BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Baik di dalam dunia engineering, ekonomi, sosial budaya maupun dunia
teoritis (termasuk dunia komputer tentunya), kita sering menghadapi suatu yang
sering disebut sebagai “ketidakpastian”. Ketidakpastian terjadi akibat keterbatasan
manusia itu sendiri di dalam dunianya dalam mengukur / menghitung / menalar /
melamar sesuatu hal yang lebih baik yang akan datang maupun yang ada di depan
mata, termasuk yang telah terjadi. Sudah sejak awal dari awal zaman,
ketidakpastian diantisipasi manusia dengan berbagai cara. Ada yang bersifat
prophecy dan supranatural, ada pula yang lebih rasional dengan mempelajari
periodisitas (pengulangan) gejala alam untuk mengurangi tingkat ketidakpastian
itu hingga sampai ke tingkat yang lebih manageble. Namun, ketidakpastian itu
tetap mewarnai kehidupan manusia karena ketidakpastian itu mungkin menjadi
faktor pemicu dinamika roda kehidupan itu sendiri. Dengan kata lain, walau
ketidakpastian itu seringkali menjadi sumber kesulitan, tetapi juga sekaligus
merupakan blessing. Teori probabilitas bisa dikatakan merupakan salah satu ilmu
untuk “mengukur” ketidakpastian hingga ke tingkat yang lebih manageble dan
predictable. Teori probabilitas digunakan bukan hanya untuk hal-hal yang praktis,
bahkan juga untuk hal-hal yang teoritis ketika model-model matematis tidak dapat
lagi disusun secara komprehensif untuk memecahkan suatu masalah. Apalagi
dunia engineering yang pada umumnya memerlukan pertimbangan yang lebih
singkat dan pragmatis sangat mengandalkan konsep-konsep di dalam teori
probabilitas. Metode statistika adalah “muka” dari teori probabilitas. Metode
statistika digunakan untuk melakukan pengukuran kuantitatif yang aproksimatif
akan suatu hal. Konsep metodologis yang digunakan di dalam metode statistika
dikembangkan berdasarkan teori probabilitas. Dalam penggunaannya, hasil
pengukuran statistika sudah dapat dianggap memadai. Namun, untuk memahami
apa yang ada dibalik angka-angka hasil perhitungan statistika tersebut

1
memerlukan pemahaman mengenai model probabilitas yang digunakannya, yang
artinya perlu kembali ke teori probabilitas.

1.2 Tujuan
a. Dapat mengetahui pengertian distribusi geometrik
b. Dapat mengetahui pengertian distribusi hipergeometrik
c. Dapat mengetahui pengertian distribusi poison
d. Dapat mengetahui dan mengerjakan contoh soal tentang distribusi
geometri, hipergeometri dan poison.

1.3 Rumusan Masalah

a. Apa yang dimaksud dengan distribusi geometrik ?
b. Apa yang dimaksud dengan distribusi hipergeometrik ?
c. Apa yang dimaksud denga distribusi poison ?
d. Bagaimana cara menyelesaikan permasalahan yang berkaitan tentang
distribusi geomtrik, hipergeometrik dan poison ?
 BAB II
LANDASAN TEORI

2.1 Pengertian Distribusi Geometri

Distribusi geometrik adalah kasus khusus dari distribusi binomial negatif
untuk k=1, yaitu distribusi peluang banyaknya usaha yang diperlukan untuk
mendapatkan sukses pertama. Dengan kata lain distribusi ini mewakili suatu
kejadian random hingga sukses yang pertama kali terjadi. diberikan Fungsi
distribusi probabilitas geometrik :
f(x) = g (x;p) = pqx-1; untuk x = 1,2,3...
p dan q adalah parameter (probabilitas sukses dan gagal). Rata-rata dan variansi
distribusi probabilitas geometrik adalah :
1 𝑞
𝛼= ∫2 =
𝑝 𝑝2

Misalkan kita melakukan percobaan yang menghasilkan kejadian sukses dan

gagal, dengan peluang sukses adalah p dan gagal adalah q (q = 1 – p). Misalkan
kita melakukan pengulangan sampai diperoleh kejadian sukses yang pertama.
Kasus ini disebut distribusi geometri. Bisa juga kita ambil contoh dari lulus ujian
kenaikan tingkat. Kita akan terus mengikuti ujian berkali-kali jika belum berhasil
lulus. Tetapi sekali saja kita dinyatakan lulus, maka selesailah prosesnya. Dan
kejadian berburu juga bisa sebagai perwakilan kejadian yang digambarkan oleh
Distribusi Geomtri. Peluru dari senjata pemburu akan terus dihamburkan hingga
akhirnya buruannya berhasil ketembak. Kalau sudah berhasil ditembak, maka
tidak ada lagi peluru yang di hamburkan.
Secara konsep distribusi geometri mewakili sebuah percobaan random yang :
1. Dilakukan berulang – ulang
2. Antar ulangannya saling bebas
3. Probabilitas sukses pada tiap ulangannya sama, yaitu p dimana 0 < p < 1
4. Percobaan ini dilakukan/diulang sampai diperoleh 1 buah sukses.
Ruang sampel dari percobaan ini adalah : C = {S,GS,GGS,GGGS,GGGGS,...}.
dimana S = sukses, G = Gagal.

3
2.1.1 Fungsi, Rataan dan Variasi Distribusi Probabilitas Geometrik
1. CDF ( Commulative Distribution Function )
P (X ≤ x ) = P (X = 1) + P(X = 2 ) + ... + P(X = x)
= p + qp + q2p + ... + qx-1p
2. Rataan dan Variansi
a. Rataan
E(X) = ∑∞
𝒙=𝟏 𝒙. 𝒑𝒒
𝒙−𝟏

= (p+ 2pq + 3pq2 + ... )

Misalkan kedua sisi dikali dengan “q” ,maka
q E(X) = (pq + 2pq2 + 3pq3 + ...)
kurangkan E(X) dengan qE(X).maka
E (X) = (p + 2pq + 3pq2 + 4pq3 + ...)
Q E (X) =( pq + 2pq2 + 3pq3 + ...) -
E (X) – qE(X) = (p + pq + pq2 + pq3 + ...)
Karena ∑ 𝑥 P ( X=x ) = 1
Maka E(X) – qE(X) =1
E(X) (1-q) =1
1
E (X) = 1−𝑞
1
E (X) =𝑝

b. Mencari E(X2)
E [ X (X – 1 )] =∑∞
𝑥=1(𝑥 – x) P (X = x)
2

–
=∑∞
𝑥=1(𝑥
2
x) pqx-1
= (1 . 0 . p + 2 . pq + 6 pq2 + ...)
Kalikan kedua sisi dengan “q” , maka
qE [ X (X – 1) ] = (1 . 0 . pq + 2 . pq2 + 6 pq3 + ...)
kurangkan E [ X (X – 1) ] dengan qE [X(X – 1) ] maka,
kurangkan E [ X (X – 1) ] dengan qE [X(X – 1) ] maka,
E [ X (X – 1) ] = (1.0.p + 2 .pq + 6 . pq2 + ...)
qE [X(X – 1) ] =( 1. 0 . pq + 2 . pq2 + ...) -
E [ X(X – 1 ) ] – qE [X(X – 1)] = (2pq + 4pq2 + ...)
 E [ X(X – 1)] (1 – q ) = (2pq + 4pq2 + ...)
Karena p = 1 – q maka ,
E [ X(X – 1 ) ] p = 2q (q + 2pq + 3pq2 + ...)
E [ X(X – 1 ) ] p = 2q E(X)
E [ X(X – 1 ) ] p =2q / p
E [ X(X – 1 ) ] = 2q / p2
E (X2 – X ) = 2q / p2
E (X2) – E (X) = 2q / p2
E(X2) = (2q / p2) + E (X)
E(X2) = (2q / p2) + 1/p
E(X2) =1+q
P2
atau dengan cara menurunkan MGF nya,
𝑝𝑒 2
MGF : 1− 𝑞𝑒 𝑡

u= 𝑝𝑒 𝑡 v = 1 − 𝑞𝑒 𝑡
du = 𝑝𝑒 𝑡 𝑑𝑡 dv = − 𝑞𝑒 𝑡 𝑑𝑡
𝑝𝑒 𝑡 (1−𝑞𝑒 𝑡 )−𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
Mx(t) = (1− 𝑞𝑒 𝑡 )2

𝑝𝑒 𝑡 −𝑝𝑞𝑒 2𝑡 +𝑝𝑞𝑒 2𝑡
= (1−𝑝𝑒 𝑡 )2

𝑝𝑒 𝑡
=(1−𝑞𝑒 𝑡)2

u = 𝑝𝑒 𝑡 v = ( 1 − 𝑞𝑒 2 )2
du = 𝑝𝑒 𝑡 𝑑𝑡 dv = −2𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )𝑑𝑡

5
 c. Variansi

3. MGF

Keterangan : menggunakan rumus geometri tak berhingga

2.2 Pengertian Distribusi Hipergeometrik
Jika samping dilakukan tanpa pengambilan dari kejadian sampling yang
diambil dari populasi dengan kejadian-kejadian terbatas, proses Bernoulli tidak
dapat digunakan, karena ada perubahan secara sistematis dalam probabilitas
sukses seperti kejadian-kejadian yang diambil dari populasi. Jika pengambilan
sampling tanpa pengambilan digunakan dalam situasi sebaliknya dengan
memenuhi syarat Bernoulli,distribusi hipergeometrik adalah distribusi probabilitas
diskrit yang tepat.
Jika X melambangkan jumlah sukses dalam sample, N melambangkan
jumlah kejadian dalam populasi, XT melambangkan jumlah sukses dalam
populasi, dan n jumlah sample, formula untuk menentukan probabilitas
hipergeometrik adalah : P(XIN,Xi,N) = n.xtCn-x . xtCx : nCn. Dapat disimpulkan
bahwa distribusi hipergeometrik adalah distribusi probabilitas diskrit dari
sekelompok objek yang dipilih tanpa pengembalian.
2.2.1 Karakteristik Distribusi Hipergeometrik
Eksperimen hipergeometrik memiliki karakteristik sebagai berikut :
1. Sebuah sampel random berukuran n diambil tanpa pengembalian dari N
item (populasi).
2. k dari N item dapat diklasifikasikan sebagai sukses dan N – k
diklasifikasikan sebagai gagal.
Jumlah sukses yang terjadi dalam suatu eksperimen hipergeometrik
disebut dengan variabel random hipergeometrik dan distribusi probabilitas
dari variabel random ini disebut dengan distribusi hipergeometrik.
2.2.2 Istilah Dalam Distribusi Hipergeometrik
Misalkan dalam sebuah populasi berukuran N benda, terdapat 2 jenis
sampel yang berbeda, benda yang sukses/berhasil diberi label “k” dan
benda yang gagaldiberi label “N – k”, maka sebaran peluang bagi peubah
acak hipergeometrik X, yang menyatakan banyaknya keberhasilan dalam
contoh acak berukuran n, adalah :
Keterangan :

7
 N = Total populasi atau sampel
k = jumlah benda yang diberi label “berhasil” yang tersedia
n = jumlah percobaan atau jumlah sampel yang dipilih
x = jumlah kejadian yang sukses
sedangkan dalam populasi N benda terdapat lebih dari 2 jenis
sampel yang berbeda, maka sebaran peluang bagi peubah acak
hipergeometrik X, yang menyatakan banyaknya keberhasilan dalam
contoh acak berukuran n, adalah :
Keterangan :
N = k1 + k2 + k3 + ... + kn
X = x1 + x2 + x3 + ... + xn
n = jumlah sampel yang dipilih.
2.2.3 Rumus-rumus Distribusi Hipergeomtrik
1. Nilai mean distribusi hipergeomtrik
Rataan atau nilai mean (µ) dari suatu distribusi hipergeomtrik
dapat diperoleh dengan rumus : µ = n.kN
Keterangan :
µ = mean (rata-rata)
2. Nilai harapan distribusi hipergeometrik
Nilai harapan distribusi hipergeometrik adalah jumlah dari semua
hasil perkalian antara nilai variabel random dengan nilai probabilitas
hipergeometrik dari nilai tersebut. Yang dirumuskan sebagai berikut :
E(X) = X.P(X).
2.2.4 Penggunaan Distribusi Hipergeometrik
Distribusi hipergeometrik dapat diaplikasikan pada banyak bidang,
misalnya pada penerimaan sampel (acceptance sampling), pengujian
elektronik, dan pengendalian kuliatas (quality control) dari suatu hasil
produksi. Dalam banyak bidang ini, pengujian dilakuakan terhadap barang
yang diuji yang dapat akhirnya barang uji tersebut menjadi rusak, sehingga
tidak dapat dikembalikan. Jadi, pengembalian sampel harus dikerjakan
 tanpa pengembalian. Berikut beberapa aplikasi distribusi hipergeometrik
dalam kehidupan sehari-hari :
1. Kita dapat mengetahui jumlah barang yang rusak dalam sampel acak
dari sejumlah kiriman.
2. Jumlah permen yang diambil dari dalam kotak dengan rasa tertentu.
3. Aplikasi dalam pendidikan seperti dalam penyelidikan pendapat
umum/survey.

2.3 Pengertian Distribusi Poison

Distribusi poisson diturunkan dari distribusi binomial, yaitu pada kasus
khusus dimana banyak perulangan eksperimennya relatif besar (secara matematik
dinotasikan 𝑛 → ∞), dan probabilitas kejadian yang menjadi fokus perhatian
relatif kecil (secara matematik dinotasikann 𝜃 → 0). Penurunan fungsi poisson
diperoleh dari fungsi peluang binomial, dengan menggunakan pemisalan: 𝑛 ∙ 𝜃 = 𝜆
𝜆
sehingga 𝜃 = 𝑛 .
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi,
ditemukan oleh S.D. Poisson (1781-1841), seorang ahli matematika bangsa
Prancis. Distribusi poisson termasuk distribusi teoritis yang memakai variabel
random diskrit. Distribusi poisson adalah distribusi nilai-nilai bagi suatu variabel
random X(Xdiskrit), yaitu sebanyak hasil percobaan yang terjadi dalam suatu
interval waktu tertentu atau suatu daerah tertentu.
Distribusi poisson memiliki ciri-ciri sebagai berikut:
1. Banyaknya percobaan yang terjadi dalam suatu interval waktu atau suatu
daerah tertentu tidak tergantungpada banyak nya hasil percobaan yang
terjadipada interval waktu atau daerah lain yang terpisah.
2. Probabilitas hasil percobaan yang terjadi selama suatu interval waktu
yang singkat atau daerah yang kecil, sebanding dengan panjangnya
waktu atau besarnya daerah tersebutu dan tidak tergantung pada
banyaknya hasil percobaan yang terjadi diluar waktu atau daerah
tersebut.

9
 3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval
waktu yang singkat atau dalam daerah yang kecil dapat diabaikan.

Selain memiliki ciri, distribusi poisson juga mempunyai karakteristik yang

sama dengan distribusi binomial, namun mempunyai :
1. Total seluruh kejadian (percobaan) yang sangat besar (lebih dari 50),
serta
2. Probabilita hasil kejadian yang sangat kecil (0,1 = 10 persen atau lebih
kecil).
Distribusi ini secara luas banyak dipakai terutama dalam proses simulasi,
seperti proses kedatangan, proses antrian dll. Jumlah X dari keluaran yang terjadi
selama satu percobaan Poisson disebut Variabel random Poisson, dan distribusi
probabilitasnya disebut distribusi Poisson.
Bila x menyatakan banyaknya sukses yang terjadi ,  adalah rata-rata banyaknya
sukses yang terjadi dalam interval waktu atau daerah tertentu, dan e = 2,718 ,
maka rumus distribusi poisson adalah :
𝑥
𝜆 𝑒−𝜆
𝑃(𝑋 = 𝑥) =
𝑥!
Probabilitas terjadinya suatu kedatangan yang mengikuti proses poisson,
dirumuskan:
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
P (X = x) =
𝑥!
Keterangan :
𝜆 = tingkat kedatangan rata-rata per satuan waktu
t = banyaknya suatu waktu
x = banyaknya kedatangan dalam t satuan waktu
Jika terdapat probabilitas dari poisson yang lebih dari satu, maka
probabilitas tersebut dinamakan dengan probabilitas poisson kumulatif.
Probabilitas poisson dapat dihitung dengan rumus:
𝜆𝑥 𝑒−𝜆
PPK = ∑𝑛𝑥=0 𝑥!

= ∑𝑛𝑥=0 𝑃 (𝑋 = 𝑥)
 = P (X = 0) + P(X = 1) + P(X = 2) +...+ P(X = n)
Beberapa sifat dari distribusi poisson dapat dilihat pada tabel dibawah ini:
Mean => µ=λ=n.p
Varian => σ2 = λ = n . p

Deviasi Standar => σ = √λ

Koefisien Momen σ3 =
1
=> √λ
Kemiringan
Koefisien Momen σ4 =
1
=> √λ
Kurtosis
Tabel sifat distribusi poisson.
Pada kenyataannya, dapat diperlihatkan bahwa distribusi poisson akan mendekati

distribusi normal bervariabel standar (X - A) √λ seiring dengan semakin

besarnya λ.

11
 BAB III
PEMBAHASAN

3.1 Contoh Soal Distribusi Geometrik

1.

2. Dalam suatu proses produksi diketahui bahwa rata-rata di antara 100 butir
hasil produksi 1 yang cacat. Berapakah peluang bahwa setelah 5 butir yang
diperiksa baru menemukan cacat pertama ?
Jawab :
Gunakan distribusi geometrik dengan x = 5 dan p = 0,01, maka diperoleh
g(5 ; 0,01) = (0,01)(0,99)4
= 0,0096
3. Pada waktu sibuk suatu sentral telepon hampir mencapai batas daya
sambungnya, sehingga orang tidak mendapat sambungan. Ingin diketahui
banyaknya usaha yang diperlukan agar mendapat sambungan. Misalkan p
= 0,05 peluang mendapat sambungan selama waktu sibuk. Kita ingin
mencari peluang bahwa diperlukan 5 usaha agar sambungan berhasil
Jawab :
Dengan menggunakan distribusi geometrik dengan x = 5 dan p = 0,05
diperoleh
P(X = x) = g(5; 0,05) = (0,05)(0,95)4
 = 0,041
3.2 Contoh Soal Distribusi Hipergeometrik
1. Dalam sebuah kotak terdapat 7 bola yang 3 diantaranya berwarna merah.
Jika dari dalam tersebut diambil 3 bola secara acak, hitunglah peluang
terambilnya bola tersebut terdapat:
a. satu bola berwarna merah?
b. dua bola bewarna merah?
c. ketiga-tiganya berwarna merah?
d. tidak ada bola berwarna merah?
Jawab :
Dari soal tersebut diketahui N=7,N=7, k=3k=3 dan n=3,n=3, dengan
demikian maka
a. satu bola berwarna merah

b. dua bola berwarna merah

c. ketiga-tiganya berwarna merah

13
 d. tidak ada warna merah

2. Sebuah perusahaan ingin menilai cara pemeriksaan yang sekarang dalam

pengiriman 50 barang yang sama. Cara ini dengan mengambil sampel
sebesar 5 dan lolos pemeriksaan bila berisi tidak lebih dari 2 yang cacat.
Barapa proporsi pengiriman yang mengandung 20 % cacat akan lolos
pemeriksaan.
Jawab :
Dari 50 barang yang diperiksa diketahui jumlah yang cacat (k) = 10 dan
yang tidak cacat (N-k) =40. Barang akan lolos pemeriksaan apabila dari 5
yang diperiksa (n) terdapat yang cacat (x) = 0,1 atau 2.
3.3 Contoh Soal Distribusi Poison
1. Jika kedatangan orang satu bank mengikuti Proses poisson dengan rata-
rata 20 orang permenit, tentukan :
i) Probabilitas dalam selang waktu 1 jam ada 100 orang yang datang!
ii) Probabilitas ada 50 orang dating dalam interval waktu 10.00 – 10.15
jika diketahui bahwa antara interval waktu 09.00 – 10.00 orang yang
datang!
Penyelesaian:
Diketahui
λ = 20 0rang /menit
t = 1 jam = 60 menit
i) P(N(60)=100)=((20x60) 100 . e-20x60)/100!
ii) P(N(15)=50) N(60)=100) =( P(N(15) =50, N(60)=100))/P(N60)=100)
= P(N(15)=50)
= ((20x15) 50. e-20x60))/50!
2. Kedatangan pelanggan {x(t)} dalam sebuah swalayan diasumsikan
mengikuti proses poisson dengan rate λ = 4 orang perjam.
Swalayan buka 09.00 tentukan probanilitastepat satu pelanggan dating
pada 09.30 dan total 5 pelanggan pada 11.30!
Penyelesaian
Diketahui
09.00 -> 09.30 =1/2 jam
09.00 -> 11.30 = 3/2 jam
P(x(1/2)=1 dan x(3/2)=5) = P(x(1/2) dan x(3/1).(x(1/2)=4)
= P(x(1/2)=1). P (x(2)=4)
= (4. 1/2) 1.e-2/1! . (4.2) 1 . e-8/4!

15
 DAFTAR PUSTAKA

Manfaat, Budi. 2016. Pengantar Teori Probabilitas. Cirebon: Eduvision.

Hasan, Iqbal. 2012. Pokok-pokok Materi Statistika 2 (Statistika Inferensif). Jakata:
PT Bumi Aksara.
Spiegel, Murray R. 2004. Schaum’s Easy Outline Statistik. Jakarta: Erlangga.
Spiegel, Murray R & Stephens, Larry J. 2004. Schaum’s Outline (Teori dan Soal-
soal). Jakarta: Erlangga.
Harinaldi. 2005. Prinsip-prinsip untuk Teknik dan Sains. Jakarta: Erlangga.
Lind, Douglas A,. Marchal, William G & Wathen, Samuel A. 2007. Teknik-teknik
Statistika dalam Bisnis dan Ekonomi Menggunakan Kelompok Data Global.
Jakarta: Salemba Empat.