BAB 7.

PROBABILITAS DAN KETIDAKPASTIAN

Dalam bab ini, kita akan membandingkan teori fuzzy dengan teori probabilitas yang
juga digunakan untuk menyatakan ketidakpastian. Pertama, kita meninjau secara singkat
teori probabilitas. Konsep kejadian fuzzy juga dijelaskan dan kemudian kita
mempelajari karakteristik ketidakpastian. Konsep fuzziness diperkenalkan untuk
mengukur ketidakpastian himpunan fuzzy.

7.1 Probabilitas dan Kemungkinan

Sejak Zadeh mengusulkan konsep fuzzy pada tahun 1965, telah ada banyak diskusi
tentang hubungan antara teori fuzzy dan teori probabilitas. Kedua teori menyatakan
ketidakpastian, memiliki nilai dalam kisaran [0 ,1], dan memiliki kesamaan dalam
banyak aspek. Pada bagian ini, kami meninjau definisi kedua teori dan
membandingkannya.

7.1.1 Teori Probabilitas

Teori probabilitas berkaitan dengan probabilitas untuk elemen peristiwa dalam
himpunan universal. Kita menyebut elemen sebagai peristiwa dan himpunan peristiwa
yang mungkin sebagai ruang sampel. Di ruang sampel, elemen, yaitu, peristiwa yang
saling eksklusif.
Contoh 7.1 Saat kita memainkan dadu enam sisi, ruang sampelnya adalah
S={1 ,2 , 3 , 4 , 5 , 6 }. Di antara enam peristiwa ini, hanya satu peristiwa yang bisa terjadi.
Probabilitas untuk salah satu dari keenam peristiwa ini adalah 1/6.
Suatu peristiwa mungkin mengandung banyak elemen. Pertimbangkan dua
peristiwa A danB sebagai berikut.
A={1,3,5 }, B={1,2,3}.
Gabungan dan irisan dari dua kejadian ini adalah,
A ∪ B= {1,2,3,5 } , A ∩ B={1,3 }
dan komplemen kejadian A adalah
Á={2,4,6 }.
Definisi (Distribusi probabilitas) Untuk menyatakan probabilitas kejadian yang terjadi
dalam ruang sampel, kita dapat mendefinisikan distribusi probabilitas sebagai berikut.
Distribusi probabilitas P adalah fungsi bernilai numerik yang memberikan sebuah
nilaiP( A)ke peristiwa A sehingga aksioma berikut berlaku. Dalam aksioma, S
menunjukkan ruang sampel.
i) 0 ≤ P (A )≤ 1
ii) P ( S )=1
iii) Untuk kejadian yang saling eksklusif A1 , A 2 ,…(yaitu, untuk semua
i≠ j, Ai ∩ A j =Φ)
∞
P ( ¿ i=1 ¿ ∞ A i )=∑ P( A i¿ ) ¿
i=1

Dalam definisi, P( A) adalah probabilitas suatu peristiwa A dan ruang sampel S adalah
domain fungsi distribusi probabilitas. Dalam contoh dadu enam sisi, probabilitas P
adalah,
1
P ( i ) = , i=1,2 , … ,6.
6
Jika distribusi probabilitas didefinisikan, maka sifat berikut harus terpenuhi.
(1) P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B) .
(2) P ( A ∪ B ) =P ( A )+ P( B), jika ( A ∩ B )=∅.
(3) P ( A ) + P ( Á )=1.
Sekarang asumsikan ada dua ruang sampel S dan S ', dan peristiwa A dapat terjadi
di S dan B di S'. Ketika peristiwa ini dapat terjadi dalam cara yang saling independen,
probabilitas gabungan P( AB) untuk kedua A dan Bterjadi adalah
P ( AB ) =P ( A ) ∙ P (B).
Probabilitas bersyaratP( A∨B)untuk A dengan syarat kejadian B terjadi adalah
P ( AB )
P( A∨B)= .
P ( B)
7.1.2 Distribusi Kemungkinan
Himpunan fuzzy A didefinisikan pada himpunan universal X dan setiap elemen dalam
himpunan universal memiliki derajat keanggotaan dalam [0 ,1] untuk himpunan A.
μ A ( x ) >0 untuk x ∈ A
= 0 sebaliknya.
Fungsi keanggotaan μ A dapat didefinisikan sebagai suatu fungsi distribusi
kemungkinan untuk himpunan A pada himpunan semesta X. Kemungkinan dari elemen
x dilambangkan sebagai μ A ( x) dan kemungkinan ini mendefinisikan himpunan fuzzy
Kita tahu distribusi probabilitas P didefinisikan pada ruang sampel S dan jumlah
probabilitas ini harus sama dengan 1. Sementara itu, distribusi kemungkinan
didefinisikan pada himpunan semesta X tetapi tidak ada batasan untuk jumlahnya.
Contoh 7.2 Andaikan proposisi sebagai berikut :
“Sophie memiliki x saudara perempuan”
x ∈ N={1,2,3,4 , …10 }
Baik distribusi probabilitas maupun distribusi kemungkinan dapat digunakan untuk
menentukan variabel x dalam N (Tabel 7.1). Jika kita menggunakan distribusi
probabilitas P, probabilitas dari memiliki x saudara perempuan didefinisikan oleh P(x).
Sedangkan jika menggunakan distribusi kemungkinan μ, kita dapat mendefinisikan
kemungkinan dari memiliki x saudara perempuan sebagai A (x). Himpunan N dianggap
sebagai ruang sampel dalam distribusi probabilitas dan sebagai himpunan semesta
dalam distribusi kemungkinan.
Tabel 7.1. Kemungkinan dan Probabilitas
x 1 2 3 4 5 6 7 8 9 10
P( x ) 0.4 0.3 0.2 0.1 0 0 0 0 0 0
( x) 0.9 1.0 1.0 0.7 0.5 0.2 0.1 0 0 0

Dapat dilihat bahwa jumlah distribusi probabilitas sama dengan 1 tetapi untuk
jumlah distribusi kemungkinan lebih besar dari 1. Pada (Tabel 7.1.), kita dapat melihat
bahwa lebih besar distribusi kemungkinan tidak selalu berarti distributsi probabilitas
juga lebih besar. Tetapi jika distribusi kemungkinan lebih rendah akan mengarah ke
distribusi probabilitas yang lebih rendah. Jadi bisa dikatakan bahwa distribusi
kemungkinannya adalah batas atas distribusi probabilitasnya.
7.1.3 Perbandingan Probabilitas dan Kemungkinan
Probabilitas dan kemungkinan memiliki kesamaan: keduanya menggambarkan
ketidakpastian. Kemungkinan dapat dianggap sebagai nilai batas atas probabilitas.
Artinya, kemungkinan ( A) dan probabilitas P(A) dari suatu peristiwa A memiliki
hubungan berikut.
μ( A)≥ P( A)
Jika peristiwa A1 , A 2 ,... , A n saling eksklusif, probabilitas dari gabungan peristiwa
ini setara dengan jumlah probabilitas masing-masing peristiwa, dan irisannya setara
dengan perkalian.
P ( ¿ i Ai ) =∑ P( Ai )
i

P ( ¿ i Ai ) =P ( A 1 ) ∙ P ( A 2 ) ∙ …∙ P( An )
Kemungkinan untuk gabungan dari peristiwa-peristiwa tersebut memiliki nilai
maksimum dan untuk irisannya memiliki nilai minimum. (Tabel 7.2) perbandingan
karakteristik kemungkinan dengan probabilitas.
Tabel 7.2 Perbandingan dari Kemungkinan dan Probabilitas
Kemungkinan Probabilitas
Domain Himpunan semesta X Ruang sampel S
Hasil [0,1] [0,1]
Batasan Tidak ada ∑ P( A i)=1
i

Gabungan μ ( ¿ i Ai ) =max μ( A i) P ( ¿ i Ai ) =∑ P( Ai )
i i

Irisan μ ( ¿ i Ai ) =min μ( Ai ) P ( ¿ i Ai ) =P ( A 1 ) ∙ P ( A 2 ) ∙ …∙ P( An )
i