BAB II

LANDASAN TEORI

2.1 Definisi Probabilitas

Probabilitas adalah sebuah bilangan yang terletak diantara 0 dan 1 yang berkaitan
dengan suatu peristiwa (event) tertentu. Jika peristiwa itu pasti terjadi, maka probabilitas
kejadian/peristiwa itu adalah 1 dan jika peristiwa itu mustahil terjadi, maka
probabilitasnya adalah 0, Ada tiga defenisi berbeda mengenai probabilitas yang sering
digunakan, masing-masing cocok diterapkan pada jenis-jenis penerapan tertentu.
(Sudaryono.2012)
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.Berikut merupakan rumus dasar probabilitas. (Sudaryono.2012) :
Rumus :
P (E) = X/N ………………………………………………………………..………..………………pers (2.1)
Keterangan:
P: Probabilitas
E: Event (Kejadian)
X: Jumlah kejadian yang diinginkan (peristiwa)
N: Keseluruhan kejadian yang mungkin terjadi
Probabilitas yang rendah menunjukkan kecilnya kemungkinan suatu peristiwa
akan terjadi. Suatu probabilitas dinyatakan antara 0 sampai 1 atau dalam presentase.
Probabilitas 0 menunjukkan peristiwa yang tidak mungkin terjadi, sedangkan
probabilitas 1 menunjukkan peristiwa yang pasti terjadi. (Sudaryono.2012)
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.

5
 6

2. Hasil adalah suatu hasil dari sebuah percobaan.

3. Peristiwa adalah kumpulan dari satu atau lebih hasil yang terjadi pada
sebuah percobaan atau kegiatan.

2.1.1 Defenisi klasik

Jika sebuah peristiwa A dapat terjadi dengan cara dari sejumlah total N cara
yang mutually axclusive dan memiliki kesempatan sama untuk terjadi, maka probabilitas
terjadinya peristiwa A dinotasikan dengan P(A) dan didefinisikan sebagai :
………………………………………………………………..………..…………………pers (2.2)

Keterangan :
P : Probabilitas
N : Keseluruhan kejadian yang mungkin terjadi
FA: Peristiwa yang dimaksud
Sedangkan probabilitas tidak terjadinya suatu peristiwa A atau komplemen A
(sering disebut kegagalan A) dinyatakan sebagai: :

..…….………………pers (2.3)

Keterangan :
P : Probabilitas
A : Kegagalan
N : Keseluruhan kejadian yang mungkin terjadi
FA: Peristiwa yang dimaksud

2.1.2 Defenisi Frekuensi Relative

Seandainya pada sebuah eksperimen yang dilakukan sebanyak N kali terjadi
kejadian A sebanyak FA kali, maka jika eksperimen tersebut dilakukan tak terhingga kali
banyaknya (N mendekati tak hingga), nilai limit dari frekuensi relatif FA/N
didefenisikan sebagai probabilitas kejadian A atau P(A) .

……….………………………………..………..…………….……………pers (2.4)
 7

Keterangan :
P : Probabilitas
N : Keseluruhan kejadian yang mungkin terjadi
FA: Peristiwa yang dimaksud
Defenisi ini mungkin adalah defenisi yang paling populer. Defenisi ini
memungkinkan untuk diterapkan pada banyak masalah-masalah praktis di mana definisi.
klasik tidak bias di pakai.

2.1.3 Defenisi subjektif

Dalam kasus ini, probabilitas P(A) dari terjadinya peristiwa A adalah sebuah
ukuran dari “derajat keyakinan” yang memiliki seseorang terhadap terjadinya peristiwa
A. Defenisi ini mungkin merupakan defenisi yang paling luas di gunakan dan diperlukan
jika sulit diketahui besarnya ruang sampel maupun jumlah peristiwa yang di kaji
maupun jika sulit dilakukan pengambilan sampel (sampling) pada populasinya.
( Yakub.2012 )

2.2 Probabilitas Beberapa Peristiwa

a. Peristiwa saling lepas (mutually exclusive)
Dua peristiwa atau lebih disebut peristiwa saling lepas jika kedua atau lebih
peristiwa itu tidak dapat terjadi pada saat yang bersamaan, disebut juga peristiwa
saling asing. Jika peristiwa A dan B saling lepas, probabilitas terjadi peritiwa
tersebut adalah :
P(A atau B) = P (A) + P (B)

atau

P (A ⋃ B) = P(A) + P (B) …………………………………………..………..………………pers (2.5)

b. Peristiwa tidak saling lepas (nonecluxive)

Dua peristiwa atau lebih disebut peristiwa tidak saling lepas apabila kedua
peristiwa atau lebih tersebut dapat terjadi pada saat yang bersamaan. Peristiwa
tidak saling disebut juga peristiwa bersama. Jika dua peristiwa A dan B tidak
saling lepas, probabilitas terjadinya peristiwa tersebut adalah:
 8

P(A atau B) = P(A) + P (B) – P(A dan B…,,………………..………..………………pers (2.6)

c. Peristiwa saling bebas (peristiwa independent)

Dua peristiwa atau lebih disebut peristiwa saling bebas terjadinya peristiwa yang
satu tidak mempengaruhui terjadinya peristiwa yang lain.Probabilitas peristiwa
saling bebas dapat dibedakan atas tiga macam, yaitu probabilitas marginal,
gabungan, dan bersyarat.
1. Probabilitas marginal atau probabilitas tidak bersyarat
Probabilitas marginal peristiwa saling bebas adalah probabilitas terjadinya suatu
peristiwa yang tidak memilki hubungan dengan terjadinya peristiwa lain.
Peristiwa – peristiwa tersebut tidak saling mempengaruhi.
2. Probabilitas gabungan
Probabilitas gabungan peristiwa saling bebas adalah probabilitas terjadinya dua
peristiwa atau lebih secara berurutan dan peristiwa-peristiwa tersebut tidak saling
mempengaruhui. Jika peristiwa A dan B gabungan, probabilitas terjadinya
tersebut adalah :
P (A dan B) = P(A ⋂ b) = P(A) x P(B) ………………………..………..………………pers (2.7)

Jika peristiwa A, B, dan C gabung, probabilitas terjadinya peristiwa tersebut

adalah :

P(A ⋂ B ⋂ C) = P(A) x P(B) x……………………………………..………..………………pers (2.8)

3. Probabilitas bersyarat
Probabilitas bersyarat peristiwa saling bebas adalah probabilitas terjadinya suatu
peristiwa dengan syarat peristiwa lain harus terjadi. Peristiwa-peristiwa itu tidak
saling mempengaruhui. Jika peristiwa B bersyarat terhadap A, probabilitas
tersebut adalah :
P (B/A) = P (B) ………………..………………………………………..………..………………pers (2.9)

d. Peristiwa tidak saling bebas (peristiwa dependen)

Dua peristiwa atau lebih disebut peristiwa tidak saling bebas apabila peristiwa
yang satu dipengaruhui atau bergantung pada peristiwa lainnya. Probabilitas
 9

peristiwa tidak saling bebas dapat pula dibedakan atas tiga macam, yaitu
probailitas bersyarat. Gabungan, dan marginal.

1. Probabilitas bersyarat
Probabilitas bersyarat peristiwa tidak saling bebas adalah probailitas terjadinya
suatu peristiwa dengan syarat peristiwa lain harus terjadi dan peristiwa-peristiwa
tersebut saling mempengaruhui.Jika peristiwa B bersyarat terhadap A,
probabilitas terjadinya peristiwa aadalah :

P(B/A) = ……………………………………………………………..………..……….……pers (2.10)

2. Probabilitas gabungan
Probabilitas gabungan peristiwa tidak saling bebas adalah probabilitas terjadinya
dua atau lebih peristiwa secara berurutan (bersamaan) dan peristiwa-peristiwa itu
saling mempengaruhi. Jika dua peristiwa A dan B gabungan, probabilitas
terjadinya peristiwa tersebut adalah:

……………………….….…………pers (2.11)

Jika tiga buah peristiwa A, B, dan C gabungan, probabilitas terjadinya peristiwa

tersebut adalah :

………………..……….……pers (2.12)

3. Probabilitas marginal
Terjadinya suatu peristiwa yang tidak memiliki hubungan dengan terjadinya
peristiwa lain dan peristiwa tersebut saling mempengaruhi. Jika dua peristiwa A
adalah marginal, probabilitas terjadinya peristiwa A tersebut adalah:

………………..………..………….…pers (2.13)

2.3 Probabilitas Beberapa Peristiwa Dengan Pendekatan Kombinasi

Mencari probabalitas satu atau beberapa peristiwa dapat dilakukan dengan
menggunakan pendekatan kombinasi. Rumus kombinasi yaitu :
 10

…………………………………………………..………..………………pers (2.14)

Keterangan :
C : Kombinasi
n : Banyak percobaan
r : Banyak peristiwa sukses

2.4 Peristiwa Komplementer

Komplementer adalah peristiwa dua gen dominan saling memengaruhi atau
melengkapi dalam mengekspresikan suatu sifat. Dua peristiwa disebut peristiwa
komplementer apabila peristiwa yang satu melengkapi peristiwa lainnya atau peristiwa
yang saling melengkapi jika peristiwa A dan B adalah peristiwa komplementer,
probabilitas terjadinya peristiwa itu sendiri adalah :

Atau

…………………………..………….…pers (2.15)

2.5 Batas Nilai Probabilitas

Probabilitas adalah suatu nilai yang digunakan untuk menentukan tingkat suatu
kejadian yang bersifat random.Oleh karena probabilitas merupakan suatu indeks atau
nilai ,maka probabilitas memiliki batas mulai dari 0 sampai dengan 1(0< Pr < 1).
1. Jika Pr = 0 ,di sebut probabilitas kemustahilan,maksudnya suatu peristiwa
atau kejadian yang mustahil terjadi.Misal,manusia tidak akan mati,ini
mustahil terjadi,maka nilai probabilitas = ( Pr = 0)
2. Jika Pr = 1,disebut probabilitas kepastian,maksudnya suatu peristiwa atau
kejadian yang pasti terjadi,.Misal,setiap makhluk akan mati, ini pasti
terjadi,maka nilai probabilitasnya = 1( Pr = 1)
3. jika (0< Pr < 1),disebut probababilitas kemungkinan,maksudnya suatu
peristiwa atau kejadian yang dapat atau tidak dapat atau tidak dapat
 11

terjadi.Misal,setiap mahasiswa akan lulus pada waktu yang ditetapkan,maka

nila probabilitasnya (0< Pr< 1)

2.6 Distribusi Probabilitas Teoritis

Distibusi peluang teoritis atau probabilitas teoritis adalah suatu daftar yang
disusun berdasarkan kemungkinan dari kejadian-kejadian bersangkutan yang di
frekuensinya di peroleh secara perhitungan.

2.7 Distribusi Binomial

Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan
bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.
Misalnya, dalam perlemparan sekeping uang logam sebanyak 5 kali, hasil setiap ulangan
mungkin muncul sisi gambar atau sisi angka. Begitu pula, bila kartu diambil berturut-
turut, kita dapat memberi label “berhasil” bila kartu yang terambil adalah kartu merah
atau “gagal” bila yang terambil adalah kartu hitam. Ulangan-ulangan tersebut bersifat
bebas dan peluang keberhasilan setiap ulangan tetap sama,taitu sebasar ½..(Ronald E.
Walpole.2012)

2.7.1 Syarat Distribusi Binomial

1. Jumlah trial merupakan bilangan bulat Contoh melambungkan coin 2 kali, tidak
mungkin2 ½ kali.
2. Setiap eksperiman mempunyai dua outcome (hasil).
Contoh:sukses/gagal,laki/perempuan,
sehat/sakit,setuju/tidaksetuju.
3. Peluang sukses sama setiap eksperimen

2.7.2 Ciri - ciri Distribusi Binomial.

Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri
percobaan Binomial atau Bernoulli trial sebagai berikut :
1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses(hasil yang
dikehendaki, dan gagal (hasil yang tidak dikehendaki).
 12

2. Setiap percobaan bersifat independen atau dengan pengembalian.

3. Probabilita sukses setiap percobaan harus sama, dinyatakan dengan p. Sedangkan
probabilita gagal dinyatakan dengan q, dan jumlah p dan q harus sama dengan
satu.
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.
Rumus Distribusi Binomial
b(x;n,p) = nCx px qn-x dimana x = 0,1,2,3,…,n…………………….……………pers (2.16)
Keterangan :
n : banyaknya ulangan
x : banyaknya keberhasilan dalam peubah acak x
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

2.8 Distribusi Hipergeometrik

Distribusi hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok
objek atau populasi yang dipilih tanpa pengembalian. Distribusi hipergeometrik
memiliki kedua sifat berikut: 1. Sampel acak ukuran n diambil tanpa pengembalian dari
N benda 2. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, N – k, diberi
nama gagal
Rumus distribusi hipergeometrik Secara umum, distribusi hipergeometrik
dirumuskan: Keterangan: N = ukuran populasi n = ukuran sampel k = banyaknya unsur
yang sama pada populasi x = banyaknya peristiwa sukses 𝑋 = 𝑥 = ℎ 𝑥; 𝑁, , 𝑘 = 𝑥𝑘
−𝑥 𝑁−𝑘 𝑁
Distribusi hipergeometrik dapat diperluas, seperti berikut ini. Jika dari populasi
yang berukuran N terdapat unsur-unsur yang sama, yaitu 𝑘1, 𝑘2, 𝑘3, … ,𝑘 dan dalam
sampel berukuran n terdapat unsur- unsur yang sama pula, yaitu 𝑥1, 𝑥2, 𝑥3, … , 𝑥
dengan 𝑘1 + 𝑘2 + 𝑘3 + … + 𝑘 = 𝑁 dan 𝑥1 + 𝑥2 + 𝑥3 + … + 𝑥 = , distribusi
hipergeometrik dirumuskan: 𝑋 = 𝑥1, 𝑥2, … , 𝑥 = 𝑥1 𝑘1 𝑥2 𝑘2 . . . 𝑥 𝑘
𝑁.
 13

2.9 Distribusi Poisson

Distribusi 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 (Siegel.2011)

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. Maka rumus distribusi Poisson
adalah (Siegel.2011) :

P(x) = (μx x e-μ ) / x ! ……………………………………………………….……………pers (2.17)

Keterangan :
P(x) = probabilita peristiwa x
μ = rata-rata
x = jumlah sukses
e = bilangan alam = 2,7182
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.
 14

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.
 15

2.10 Distribusi Normal

Distribusi normal disebut juga dengan Distribusi Gauss. Peubah acak ( variable
random) pada distribusi normal merupakan peubah acak yang kontinu. Distribusi normal
berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah
positif dan negatifnya. Penggunaanya sama dengan penggunaan kurva distribusi lainnya.
Frekuensi relatif suatu variabel yang mengambil nilai antara dua titik pada sumbu datar.
Tidak semua distribusi berbentuk lonceng setangkup merupakan distribusi normal.
(Sugito. 2013)
Distribusi normal, sering disebut puladistribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisisstatistika. Distribusi
normal baku adalah distribusi normal yang memilikirata-rata nol dan simpangan baku
satu. Distribusi ini juga dijuluki kurva lonceng(bell curve) karena grafik fungsi
kepekatan probabilitasnya mirip dengan bentuk lonceng. Berikut rumus dari distribusi
normal (Sugito. 2013) :

…………………….…………………….…………pers (2.18)
Keterangan :
Π = nilaikonstan, yaitu3,1416
C = nilaikonstan, yaitu2,7183
Μ = parameter yang merupakanrata-rata distribusi
Σ = parameter yang merupakan simpangan baku distribusi
Sifat-sifat penting distribusi normal adalah sebagai berikut:
1. Grafiknya selalu berada di atas sumbu x
2. Bentuknya simetris pada x = µ
3. Mempunyai satu buah modus, yaitu pada x = µ
4. Luas grafiknya sama dengan satu unit persegi, dengan rincian
a. Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
b. Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
c. Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ
Contoh soal dari distibusi normal adalah sebagai berikut :
 16

Pergunakanlah tabel distribusi normal standard untuk menghitung luas daerah :

Di sebelah kanan z=1.84
Antara z=-1.97 s/d z=0.86

Jawab :
Ingat bahwa luas yg diberikan dalam tabel distribusi normal kumulatif adalah luas
dari z=-∞ s/d z0 tertentu: P(z<z0).
P(z>1.84) = 1 – P(z≤1.84) = 1 -0.9671 = 0.0329
P(-1.97 <z<0.86) = P(z<0.86) – P(z<-1.97)
= 0.8051 – 0.0244
= 0.7807