PROBABILITAS

PENGERTIAN PROBABILITAS

        Probabilitas atau Peluang adalah suatu ukuran tentang kemungkinan suatu

peristiwa (event) akan terjadi di masa mendatang. Probabilitas dapat juga
diartikan sebagai harga angka yang menunjukkan seberapa besar kemungkinan
suatu peristiwa terjadi, di antara keseluruhan peristiwa yang mungkin
terjadi. Probabilitas dilambangkan dengan P.

Ada tiga hal penting dalam probabilitas, yaitu:

1. Percobaan adalah pengamatan terhadap beberapa aktivitas atau proses

yang memungkinkan timbulnya paling sedikit 2 peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.
2. Hasil adalah suatu hasil dari sebuah percobaan.
3. Peristiwa adalah kumpulan dari satu atau lebih hasil yang terjadi pada
sebuah percobaan atau kegiatan.

MANFAAT PROBABILITAS
       Manfaat probabilitas dalam kehidupan sehari-hari adalah membantu kita
dalam mengambil suatu keputusan, serta meramalkan kejadian yang mungkin
terjadi. Jika kita tinjau pada saat kita melakukan penelitian, probabilitas memiliki
beberapa fungsi antara lain:

1. Membantu peneliti dalam pengambilan keputusan yang lebih tepat.

2. Dengan teori probabilitas kita dapat menarik kesimpulan secara tepat atas
hipotesis yang terkait tentang karakteristik populasi.
3. Mengukur derajat ketidakpastian dari analisis sampel hasil  penelitian dari
suatu populasi.

PENDEKATAN PROBABILITAS 
Ada 3 (tiga) pendekatan konsep untuk mendefinisikan probabilitas dan
menentukan nilai-nilai probabilitas, yaitu :

1. Pendekatan Klasik

     Pendekatan klasik didasarkan pada sebuah peristiwa mempunyai kesempatan

untuk terjadi sama besar (equally likely). Probabilitas suatu peristiwa kemudian
dinyatakan sebagai suatu rasio antara jumlah kemungkinan hasil dengan total
kemungkinan hasil (rasio peristiwa terhadap hasil).

Probabilitas suatu peristiwa = Jumlah kemungkinan hasil / Jumlah total

kemungkinan hasil Jika ada a kemungkinan yang dapat terjadi pada kejadian A
dan ada b kemungkinan yang dapat terjadi pada kejadian A, serta masing-masing
kejadian mempunyai kesempatan yang sama dan saling asing, maka
probabilitas/peluang bahwa akan terjadi a adalah:

(A) = a/a+b ; dan peluang bahwa akan terjadi b adalah:  P (A) = b/a+b

Contoh:
Pelamar pekerjaan terdiri dari 10 orang pria (A) dan 15 orang wanita (B). Jika
yang diterima hanya 1, berapa peluang bahwa ia merupakan wanita?

Jawab: P (A) = 15/10+15 = 3/5.

       2. Pendekatan Relatif

     Besarnya probabilitas suatu peristiwa tidak dianggap sama, tetapi tergantung

pada berapa banyak suatu peristiwa terjadi dari keseluruhan percobaan atau
kegiatan yang dilakukan. probabilitas dapat dinyatakan sebagai berikut :

Probabilitas kejadian relatif = Jumlah peristiwa yang terjadi / Jumlah total

percobaan atau kegiatan.

Jika pada data sebanyak N terdapat a kejadian yang bersifat A, maka

probabilitas/peluang akan terjadi A untuk N data adalah: P (A) = a/N

Contoh:

Dari hasil penelitian diketahui bahwa 5 orang karyawan akan terserang flu pada
musim dingin. Apabila lokakarya diadakan di Puncak, berapa probabilitas terjadi
1 orang sakit flu dari 400 orang karyawan yang ikut serta?

Jawab: P (A) = 5/400 = P (A) = 1/80.

          3. Pendekatan Subjektif

     Besarnya suatu probabilitas didasarkan pada penilaian pribadi dan dinyatakan

dalam derajat kepercayaan. Penilaian subjektif diberikan terlalu sedikit atau tidak
ada informasi yang diperoleh dan berdasarkan keyakinan.

DISTRIBUSI PROBABILITAS

       Kunci aplikasi probabilitas dalam statistik adalah memperkirakan terjadinya

peluang/probabilitas yang dihubungkan dengan terjadinya peristiwa tersebut
dalam beberapa keadaan. Jika kita mengetahui keseluruhan probabilitas dari
kemungkinan outcome yang terjadi, seluruh probabilitas kejadian tersebut akan
membentuk suatu distribusi probabilitas.
 1. Distribusi Binomial (Bernaulli)

     Distribusi Binomial atau distribusi Bernoulli (ditemukan oleh James Bernoulli)

adalah suatu distribusi teoritis yang menggunakan variabel random diskrit yang
terdiri dari dua kejadian yang berkomplemen, seperti sukses-gagal, ya-tidak, baik-
cacat, sakit-sehat dan lain-lain.
Ciri-ciri distribusi Binomial adalah sebagai berikut:

1. Setiap percobaan hanya memiliki dua peristiwa, seperti ya-tidak, sukses-

gagal.
2. Probabilitas suatu peristiwa adalah tetap, tidak berubah untuk setiap
percobaan.
3. Percobaannya bersifat independen, artinya peristiwa dari suatu percobaan
tidak mempengaruhi atau dipengaruhi peristiwa dalam percobaan lainnya.
4. Jumlah atau banyaknya percobaan yang merupakan komponen percobaan
binomial harus tertentu.

Simbol peristiwa Binomial = b (x,n,p)

     Ketarngan :
         b = binomial
         x = banyaknya sukses yang diinginkan (bilangan random)
         n = Jumlah trial
         p = peluang sukses dalam satu kali trial.

 2. Distribusi Poisson

    Distibusi Poisson merupakan distribusi probabilitas untuk variabel diskrit acak

yang mempunyai nilai 0,1, 2, 3 dst. Distribusi Poisson adalah distribusi nilai-nilai
bagi suatu variabel random X (X diskrit), yaitu banyaknya hasil percobaan yang
terjadi dalam suatu interval waktu tertentu atau disuatu daerah tertentu. Fungsi
distribusi probabilitas diskrit yang sangat penting dalam beberapa aplikasi praktis.

   Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat

menjelaskan dengan sangat memuaskan terhadap probabilitas Binomial b(X│n.p)
untuk X= 1,2,3 …n. namun demikian, untuk suatu kejadian dimana n sangat besar
(lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil seperti 0,1
atau kurang, maka nilai binomialnya sangat sulit dicari. Suatu bentuk dari
distribusi ini adalah rumus pendekatan peluang Poisson untuk peluang Binomial
yang dapat digunakan untuk pendekatan probabilitas Binomial dalam situasi
tertentu. Contoh Distribusi Poisson:
 1. Disuatu gerbang tol yang dilewati ribuan mobil dalam suatu hari akan
terjadi kecelakaan dari sekian banyak mobil yang lewat.
2. Dikatakan bahwa kejadian seseorang akan meninggal karena shock pada
waktu disuntik dengan vaksin meningitis 0,0005. Padahal, vaksinasi
tersebut selalu diberikan kalau seseorang ingin pergi haji.

Percobaan Poisson memiliki ciri-ciri berikut :

1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari
hasil percobaan di selang waktu dan tempat yang lain terpisah.
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang
waktu dan luas tempat percobaan terjadi. Hal ini berlaku hanya untuk
selang waktu yang singkat dan luas daerah yang sempit.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu
selang waktu dan luasan tempat yang sama diabaikan.

Distribusi poisson banyak digunakan dalam hal:

1. Menghitung Probabilitas terjadinya peristiwa menurut satuan waktu, ruang

atau isi, luas, panjang tertentu, saeperti menghitung probabilitas dari:
Kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak
oleh bank. Jumlah pelanggan yang harus antri pada pelayanan rumah sakit,
restaurant cepat saji atau antrian yang panjang bila ke ancol.Banyaknya
bintang dalam suatu area acak di ruangangkasa atau banyaknya bakteri
dalam 1 tetes atau 1 liter air. Jumlah salah cetak dalam suatu halaman
ketik. Banyaknya penggunaan telepon per menit atau banyaknya mobil
yang lewat selama 5 menit di suatu ruas jalan. Distribusi bakteri di
permukaan beberapa rumput liar di ladang. Semua contoh ini merupakan
beberapa hal yang menggambarkan tentang suatu distribusi Poisson.
2. Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p kecil
(p<0,1).

Jika kita menghitung sejumlah benda acak dalam suatu daerah tertentu T, maka
proses penghitungan ini dilakukan sebagai berikut :

1. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S,

yaitu ECount(S)= λ S. Di sini melambangkan ukuran S, yaitu panjang,
luas, volume, dan lain lain. Parameter λ > 0 menggambarkankan intensitas
proses.
2. Menghitung di daerah terpisah adalah bebas.
3. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah
kecil adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran
menjadi kecil.
   3. Distribusi Normal
   
     Distribusi Normal adalah salah satu distribusi teoritis dari variable random
kontinu. Distribusi Normal sering disebut distribusi Gauss.
Rumus Distribusi Normal :
∫ (x) = -≈ < x > ≈  = 0
           -≈ < μ > ≈ π = 3,14 e = 2,71828

       Agar lebih praktis, telah ada tabel kurva normal dimana tabel ini
menunjukkan luas kurva normal dari suatu nilai yang dibatasi nilai tertentu.
Ciri Khas Distribusi Normal:

 Simetris
 Seperti lonceng
 Titik belok μ ±σ
 Luas di bawah kurva = probability = 1

       Kurva Normal Umum

     Untuk dapat menentukan probabilitas di dalam kurva normal umum (untuk
suatu sampel yang cukup besar, terutama untuk gejala alam seperti berat badan
dan tinggi badan), nilai yang akan dicari ditransformasikan dulu ke nilai kurva
normal standar melalui transformasi Z (deviasi relatif).
Rumus:

 Kurva normal standar {N (μ = 0, σ = 1)}

 Kurva normal umum {N (μ,σ)}
 TEOREMA BAYES

A.   Pengertian Teorema Bayes

Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah

teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini

menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara

rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini

menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan

dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu

ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan

hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan

inferens Bayes.

Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan

seseorang lain di atas kereta api. Tanpa informasi tambahan, peluang dia

bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan Anda

menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari

keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap

dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema

Bayes dapat digunakan untuk menghitung besarnya peluang bahwa kawan Anda

berbicara dengan seorang wanita, bila diketahui berapa peluang seorang wanita

berambut panjang.

Misalkan:

·         W adalah kejadian percakapan dilakukan dengan seorang wanita.

·         L adalah kejadian percakapan dilakukan dengan seorang berambut panjang

·         M adalah kejadian percakapan dilakukan dengan seorang pria

 Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya

peluang kawan Anda berbicara dengan wanita,

P(W) = 0,5

Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini

berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut

panjang adalah 0,75. Kita melambangkannya sebagai:

P(L|W) = 0,75

Sebagai keterangan tambahan kita juga mengetahui bahwa peluang

seorang pria berambut panjang adalah 0,3. Dengan kata lain:

P(L|M) = 0,3

Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita,

atau P(M) = 1 - P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen

dari W.

Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila

diketahui dia berambut panjang, atau dalam notasi yang kita gunakan, P(W|L).

B. Teorema Bayes
Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan

hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:

P(B | A) P(A)
P(A | B) =
P(B)

Atau
 P(B | A) P(A)
P(A | B) =
P(B | A)P(A) + P(B | A)P(A)

C. Contoh Aplikasi Dari Teorema Bayes

Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita

sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang

menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu dites

dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang salah.

Jika sembarang orang dari negara itu mengambil test dan mendapat hasil

positif, berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?

Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang

itu memang benar-benar menderita penyakit langka itu. Karena kita tahu bahwa

hasil test klinik yang cukup akurat (97%). Tetapi apakah benar demikian? Marilah

kita lihat perhitungan matematikanya.

Marilah kita lambangkan informasi di atas sebagai berikut:

·         B = Kejadian tes memberikan hasil positif.

·         B1 = Kejadian tes memberikan hasil negative.

·         A = Kejadian seseorang menderita penyakit langka itu.

·         A1 = Kejadian seseorang tidak menderita penyakit langkat itu.

Kita ketahui juga peluang dari kejadian-kejadian berikut:

·         P (A) = 2%

·         P (A1) = 98%

·         P (B | A1) = 97%

·         P (B | A) = 9%
 Dengan menggunakan rumus untuk peluang bersyarat, dapat kita

simpulkan peluang dari kejadian-kejadian yang mungkin terjadi dalam tabel di

bawah ini:

A (2%) A (98%)

Positif yang benar Positif yang salah

B P (B ∩ A) = P (A) × P (B | A) = 2% × P (B ∩ A1) = P (A1) × P (B | A1) = 98% × 9%
97% = 0,0194 = 0,0882

Negatif yang salah Negatif yang benar

B P (B1 ∩ A) = P (A) × P (B1 | A) = 2% × P (B1 ∩ A1) = P (A1) × P (B1 | A1) = 98% ×
3% = 0,0006 91% = 0,8918

Misalnya seseorang menjalani tes klinik tersebut dan mendapatkan hasil

positif, berapakah peluang bahwa ia benar-benar menderita penyakit langka

tersebut? 

Dengan kata lain, kita mencoba untuk mencari peluang dari A, dimana B atau P

(A | B).

Dari tabel di atas, dapat kita lihat bahwa P (A | B) adalah peluang dari positif yang

benar dibagi dengan peluang positif (benar maupun salah), yaitu 0,0194 / (0,0194

+ 0,0882) = 0,1803.

Kita dapat juga mendapatkan hasil yang sama dengan menggunakan rumus

teorema Bayes di atas:

P(B ∩ A)
P(A | B) =
P(B)
P(B | A) × P(A)
=
P(B | A)P(A) + P(B | A)P(A)
97% × 2%
=
(97% × 2%) + (9% × 98%)
= 0.0194
 0.0194 + 0.0882
0.0194
=
0.1076
P(A | B) = 0.1803

Hasil perhitungan ini sangat berbeda dengan intuisi kita di atas. Peluang

bahwa orang yang mendapat hasil tes positif itu benar-benar menderita penyakit

langka tidak sebesar yang kita bayangkan. Cuma ada sekitar 18% kemungkinan

bahwa dia benar-benar menderita penyakit itu.

Mengapakah demikian?

Ketika mengira-ngira peluangnya, seringkali kita lupa bahwa dari seluruh

populasi negara itu, hanya 2% yang benar-benar menderita penyakit langka itu.

Jadi, walaupun hasil tes adalah positif, peluang bahwa seseorang menderita

penyakit langka itu tidaklah sebesar yang kita bayangkan.

Kita bisa juga meninjau situasi di atas sebagai berikut. Misalnya populasi

negara tersebut adalah 1000 orang. Hanya 20 orang yang menderita penyakit

langka itu (2%). 19 orang dari antaranya akan mendapat hasil tes yang positif
(97% hasil positif yang benar). Dari 980 orang yang tidak menderita penyakit itu,

sekitar 88 orang juga akan mendapat hasil tes positif (9% hasil positif yang salah).

Jadi, 1000 orang di negara itu dapat kita kelompokkan sebagai berikut:

·         19 orang mendapat hasil tes positif yang benar

·         1 orang mendapat hasil tes negatif yang salah

·         88 orang mendapat hasil tes positif yang salah

·         892 orang mendapat hasil tes negatif yang benar

Bisa kita lihat dari informasi di atas, bahwa ada (88 + 19) = 107 orang

yang akan mendapatkan hasil tes positif (tidak perduli bahwa dia benar-benar
menderita penyakit langka itu atau tidak). Dari 107 orang ini, berapakah yang

benar-benar menderita penyakit? Hanya 19 orang dari 107, atau sekitar 18%.
 TEORI PELUANG,PERMUTASI DAN KOMBINASI

1. Teori peluang adalah salah satu cabang ilmu matematika yang mempalajari
tentang peluang suatu kejadian dan analisis secara acak. Teori peluang bnyak
diaplikasikan dalam berbagai bidang di antaranya untuk memprediksi kesuksesan
pengobatan, ramalan cuaca, studi kelakuan molekul dalam gas, untuk
memprediksi hasil pemilihan umum dan lain sebagainya.

Peluang suatu kejadian adalah perbandingan banyaknya titik sampel kejadian

yang diinginkan dengan banyaknya anggota ruang dan sampel. Ruang sampel
adalah himpunan dari semua hasil yang mungkin pada suatu kejadian atau
percobaan. Ruang sampel umumnya dinyatakan dalam bentuk tabel atau diagram
pohon. Sementara titik sampel adalah anggota-anggota dari ruang sampel atau
kemungkinan-kemungkinan yang muncul.

Aturan Pengisian Tempat Yang tersedia

Jika pada suatu keadaan diketahui terdapat sejumlah n tempat yang akan diisi oleh
sejumlah n objek, maka banyaknya cara mengisi tempat tersebut dapat dihitung
dengan menggunakan persamaan berikut :

n x (n-1) x (n - 2) x (n - 3) ... 3 x 2 x 1 = n!

Keterangan :

n! = n faktorial = n (n - 1)! ; dengan n = bilangan real.

Identitas faktorial :

0! = 1 dan 1! = 1

A. Permutasi

Permutasi adalah pengelompokkan unsur dengan memperhatikan urutan.

Permutasi dilakukan dengan cara menyusun kembali suatu kumpulan objek dalam
urutan yang berbeda dari urutan semula yang sudah dilakukan. Dalam permutasi
berlaku susunan AB ≠ susunan BA sehingga AB dan BA merupakan dua susunan
yang berbeda.

Penulisan permutasi dapat disombolkan dengan P(n,k), nPk ataupun Pkn dibaca
permutasi k dari n benda yaitu menyusun ulang sejumlah unsur saja. Banyaknya
permutasi k unsur dari n benda dapat dihitung dengan menggunakan persamaan
berikut :

n!

nPr = ————

(n - r)!

dengan syarat r ≤ n.

Permutasi dapat berupa permutasi siklis maupun permutasi berulang sebagai

berikut :

 Permutasi Siklis

Permutasi siklis adalah jenis permutasi yang beranggapan bahwa susunan benda
berbentuk lingkaran. Dengan kata lain, permutasi siklis digunakan untuk melihat
banyaknya penyusunan benda yang disusun secara melingkar.

nP(siklis) = (n - 1)!

 Permutasi Berulang

Permutasi berulang adalah jenis permutasi yang dalam penyusunannya urutan

diperhatikan dan suatu objek dapat dipilih lebih dari sekali sehingga ada
perulangan. Banyaknya permutasi adalah :

nPr (berulang) = nr

dengan :

n = banyaknya objek yang dapat dipilih

r = jumlah yang harus dipilih.

Contoh Soal 1
Di sebuah sekolah ada 4 orang guru yang dicalonkan untuk mengisi posisi bendahara
dan sekertaris. Coba kalian tentukan banyaknya cara yang dapat digunakan untuk
mengisi posisi tersebut!
Pembahasan:
Soal di atas dapat dituliskan sebagai permutasi P(4,2), n(banyaknya guru) = 4 k
(jumlah posisi) = 2
masukkan ke dalam rumus:

P(4,2) =   4!     = 4 x 3 x 2 x 1 = 24 = 12

 (4-2)!           2 x 1             2

Contoh Soal 2
Berapakah banyaknya bilangan yang dibentuk dari 2 angka berbeda yang dapat
kita susun dari urutan angka 4, 8, 2, 3, dan 5?

Pembahasan:
pertanyaan di atas dapat disimpulkan sebagai permutasi yang terdiri dari 2 unsur
yang dipilih dari 5 unsur maka dapat dituliskan sebagai P(5,2). tinggal kita
masukkan ke dalam rumus.

P(5,2) =   5!     = 5x 4 x 3 x 2 x 1 = 120 = 20

              (5-2)!        3 x 2 x 1              6

Maka ada 20 cara yang dapat dilakukan untuk menysyn bilangan tersebut menjadi
2 angka yang berbeda-beda (48, 42, 43, 45, 84, 82, 83, 85, 24, 28, 23, 25, 34, 38,
32, 35, 54, 58, 53, 52).

B. Kombinasi

Kombinasi adalah penggabungan beberapa objek dari suatu kelompok tanpa

memperhatikan urutan. Dengan kata lain, kombinasi adalah pengelompokan
beberapa objek tanpa melihat urutan seperti halnya permutasi. Banyaknya
kombinasi dapat dihitung menggunakan rumus berikut :

n!

nCr = —————

r! (n - r)!

Contoh Soal 3
Manuel Pelegrini membawa 16 pemain saat Manchester City melawan Liverpool
di Etihad Stadium. 11 orang diantaranya akan dipilih untuk bermain pada babak
pertama. jika kita tidak memperhatikan posisi pemain, berapakah banyaknya cara
yang dapat diambil oleh pelatih untuk memilih pemain?

Pembahasan:
Karena tidak mementingkan posisi pemain, maka kita gunakan rumus kombinasi:
16
C11 =       16!        =  16 x 15 x 14 x 13 x 12 x 11!  
              11!(16-11)!                      11!5!                          

=          524160         =  524160  = 4368

     5 x 4 x 3 x 2 x 1          120

Contoh Soal 4

Sebuah ember berisi 1 buah alpukat, 1 buah pir, 1 buah jeruk dan 1 buah salak.
berapakah banyaknya kombinasi yang tersusun dari 3 macam buah?

Pembahasan:
diketahui n = 4 dan r = 3, maka:
4
C3 =       4!        =  4 x 3 x 2 x 1  =      24         =  24  = 4
              3!(4-3)!           3!1!              3 x 2 x 1         6