Mode 1  1
jika 1  0,  2  0
1   2  2
0,1 jika 1  1,  2  1
0 jika 1  1,  2  1
atau 1  1,  2  1
1 jika 1  1,  2  0
Does not uniquely exist jika
1  1,  2  1
Variansi 1   2
 1   2 2   1   2  1

Gambar 1.1 Distribusi Beta

Jika suatu variable acak berdistribusi Beta(𝛼1 , 𝛼2 ) dengan 𝛼1 = 𝛼2 =
1 maka nilai f(x)-nya akan konstan yaitu sama dengan 1 untuk semua nilai
0 ≤ 𝑥 ≤ 1.
Jika suatu variable acak berdistribusi Beta(𝛼1 , 𝛼2 ) dengan 𝛼1 =
1, 𝛼2 = 2 maka grafiknya akan sama dengan grafik variable acak yang
berdistribusi segitiga kiri. Dimana grafiknya berbentuk linear dengan slope
negative.
Jika suatu variable acak berdistribusi Beta(𝛼1 , 𝛼2 ) dengan 𝛼1 = 2,
𝛼2 = 1 maka grafiknya akan sama dengan grafik variable acak yang
berdistribusi segitiga kanan. Dimana grafiknya berbentuk linear dengan
slope positif.

1
 Riset Pemasaran dan Manajemen Resiko

Gambar 1.2 Distribusi Beta

Untuk suatu variable acak yang berdistribusi Beta dengan parameter
𝛼1 > 1, 𝑑𝑎𝑛 𝛼2 > 1, maka bentuk kurvanya akan condong ke kiri untuk
nilai 𝛼1 < 𝛼2 , sedangkan untuk 𝛼1 > 𝛼2 maka bentuk kurvanya akan
condong ke kanan, dan apabila nilai 𝛼1 = 𝛼2 , maka bentuk kurvanya sama
dengan kurva normal.

Gambar 1.3 Distribusi Beta

2. Cauchy
Format Cauchy (a,b)
Probability density function (PDF) 1

   x    
2

f  x   b 1    
   b   
 
Fungsi distribusi komulatif  x  1
F  x    tan 1 
1 1

2   b 
Parameter Retriction (batasan) b0
Domain  x
Mean (rataan) Does not exist
Mode A
Variansi Does not exist

Distribusi cauchy diperoleh dari rasio dua distribusi Normal. Distribusi ini
digunakan dalam ilmu mesin, teori elektrik, antropologi fisika dan masalah ukuran
dan kalibrasi.

2
 Riset Pemasaran dan Manajemen Resiko

Contoh grafik distribusi cauchy pada gambar 2.

Gambar 2. Distribusi Cauchy

Distribusi tersebut simetris jika nilai b meningkat. Distribusi Cauchy

terkenal karena tidak didefinisikan mean dan variansi.
Distribusi Cauchy jarang digunakan dalam analisis risiko. Distribusi ini
digunakan dalam teori mekanikal dan elektrikal, antropologi fisik dan pengukuran
dan masalah kalibrasi.
3. Chi-Square
Format Chisq (v) atau  2
Probability density function (PDF) v
  1
 x
x  2  exp  
f x    2 
v
v
2 2  
2
Fungsi distribusi komulatif No closed form
Parameter Retriction (batasan) v  0, v adalah integer
Domain x0
Mean (rataan) V
Mode 0 jika v< 2
v -2 untuk yang lain
Variansi 2v

f(x)

0.5

0.25

Gambar 3. Grafik Distribusi Chi-Square

x
2 4 6 8 10
3
 Riset Pemasaran dan Manajemen Resiko

Semakin besar derajat bebasnya, semakin simetri bentuk

kurvanya. Tabel distribusi chi-square diperlukan untuk menduga
besarnya ragam populasi atas dasar sampel yang terambil secara acak.
Selain itu juga banyak digunakan pada statistika non parametrik,
terutama untuk data yang berskala ukur nominal. Cara penggunaan
dan interpretasi tabel chi-square sama dengan tabel t.
4. Extreme Value

Extreme Value Distribution (EVD) atau Distribusi Nilai Extrim

digunakan untuk mengembangkan model probabilistik yang tepat dan
menilai risiko yang disebabkan oleh suatu peristiwa, misalnya ; banjir dan
hujan salju, kecepatan angin/badai , suhu ekstrim, fluktuasi dan nilai tukar.
Nilai-nilai extrim variabel random juga merupakan variabel random dengan
distribusi variabel random tersebut bergantung pada jumlah atau ukuran
sampel dan distribusi variabel random tempat asal variabel nilai extrim
tersebut diperoleh.

Format Extvalue (a,b)

Probability density function (PDF) 1  xa
f x     exp   
b  b 
  x  a 
exp  exp   
  b 
Fungsi distribusi komulatif   x  a 
F ( x)  exp  exp   
  b 
Parameter Retriction (batasan) b> 0
Domain   x  
Mean (rataan) a  b' 1
n 
Dimana ' n   ,
n
' (1)  0.57721
Mode a
Variansi b 2 2
6

4
Riset Pemasaran dan Manajemen Resiko

Gambar 4.Distribusi Nilai Ekstrim

5
 Riset Pemasaran dan Manajemen Resiko

5. Gamma
Distribusi gamma dan eksponensial berperan penting dalam teori antrian
dan teori keandalan (reliability). Jarak antara waktu tiba di fasilitas pelayanan
(misalnya bank dan loket), dan lamanya waktu sampai rusaknya suatu suku
cadang. Distribusi gamma mendapat namanya dari fungsi gamma yang sudah
diketahui sebelumnya. Sebelum membahas distribusi gamma terlebih dahulu akan
dibahas fungsi gamma dan beberapa sifatnya. (Ronald & Raymond, 1995, 189)

Fungsi gamma akan dipakai dalam mendefinisikan distribusi gamma.

Definisi :
Fungsi Gamma didefinisikan sebagai :

    x  1e  x dx ; Untuk   0
0

Format Gamma (  ,  )
Probability density function (PDF)  x
  x  1 exp  
f x     
 
Fungsi distribusi komulatif Bentuk tidak tertutup
Parameter Retriction (batasan)   0,   0
Domain x0
Mean (rataan) 
Mode    1 jika   1
0 jika   1
Variansi  2

Grafik distribusi gamma diperlihatkan pada gambar 5 untuk beberapa

nilai tertentu parameter α dan β.

Gambar 5. Distribusi Gamma

6
 Riset Pemasaran dan Manajemen Resiko

Semakin besar nilai α maka bentuk kurvanya semakin mendekati

bentuk normal (simetris).
6. Eksponensial
Format Expon (  )
Probability density function (PDF)  x
exp  
  
f x  

Fungsi distribusi komulatif  x
F x   1  exp  
  
Parameter Retriction (batasan)  0
Domain x0
Mean (rataan) 
Mode 0
Variansi 2
Grafik distribusi eksponensial dapat dilihat pada gambar 6.

Gambar 6. Distribusi Eksponensial

Distribusi gamma dengan α = 1 disebut distribusi eksponensial.
Dengan demikian pada distribusi eksponensial grafiknya dapat dibentuk
dengan mengubah nilai β. Dari contoh grafik di atas, dengan mensubsitusi
nilai β=1 sampai dengan β=5 semuanya kontinu ke nol.

7. Logistic
Distribusi logistic merupakan distribusi dengan pendekatan tengah
dari berbagai himpunan variabel yang memiliki distribusi yang sama. Hal
ini populer dalam pemodelan demografi dan ekonomi. Fungsi kumulatif
juga telah digunakan sebagai model untuk 'kurva pertumbuhan'.

7
Riset Pemasaran dan Manajemen Resiko

Gambar 7. Distribusi Logistik

Fungsi distribusi komulatif

Distribusi logistik mengambil namanya dari fungsi distribusi

kumulatif (cdf), yang merupakan contoh dari keluarga fungsi logistik.

F x ;  , s  
1

 x 
1 e s
1 1 x
  tanh  
2 2  2s 

(http://en.wikipedia.org/wiki/Logistic_distribution)

Fungsi kepadatan peluang

Fungsi kepadatan peluang dari distribusi logistic:


 x 
s
f  x;  , s  
e
2
 
 x 

s 1  e  s  
 
 
1 x
 sec h 2  
4s  2s 

Karena fungsi kepadatan peluangnya dapat dinyatakan dalam bentuk

kuadrat dari "sech" sekan hiperbolik fungsi, maka distribusi logistic biasa
juga disebut sebagai distribusi Sech-Squared.

Mean

8
Riset Pemasaran dan Manajemen Resiko

Mean = E(X)


x 
 s
xe
E[ x]  
  
x

2
dx

s 1  e s 

 

x x
  4s sec h  dx
2

  2s 

Substitusi

x 1
u , du  dx
2s 2s

2 su  
E[ x]  

2
sec h 2 (u ) du

 

 s  u sec h 9u ) du  2
 sec h
2
(u ) du

2 

Perhatikan fungsi ganjil:



 u sec h (u ) du  0
2



 
E[ X ]   sec h u  du  2 2  
2

2 

Sehingga diperoleh 𝑀𝑒𝑎𝑛 = 𝜇

Variansi

Order ke-n momen pusat dapat dinyatakan dalam bentuk fungsi kuantil

   x    dF x

E X    
n n



 
1
  F 1  p    dp
n

0
n
  p 
1
 s  ln 
n
 dp
0  
1  p 

Variansi = 𝐸[(𝑋 − 𝜇)2 ]

9
 Riset Pemasaran dan Manajemen Resiko

1
𝐸[(𝑋 − 𝜇)2 ] = 𝑠 2 𝜋 2 (22 − 2)|𝐵2 |, di mana 𝐵2 = 6

1
= 𝑠 2 𝜋 2 (4 − 2) | |
6
1 2 2
= 𝑠 𝜋
3

Format Logistic (𝛼, 𝛽)

Probability density function (PDF) z
f ( x)  ,
 1  z 2
Dimana :
 x  
z  exp   
  
Fungsi distribusi komulatif 1
F ( x) 
1 z
Parameter Retriction (batasan)  0
Domain   x  
Mean (rataan) a
Mode a
Variansi  2 2
3

8. Log Logistic
Dalam probabilitas dan statistik, distribusi log-logistik (dikenal
sebagai distribusi Fisk dalam ekonomi) adalah distribusi probabilitas
kontinu untuk suatu variabel acak non-negatif. Hal ini digunakan dalam
analisis survival sebagai model parametrik untuk acara-acara yang
meningkatkan laju awalnya dan kemudian menurun, untuk mortalitas
misalnya dari kanker berikut diagnosis atau perawatan. Ini juga telah
digunakan dalam model hidrologi aliran sungai dan curah hujan, dan
ekonomi sebagai model sederhana dari distribusi kekayaan atau pendapatan.

10
Riset Pemasaran dan Manajemen Resiko

Gambar 8. Distribusi Log Logistik

Distribusi loglogistik adalah distribusi probabilitas dari variabel acak
yang logaritmanya berdistribusi logistik. Hal ini mirip dengan bentuk
distribusi lognormal, tetapi memiliki ekor lebih berat. Fungsi distribusi
kumulatifnya dapat ditulis dalam bentuk tertutup, tidak seperti lognormal.
(http://siregarpanompuan.blog.com/statistik/)

Format Loglogistic (𝛾, 𝛽, 𝛼)

Probability density function (PDF)  1
 x  
  
f ( x)    
 2
  x   
 1    
    
Dimana :
 x  
z  exp   
  
Fungsi distribusi komulatif 1
F ( x)  
 x  
1   
  
Parameter Retriction (batasan)   0,   0
Domain x
Mean (rataan)    csc , jika   1
Dimana :



Mode 1
   1 
    , jika   1
  1

11
 Riset Pemasaran dan Manajemen Resiko

0 , untuk yang lain

Variansi   2 csc2    csc 2  ,
2

jika  2
9. Normal
Distribusi probailitas kontinyu yang terpenting di bidang statistik
adalah distribusi normal. Grafiknya disebut kurva normal, berbentuk
lonceng seperti gambar 9.1. Distribusi ini ditemukan oleh Karl Friedrich
(1777-1855) yang juga disebut distribusi Gauss. Peubah acak X yang
bentuknya seperti lonceng disebut peubah acak normal dengan persamaan
matematik distribusi probabilitas yang bergantung pada paramerter 𝜇
(mean) dan 𝜎 (simpangan baku) dinyatakan 𝑁(𝑋, 𝜇, 𝜎) .
(http://202.91.15.14/upload/files/2529_Bab_6_Distribusi_kontinyu.ppt)

Gambar 9.1.Kurva Normal

Distribusi normal sering digunakan untuk menjelaskan variasi dari

variabel alami, misalnya ketinggian laki-laki Eropa dewasa, panjang depa,
dan sebagainya. Distribusi normal juga sering digunakan dalam teori
statistik untuk distribusi kesalahan, misalnya dalam analisis regresi kuadrat
terkecil dan dalam teori keuangan untuk distribusi arus kas dan
pengembalian. Distribusi ini sangat berguna dalam teori keuangan karena
jumlah dan selisih antara dua distribusi normal bisa didistribusikan dengan
parameter yang dapat ditentukan dari teorema limit pusat.

Distribusi Normal memiliki domain seluruh bilangan real, yaitu dari

(−∞, ∞) , sehingga kadang tidak sesuai untuk digunakan pada variabel
seperti berat, panjang, waktu dan sebagainya, di mana nilai negatif adalah
tidak rasional.

12
Riset Pemasaran dan Manajemen Resiko

Fungsi kepadatan peluang peubah acak normal X, dengan rataan𝜇 dan

variansi𝜎 2 adalah :

1 𝑥−𝜇 2
𝑓(𝑥) = 𝑁(𝑥; 𝜇, 𝜎) = 𝑒𝑥𝑝 {− ( ) } ; −∞ < 𝑥 < ∞
√2𝜋𝜎 2 2𝜎

Bila ,  dan  diketahui, maka seluruh kurva normal diketahui.

Pada gambar 9.2 memperlihatkan dua kurva normal dengan

simpangan baku yang sama tapi mean berbeda. Gambar 9.3
memperlihatkan beberapa kurva yang mempunyai mean sama tetapi
simpangan baku bebeda. Gambar 9.4 memperlihatkan kurva normal
dengan mean dan simpangan baku yang berbeda.

Gambar 9.2Kurva normal dengan simpangan baku yang sama

Gambar 9.3Kurva normal dengan mean yang sama

13
Riset Pemasaran dan Manajemen Resiko

Gambar 9.4Kurva normal dengan mean dan simpangan baku yang bebeda

Bukti bahwa rataan dan variansinya masing-masing  dan  2

Mean

Mean = E(X)
∞ ∞
1 1 𝑥−𝜇 2
{− ( ) }
𝐸(𝑋) = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥. 𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎 2
−∞ −∞

𝑥−𝜇
Dengan subtitusi𝑧 = dan 𝑑𝑥 = 𝜎𝑑𝑧, diperoleh
𝜎

∞
1 1
{− 𝑧 2 }
𝐸(𝑋) = ∫(𝜇 + 𝜎𝑧)𝑒 2 𝑑𝑧
√2𝜋
−∞

∞ ∞
𝜇 1
{− 𝑧 2 } 𝜎 1
{− 𝑧 2 }
= ∫𝑒 2 𝑑𝑧 + ∫ 𝑧𝑒 2 𝑑𝑧
√2𝜋 √2𝜋
−∞ −∞

= 𝜇. 1 + 0

=𝜇

Variansi

Variansi = 𝐸[(𝑋 − 𝜇)2 ]

∞ ∞
1 1 𝑥−𝜇 2
2] 2 {− ( ) }
𝐸[(𝑋 − 𝜇) = ∫(𝑥 − 𝜇) 𝑓(𝑥)𝑑𝑥 = ∫(𝑥 − 𝜇)2 𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎 2
−∞ −∞

14
 Riset Pemasaran dan Manajemen Resiko

∞
𝜎2 1
{− 𝑧 2 }
= ∫ 𝑧2𝑒 2 𝑑𝑧
√2𝜋
−∞

= 𝜎 2 (0 + 1)

= 𝜎2
𝑥−𝜇
Perhatikan peubah acak𝑧 = , jika𝜇 = 0 dan𝜎 2 = 1, maka
𝜎

1 1
𝑓(𝑧) = 𝑁(𝑧; 0,1) = 𝑒𝑥𝑝 {− 𝑧 2 } ; −∞ < 𝑥 < ∞
√2𝜋 2

merupakan fungsi normal dengan mean 0 dan variansi 1. Distribusi peubah

acak normal dengan mean 0 dan variansi 1disebut distribusi normal baku.

Dari uraian di atas dapat diperoleh:

Format Normal (𝜇, 𝜎)𝑜𝑟𝑁(𝜇, 𝜎)
Probability density function (PDF) 1   x   2 
f ( x)  exp   

2 2  2 2 
Fungsi distribusi komulatif No Closed Form
Parameter Retriction (batasan)  0
Domain   x  
Mean (rataan) µ
Mode µ
Variansi σ2

10. Log Normal

Dalam teori probabilitas, log-distribusi normal merupakan distribusi
probabilitas dari variabel acak yang logaritmanya adalah berdistribusi
normal. Jika X adalah variabel acak dengan distribusi normal, maka 𝑌 =
𝑒𝑥𝑝 (𝑋)berdistribusi lognormal, juga jika Y adalah berdistribusi lognormal,
maka log (Y) adalah berdistribusi normal. Distribusi lognormal biasa
disebut sebagai distribusi Galton atau Galton Distribusi.
(http://siregarpanompuan.blog.com/statistik/)

15
Riset Pemasaran dan Manajemen Resiko

Gambar 10. Distribusi Log Normal

Distribusi lognormal berguna untuk pemodelan variabel yang terjadi
secara alami yang merupakan produk dari sejumlah variabel lain yang
terjadi secara alami. Sebagai contoh, volume gas dalam cadangan minyak
bumi sering didistribusikan dengan distribusi lognormal karena merupakan
produk dari daerah pembentukan, ketebalan, tekanan formasi, porositas dan
rasio gas cair. Dalam keuangan, jangka panjang diskon dapat diturunkan
dari jangka pendek faktor diskon.

16
 Riset Pemasaran dan Manajemen Resiko

Format Lognormal (𝜇, 𝜎)

Probability density function (PDF) 1  ln x  1 2 
f ( x)  exp   

2 1
2
x 21  
2

Dimana :
 2 
1  ln  
  2  2 
 
 2  2 
 1  ln  
 
2

Fungsi distribusi komulatif No Closed Form
Parameter Retriction (batasan)   0,   0
Domain x0
Mean (rataan) µ
Mode 
exp 1   1
2

Variansi σ2

11. Pareto
Distribusi Pareto pada awalnya digunakan untuk model jumlah orang
dengan penghasilan minimal x, tetapi sekarang digunakan untuk model
variabel apapun yang memiliki nilai minimal, dan yang kepadatan
peluangnya menurun secara geometris menuju nol .
Penggunaan jelas dari Pareto adalah untuk klaim asuransi. Kebijakan
asuransi ditulis sehingga tidak layak mengklaim di bawah nilai tertentu (a).

17
 Riset Pemasaran dan Manajemen Resiko

3
Pareto (2,2)

2
Pareto (3,4)

2 4 6 8

Gambar 11. Distribusi Pareto

Grafik Distribusi Pareto memiliki bentuk seperti grafik eksponensial,
miring ke kanan (slopenya negative). Dari grafik terlihat, semakin besar
nilai x, maka nilai f(x) semakin kecil dan nilai f(x)-nya konvergen ke 0.
Format Pareto (𝜃, 𝑎)
Probability density function (PDF) 𝜃𝑎𝜃
𝑓(𝑥) = 𝜃+1
𝑥

Cumulative distribution function 𝑎 𝜃

𝐹(𝑥) = 1 − ( )
𝑥
Parameter Retriction (batasan) 𝜃 > 0, 𝑎 > 0
Domain 𝑎≤𝑥
Mean (rataan) 𝑎𝜃
jika 𝜃 > 1
𝜃−1
Mode 0
Variansi 𝑎2 𝜃
(𝜃−1)(𝜃−2)
jika 𝜃 > 1

18
 Riset Pemasaran dan Manajemen Resiko

12. Student-t
Format Student (v)
Probability density function (PDF)  v  1
 
f ( x)   2 
v 1

 v  x 
2 2
v   1  
 2  v 

Fungsi distribusi komulatif

𝑣−3
2
1 1 𝑥 𝑥 √𝑣 𝑎𝑗
+ [𝑡𝑎𝑛−1 ( ) + . ∑ ] 𝑗𝑖𝑘𝑎𝑣𝑔𝑎𝑛𝑗𝑖𝑙
2 𝜋 √𝑣 𝑣 + 𝑥2 𝑥2 𝑗
𝑗=0 (1 + )
𝑣
𝐹(𝑥) = 𝑣−2
2
1 𝑥 𝑏𝑗
𝐹(𝑥) = +( ). ∑ 𝑗𝑖𝑘𝑎𝑣𝑔𝑒𝑛𝑎𝑝
2 2√𝑣 + 𝑥 2 𝑥2 𝑗
{ 𝑗=0 (1 + )
𝑣

2𝑗
𝑑𝑖𝑚𝑎𝑛𝑎𝑎𝑗 = ( )𝑎 𝑎0 = 1
2𝑗 + 1 𝑗−1
2𝑗 − 1
𝑏𝑗 = ( ) 𝑏𝑗−1 𝑏0 = 1
2𝑗

Parameter Retriction (batasan) v adalah bilangan bulat positif

Domain x> 0
Mean (rataan) 0 jika v> 1
Mode 0
Variansi v
jika v.2
v2

Gambar 12. Distribusi Student-t

19
 Riset Pemasaran dan Manajemen Resiko

Dari grafik di atas terlihat bahwa bentuk kurva t itu simetris. Tapi,
bentuknya lebih mendatar (puncaknya lebih rendah) dan ekornya lebih lebar
daripada kurva normal. Bila ukuran individu sampel bertambah besar,
distribusi pada tabelt mendekati distribusi normal. Kenyataan ini dapat
dilihat pada tabel t mendekati distribusi Normal adalah tidak terdapatnya
hubungan antara S dan x ( hubungan ini hanya terdapat pada distribusi yang
tidak Normal). Tabel distribusi t banyak digunakan untuk mendug
parameter 𝜇 , dan pengujian nilai tengah perlakuan. Penggunaan tabel t
berbeda dengan tabel Z. pada tabel Z , nilai Z di tempatkan pada sisi tabel
dan peluangnya ditempatkan pada bagian dalam tabel. Sebaliknya, pada
tabel t, nilai t merupakan derajat bebas. Nilai derajat bebas bergantung pada
besarnya ukuran sampel.

13. Triang
Sifat-sifat peluang dari distribusi triangular seperti fungsi densitas
peluang, fungsi distribusi kumulatif, ekspektasi, variansi, fungsi pembangkit
momen, fungsi karakteristik, momen, bentuk kemiringan dan keruncingan
kurva distribusi triangular. contoh penerapan dari distribusi triangular
mengenai peluang waktu penyelesaian pembangunan suatu proyek.

Distribusi segitiga (Triangular Distribution)

1. Distribusi segitiga kiri ( Left triangular distribution)
2. Distribusi segitiga kanan ( Right triangular distribution)
Berikut tabel 1 akan menunjukkan perbedaan antara distribusi segitiga kiri
dan kanan
Tabel 1. Perbedaan Distribusi Segitiga
Distribusi Segitiga (a,b,c)

Distribusi Segitiga Kiri Distribusi Segitiga Kanan

Jika b = a Jika b = c

2(𝑐 − 𝑥) 2(𝑥 − 𝑎)
;𝑎 < 𝑥 < 𝑐 ;𝑎 < 𝑥 < 𝑐
𝑓(𝑥) = { (𝑐 − 𝑎)2 𝑓(𝑥) = { (𝑐 − 𝑎)2
0; 𝑙𝑎𝑖𝑛𝑦𝑎 0; 𝑙𝑎𝑖𝑛𝑦𝑎

20
Riset Pemasaran dan Manajemen Resiko

Format Triang (min, most_likely, max)

Probability density function (PDF) 2( x  a)
f ( x)  , jika a  x  b
(b  a)(c  a)
2(c  a)
f ( x)  , jika b  x  c
(c  a)(c  b)
Dimana :
a = min, b = most likely, c = max

Fungsi distribusi komulatif F(x)=0 jika x<0

F ( x)  1 
x  a 2 jika a  x  b
(b  a )(c  a )

F ( x) 
c  x 2 jika b  x  c
c  a c  b 
F ( x)  1 jika c  x
Parameter Retriction (batasan) abc
Domain axc
Mean (rataan) abc
3
Mode B
Variansi a 2  b 2  c 2  ab  ac  bc
18

Gambar 13. Distribusi Triang

Distribusi triangular merupakan salah satu distribusi peluang kontinu
dengan 3 parameter yaitu nilai minimum a dengan a   ,  , nilai
maksimum b dengan b > a dan nilai yang paling mungkin m dengan
a  b  c . Lambang dari distribusi ini adalah Tr a, b, c . Misalkan X adalah
suatu peubah acak yang berdistribusi Triangular dengan parameter a , b,
dan c, maka X dapat ditulis dengan lambang X ~Tr a, b, c .

21
 Riset Pemasaran dan Manajemen Resiko

14. Weibull
Distribusi Weibull ini diperkenalkan oleh ahli fisikawan swedia
Waloddi Weibull pada tahun 1939. Grafik distribusi weibull untuk 𝛼 = 1
dan berbagai nilai parameter 𝛽dilukiskan pada gambar

Gambar 14. Distribusi Weibull

Perubah acak kontinyu X berdistribusi Weibull dengan parameter

𝛼𝑑𝑎𝑛𝛽
fungsi padatan peluangnya berbentuk:
 x  1e x ; x  0
f ( x)  
 0 ; x yang lain
Dengan   0 dan   0
Jika 𝛽 = 1 maka distribusi weibull menjadi distribusi eksponensial.
Jika 𝛽 > 1 maka kurvanya mirip lonceng dan menyerupai kurva normal
tetapi agak mencong.

Format Weibull  ,  
Probability density function (PDF)
  1
  x  
f ( x)   x exp    
    

Fungsi distribusi komulatif   x  

F ( x)  1  exp    
    
Parameter Retriction (batasan)   0,   0
Domain x> 0
Mean (rataan)  1
 
  
Mode 1
  1
  Jika   1
  
0 Jika   1
Variansi 2   2 1  1 
2


  
2    
         

22
 Riset Pemasaran dan Manajemen Resiko

Seperti distribusi gamma dan eksponensial, distribusi weibull juga dipakai

pada persoalan keandalan dan pengujian panjang umur seperti waktu sampai rusak
(panjang umur) suatu komponen, diukur dari suatu waktu tertentu sampai rusak.

DAFTAR PUSTAKA

Siagian, Dergibson. 2002. Metode Statistika untuk Bisnis dan Ekonomi.Jakarta :

PT. Gramedia Pustaka Utama.

Walpole, Ronald E& Raymond H Myers, 1995. Ilmu Peluang untuk Insinyur dan
Ilmuwan. Bandung : ITB.

http://repository.binus.ac.id/content/J0204/J020426154.ppt. Tanggal Akses : 25

November 2010. Jam 09:45.
http://202.91.15.14/upload/files/2529_Bab_6_Distribusi_kontinyu.ppt. Tanggal
Akses 26 November 2010. Jam 12:51.

http://siregarpanompuan.blog.com/statistik/. Tanggal Akses: 26 November 2010.

Jam 14:12.

http://en.wikipedia.org/wiki/Logistic_distribution. Tanggal Akses: 28 November

2010. Jam 14:12.

http://www.brighton-webs.co.uk/distributions/triangular.asp. Tanggal Akses : 28

November 2010. Jam 11.00.

http://siregarpanompuan.blog.com/statistik/. Tanggal Akses :26 November 2010.

Jam 15:35.

23
 Riset Pemasaran dan Manajemen Resiko

BAB 6

MEMBANGUN MODEL ANALISIS RESIKO

Sebelum bab ini dimulai, harus diketahui tahapan dalam pemodelan`

analisis resiko yaitu :

1. Identifikasi dan kuantifikasi ketidakpastian/resiko yang akan terjadi.

2. Memperkirakan dampaknya terhadap hasil yang diperoleh.
3. Membangun model analisis resiko yang mengungkapkan unsure-unsur
dalam bentuk kuantitatif.
4. Mengeksplorasi model melalui analisis simulasi dan sensitivitas.
5. Membuat keputusan manajemen resiko yang dapat membantu menghadapi
resiko.

Dengan aturan tersebut akan menghasilkan model yang akurat dan

realistis dalam menghindari masalah besar dalam perusahaan. Misalkan,
kesalahan yang sangat umum adalah mencoba untuk menghasilkan model yang
dengan menghitung rata-rata dari jawaban daripada membuat sebuah model dari
jawaban terbanyak. Untuk ilustrasi sederhana, pertimbangkan model variabel (X)
yang memiliki peluang sebesar 60% menjadi Normal (100,33) dan peluang
sebesar 40% menjadi Normal (70,5). Ilustrasi tadi bisa salah dimodelkan sebagai
berikut:

X = Normal (100,33) * 0.6 + Normal (70,5) * 0,4 (a)

Yang benar seharusnya :

X = Diskrit ({Normal (100,3), Normal (70,5)}, {0.6,0.4}) (b)

24
 Riset Pemasaran dan Manajemen Resiko

Gambar 6.1 menggambarkan hasil dari dua model. Rumus (a) jelas salah karena
menghasilkan nilai yang tidak dapat terjadi.

6.1 Apakah Mungkin untuk Memodelkan Masalah ?

Rintangan pertama untuk mendapatkan analisis resiko adalah

menentukan struktur model. Dalam keadaan tertentu, secara sederhana tidak
mungkin untuk memikirkan struktur model yang cukup meliputi masalah. Dalam
keadaan demikian, analis (yang menganalisis) tidak dapat mendekati masalah
dengan model ini dan harus mencari alternatif lain.

Hambatan yang kedua untuk mengatasi adalah menghitung variabel-

variabel dalam model dan hubungan antar variabel tersebut. Sekali lagi, dalam
keadaan tertentu, hal ini mungkin tidak dapat dilakukan, dalam hal ini analis harus
mencari pendekatan lain.

6.2 Jenis-Jenis Model Analisis Risiko

Ada beberapa software yang dapat digunakan untuk menjalankan simulasi

Monte Carlo, yang paling umum adalah spreadsheet dan alat-alat perencanaan
proyek, diagram pengaruh, pohon keputusan (spanning tree) dan juga model
antrian

Pada bagian di fokuskan pada model analisis resiko dengan menggunakan

SpreadSheet karena dua alasan yaitu :

a. Spreadsheet lebih umum digunakan, terutama akibat dari popularitas

program Risiko dan Crystal Ball.
b. Spreadsheet sangat fleksibel dan memungkinkan analisis, untuk mengatasi
berbagai masalah pemodelan.

Pada bab 10 analisis resiko proyek menggunakan spreadsheet untuk

rencana proyek. Meskipun ada software yang tersedia untuk menjalankan simulasi

25
 Riset Pemasaran dan Manajemen Resiko

Monte Carlo untuk rencana proyek, tapi tidak ada yang menyadari tingkat
fleksibilitas yang ditawarkan oleh software spreadsheet jauh lebih tinggi.

6.3 Perancangan Model Spreadsheet

Desain setiap model spreadsheet sangat bergantung pada suatu masalah yang
akan dipecahkan. Ada beberapa hal yang digunakan untuk merancang model
spreadsheet:

1. Model ini dirancang untuk memberikan jawaban atas pertanyaan

2. Pemodelan yang dinamis. Analisis model resiko yang dinamis dan
memerlukan jangkauan yang lebih luas dari keterampilan pemodelan dengan
memperkirakan titik keseimbangan. Rumus yang berhubungan dengan
variabel-variabel dalam suatu model analisis risiko yang harus jauh lebih
kuat untuk memastikan bahwa variabel-variabelnya bekerja untuk semua
kemungkinan kombinasi dari semua nilai dari variabel-variabel yang tidak
pasti. Hal ini tidak mudah. Bab 7 sampai 11 dari buku ini, pembaca harus
dapat memastikan modelnya.
3. Disagregasi, sifat dinamis dari suatu model analisis risiko umumnya akan
memerlukan pemecahan masalah menjadi lebih sederhana. Proses ini
dikenal sebagai pemilahan dan dibahas secara lebih mendalam dalam bab 7
dan 8, yang berhubungan dengan pemodelan ketidakpastian variabel, input
dari data pengamatan dan pendapat para ahli. Sebagai panduan umum,
model harus dipilah sebanyak yang diperlukan dengan dua tujuan: untuk
mengungkapkan suatu logika yang signifikan antara variabel input, dan
untuk masing-masing model variabel yang tidak pasti diperlukan untuk
pemodelan yang efisien yang modelnya lebih disaggegasikan, dan
memerlukan waktu analisis yang lebih lama.

Variabel harus dipecah sehingga setiap komponen memiliki efek yang

sama pada output ketidakpastian. Untuk model aditif atau multiplikatif
sederhana (model yang sederhana atau mengalikan semua variabel pasti),
variabel dapat dianggap merata dipilih jika memiliki varian yang kurang
lebih sama (atau standar deviasi)

4. Model dengan satu variabel. Model analisis risiko sering membutuhkan

satu variabel yang muncul dalam beberapa rumus dalam model. Sebuah
kesalahan yang sangat umum adalah meniru rumus ketidakpastian di
variabel pada model yang diperlukan. Misalnya rumus beta yang sama (beta
(5,6)) digunakan di setiap model, tidak peduli bahwa itu muncul lebih dari
satu tempat.pada distribusi bebas yang sampelnya secara acak pada
simulasi, beberapa nilai dari variabel yang sama akan digunakan dalam
setiap iterasi tunggal, yang jelas melanggar aturan utamanya. Untuk
mendapatkan putaran ini, setiap variabel pasti harus diwakili hanya sekali
dalam spreadsheet dan setiap sel lainnya yang perlu, nilainya harus
membuat referensi ke sel di mana distribusi berada.

26
Riset Pemasaran dan Manajemen Resiko

27
 Riset Pemasaran dan Manajemen Resiko

6.4 Memasukkan Kejadian Langka Dalam Sebuah Model

Hal menarik dalam model analisis risiko adalah memasukkan kejadian
langka yang akan memiliki dampak yang sangat besar. Misalnya, memasukkan
risiko gempa besar dalam model biaya proyek konstruksi Sydney. Benar, gempa
bisa terjadi dan efeknya sangat besar, tetapi pada umumnya sedikit yang bisa
diperoleh dengan memasukkan tingkat kejadian dalam model umum.
Tingkat kejadian di sini didefinisikan sebagai suatu peristiwa yang
memiliki probabilitas rendah tetapi dampak berpotensi tinggi terhadap hasil
analisis risiko. Misalnya, pengaruh gempa atau banjir pada proyek konstruksi,
pengaruh tabrakan terhadap kinerja sebuah kapal, atau pengaruh pengenalan
penyakit eksotis pada industri pertanian. Bagian ini melihat apakah dengan
memasukkan kejadian langka ke dalam model akan menggambarkan
ketidakpastian umum masalah.

6.4.1 Dapatkah Kejadian Langka Dimodelkan secara Bijaksana?

Dampak yang diharapkan dari sebuah peristiwa langka ditentukan oleh dua
faktor, yaitu kemungkinan yang akan terjadi dan jika hal itu terjadi, distribusi
dampak yang mungkin akan diakibatkan. Sebagai contoh, kita dapat menentukan
bahwa ada sekitar 1 gempa yang sangat besar dari 50.000 gempa, itu akan
menimbulkan kerusakan antara ratusan sampai jutaan pound.
Salah satu cara untuk menentukan probabilitas adalah dengan melihat
frekuensi masa lalu dan mengasumsikan bahwa akan mewakili masa depan. Ini
mungkin bisa berguna jika kita mampu mengumpulkan data yang cukup besar dan
dapat dipercaya. Data gempa bumi di New World, misalnya, hanya berlaku
selama dua atau tiga ratus tahun. Bagian 7.6.2 menawarkan tentang bagaimana
memperkirakan probabilitas kejadian langka berdasarkan frekuensi yang diamati.
Metode lain, yang biasa digunakan dalam bidang-bidang seperti keandalan
tenaga nuklir, adalah untuk memecahkan masalah tersebut ke dalam komponen.
Untuk sebuah ledakan yang terjadi di stasiun tenaga nuklir, potensi bahaya yang
terjadi dan serangkaian perangkat keselamatan akan gagal bersama-sama.
Kemungkinan ledakan adalah produk dari kemungkinan kondisi awal yang
diperlukan untuk ledakan dan probabilitas masing-masing perangkat keselamatan
gagal. Metode ini juga telah diterapkan di epidemology dimana otoritas pertanian
telah berusaha untuk menentukan risiko pengenalan penyakit eksotik. Analisis ini
biasanya berusaha untuk memetakan berbagai alur pemikiran tentang hewan
terkontaminasi atau produk hewan yang bisa masuk ke dalam suatu negara dan
kemudian menginfeksi ternak di negara itu. Dalam beberapa kasus, struktur dari
masalah ini relatif sederhana dan probabilitasnya dapat dihitung.

6.4.2 Haruskah kejadian langka digabungkan kedalam model analisis resiko?

Kesalahan yang sangat umum adalah memasukkan kejadian langka dalam
model analisis risiko terutama yang berkaitan dengan ketidakpastian umum dari
masalah. Misalnya, Membangun sebuah model untuk memperkirakan berapa lama

28
 Riset Pemasaran dan Manajemen Resiko

waktu yang dibutuhkan untuk mengembangkan aplikasi software untuk pelanggan

:merancang, coding, pengujian, dan sebagainya. Model akan diselesaikandalam
setiap pengujian dan estimasi peluang diambil dari setiap pengujian. Kemudian
akan menjalankan program simulasi untuk menemukan pengaruh total dari semua
ketidakpastian tersebut. Disini tidak termasuk dalam analisis seperti pengaruh
pesawat menabrak kantor atau Manajer tidak menyelesaikan proyek. Kita bisa
mengenali risiko dan menyimpan file-file back-up di lokasi yang terpisah atau
membuat aturan ketat kepada manajer proyek ketika menandatangani kontrak, tapi
tidak akan memperoleh pemahaman yang lebih besar dari proyek.Sebagai contoh
lain, mempertimbangkan proyek pengeboran minyak yang diperkirakan
menghasilkan keuntungan Lognormal (100,5) Milyar. Namun, ada kemungkinan
kecil (sekitar 1:100) bahwa pengeboran ini akan menghasilkan kecelakaan
lingkungan yang akan biaya perusahaan Lognormal (1000,50) Milyar.

6.5 Analisis risiko perangkat lunak

Ada berbagai produk perangkat lunak analisis risiko yang ada terutama
untuk PC. Bagian ini menggambarkan produk add-in ke spreadsheet, serta
beberapa produk terkait yang sangat berguna. Daftar proyek perangkat lunak
analisis resiko ini diberikan dalam bab 10.

6.5.1 @ RISK
Produk ini (diucapkan “at risk”), awalnya dikembangkan untuk
digunakan dengan Lotus 1-2-3, juga tersedia untuk excel. Analisis risiko telah
menjadi populer karena dalam ukuran besar untuk perangkat lunak ini. Memiliki
set fitur yang paling canggih dari semua paket spreadsheet analisis resiko, namun
tetap mudah digunakan.@RISK diproduksi oleh perusahaan palisade, 31 Decker
Road, Newfield, NY 14867, USA. Tel: (+1) 607 277 8000. Dua Produk
pendamping @RISK, yaituBestFit dan RISKview Pro, yang jelaskan di bawah,
menawarkan kombinasi yang sangat kuat yang tidak tertandingi pada saat ini
dibandingkan dengan perangkat lunak lainnya.

6.5.2 Crystal Ball

Crystal Ball memiliki banyak fitur yang sama dengan @RISK. Hal ini
sedikit lebih murah (pada saat menulis) dan berjalan sebagai add-in untuk Excel.
Ini tidak memiliki beberapa kecanggihan @RISK dimana pembaca akan
menemukan batasannya dari melaksanakan beberapa teknik yangditawarkan
dalam buku ini. Namun, Cristal Ball juga menawarkan beberapa fitur user-
friendly, termasuk antarmuka grafis cukup rapi untuk merancang distribusi input
yang akan menarik bagi para pemula analisis risiko. Crystal Ball diterbitkan oleh
Decisioneering, Inc, 1380 Lawrence Street, Suite 520, denver, Colorado 80204,
USA. Tel: (1) 303 292 2291.
6.5.3 Predict!
Predict! adalah produk yang berdiri sendiri dengan perusahaan memiliki built-in
spreadsheet. Predict! jauh lebih mahal (pada saat menulis) dibanding@RISK.
Predict! Menggunakan format yang berbeda untuk formula dan tidak memiliki

29
 Riset Pemasaran dan Manajemen Resiko

banyak kecanggihan spreadsheet modern yang @RISK dan Crystal Ball

manfaatkan. Di sisi lain, Predict! bisa jadi berguna bagi seseorang yang belum
diinvestasikan dalam sebuah program spreadsheet. Predict! diterbitkan oleh Risk
Decisions Ltd, 27 Park End Street, Oxford, OX1 1HU, UK. Tel: (+44) 1865
727025.
6.5.4 BestFit
Ini adalah sebuah aplikasi Windows yang berdiri sendiri yang menentukan
distribusi fitting terbaik untuk satu set data. Diterbitkan oleh perusahaan Palisade,
yang mengembangkan @RISK,BestFit terhubung dengan @RISK, Penawaran
output dalam standar format @RISK. Data dapat disisipkan melalui clipboard
windows dari aplikasi lain atau diketik secara langsung. Data dapat diberikan
dalam tiga bentuk: data point dan frekuensi relatif atau kumulatif. Aplikasi ini
sangat baik untuk pengetahuan, produk yang unik tetapi harus digunakan dengan
hati-hati. Bab 7 membahas penggunaan dalam beberapa detail.

6.5.5 Riskview dan Riskview Pro

Riskview adalah aplikasi lain windows yang berdiri sendiri dari perusahaan
Palisade yang juga berhubungan erat dengan @RISK. Riskview dan Riskview
Pro digunakan untuk melihat salah satu distribusi peluang yang tersedia di
@RISK. Distribusi dapat dipilih pada layar dan parameternya dirubah untuk
melihat pengaruh pada bentuk distribusi. Hal ini memungkinkan pengguna untuk
menginterogasi distribusi untuk menemukan probabilitaspada setiap nilai yang
dipilih dengan hanya menggerakkan kursor sepanjang sumbu-x. Riskview Pro
menyediakan kemampuan tambahan untuk menggambar distribusi probabilitas di
layar, mengubah sekitar dan kemudian dimasukkan langsung ke spreadsheet
sebagai distribusi umum. Oleh karena itu merupakan bantuan yang sangat baik
untuk pendapat ahli eliciting dari distribusi variabel. Penggunaannya dibahas
secara rinci dalam bab 8.
DAFTAR PUSTAKA

Vose, David. 1996. Quantitative Risk Analysis: A Guide to Monte Carlo

Simulation Modelling. New York: John Wiley & Sons,Ltd.

30