STATISTIKA DAN PROBABILITAS

Teknik Industri

STATISTIKA
Semua kejadian di alam = TIDAK PASTI

Statistika ada kerena adanya ketidakpastian.

Statistik terdiri atas : Kejadian terjadi dan kejadian tidak terjadi.

Sebagian konsep dasar statistika adalah teori probabilitas

Statistika berasal dari Kata “status” atau “statista” yang berarti negara, dari bahasa Latin : Statisticum
(Urusan negara).

1.      DEFINISI
Statistik adalah kumpulan data dalam bentuk angka maupun bukan angka yang disusun dalam
bentuk tabel (daftar) dan atau diagram yang menggambarkan atau berkaitan dengan suatu masalah
tertentu.
Contoh :

 Statistik penduduk adalah kumpulan angka-angka yang berkaitan dengan masalah

penduduk.
 Statistik ekonomi adalah kumpulan angka-angka yang berkaitan dengan masalah
ekonomi.

Statistika adalah pengetahuan yang berkaitan dengan metode, teknik atau cara mengumpulkan,
mengolah, menganalisis dan menginterprestasikan data untuk disajikan secara lengkap dalam bentuk
yang mudah dipahami penggunanya.

2.      JENIS – JENIS STATISTIKA

Statistika dibedakan berdasarkan jenisnya menjadi dua yaitu Statistika Deskriptif  dan Statistika
Inferensia.
 Statistika deskriptif 
adalah statistika yang berkaitan dengan metode atau cara medeskripsikan,
menggambarkan, menjabarkan atau menguraikan data. Statistika deskripsi mengacu
pada bagaimana menata, menyajikan dan menganalisis data, yang dapat dilakukan
misalnya dengan menentukan nilai rata-rata hitung, median, modus, standar deviasi
atau menggunakan cara lain yaitu dengan membuat tabel distribusi frekuensi dan
diagram atau grafik.

 Statistika inferensia
 adalah statistika yang berkaitan dengan cara penarikan kesimpulan berdasarkan data
yang diperoleh dari sampel untuk menggambarkan karakteristik dari suatu populasi.
Dengan demikian dalam statistika inferensia data yang diperoleh dilakukan generalisasi
dari hal yang bersifat kecil (khusus) menjadi hal yang bersifat luas (umum).

3.       METODE STATISTIKA
  Statistika Deskriptif (Descriptive Statistics) Metode pengumpulan, peringkasan dan penyajian data
Descriptive : bersifat memberi gambaran Penyajian data meliputi : pengumpulan, pengorganisasian,
peringkasan dan penyajian data (data collection, organization, summarization, presentation).

Contoh Masalah Statistika Deskriptif :

1. Tabulasi Data
2. Diagram Balok

1
 3. Diagram Kue Pie
4. Box Plot
Statistika Inferensia = Statistika Induktif (Inferential Statistics) Metode analisis,
peramalan, pendugaan dan penarikan kesimpulan Inferential : bersifat melakukan
generalisasi (penarikan kesimpulan). Penafsiran data meliputi : pendugaan, pengujian
dugaan dan penarikan kesimpulan (generalisasi).

Contoh Masalah Statistika Inferensia :

1. Pendugaan Parameter
2. Pengujian Hipotesis
3. Regresi Linier
 

4.      POPULASI DAN SAMPEL

Populasi adalah keseluruhan pengamatan atau obyek yang menjadi perhatian
sedangkan Sample adalah bagian dari populasi yang menjadi perhatian.
Populasi dan sample masing-masing mempunyai karakteristik yang dapat diukur atau dihitung.
Karakteristik untuk populasi disebut parameter dan untuk sample disebut statistik.

Populasi dibedakan menjadi dua jenis yaitu :

 Populasi orang atau individu adalah keseluruhan orang atau individu (dapat pula
berupa benda-benda) yang menjadi obyek perhatian.
 Populasi data adalah populasi yang terdiri atas keseluruhan karakteristik yang menjadi
obyek perhatian.

Sample juga dibedakan menjadi dua jenis yaitu :

 Sampel orang atau individu adalah sampel yang terdiri atas orang-orang (dapat pula
berupa benda-benda) yang merupakan bagian dari populasinya yang menjadi obyek
perhatian.
 Sampel data adalah sebagaian karakteristik dari suatu populasi yang menjadi obyek
perhatian.

Meskipun populasi merupakan gambaran yang ideal, tetapi sangat jarang penelitian dilakukan
memakai populasi. Pada umumnya yang dipakai adalah sample. Ada beberapa alasan mengapa
penelitian dilakukan menggunakan sample :

1. Waktu yang diperlukan untuk mengumpulkan data lebih singkat.

2.  Biaya lebih murah.
3. Data yang diperoleh justru lebih akurat.
4. Dengan statistika inferensia dapat dilakukan generalisasi

5.      PENYAJIAN DATA
Secara garis besar ada dua cara penyajian data yaitu dengan tabel dan  grafik. Dua cara penyajian
data ini saling berkaitan karena pada dasarnya sebelum dibuat grafik data tersebut berupa tabel.
Penyajian data berupa grafik lebih komunikatif.

Dilihat dari waktu pengumpulannya, dikenal dua jenis data yaitu :

Cross section data adalah data yang dikumpulkan pada suatu waktu tertentu.
 Data berkala adalah data yang dikumpulkan dari waktu ke waktu. Dengan data berkala dapat
dibuat garis kecenderungan atau trend.

a. Penyajian data dengan tabel

2
Tabel atau daftar merupakan kumpulan angka yang disusun menurut kategori atau karakteristik data
sehingga memudahkan untuk analisis data.

Ada tiga jenis tabel yaitu :

   Tabel satu arah atau satu komponen adalah tabel yang hanya terdiri atas satu
kategori atau karakteristik data. Contoh tabel satu arah.

Banyaknya Pegawai Negeri SipiL

MenurutGolongan Tahun 1990
Golongan Banyaknya (orang)
I 703.827

II 1.917.920

III 309.337

IV 17.574

Jumlah 2.948.658
Sumber : BAKN, dlm Statistik Indonesia, 1986

 Tabel dua arah atau dua komponen adalah tabel yang menunjukkan dua kategori

atau dua karakteristik. Tabel berikut ini adalah contoh tabel dua arah.

Jumlah Mahasiswa UPH menurut

Fakultas dan Kewarganegaraan 1995
Fakultas WNI WNA Jumlah
1850 40 1890
Fak. Ekonomi
1320 10 1330
Fak. Teknologi Industri
530 5 535
Fak. Seni Rupa & Design
250 10 260
Fak. Pasca Sarjana
Jumlah 3950 65 4015

Sumber : Data Buatan

  Tabel tiga arah atau tiga komponen adalah tabel yang menunjukkan tiga kategori atau
tiga karakteristik. Contoh tabel berikut ini.

Jumlah Pegawai Menurut Golongan,

Umur dan Pendidikan pada Departeman A
Tahun 2000
Umur (tahun) Pendidikan
Bukan
Golongan 25 – 35 > 35 Sarjana Sarjana
1. I 400 500 900 0

2. II 450 520 970 0

3
 3. III 1200 2750 1850 2100

4. IV 0 250 0 250

5. Jumlah 2.050 4020 3720 2350

b.      Penyajian data dengan grafik/diagram

Penyajian data dengan grafik dianggap lebih komunikatif karena dalam waktu singkat dapat diketahui
karakteristik dari data yang disajikan.

Terdapat beberapa jenis grafik yaitu :

v  Grafik garis (line chart)

Grafik garis atau diagram garis dipakai untuk menggambarkan data berkala. Grafik garis dapat
berupa grafik garis tunggal maupun grafik garis berganda.

v  Grafik batang / balok (bar chart)

Grafik batang pada dasarnya sama fugsinya dengan grafik garis yaitu untuk menggambarkan data
berkala. Grafik batang juga terdiri dari grafik batang tunggal dan grafik batang ganda.

v  Grafik lingkaran (pie chart)

Grafik lingkaran lebih cocok untuk menyajikan data cross section, dimana data tersebut dapat
dijadikan bentuk prosentase.

4
v  Grafik Gambar (pictogram)
Grafik ini berupa gambar atau lambang untuk menunjukkan jumlah benda yang dilambangkan.

v  Grafik Berupa Peta (Cartogram).

Cartogram adalah grafik yang banyak digunakan oleh BMG untuk menunjukkan peramalan cuaca
dibeberapa daerah.

5
 Bagaimana Cara Menentukan Ukuran Minimal Sampel?
Dalam penelitian dengan ukuran populasi yang sangat besar, sebaiknya menggunakan sampel
untuk diteliti. Hal ini karena adanya keterbatasan waktu, biaya dan tenaga dalam penelitian
tersebut. Berikut beberapa pedoman sederhana dalam menentukan ukuran minimal sampel
dalam penelitian, yaitu :

Jika jumlah populasi sulit diprediksi, maka perhitungan ukuran minimal sampel dengan
pendekatan sebagai berikut : 

dimana = asumsi interval kepercayaan sampel terhadap populasi.

Jika proporsi populasi dan sampel yang akan diriset diketahui, maka digunakan rumus :

dimana 

n      = jumlah sampel

p      = perkiraan proporsi populasi (jika tidak diketahui ambil p = 0.5)

q      = 1 - p

 = nilai standar (distribusi normal) untuk interval kepercayaan yang ditetapkan.

e      = error sampling (estimasi yang dapat diterima)

Pendekatan rumus tanpa diketahui proporsi populasi yang tidak berhingga, pendekatan yang
digunakan p = q = 0.5, sebagai berikut :

6
 Menurut pendapat Slovin, jika ukuran populasi diketahui, yaitu :

dimana 

n        = ukuran sampel

N       = ukuran populasi

 = persen kelonggaran ketidaktelitian karena kesalahan pengambilan sampel yang masih

dapat ditolerir.

Dan masih banyak lagi pendekatan rumus untuk mengestimasi sampel dan populasi sesuai
karakteristik dan nilai uji statistiknya.

Tekhnik Pengambilan Sampel

Berdasarkan pendekatan probabilitas atau tidak, teknik pengambilan sampel terbagi dua, yaitu :

1.Probability Random Sampling

1. Simple Random Sampling : unit populasi diambil secara acak menjadi sampel,
pengambilan acak dapat dilakukan dengan pengundian, tabel acak atau pun komputer.
2. Systematic Random Sampling : sama dengan Simple Random Sampling,
namun dari populasi yang homogen menggunakan metode sistematik (pengurutan acak).
3. Stratified Random Sampling : untuk populasi yang heterogen menjadi
beberapa kelompok, caranya :
 Tentukan jumlah sampel yang akan diambil
 Mengelompokkan populasi dikelompokkan dari stratum yang homogen
 Mengukur proporsi dari data stratum tersebut.
 Ambil sampel secara acak dari stratum sesuai dengan proporsi dan
jumlah sampel yang ditentukan.
4. Cluster Random Sampling : pengambilan sampel untuk populasi heterogen
yang terbagi dalam banyak cluster, caranya :
 Menentukan cluster dari populasi
 Cluster populasi diambil secara simple random sampling
 Ambil sampel secara acak dari cluster tersebut
5. Two Stage Cluster Random Sampling : diambil dua tahap cluster.

2. Non Probability Random Sampling

1. Convenience Sampling (accidental sampling) : jumlah dan kriteria diserahkan

kepada subjektifitas dan penggunaannya untuk riset kualitatif atau tes produk baru.
2. Judgement/Purposive Sampling : periset lebih ketat dalam menentukan
jumlah, kriteria dan kemudahan pengambilan sampel.
3. Quota Sampling : merupakan purposive sampling pada populasi heterogen atau
terkelompok dan setiap kelompok ditentukan kuota jumlah samplingnya.
4. Snowball Sampling : disiasati mencari satu sampel yang sulit diperoleh dengan
cara mencari satu sampel terlebih dahulu sesuai kriteria yang ditetapkan, dari sampel pertama
dicari informasi untuk memperoleh sampel kedua yang punya kesamaan dan seterusnya.
5. Booster Sampling : mencari sampel yang sulit dengan cara mengamati
lingkungan atau komunitas yang sesuai kriteria sampel, lalu diambil satu per satu sampelnya.

7
 Jenis-Jenis Sampel
Menurut Rath & Strong's, ada dua jenis sampel, yaitu 

 Sampel judgemental yaitu sampel dipilih berdasarkan pendapat analis dan hasul

penelitian digunakan untuk menarik kesimpulan tentang item-item di dalam sampel yaitu pada
observasi sesungguhnya.
 Sampel statistical yaitu sampel dipilih secara acak/random dari seluruh populasi dan
hasil penelitiannya dapat digunakan untuk menarik kesimpulan tentang seluruh populasi.

Mengapa Menggunakan Sampel dalam Penelitian ?

Dalam statistika dikenal istilah sampel dan populasi. Sampel adalah bagian dari Populasi. Kalau
dalam bahasa matematika dikenal himpunan bagian, maka sampel adalah himpunan bagian
dari populasi. Istilah populasi adalah suatu kelompok subjek/objek yang menjadi pusat
perhatian dalam penelitian. 

Jumlah anggota dalam populasi lebih banyak dibandingkan dalam sampel. 

Dalam penelitian, populasi merupakan pusat perhatian bagi peneliti yang memiliki jumlah
sangat besar, sehingga memerlukan biaya yang besar untuk melakukannya. Karena
keterbatasan biaya dan waktu sehingga menjadi tidak praktis melakukan penelitian terhadap
seluruh populasi. 

Sampel sebagai bagian dari populasi, sehingga memungkinkan sampel dapat mewakilkan dan
memberikan informasi mengenai populasi dan dengan menggunakan sampel dapat mengatasi
keterbatasan biaya dan waktu tersebut, yang mempengaruhi ukuran sampel adalah 

 Ketepatan sampel yaitu seberapa dekat nilai yang diperkirakan dari nilai populasi
sebenarnya.
 Nilai perbandingan populasi yang digunakan dalam perhitungan besar sampel (nilai p).
 Varian populasi (saat menggunakan data variabel).
Dengan ketepatan sampel yang sama, untuk varian data yang tinggi memerlukan ukuran sampel
yang besar dibandingkan untuk varian data yang rendah.

Dilain hal, untuk data atribut dan variabel, semakin tinggi nilai ketepatan sampel yang
diharapkan maka semakin besar ukuran sampel yang dibutuhkan.

Note : Data populasi ada dua bagian yaitu data atribut dan data variabel. Data atribut fokus
pada satu atau lebih ciri-ciri nonnumerik dari populasi yang menjadi sampel dan data variabel
adalah fokus pada satu atau lebih ciri-ciri numerik dari populasi yang menjadi sampel. 

8
Ukuran Pemusatan Data
Ukuran pemusatan data merupakan salah satu pengukuran data dalam statistika. Statistika adalah
pengetahuan yang berhubungan dengan cara mpenyusunan data, penyajian data, dan penarikan
kesimpulan mengenai suatu keseluruhan berdasarkan data yang ada pada bagian dari keseluruhan
tadi. Yang termasuk dalam ukuran pemusatan data adalah rataan (Mean), Median, Modus . Untuk
memudahkan anda dalam memahami materi ini, dibawah ini akan kita uraikan penjelasan dibawah
ini.

Rataan (Mean)
Mean atau rata-rata hitung adalah nilai yang diperoleh dari jumlah sekelompok data dibagi dengan
banyaknya data. Rata-rata disimbolkan dengan x.

 Rata-Rata untuk Data Tunggal

Keterangan:
ẋ = mean
n = banyaknya data
xi= nilai data ke-i

Nilai ulangan matematika 15 siswa kelas XIIPAadalah 7,8,6,4,10, 5,9,7, 3,8, 6, 5, 8, 9, dan 7.
Tentukan nilai rata-ratanya.

Jawab:

Jadi, nilai rata-ratanya adlah 6,8

 Rata-Rata untuk Data Bergolong (Berkelompok)

1. Metode BIASA

Keterangan:
xi = nilai tengah data ke-i
fi = frekuesni data ke -i
xs = rataan sementara (dipilih pada interval dengan frekuensi terbesar)
di = simpangan ke-i (selisih nilai xi dengan nilai xs)toh Rataan Data berkelompok

9
Tentukan rata-rata dari data berikut.

NILAI FREKUENSI

11 – 15 4

16 – 20 5

21 – 25 8

26 – 30 8

31 – 35 4

36 – 40 2

Jawab:

Metode Biasa

NILAI XI FI FIXI

11 – 15 13 4 52

16 – 20 18 5 90

21 – 25 23 8 161

26 – 30 28 8 224

31 – 35 33 4 132

36 – 40 38 2 76

Jumlah 30 735

Penyelesaian:

Metode Simpangan Rata-rata

10
 Nilai f1 X1 d1 f1d1

11-15 4 13 -15 -60

16-20 5 18 -10 -50

21-25 8 23 -5 -40

26-30 8 28

31-35 4 33 5 20

36-40 2 38 10 20

Jumlah 31 -110

Penyelesaian: : 28 – 110/31 = 24,45

Keterangan : d1=5

Angka 28 = Rata-rata hitung sementara, biasanya diambil dari titik-titik tengah kelas dengan frekwensi
terbesarnya (Titik tengah dengan Modus).

Huruf d = Angka -110 = Titik tengah kelas interval – Rata-rata hitung sementara

Huruf f = angka 31 – frekwensi kelas

3.Metode CODING
Metode Coding sering digunakan apabila dijumpai nilai nilai dalam data yang berupa bilangan-bilangan
besar. Pada dasarnya, metode itu merupakan penjabaran dari Metode Simpangan Rata-rata.

Teknik Pengkodean Data atau Coding

Mungkin anda akan berpikir bagaimana mungkin sebuah kalkulator yang jika ditekan tombol angka 6
kemudian dia menampilkan angka 6 tersebut pada bagian display. Apakah angka 6 tersebut masuk
ke dalam kalkulator kemudian berjalan sampai ke display? Atau pernahkan kita berfikir ketika kita asik
mengetik dengan laptop, smartphone bahwa tombol-tombol yang kita tekan tersebut masuk ke dalam
komputer kita kemudian ditampilkan di layar? Jawabannya tentu tidak. Kenapa? Karena Kalkulator,
Komputer dan sejenisnya tidak mengenal dengan angka-angka, huruf-huruf dan berbagai macam
karakter yang ada di peralatan kita tersebut. 

Peralatan digital yang kita pakai sehari-hari, hanya bekerja berdasarkan prinsip bilangan biner yang
angkanya hanya terdiri dari 0 dan 1. Tapi bukan berarti komputer kita juga mengenal angka 0 dan 1.
Komputer, kalkulator hanya kenal dengan ada pulsa listrik (1) atau tak ada pulsa listrik (0). Karena
peralatan digital hanya kenal dengan pulsa listrik yang perhitungannya diwakilkan dengan angka 0
dan 1, maka setiap angka, huruf dan karakter khusus tersebut harus bisa diubah dulu ke dalam
bentuk biner agar bisa diproses dalam setiap peralatan digital. Proses pengkodean angka-angka,

11
huruf-huruf dan karakter khusus tersebut ke dalam bentuk biner dinamakan dengan istilah coding
atau pengkodean.

Dalam teknik digital telah dikenal banyak cara pengkodean. Pengkodean ini tentunya semakin
berkembang sesuai dengan perkembangan teknologi digital. Sampai saat ini sudah dikenal istilah
unicode yaitu suatu pengkodean yang sudah bisa mewakili puluhan ribu karakter yang ada di dunia
ini. Untuk mengenal teknik-teknik pengkodean yang ada bisa dibaca penjelasan berikut.

BCD (Binary Code Decimal)

merupakan teknik pengkodean bilangan biner untuk bilangan desimal (0 sampai 9). Pada sistem ini
setiap empat bit bilangan biner digunakan untuk mengkodekan satu bilangan  desimal (tetrade).
Berikut ini adalah contoh penulisan bilangan desimal dengan bilangan biner pada kode BCD.

Kode BCD ini memiliki lima jenis. Dari kelima jenis ini dapat lagi kita bedakan menjadi dua golongan.
Pertama adalah BCD yang menggunakan faktor pembobot, Kedua adalah BCD yang tidak
menggunakan faktor pembobot.

Untuk kode pembobot dapat dipresentasikan pada gambar di bawah ini.

Berikut ini adalah contoh penggunaan kode BCD denga faktor pembobot.

12
Dari ketiga jenis kode BCD yang menggunakan kode pembobot yang paling banyak digunakan
adalah kode BCD 8421.

Untuk kode Excess 3 pengkodean dilakukan dengan menambahkan bilangan digit asal dengan digit
tiga.

Sedangkan pada kode 2 of 5 memiliki dua nilai bit 1 dari 5 bit yang tersedia. Penempata bit 1 nya
dimulai dari MSB (most segnificant bit) sedangkan bit 1 untuk digit berikutnya mengikuti posisi di
sebelahnya.

Berikut ini adalah tabel ringkasan dari kelima kode BCD yang sudah dijelaskan di atas.

13
GRAY CODE

Kode ini digunakan untuk mengkodekan posisi sudut dari peralatan yang bergerak secara berputar
seperti mesin bubut otomatis, gerinda dan motor stepper. Kode ini terdiri dari 4 bit biner dengan 16
kombinasi (di dapat dari 2^4) untuk mewakili total putaran 360 derajat. Masing-masing kode
digunakan untuk mewakili sudut 22,5 derajat yang didapat dari hasil pembagian 360 derajat dibagi 16
kombinasi. Berikut ini adalah contoh pembagian kode Gray Code.

Sedangkan dalam bentuk tabel kode gray code dapat dilihat pada tabel berikut ini.

HAMMING CODE

Kode ini diperkenalkan pada tahun 1950 oleh Richard Hamming sebagai kode tunggal pengoreksi
kesalahan (single error corecting code). Pada kode ini bit pengecek kesalahan ditambahkan ke dalam
bit-bit informasi yang akan ditransimisikan. Jika suatu saat terjadi perubahan data yang

14
ditransmisikan, maka bit-bit informasi asli masih bisa diselamatkan. Kode ini dikenal pula dengan
istilah parity code.

Prinsipnya adalah bit informasi yang akan dikirimkan harus ditambahkan dulu dengang bit pengecek,
setelah ditambahkan baru dikirimkan. Kemudian di sisi penerima harus ada (dilakukan) pengecekan
informasi dengan algoritma yang sama dengan pembangkitan bit pengecekan tambahan. Berikut ini
adalah cara penambahan bit tambahan pada bit informasi.

Untuk bit data 4 bit, bit-bit data atau informasi terletak pada posisi 3,5,6 dan 7. Sedangkan bit pengisi
terletak pada posis 1, 2 dan 4.

Untuk menghitung jumlah bit pengecek bit informasi digunakan aturan rumus : (2^n) - n - 1 dimana n
adalah jumlah bit cek yang digunakan. Berdasarkan rumus tadi kita dapat menentukan berapa jumlah
bit informasi yang digunakan untuk setiap jumlah bit pengecek yang dipakai.

Jika bit pengecek = 2  berarti bit informasi = 1

Jika bit pengecek = 3  berarti bit informasi = 4

Jika bit pengecek = 4  berarti bit informasi = 11

JIka bit pengecek = 5  berarti bit informasi = 26, dst

Nilai bit cek (pengisi) dari data informasi 4 bit dapat ditentukan sebagai berikut:

Untuk informasi n bit, nilai bit pengisi atau cek adalah..

15
Dengan catatatan bahwa bit-bit masing-masing posisi yang disertakan di Ex-Or kan. Berikut ini adalah
tabel Hamming Code untuk informasi 4 bit.

Untuk memudahkan pemahaman, dapat dilihat contoh berikut: Kita ingin mengirimkan data 4 bit
dengan nilai 1010. Bagaimanakah bentuk data yang harus kita kirimkan jika kita ingin menggunakan
kode Hamming? Jawabannya adalah..

Dari perhitungan di atas kita dapatkan bahwa bit pengisi (cec) a1, a2 dan a4 adalah 101. Jadi data
yang harus kita transmisikan untuk mengirim data 1010 adalah 1011010. Data yang dimerahkan
adalah bit pengisi (cek) yang di dapat dari hasil perhitungan di atas.

Untuk mencek kebenaran data tersebut (yang sudah ditransmisikan) di sisi penerima (setelah
diterima) dilakukan dengan rumus sebagai berikut (untuk data 4 bit).

16
Jika nilai masing-masing e = 0  maka seluruh data yang diterima adalah benar. Tapi jika tidak berarti
ada kesalahan pada data yang diterima.

ASCII

Merupakan salah satu teknik dalam menkodekan sebuah data. Teknik pengkodean ini sangat banyak
digunakan dalam proses pengkodean karakter dalam komunikasi data. Kode ASCII ada yang 7 bit
dan ada juga yang 8 bit. Jika menggunakan kode ASCII 7 bit berarti karakter yang sudah bisa diwakili
adalah 2^7 = 128 karakter. Artinya dengan ASCII 7 bit kita bisa membuat kombinasi angka biner
sebanyak 128 kombinasi. Masing-masing kombinasi bisa digunakan untuk mewakili karakter tertentu
yang diinginkan seperti huruf, angka, dan karakter khusus. Berarti kombinasi biner yang kita dapatkan
adalah mulai dari 0000000 (dalam hexa 00) sampai 1111111 (dalam hexa berarti 7F). Untuk mewakili
karakter tertentu dari kombinasi biner yang ada, haruslah menyesuaikan dengan ketentuan standart
internasional seperti:

1. IEEE
2. ANSI-X3.4
3. ISO 646
4. CCITT Alphabet #5
5. IEC
6. EIA
7. TIA
Berikut ini adalah tabel kode ASCII 7 bit yang digunakan untuk mewakili berbagai karakter dalam
komunikasi data digital.

17
Contoh : Nilai tingkat kecerdesan emosional dari 50 siswa.
Penyelesaian :
Metode
Metod Metode
Simpangan Rata-
e biasa Coding
rata
Titik
N Kecerdesan Frekuensi u=d/
Fk tengah Fx d=x-m Fd fu
o Emosional (f) C
(x)

1 58-64 7 7 61 427 -14 -98 -2 -14

2 65-71 9 16 68 612 -7 -63 -1 -9
3 72-78 11 27 75 825 0 0 0 0
4 79-85 6 33 82 492 7 42 1 6
5 86-92 4 37 89 356 14 56 2 8
6 93-99 9 46 96 864 21 189 3 27
7 100-106 4 50 103 412 28 112 4 16
Total 50 3988 238 34

Lanjutkan dengan rumus !

Median
Median adalah nilai data yang terletak di tengah setelah data diurutkan. Dengan demikian, median
membagi data menjadi dua bagian yang sama besar. Median (nilai tengah) disimbolkan dengan Me.

 Median untuk Data Tunggal

1. Jika banyaknya data n ganjil maka median

Setelah diurutkan : Me=1/2(n+1)

2. Jika banyaknya n genap maka

Setelah diurutkan : Me=1/2(n+1)

Tentukan median dari data berikut (MEDIAN DATA TUNGGAL)

8,6,4,3,7,5,8,10,8,9,8,5

18
Nilai 3,4,5,6,7,8,9

Frekuensi 2,5,7,8,10,5,4

Jawab:

1. Data diurutkan : 3 4 5 5 6 7 8 8 8 8 9 10
N= 12 (genap)
Jadi, mediannya adlah 7,5

n = 4 (ganjil)

1) Median untuk data bergolong

Keterangan:
Me = median
Tb = tepi bawah kelas median
p = panjang kelas
n = banyak data
F = frekuensi kumulatif sebelum kelas median
f = frekuensi kelas median

Tentukan median dari data berikut (Median Data Bergolong/berkelompok).

Contoh soal berikut dan Jawaban:

DATA F FK    

11-20 5 5

21-30 3 8

31-40 8 16

19
 DATA F FK    

41-50 7 23

51-60 4 27

61-70 9 36

JUMLAH 36

Penyelesaian: Karena banyaknya data (Total frekwensi) adalah 36 maka median terletak diantara
data ke-18 dan data ke-19 sehingga diperoleh kelas yang mengandung median adalah 31-40.
Dengan demikian , Tb = 31-0,5 =3 0,5; p=10 yaitu (11-20); f =8; F= 16.

Jadi, mediannya adlah 41,75

Modus
adalah data yang paling sering muncul atau memiliki frekuensi tertinggi. Modus dilambangkan dengan
Mo.

 Modus untuk data tunggal

Modus dari data tunggal adalah data yang paling sering muncul.

Tentukan modus (CARA TUNGGAL) dari data :

7,6,5,8,3,7,9,4,6,4,8,4,10,7,5,7,dan 8.

Jawab:

Data diurutkan: 3,4,4,4,5,5,6,6,7,7,7,7,8,8,8,9,10.

Nilai 7 muncul paling banyak, yaitu 4 kali.
Jadi, modusnya adalah 7.

 Modus untuk data bergolong

20
Keterangan :
Mo : modus
Tb : tepi bawah kelas modus
p : panjang kelas
d1 : selisih frekuensi kelas modus dengan kelas sebelumnya
d2 : selisih frekuensi kelas modus dengan kelas sesudahnya

Tentukan Modus (Data bergolong) data berikut

DATA FREKUENSI      

11-20 5

21-30 3

31-40 8

41-50 7

51-60 4

61-70 9

Jumlah 36

Jawab:

Karena kelas dengan frekuensi terbanyak 9 maka modus terletak diantara kelas 61-70;

tb=61-0,5=60,5; p=10 yaitu (11-20); d1i=9-4=5 ;d2=9-0=9 F=16.

Penyelesaian:

Jadi, modusnya adalah 64,07

21
22
 Kuartil
Kuartil adalah nilai-nilai yang membagi data yang telah diurutkan ke dalam 4 bagian yang sama besar. Kuartil
dinotasikan dengan notasi Q. Kuartil terdiri dari 3, yaitu kuartil pertama (Q1), kuartil kedua (Q2), dan kuartil
ketiga (Q3).

  Kuartil data tunggal

Contoh :
Tentukan  dari data : 3, 5, 6, 6, 6, 7, 7, 8, 8, 9, 10
Penyelesaian: Data yang telah diurutkan : 3, 5, 6, 6, 6, 7, 7, 8, 8, 9, 10
Banyak data dari contoh di atas adalah 11 . kuartil ditentukan dengan :
Nilai  = data ke- 1,        
Nilai  = data ke- 2,        
Nilai  = data ke- 3,        
Sehingga nilai   = 6,  = 7,  = 8

23
  Kuartil data berkelompok
Keterangan
Qi        = kuartil ke-i
Bi         = tepi bawah kelas kuartil ke-i,
N         = banyaknya data
F          = frekuensi kumulatif kelas sebelum kelas kuartil
l           = lebar kelas
f           =frekuensi kelas kuartil

Contoh 2:
Nilai tingkat kecerdesan emosional dari 50 siswa. Tentukan  dari data tingkat kecerdasan emosional dari 50 mhs
N Frekuens
Kelas Fk
o i
1 58-64 7 7
2 65-71 9 16
                                                       
3 72-78 11 27
4 79-85 6 33
Penyelesain :
 5 86-92 4 37 Titik  (terletak pada interval 65 – 71) diketahui :  =
6 93-99 9 46 64,5          f = 9    F = 7   i = 7
7 100-106 4 50  
Total  50 Titik (terletek pada interval 72 – 78) diketahui :           
   f = 11              F = 16             i = 7
 
Titik  (terletak pada interval 93 – 99) diketahui :       
   f = 9    F = 37              i = 7
 
 Desil
Desil adalah nilai yang membagi sekumpulan data terurut menjadi sepuluh bagian yang sama. Menurut
Wirawan desil adalah nilai nilai yang membagi serangkaian data atau suatu distribusi frekuensi menjadi sepuluh
bagian yang sama(Wiriawan,2001). Lambang dari desil adalah D.  Terdapat sembilan jenis desil yaitu desil
pertama (D1), desil kedua (D2), desil ketiga (D3)...........desil kesembilan(D9). Desil kelima sama dengan median.
Cara menentukan desil yaitu :
1.        Untuk data tunggal
(i)      Data diurutkan atau dikelompokkan
(ii)    Letak : data ke = (n+1) dimana c = 1,2,3,4,5,6,7,8,9
(iii)  Jika desil ke c(Dc) terletak pada urutan antara k dan (k+1) dan δ adalah bagian desimalnya, maka Dc
dirumuskan
Dc = xk +δ (xk+1 – xk )

2.        Tabel distribusi frekuensi tunggal

(i)     tentukan frekuensi komulatif
(ii)   sama seperti (ii) dan (iii) data tunggal

3.        Tabel distrubusi frekuensi kelompok

(i)     tentukan frekuensi komulatif
(ii)   Letak : kelas yang memuat data ke 

24
(iii) Rumus : Dc = Ltb  + i  
Keterangan :
c          = 1, 2, 3, 4, ..., 9
Dc        = Desil ke c
n          = banyak data (= Σ f )
i           = panjang interval kelas
xk         = data ke k
xk+1      = data ke k + 1
Ltb        = tepi bawah kelas Desil ke c
fk          = frekuensi komulatif sebelum kelas Desil ke c
fDc       = frekuensi kelas Desil ke c

 Persentil
Persentil adalah nilai yang membagi sekumpulan data urut menjadi 100 bagian yang sama. Ada 99
Persentil yaitu P1 , P2 ,P3 , P4 , P5 , ..., P99. Cara menentukan Persentil hampir sama seperti cara menentukan
Kuartil dan Desil yaitu :
Cara menentukan Persentil yaitu :

1.        Untuk data tunggal

(i)     Data diurutkan atau dikelompokkan
(ii)   Letak : data ke = (n+1) dimana c = 1,2,3,4,5...........99
(iii) Jika Persentil ke c(Pc) terletak pada urutan antara k dan (k+1) dan δ adalah bagian desimalnya, maka Dc
dirumuskan

Pc = xk +δ (xk+1 – xk )

2.        Tabel distribusi frekuensi tunggal

(i)     tentukan frekuensi komulatif
(ii)   sama seperti (ii) dan (iii) data tunggal
3.        Tabel distrubusi frekuensi kelompok
(i)     tentukan frekuensi komulatif
(ii)   Letak : kelas yang memuat data ke 
(iii) Rumus : Pc = Ltb  + i  
Keterangan :
c          = 1, 2, 3, 4, ..., 99
Pc         = Persentil ke c
n          = banyak data (= Σ f )
i           = panjang interval kelas
xk         = data ke k
xk+1      = data ke k + 1
Ltb        = tepi bawah kelas Persentil ke c
fk          = frekuensi komulatif sebelum kelas Persentil ke c
fPc        = frekuensi kelas Persentil ke c

25
Contoh 1: Data Tunggal
Tabel  1
Nilai F F kum data ke
5 6 6 1-6
6 18 24 7-24
7 20 44 25-44
8 16 60 45-60
9 12 72 61-72
10 8 80 73-80
Jumlah 80
Tentukan D3 dan P90  dari data tersebut !
Desil ke 3 ( D3)
Letak data ke= = 
D3 = data ke24 +  (data ke 25 – data ke 24 )
D3= 6 + (7-6)
D3=6,3

Persentil ke 90 (P90)
Letak data ke= = 
P90 = data ke 72 +  (data ke 73 – data ke 72 )
P90= 9 + (10-9)
P90=9,9

Contoh 2 : Data Berkelompok

Nilai tingkat kecerdesan emosional dari 50 siswa.
N Frekuens
Kelas Fk
o i
1 58-64 7 7
2 65-71 9 16
3 72-78 11 27
4 79-85 6 33
5 86-92 4 37
6 93-99 9 46
7 100-106 4 50
Total  50
Jawab:
Letak data ke 3 (D3).
Data ke= 
Data ke=15
Maka D3
D3 = 65  + 7 
D3=65+7 
D3= 68,5
Letak data ke 90 (P90)
Data ke= 
Data ke = 45

26
 Maka P90.
P90 = 93  + 7 
P90=93+7 
P90= 93+6,2
P90=99,2

Kesimpulan :
Kelebihan dan Kekurangan Rata-rata, Median dan Modus
1.   Mean
Kelebihan
Rata-rata lebih populer dan lebih mudah digunakan dalam satu set data, rata-rata selalu ada dan hanya ada satu
rata-rata. Dalam penghitungannya selalu mempertimbangkan semua nilai data. Tidak peka terhadap
penambahan jumlah data. Variasinya paling stabil. Cocok digunakan untuk data yang homogen.
Kelemahan
Sangat peka terhadap data ekstrim. Jika data ekstrimnya banyak, rata-rata menjadi kurang mewakili
(representatif). Tidak dapat digunakan untuk data kualitatif. Tidak cocok untuk data heterogen.

2.    Median
Kelebihan
Tidak dipengaruhi oleh data ekstrim. Dapat digunakan untuk data kualitatif maupun kuantitatif. Cocok untuk
data heterogen.
Kelemahan
Tidak mempertimbangkan semua nilai data. Kurang menggambarkan rata-rata populasi.Peka terhadap
penambahan jumlah data.

3.    Modus
Kelebihan
Tidak dipengaruhi oleh data ekstrim. Cocok digunakan untuk data kuantitatif maupun kualitatif.
Kelemahan
Modus tidak selalu ada dalam satu set data. Kadang dalam satu set data terdapat dua atau lebih modus. Jika hal
itu terjadi modus menjadi sulit digunakan. Kurang mempertimbangkan semua nilai. Peka terhadap penambahan
jumlah data.

Hubungan Antara Rata-rata Hitung (Mean), Median dan Modus

Jika rata-rata, median dan modus memiliki nilai yang sama, maka nilai rata-rata, median dan modus akan
terletak pada satu titik dalam kurva distribusi frekuensi. Kurva distribusi frekuensi tersebut akan terbentuk
simetris.
Jika rata-rata lebih besar dari median, dan median lebih besar dari modus, maka pada kurva distribusi
frekuensi, nilai rata-rata akan terletak di sebelah kanan, sedangkan median terletak di tengahnya dan modus di
sebelah kiri. Kurva distribusi frekuensi akan terbentuk menceng ke kiri.
Jika rata-rata lebih kecil dari median, dan median lebih kecil dari modus, maka pada kurva distribusi
frekuensi, nilai rata-rata akan terletak di sebelah kiri, sedangkan median terletak di tengahnya dan modus di
sebelah kanan. Kurva distribusi frekuensi akan terbentuk menceng ke kanan.

27
Rata-rata HARMONIK  (harmonic average)  adalah rata-rata yang dihitung dengan
cara mengubah semua data menjadi pecahan, dimana nilai data dijadikan sebagai penyebut dan
pembilangnya adalah satu, kemudian semua pecahan tersebut dijumlahkan dan selanjutnya
dijadikan sebagai pembagi jumlah data. Rata-rata harmonik sering disebut juga dengan kebalikan
dari Rata-rata Hitung (Aritmatik).

Secara matematis rata-rata harmonik dirumuskan sebagai berikut.

Rumus Rata-rata Harmonik

HH=i=1∑nxi1n

Dimana:  HH adalah rata-rata harmonik, nn adalah banyaknya data, x_ixi adalah nilai data ke-i.i.

Contoh Soal #1

Suatu pertandingan bridge terdiri dari 10 meja. Pada pertandingan tersebut ingin diketahui rata-rata
lama bermain dalam 1 set kartu bridge. Pada pertandingan pertamanya dihitung lama bermain
untuk setiap set kartu di setiap meja. Hasilnya adalah sebagai berikut (dalam menit).
7, 6, 8, 10, 8, 8, 9, 12, 9, 11
Berapakah rata-rata harmonik lama pertandingan tersebut?

Jawab:
Diketahui n=10, n=10, dengan menggunakan rumus rata-rata harmonik maka

H=i=1∑nxi1n=71+61+⋯+11110=8,467
Hasil tersebut bisa dibuktikan dengan menggunakan fungsi HARMEAN pada Microsoft Excel. Simak
caranya di artikel  : Menghitung Rata-rata Harmonik dengan Microsoft Excel.

Contoh Soal #2
Hitunglah rata-rata harmonik untuk data

4, 5, 4, 40, 3, 5, 6, 5.
Jawab:
Diketahui n=8 ,n=8, maka
H=i=1∑nxi1n=41+51+⋯+518=4,92

RATA-RATA UKUR GEOMETRIK

Rata-rata ukur (geometrik) adalah rata-rata yang diperoleh dengan mengalikan semua data dalam
suatu kelompok sampel, kemudian diakarpangkatkan dengan banyaknya data sampel tersebut.
Karena mengikuti proses akar pangkat, maka apabila terdapat unsur data yang bernilai negatif maka
rata-rata ukur tidak bisa dilakukan.

28
Berikut ini adalah rumus-rumus untuk menghitung rata-rata geometrik untuk data tunggal dan data
berkelompok.

1. Rumus Rata-rata Ukur pada Data Tunggal

Ada dua cara untuk menghitung rata-rata ukur yaitu dengan Cara Biasa dan dDengan Logaritma.
Pada prinsipnya penghitungan kedua metode tersebut adalah sama. Perbedaannya adalah pada
tingkat kesulitan pada proses penghitungannya.

Cara I: Cara Biasa G=nx1×x2×⋯×xn=ni=1∏nxi

Penghitungan menggunakan Cara Biasa akan sulit dilakukan jika data yang digunakan banyak dan
nilainya besar. Hal ini karena hasil perkalian pada saat penghitungan akan menjadi sangat besar.
Oleh karena itu, untuk mengurangi hitungan yang terlalu besar maka digunakanlah logaritma (Cara
Kedua).

Cara II: Dengan Logaritma : log(G)=n1i=1∑nlog(xi)

2. Rumus Rata-rata Ukur pada Data Berkelompok

Rumus rata-rata ukur untuk data berkelompok adalah. log(G)=i=1∑kfii=1∑kfi.log(xi)
dimana x_ixi adalah titik tengah, kk adalah banyaknya kelas dan f_ifi frekuensi data kelas ke-i.i.

Hubungan dengan Rata-rata Aritmatik dan Rata-rata Harmonik

Contoh Soal No. 1

Hitunglah rata-rata ukur dari data berkelompok di bawah ini. 

Kelas Interval Frekuensi

7-9 8

10-12 5

13-15 6

16-18 7

19-21 4

Jawab:
Pergunakan tabel di bawah ini untuk mempermudah penyelesaianya.

x_ixi f_ifi \log(x_i)log(xi) f_i\log(x_i)filog(xi)

8 8 0,9031 7,2247

11 5 1,0414 5,2070

14 6 1,1461 6,8768

17 7 1,2304 8,6131

20 4 1,3010 5,2041

29
 x_ixi f_ifi \log(x_i)log(xi) f_i\log(x_i)filog(xi)

\sum∑ 30 \sum∑ 33,1257

Dari tabel diperoleh \sum_{i=1}^kf_i=30∑i=1kfi=30 dan \sum_{i=1}^kf_i.\log(x_i)=33\text{,}1257.∑i=1k

fi.log(xi)=33,1257. Dengan menggunakan rumus rata-rata ukur data berkelompok
maka\begin{aligned} \log(G)&=\frac{33\text{,}1257}{30}\\ &=1\text{,}1043 \end{aligned}log(G)
=3033,1257=1,1043sehingga\begin{aligned} G&=10^{1\text{,}1042}\\ &=12\text{,}7113 \end{aligned}G
=101,1042=12,7113dengan demikian rata-rata ukurnya adalah 12,7116.

RUMUS STUTGESS
Statistik deskriptif adalah statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau
menggambarkan data yang telah terkumpul sebagaimana adanya tanpa membuat kesimpulan yang berlaku untuk
umum atau generalisasi. Termasuk dalam statistik deskriptif antara lain perhitungan mean, median dan modus,
perhitungan penyebaran data melalui perhitungan rata-rata dan standar deviasi serta penyajian data melalui tabel
frekuensi dan grafik histogram. Contoh analisis statistik deskriptif menggunakan Rumus Sturges untuk
Distribusi Frekuensi adalah sebagai berikut :

Jumlah kelas dalam pengelompokkan data (Rumus Sturges)

k = 1 + 3,322 log n

Penyusunan distribusi berdasarkan besarnya interval kelas :

Jarak
i = -----------------------
1 + 3,322 log n

Keterangan : 
i = interval kelas, adalah jarak nilai terendah dan tertinggi dalam suatu kelas.
j = jarak/selisih antara nilai maksimal dengan nilai minimum
1 + 3,322 log n = jumlah kelas

Langkah-langkah membuat tabel distribusi frekuensi adalah sebagai berikut :

1.      Urutkan data dari yang terkecil ke yang terbesar
2.      Hitung rentang, yaitu data tertinggi dikurangi data terendah dengan rumus
R = data tertinggi – data terendah
3.      Hitung banyak kelas dengan aturan Sturgess, yaitu :
Banyak kelas (k) = 1 + 3,3 log n , dimana n adalah banyak data
Banyak kelas biasanya paling sedikit 5 kelas dan paling banyak 15 kelas. Tapi itu semua tergantung kebutuhan.
4.      Hitung panjang kelas interval dengan rumus : c = rentang / banyak kelas
5.      Tentukan ujung bawah kelas interval pertama. Biasanya diambil dari data terkecil atau data yang lebih kecil
dari data terkecil, tetapi selisihnya harus kurang dari panjang kelas yang didapat.
6.      Selanjutnya kelas interval pertama dihitung dengan cara menjumlahkan ujung bawah kelas dengan c tadi
dikurangi 1, dst.
7.      Kemudian hitung nilai frekuensi absolut dan nilai frekuensi relatif (%). Nilai frekuensi absolut tinggal melihat
banyak data yang masuk atau tercover dalam setiap baris kelas interval. Sedangkan untuk frekuensi relatif
dinyatakan dalam persen (%) yang disingkat f(%), rumusannya sebagai berikut :
f(%) baris pertama = f absolut baris pertama / n x 100%
untuk nilai f(%) baris-baris berikutya juga demikian.

30
 Contoh Soal !

Data hujan 20 tahun pengamatan ditampilkan dalam tabel I dibawah ini. Buatlah tabel distribusi frekuensinya !
No Curah Hujan (Xi)
(mm)

1 45
2 55
3 64
4 76
5 48
6 68
7 43
8 57
9 86
10 57
11 67
12 78
13 87
14 86
15 49
16 57
17 68
18 83
19 78
20 85

Penyelesaian :

1.      Urutkan data dari yang terkecil ke yang terbesar

No Curah Hujan (Xi)
(mm)
1 43
2 45
3 48
4 49
5 55
6 57
7 57
8 57
9 64
10 67
11 68
12 68
13 76
14 78
15 78

31
 16 83
17 85
18 86
19 86
20 87

2.     Hitung rentang yaitu data tertinggi dikurangi data terendah dengan rumus :
R = data tertinggi – data terendah
    = 87 – 43 = 44

3.      Hitung banyak kelas dengan aturan Sturgess, yaitu :

Banyak kelas  = 1+3,3 log n
                       = 1+3,3 log 20
                       = 5,29 dibulatkan jadi 5

4.      Hitung panjang kelas interval dengan rumus : 

p = rentang / banyak kelas
p = 44 / 5
   = 8,8 bulatkan jadi 9

5.      Tentukan ujung bawah kelas interval pertama. Biasanya diambil dari data terkecil, data terkecilnya = 43.

6.      Selanjutnya kelas interval pertama dst, dhitung dengan cara menjumlahkan ujung bawah kelas dengan p tadi

dikurangi 1. Demikian seterusnya.

43 + 9 – 1 = 51
52 + 9 – 1 = 60
61+ 9 – 1 = 69
70 + 9 – 1 = 78
79 + 9 – 1 = 87

Dari hasil perhitungan tersebut didapat kelas interval sebagai berikut :

43 – 51
52 – 60
61 – 69
70 – 78
79 – 87
7.      Hitung frekuensi absolut dan relatif
*) Untuk frekuensi absolut
Untuk frekuensi absolut tinggal dilihat banyak data yang masuk atau tercover dalam setiap baris rentang kelas.
            *) Untuk frekuensi relatif :
f (%) baris pertama = f absolut baris pertama / n x 100%
f (%) baris pertama = 4 / 20 x 100% = 20 % (untuk baris berikutnya juga demikian)
Hasil perhitungan frekuensi relatif dan absolut ditampilkan dalam tabel berikut ini :

No Curah Hujan (Xi) Frekuensi Absolut Frekuensi Relatif

(%)
1 43 – 51 4 20

2 52 – 60 4 20

3 61 – 69 4 20

4 70 – 78 3 15

32
 5 79 – 87 5 25

∑ 20 100%

Contoh lain :
Hasil kuesioner yang telah diterima dari responden ditabulasikan kemudian dibuat distribusi frekuensi.
Distribusi data terlebih dahulu dikelompokkan ke dalam interval kelas. Pengelompokkan ini diambil menurut
nilai terendah sampai nilai tertinggi. Dengan demikian diperoleh rentang skor empiris antara 46 sampai 73
dengan rentang (range) 27. Kemudian dari hasil pengolahan data diperoleh skor rata-rata (mean) sebesar 59,59,
median 62,00, modus 63, standar deviasi 7,237 dan varians 52,372.

Penyusunan distribusi frekuensi menurut aturan Sturges untuk data disiplin diperoleh 7 kelas interval dan
panjang kelasnya 4, untuk lebih jelas dapat dilihat pada tabel berikut:

Tabel Distribusi Frekuensi

Berdasarkan tabel tersebut dapat diketahui

bahwa skor rata-rata sebanyak 8 responden
atau 8,42%, skor di bawah rata-rata
sebanyak 38 responden atau 40% dan skor di
atas rata-rata sebanyak 49 responden atau
51,58%.

Distribusi frekuensi juga disajikan dalam

bentuk histogram seperti pada grafik berikut:

Grafik histogram tersebut menunjukkan adanya garis melengkung simetris membentuk sebuah lonceng. serta
median dan modus mendekati rata-ratanya. Hal ini menunjukkan bahwa data berdistribusi normal.

CONTOH : Cara Membuat Tabel distribusi frekuensi berkelompok.

Perhatikanlah kasus berikut.

33
Seorang Manajer Pabrik Industri ingin mengevaluasi hasil kerja bawahannya dan meminta supervisor
untuk memberikan laporan tersebut. Data hasil penilaian yang dilakukan supervisor terhadap 80
karyawan dinyatakan sebagai berikut.

61 83 88 81 82 60 66 98 93 81 38 90 92 85 76 88 78 74 70 48

80 63 76 49 84 79 80 70 68 92 61 83 88 81 82 72 83 87 81 82

81 91 56 65 63 74 89 73 90 97 48 90 92 85 76 74 88 75 90 97

75 83 79 86 80 51 71 72 82 70 93 72 91 67 88 80 63 76 49 84

Supervisor berencana menyederhanakan data tunggal tersebut menjadi bentuk tabel distribusi
frekuensi berkelompok untuk mengefisienkan laporan evaluasi nya. Kemudian supervisor juga akan
menentukan ukuran pemusatan data yang meliputi Mean, Median dan Modus. Bantulah supervisor
tersebut untuk menyusun laporannya! (Gunakan Aturan Sturgess).

Penyelesaian :

Apabila data diurutkan dari yang terkecil ke yang terbesar maka menjadi susunan sebagai berikut.

Setelah data diurutkan dengan mudah kita temukan data terbesar dan data terkecil yaitu 98 dan
38. Selisih data terbesar dengan data terkecil disebut sebagai jangkauan data, jangkauan data dalam
kasus ini adalah 60.

Langkah selanjutya adalah mendistribusikan data-data tersebut ke dalam kelas-kelas. Untuk

membagi data menjadi beberapa kelas, kita dapat menggunakan aturan Sturgess. Aturan tersebut
menyatakan bahwa jika data yang diamati banyaknya  n dan banyak kelas adalah k, banyak kelas
dirumuskan sebagai berikut:

k = 1 + (3,3) log n

untuk data di atas diperoleh,

Banyak kelas  = 1 + (3,3) log 80

= 1 + (3,3)(1,903)

= 7,28  7

Sehingga data di atas kita kelompokkan ke dalam 7 kelas. Mengapa angka pembulatan yang
dipilih angka 7 bukan angka 8?

Sekarang kita perlu menentukan berapa banyak data yang terdapat pada tiap kelas. Banyak
data dalam satu kelas disebut panjang kelas atau interval kelas, yang dirumuskan sebagai berikut:

34
Telah diperoleh bahwa banyak kelas adalah 7 dan panjang kelas adalah 9, dapat kita gunakan untuk
membentuk kelas-kelas yang dinyatakan sebagai berikut:

Kelas ke I        : 38 – 46

Kelas ke II      : 47 – 55

Kelas ke III     : 56 – 64

Kelas ke IV     : 65 – 73

Kelas ke V      : 74 – 82

Kelas ke VI     : 83 – 91

Kelas ke VII   : 92 – 100 

Hasil pengolahan data di atas dapat disajikan ke dalam bentuk tabel distribusi frekuensi berkelompok
berikut:

Tabel 1. Tabel Frekuensi

Nilai Matematika Frekuensi

38 – 46 1

47 – 55 5

56 – 64 7

65 – 73 12

74 – 82 25

83 – 91 22

92 – 100 8

Jumlah 80

Data pada tabel di atas jika disajikan dalam histogram adalah sebagai berikut.

35
Lanjutkan! Hitung nilai Mean, Median dan Modus

Ukuran Penyebaran Data (Dispersi)

Ukuran Penyebaran Data adalah ukuran yang menunjukkan seberapa jauh data suatu menyebar
dari rata-ratanya. Pada ukuran penyebaran data, dipelajari :
Jangkauan (Range), Simpangan, Ragam (Variance), ukuran penyebaran pada nilai Kuartil, dan
Pencilan (Outlier).

Range (Jangkauan):
R = xmaks - xmin
Jangkauan Data Tunggal
Contoh : 6, 7, 3, 4, 8, 3, 7, 5, 10, 15, 20 Maka : R = 20=3 = 17.
Jangkauan Data Berkelompok :
Nlai Frekuensi Maka : R = (18+20)/2 - (3+5)/2
3-5 3 R = 19-4 = 15.
6-8 6
9-11 16
12-14 8
15-17 7
18-20 10

Ragam (Varians)

Varian dan standar deviasi (simpangan baku) adalah ukuran-ukuran keragaman (variasi) data

statistik yang paling sering digunakan.  Standar deviasi (simpangan baku) merupakan akar
kuadrat dari varian. Oleh karena itu, jika salah satu nilai dari kedua ukuran tersebut diketahui maka
akan diketahui juga nilai ukuran yang lain. Dasar penghitungan varian dan standar deviasi adalah
keinginan untuk mengetahui keragaman suatu kelompok data.

Salah satu cara untuk mengetahui keragaman dari suatu kelompok data adalah dengan mengurangi
setiap nilai data dengan rata-rata kelompok data tersebut, selanjutnya semua hasilnya dijumlahkan.
Namun cara seperti itu tidak bisa digunakan karena hasilnya akan selalu menjadi 0.

Oleh karena itu, solusi agar nilainya tidak menjadi 0 adalah dengan mengkuadratkan setiap
pengurangan nilai data dan rata-rata kelompok data tersebut, selanjutnya dilakukan penjumlahan.
Hasil penjumlahan kuadrat (sum of squares) tersebut akan selalu bernilai positif.

36
Nilai varian diperoleh dari pembagian hasil penjumlahan kuadrat (sum of squares) dengan ukuran
data (n).

Namun begitu, dalam penerapannya, nilai varian tersebut bias untuk menduga varian populasi.
Dengan menggunakan rumus tersebut, nilai varian populasi lebih besar dari varian sampel.

Oleh karena itu, agar tidak bias dalam menduga varian populasi, maka n sebagai pembagi
penjumlahan kuadrat (sum of squares) diganti dengan n-1 (derajat bebas) agar nilai varian sampel
mendekati varian populasi. Oleh karena itu rumus varian sampel menjadi: 

Nilai varian yang dihasilkan merupakan nilai yang berbentuk kuadrat. Misalkan satuan nilai rata-
rata adalah gram, maka nilai varian adalah gram kuadrat. Untuk menyeragamkan nilai satuannya
maka varian diakarkuadratkan sehingga hasilnya adalah standar deviasi (simpangan baku).

Untuk mempermudah penghitungan, rumus varian dan standar deviasi (simpangan baku) tersebut
bisa diturunkan :

Rumus varian :

Rumus standar deviasi (simpangan baku) :

Keterangan:

s2 = varian

s = standar deviasi (simpangan baku)

xi = nilai x ke-i

 = rata-rata

n = ukuran sampel

Contoh Penghitungan

37
Misalkan dalam suatu kelas, tinggi badan beberapa orang siswa yang dijadikan sampel adalah
sebagai berikut. 

172, 167, 180, 170, 169, 160, 175, 165, 173, 170

Dari data tersebut diketahui bahwa jumlah data (n) = 10, dan (n - 1) = 9. Selanjutnya dapat dihitung
komponen untuk rumus varian.

Dari tabel tersebut dapat ketahui:

 
Dengan demikian, jika dimasukkan ke dalam rumus varian, maka hasilnya adalah sebagai berikut.

Dari penghitungan, diperoleh nilai varian sama dengan 30,32.

Dari nilai tersebut bisa langsung diperoleh nilai standar deviasi (simpangan baku) dengan cara
mengakarkuadratkan nilai varian.

38
 Dalam distribusi normal, kedua ukuran ini sangat dibutuhkan. Nilai rata-rata (mean) untuk ukuran
pemusatan, hal ini berguna untuk mengetahui nilai tengah dari kurva normal dan nilai simpangan
baku untuk ukuran penyebaran, hal ini berguna untuk mengetahui lebar dari kurva normal tersebut.

Ada namanya Statistik Lima Serangkai , yaitu 

Perlakuan pada ukuran pemusatan dapat mengakibatkan, sebagai berikut :

 Setiap perlakuan data awal : (+) ; (-) ; (x) ; (:) dengan suatu bilangan k maka akan mengubah
ukuran pemusatan awal dengan memberikan perlakuan : (+) ; (-) ; (x) ; (:) sebesar bilangan k tersebut
kepada ukuran pemusatan awal.
Perlakuan pada ukuran penyebaran dapat mengakibatkan, sebagai berikut :

39
 Setiap perlakuan data awal : (+)  atau (-) dengan suatu bilangan k maka ukuran penyebaran
data awal tidak akan berubah.
 Setiap perlakuan data awal : (x)  atau (:) dengan suatu bilangan k maka akan mengubah
ukuran penyebaran data awal dengan memberikan perlakuan : (x) atau (:) sebesar
bilangan k tersebut kepada ukuran penyebaran awal.

Contoh :

Suatu sekolah memiliki nilai hasil UN dengan rata-rata 40, median 45 dan simpangan kuartil 10. 
Karena rata-rata terlalu rendah maka semua nilai dikalikan dengan 2 kemudian dikurangi 15.
Akibatnya adalah : 

Ukuran pemusatan dalam kasus ini adalah rata-rata dan median.

Semua perlakuan tidak akan mengubah ukuran pemusatannya. Sehingga nilai rata-rata tetap 40 dan
nilai median tetap 45.

Ukuran penyebaran dalam kasus di atas adalah simpangan baku.

Jika simpangan baku dikalikan dengan dua, maka ukuran penyebaran yang baru akan dikalikan dua
jadi simpangan bakunya adalah 20, dan selanjutnya dikurangi 15, hal ini tidak akan berpengaruh.
Sehingga nilai simpangan baku adalah 20.

Istilah-Istilah dalam Statistik

 Penelitian adalah kegiatan yang dilakukan secara sitematis, terencana dan mengikuti
konsep ilmiah untuk mendapatkan sesuatu yang objektif dan rasional tentang sutu hal.
 Data adalah sesuatu yang dibutuhkan dalam penelitian dengan menggunakan parameter
tertentu yang telah ditentukan.
Jenis data berdasarkan bentuk/isi data, yaitu

 Data Kualitatif adalah data yang dinyatakan dalam bentuk bukan angka, data bentuk
kalimat, kata. gambar atau bagan.
 Data Kuantitatif adalah data yang dinyatakan dalam bentuk angka.
Jenis data Kuantitatif, yaitu :

1. Data Nominal : data yang dinyatakan dalam bentuk kelompok 

contoh : - laki-laki dan perempuan, gelap dan terang, dsb
2. Data Ordinal : data yang dinyatakan dalam bentuk kelompok yang menunjukkan
peringkat/urutan/tingkatan tertentu.
contoh : SD, SMP dan SMA; nilai A, B, C dan D, dsb

3. Data Interval : data yang memiliki jarak yang sama dan bukan hasil pengelompokkan
sehingga dapat dilakukan penghitungan aritmatika namun tidak memiliki nilai nol mutlak.
contoh : pengukuran suhu udara, dsb

4. Data Rasio :  data yang memiliki jarak yang sama dan dapat dilakukan penghitungan
aritmatika serta  memiliki nilai nol mutlak. 
contoh : pengukuran berat, tinggi, data keuangan, dsb

Variabel : suatu atribut yang akan diteliti dan bervariasi antar satu subjek/objek lainnya.
variabel merupakan suatu konsep yang beragam atau bervariasi. Variabel dapat dikelompokkan
atas dua kelompok, yaitu :

1. Variabel dependen : variabel yang dipengaruhi oleh variabel lainnya dan tidak dapat
berdiri sendiri.

40
 2. Variabel independen : variabel yang mempengaruhi variabel lainnya dan dapat berdiri
sendiri.

Populasi adalah suatu kelompok subjek/objek yang menjadi pusat perhatian dalam penelitian.

Sampel adalah bagian dari populasi. 

Analisis data : proses mengolah data dan menginterpretasikan hasil data.

Jenis-jenis analisis data terbagi atas dua yaitu :

1. Analisis deskriptif : analisis data yang menekankan pada pembahasan data dan
menyajikannya secara sistematik, namun tidak dapat menyimpulkan penelitian.
2. Analisis subjektif : analisis data yang menekankan pada hubungan antar variabel dengan
melakukan pengujian hipotesis dan menyimpulkan hasil penelitian.

Metode analisis data terbagi atas dua, yaitu :

1) Metode statistik parametrik : menggunakan parameter-parameter tertentu seperti ukuran

pemusatan dan ukuran penyebaran data, dsb. Dengan syarat data harus memiliki distribusi data
normal.
2) Metode statistik non parametrik : tidak menggunakan parameter-parameter tertentu
seperti metode statistik parametrik. Data tidak harus berdistribusi normal.

Hipotesis, dinyatakan dalam kalimat pernyataan (bukan pertanyaan) dan merupakan jawaban
sementara dari  rumusan masalah  penelitian yang belum dibuktikan kebenarannya.

 Hipotesis nol (Ho) : menyatakan tidak terdapat hubungan antara variabel yang diteliti.
 Hipotesis alternatif (Ha) : menyatakan terdapat hubungan antara variabel yang diteliti.

Uji Hipotesis : pengujian yang bertujuan untuk mengetahui apakah kesimpulan pada sampel
dapat berlaku untuk populasi (dapat digeneralisasikan ke populasi).

Signifikan : meyakinkan atau berarti, dalam pengujian hipotesis, signifikan berarti hipotesis
yang terbukti pada sampel dapat digeneralisasikan dan berlaku pada populasi, jika tidak
signifikan berarti hanya berlaku pada sampel saja. 

Tingkat signifikansi 5% berarti resiko kesalahan dalam mengambil keputusan atau menolak
hipotesis yang benar sebanyak-banyaknya adalah 5%, dan mengambil keputusan sekurang-
kurangnya adalah 95%.

41
Biasanya nilai 5% disimbolkan dengan "alpha" dan pemilihan nilai alpha biasanya 5% atau 1%.
Hal ini tidak diharuskan, karena bisa saja memilih nilai "alpha" yang lain. 

Taraf signifikansi (alpha) : besarnya pelauang melakukan kesalahan. 

Probabilitas (p-value) : peluang munculnya kejadian.

Derajat kebebasan (Degree of Freedom) : derajat ketergantungan banyaknya observasi dan

banyaknya variabel independen yang digunakan untuk menentukan nilai kritis.

PROBABILITAS

1.      DEFINISI
Probabilitas dapat diartikan sebagai derajat / tingkat kepastian atau keyakinan dari munculnya hasil
pecobaan statistik. Selain itu juga diartikan sebagai suatu ukuran seberapa besar suatu kejadian akan
terjadi terhadap semua kejadian yang ada.

Peluang adalah suatu nilai antara 0 sampai 1 yang menunjukkan kemungkinan suatu peristiwa akan
terjadi. Sebuah Eksperimen adalah pengamatan atas beberapa kegiatan atau suatu pengukuran.
Sebuah hasil adalah keluaran tertentu dari sebuah eksperimen.

Probabilitas ada dua macam, yaitu:

a. Probabilitas a priori,
yaitu probabilitas yang disusun berdasarkanakal, bukan atas pengalaman. Seperti untuk mengetahui
peluang keluarnya mata dadu maka berpeluang 1/6, karena jumlah mata dadu ada 6.
b. Probabilitas relative frekuensi,
yaitu probabilitas yang disusun berdasarkan statistic atau fakta empiris. Disini didasarkan oleh fakta-
fakta yang sering terjadi. Seperti setiap wanita berusia 26 tahun memiliki probabilitas 971 yang dapat
mencapai umur 27 tahun, artinya dari 1000 wanita umur 26 tahun akan meninggal sebanyak 29
orang.
Berdasarkan kenyataan bahwa teori, generalisasi dan kausalitas bersifat probabilistic, maka
ilmu-ilmu tidak pernah memberi keterangan yang pasti tentang peristiwa-peristiwa. Teori dan
keterangan yag diberikan bersifat kemungkinan.
Ilmu tidak berpretensi mutlak, artinya ketika dalam perdukunan mengatakan “ Minumlah air ini pasti
sembuh”, maka dalam ilmu hanya mampu mengatakan “ Minumlah air ini kemungkinan besar akan
sembuh”.
Jadi tindakan yang kita ambil berdasarkan resiko yang mungkin timbul dari pilihan kita berkaitan
dengan probabilitas yang ada.

 JENIS-JENIS NON-PROBABILITAS

Sebenarnya apakah benar non probability sampling itu tidak menggambarkan populasi?jawabannya.
Kita bisa saja menggambarkan populasi lewat sample dari non probability ini, tapi kita tidak bisa
menentukan seberapa besar error nya? karena untuk menghitung error perlu konsep peluang. Karena
sampling error nya tidak bisa di ukur maka setidaknya non sampling error diperlukan perbaikan.
Sumbernya antara lain, pembuatan kuesioner yang baik ( tidak mengarahkan responden), cara
interview yang baik, kejujuran interviewer dll.

Dalam dunia social research banyak kondisi dimana kita tidak bisa mendapatkan daftar populasinya.
Contohnya ,meneliti tentang pengguna narkoba di jakarta?

Adanya kondisi-kondisi demikian kita bisa menggunakan non prob sampling

42
Secara garis besar ada dua jenis non prob sampling ini yakni accidental atau purposive.

Accidental atau Convinience Sampling   

kita tidak bisa menyimpulkan pendapat-pendapat orang-orang yang kita temui sebagai pendapat
populasi

Purposive Sampling   
Teknik-teknik yang digunakan dalam purposive sampling tergantung pada tujuan survey nya.

Modal instance sampling ( dipilih dengan kriteria org kebanyakan) artinya kita memilih berdasarkan
orang-orang itu kebanyakan kerja, umur, pendidikan dan pendapatannya, masalahnya suku dan
agama itu berpengaruh? Hal ini merupakan kelemahannya.

Expert Sampling (berdasarkan pendapat ahli) yang harus diperhatikan adalah ahli yang kita jadikan
dasar pengambilan sampel ini harus ahli dibidangnya.

2.      PERUMUSAN PROBABILITAS

Bila kejadian E terjadi dalam m cara dari seluruh  cara yang mungkin terjadi dimana masingmasing
cara tersebut mempunyai kesempatan atau kemungkinan yang sama untuk muncul, maka
probabilitas kejadian E adalah : (Contoh)

  Hitung probabilitas memperoleh kartu hati bila sebuah kartu diambil secara acak
dari seperangkat kartu bridge yang lengkap! Jumlah seluruh kartu = 52 dan Jumlah kartu hati=13.

Sebuah Eksperimen adalah pengamatan atas beberapa kegiatan atau suatu pengukuran.

 Sebuah hasil adalah keluaran tertentu dari sebuah eksperimen.

 Suatu kejadian adalah kumpulan satu hasil atau lebih dari sebuah eksperimen.

Beberapa kejadian dikatakan saling bebas jika kemunculan suatu kejadian tidak memengaruhi kemunculan
kejadian yang lainnya.

Aturan penjumlahan mengacu pada gabungan dari beberapa kejadian :

1. Aturan penjumlahan khusus digunakan ketika kejadian-kejadiannya tidak terikat satu sama lain

(Mutually exclusive)

2. Aturan penjumlahan umum digunakan ketika kejadian-kejadiannya terikat satu sama lain (Mutually Non
exclusive).

3. Aturan komplemen digunakan untuk menentukan peluang suatu kejadian yang muncul dengan mengurangi
peluang ketidakmunculan kejadian tersebut dari nilai 1.

Aturan Perkalian mengacu pada hasil kali dari beberapa kejadian antara lain :
1. Aturan perkalian khusus mengacu pada kejadian-kejadian yang saling bebas (Kejadian independen)

43
2. Aturan perkalian umum mengacu pada kejadian-kejadian yang tidak saling bebas (kejadian dependen)

 Peluang bersyarat adalah peluang munculnya suatu kejadian, jika diketahui suatu kejadian lain telah
terjadi.

Peluang bersyarat dari kejadian A bila diberikan kejadian B dinotasikan dengan

1. P(A | B)         = P (A ∩ B ) / P(B)  ; P (B) > 0

2. P(B | A)         = P (A U B ) / P(B)  ; P (A) > 0

3. P(A U B | C)  = P ((A U B) ∩ C) / P(C)

  SIFAT - SIFAT :
1. 0 ≤ P (A | B) ≤ 1 ==> 0 ≤ P(A ∩ B ) ≤ P (B)

2. Jika A ≤ B maka A∩B = A sehingga P(A | B) = P(A)/P(B)

3. Jika B ≤ A maka A∩B = B sehingga P(A | B) = 1

Dari ketiga syarat di atas diperoleh

  P (A U B ) = P (A | B) P (B) = P (B | A) P(A)

Contoh soal:
Pengacakan orang dewasa yang telah tamat SMA di suatu kota kecil. Mereka dikelompokkan
menurut jenis kelamin dan status pekerjaan sebagai berikut :

                  Bekerja      Tak Bekerja

Lelaki          460                   140
Wanita           40                   260
Daerah tersebut akan dijadikan daerah pariwisata daan seseorang akan dipilih secara acak untuk
mempropagandakannya ke seluruh negeri. 
Jawab
Misalkan A = lelaki yang terpilih sedangkan B = orang yang terpilih dalam status bekerja.
P(A | B) = P(A ∩ B )/ P(B)
              = (460/900) / (600/900)   = (23/45) / (2/3)  = 23/30

TEOREMA BAYES
Teori Bayes atau lebih dikenal dengan kaidah Bayes, memainkan peranan yang sangat penting
dalam penerapan probabilitas bersyarat. Teori ini pertama kali dikembangkan oleh Thomas bayes
(1702-1763). Kaidah Bayes merupakan kaidah yang memperbaiki atau merevisi suatu probabilitas
dengan cara memanfaatkan informasi tambahan. Maksudnya, dari probabilitas awal (prior
probability) yang belum diperbaiki dengan rumuskan berdasarkan informasi yang tersedia saat ini,
kemudian dibentuklah probabilitas berikutnya (posterior probability).
Teori lain mengatakan Teori Bayes adalah kesimpulan statistik yang membuktikan atau pengamatan
yang digunakan untuk memperbarui atau menarik kesimpulan yang baru suatu probabilitas yang
mungkin benar. Teori Bayes berasal dari kebiasaan menggunakan rumus bayes untuk memproses
suatu kesimpulan/dugaan.

44
Teori Bayes menerangkan hubungan antara probabilitas terjadinya peristiwa X dengan syarat
peristiwa Y telah terjadi dan probabilitas terjadinya peristiwa Y dengan syarat peristiwa X telah terjadi.
Hubungan itu dapat diturunkan melalui teori probabilitas bersyarat seperti berikut :
Teori Bayes biasanya ditulis dalam bentuk yang lebih panjang dengan mengubah penyebutnya
kedalam bentuk yang berisi probabilitas bersyarat, karena permasalahannya juga diberikan dalam
probabilitas.
Probabilitas yang dihitung P(X|Y) disebut probabilitas kemudian (posterior) dari peristiwa X karena
adanya informasi yang dikandung dalam peristiwa Y. probabilitas tak bersyarat P(X) dan P(X’) disebut
probabilitas awal (prior) dari peristiwa-peristiwa X dan X. Artinya hokum Bayes memutakhirkan atau
memperbaki probabilitas awal P(X) dengan memasukkan ke dalam model informasi yang diamati
yang terdapat didalam peristiwa Y
Metode untuk menghitung peluang  dengan syarat ada informasi tambahan yang diperoleh. Untuk dua kejadian
tidak terikat satu sama lain dan membentuk kumpulan kejadian lengkap.

1) Contoh soal
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?
Jawab
P (A) = 2%
P (Ā) = 98%
P (B | A) = 97%
P (B | Ā) = 9%P (B ∩ A) = P (A) × P (B| A) = 2% × 97% = 0,0194P (B ∩  Ā) = P ( Ā) × P (B |  Ā)
= 98% × 9% = 0,0882P (Ƀ ∩ A) = P (A) × P (Ƀ | A) = 2% × 3% = 0,0006
P(Ƀ ∩Ā ) = P (Ā) × P (Ƀ | Ā) = 98% × 91% = 0,8918

P(A | B) = P(B ∩ A) / 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

2) Hasil Posisi Kelas Sosial Obyektif Identitas Kelas Sosial secara Subyektif Pekerja Menengah ke
atas Total Miskin 0 0 0 Pekerja 8 0 8 Menengah 32 13 45 Menengah ke atas 8 37 45 Atas 0 0 0
Total 48 50 98   8 98 P(A | B) P(A B)  P(B)  (Suby MA | Oby Pekerja)  Suby MA | Oby
Pekerja     0,17 48 98 Oby Pekerja P P P

Diagram Pohon
 Diagram pohon merupakan cara yang mudah untuk menggambarkan hasil-hasil yang mungkin dari
sederetan percobaan jika dari setiap percobaan hasil yang mungkin berhingga (dalam teori peluang
disebut proses stokastik). Diagram pohon sangat berguna untuk menggambarkan peluang bersyarat

45
dan peluang bersama. Probabilitas diagram pohon  melukiskan event atau serangkaian event sebagai
cabang dari suatu pohon. Diagram ini digunakan untuk menyatakan mengenai kondisi probabilitas.

Contoh :
Suatu mata kuliah teori probabilitas  diikuti oleh 50 mahasiswa tahun ke 2, 15 mahasiswa tahuun ke 3
dan 10 mahasiswa tahun ke 4. Diketauhi mahasiswa yang mendapatkan nilai A adalah 10 orang dari
mahsiswa tahun ke 2, 8 orang dari mahasiswa tahun ke 3 dan 5 orang mahasiswa tahun ke 4. Bila
seorang mahasiswa dipilih secara acak ,berapakah peluang dia:
a.  Mendapatkan nilai A
b.  Mahasiswa tahun ke 2 bila diketauhi dia mendapatkan A

Jawab :
a. P (A) = Σ4 i=2 P(Mi) (A | Mi)
             =  (50/75 10/50) + (15/75 8/15) + (10/75 5/10)
             =   50/375 + 120/1125 + 10/150         

    =   23/75
b. P(M2|A)  =  P(M2) P(A|M2)
                     =  50/75 10/50
                               23/75
                     =   10/23

Aturan untuk menghitung jumlah hasil dari suatu eksperimen

1. Aturan perkalian menyatakan bahwa jika terdapat m cara suatu kejadian dapat terjadi dan n
cara suatu kejadian lain dapat terjadi maka terdapat mn cara untuk dua kejadian tersebut.

2. Permutasi adalah susunan objek-objek yang dipilih dari sekelompok objek tertentu yang
urutannya penting.

3. Kombinasi adalah susunan objek-objek yang dipilih dari sekelompok objek tertentu yang
urutannya tidak penting.

Note :

Dalam matematika, FAKTORIAL dari bilangan asli n adalah hasil perkalian antara bilangan
bulat positif yang kurang dari atau sama dengan n.

n Faktorial = n!

Contoh dan Soal Teori Peluang

Kaidah Pencacahan

Aturan Perkalian

46
 1) Misal suatu plat nomor sepeda motor terdiri atas dua huruf berbeda yang diikuti tiga angka
dengan angka pertama bukan 0. Berapa banyak plat nomor berbeda yang dapat dibuat? -
Huruf pertama dapat dipilih dari 26 huruf berbeda, - Huruf kedua dapat dipilih dari 25 huruf
berbeda, - Angka pertama dapat dipilih dari 9 angka berbeda, - Angka kedua dapat dipilih
dari 10 angka berbeda, - Angka ketiga dapt dipilih dari 10 angka berbeda. Jadi ada = plat
nomor berbeda yang dapat dibuat. Secara Umum Jika suatu prosedur dapat dibentuk dalam
n 1 cara berbeda, prosedur berikutnya, yaitu prosedur kedua dapat dibentuk dalam n 2 cara
berbeda, prosedur berikutnya, yaitu prosedur ketiga dapat dibentuk dalam n 3 cara berbeda,
dan seterusnya, maka banyak cara berbeda prosedur tersebut dapat dibentuk adalah:
n1n2n3

2) Ali mempunyai 2 celana dan 3 baju yang berbeda. Berapa stelan celana dan baju berbeda
yang dipunyai Ali? Jawab : Banyak stelan yang berbeda = banyak celana x banyak baju =
2 x 3 = 6 stelan

3) Suatu bilangan terdiri atas 3 angka yang berbeda. Tentukan banyaknya bilangan yang terjadi
dari angka-angka 0-9? Banyaknya = ratusan x puluhan x satuan = 9 x 9 x 8 = 648 bilangan
Keterangan: angka-angka ratusan = 1, 2, 3, 4, 5, 6, 7, 8, 9 angka-angka puluhan = 1, 2, 3, 4,
5, 6, 7, 8, 9 angka-angka satuan = 2, 3, 4, 5, 6, 7, 8, 9

Permutasi

1. Permutasi npr Suatu permutasi r unsur dari n unsur yang berbeda yaitu semua susunan
berbeda yang mungkin dari n unsur yang diambil r unsur yang berbeda. Jadi ab ba n Permutasi r
unsur dari n unsur ditulis npr atau P r atau P(n, r) Untuk mendapatkan rumus npr kita gunakan
bantuan notasi faktorial.

Contoh

1) Dari 5 huruf a,b,c,d dan e akan disusun 2 huruf, 3 huruf dan 4 huruf yang berbeda, sbb:
Susunan 2 huruf berbeda dari 5 huruf = 5 4 = 5! (5 2)! = 5P2 Susunan 3 huruf berbeda dari 5
huruf = = 5! (5 3)! = 5P2 Susunan 4 huruf berbeda dari 5 huruf = = 5! (5 2)! = 5P2
2) Tentukan banyak susunan panitia yang berbeda yang terdiri dari ketua, wakil dan bendahara
dari 10 orang calon! 10P3 = 10! ! = = = 720 (10 3) ! 7! Jadi, banyaknya susunan panitia yang
dapat dibentuk adalah 720 susunan.

3) Permutasi dengan Beberapa Unsur yang Sama Pada permutasi yang berbeda dari kata
MAMA hanya ada 6 permutasi, yaitu MAMA, MAAM, MMAA, AAMM, AMAM dan AMMA.
Karena 2 huruf M dan A yang sama dianggap 1. Jadi 6 = 4P4 2P2 2P2 = 4! 2! 2!

4) Permutasi n unsur dengan k, l, dan m unsur yang sama, yaitu: Contoh 6.5 P = n! k! l! m!
Tentukan banyaknya susunan huruf yang berbeda dari huruf-huruf pada kata MATEMATIKA
MATEMATIKA = 10 huruf Huruf M = 2 huruf Huruf A = 3 huruf  Huruf T = 2 huruf Jadi P = 10!
= susunan 2!3!2!

Permutasi Siklis

Permutasi dengan susunan seperti siklus (tanpa awal dan tanpa ujung) Permutasi siklis dari n unsur
yaitu: P s = (n 1)! Contoh :

1) Tentukan banyaknya permutasi dari 4 orang yang mengelilingi 4 meja! P s = (4 1)! = 3! = 6

2) Delapan orang duduk mengelilingi meja berbentuk persegi panjang. Tentukan banyaknya
susunan duduk yang berbeda dari 8 orang tersebut!

47
Kombinasi
Yaitu susunan unsur-unsur yang berbeda tanpa memperhatikan susunan/urutannya. Jadi ab = ba
Kombinasi r unsur dari n unsur ditulis

ncr atau C r n atau C(n, r)

Contoh :

1) Tentukan 6C2! C r n = ncr = n! r! (n r)! 6C2 = 6! = 6! = 6 5 4! = 30 = 15 2!((6 2)! 2!4! 2!4! 2

2) Tentukan banyaknya team bola volley yang berbeda yang dapat terbentuk dari 10 orang!
Dari 10 orang akan dibentuk team bola volley sebanyak 6 orang, maka: 10C6 = 10! 6! (10 6)!
= 10! ! = = ! 4! 6! 4! 24 = 210
3) Tentukan nilai dari : a. 10C3 b. 12C9 c. 6C6 d. 9C9 e. 7C1 f. 10C1
4) Tentukan banyaknya pasangan ganda dari 9 orang!
5) Tentukan banyaknya campuran 3 warna yang berbeda dari 5 warna dasar!
6) Pada sebuah kotak terdapat 6 bola merah, 5 putih dan 4 biru. Diambil 5 bola sekaligus.
Tentukan kemungkinan terambilnya : a. 2 bola merah, 2 putih dan 1 biru b. 3 bola putih dan 2
biru
7) Dari sekelompok remaja, terdiri atas 10 pria dan 7 wanita. Dipilih 2 pria dan 3 wanita.
Tentukan banyaknya kemungkinan yang terjadi!
8) Seorang murid diminta mengerjakan 8 dari 10 soal, tetapi nomor 1 5 harus dikerjakan.
Tentukan banyak pilihan yang dapat diambil murid tersebut!

Peluang
Ruang Sampel dan Titik Sampel

Dari pandangan intuitif, peluang terjadinya suatu peristiwa atau kejadian adalah nilai yang
menunjukkan seberapa besar kemungkinan peristiwa itu akan terjadi. Misalnya, peluang yang
rendah menunjukkan kemungkinan terjadinya peristiwa itu sangat kecil. Konsep peluang
berhubungan dengan pengertian eksperimen yang menghasilkan hasil yang tidak pasti. Artinya
eksperimen yang diulangulang dalam kondisi yang sama akan memberikan hasil yang dapat
berbeda- beda. Istilah eksperimen yang kita gunakan disini tidak terbatas pada eksperimen
dalam laboratorium. Melainkan, eksperimen kita artikan sebagai prosedur yang dijalankan pada
kondisi tertentu, dimana kondisi itu dapat diulang-ulang beberapa kali pada kondisi yang sama,
dan setelah prosedur itu selesai berbagai hasil dapat diamati.

Himpunan S dari semua hasil yang mungkin dari suatu eksperimen yang diberikan disebut
ruang sampel. Suatu hasil yang khusus, yaitu suatu elemen dalam S, disebut suatu titik
sampel. Suatu kejadian A adalah suatu himpunan bagian dari ruang sampel S. kejadian { a }
yang terdiri atas suatu titik sampel tunggal a, S disebut suatu kejadian yang elementer
(sederhana). Notasi yang biasa digunakan adalah sebagai berikut. Untuk ruang sampel ditulis
dengan huruf : S Untuk kejadian ditulis dengan huruf-huruf capital, seperti : A, B,, X, Y, Z. Untuk
titik sampel ditulis dengan huruf-huruf kecil, seperti a, b,, y, z, atau dengan : a1, a2, x1, x2, xn

Contoh Eksperimen:

1) Melambungkan sebuah dadu satu kali dan dilihat banyaknya mata dadu yang tampak/muncul
(yang diatas) Ruang sampel : Dadu mempunyai 6 sisi, dan masing-masing sisi bermata satu,
dua, tiga, empat,lima dan enam. Himpunan semua hasil yang mungkin dari lambungan
tersebut adalah : {1, 2, 3, 4, 5, 6} Jadi ruang sampelnya : S = {1, 2, 3, 4, 5, 6} Himpunan
semua hasil (outcomes) yang mungkin muncul dalam suatu percobaan (eksperimen statistik)
disebut ruang sampel (sample space), dilambangkan dengan S. Setiap elemen S disebut titik
sampel.

48
  Kejadian (Event)  Kejadian atau peristiwa adalah himpunan bagian dari ruang sampel
pada suatu percobaan, atau hasil dari percobaan.
Sebuah himpunan bagian (subset) dari ruang sampel disebut kejadian (event).
Contoh :
1) Menggulingkan sebuah dadu – hasil yg mungkin S ={ , , , , , } ={1, 2, 3, 4, 5, 6} E =
Kejadian muncul angka genap = {2, 4, 6} ={ , , }

2) Melemparkan dua dadu seimbang– 36 outcomes E = Kejadian jumlah angka yang muncul
adalah 7 ={ (6, 1), (5, 2), (4, 3), (3, 4), (2, 5), (1, 6)}

3) Suatu kelas statistik untuk para insinyur diikuti oleh mahasiswa teknik industri 25 orang,
mesin 10 orang, elektro 10 orang, dan sipil 8 orang. Jika seorang mahasiswa dipilih
secara acak oleh instrukturnya untuk menjawab suatu pertanyaan, berapakah probabilitas
mahasiswa tersebut adalah  Dari jurusan teknik industri  Dari jurusan teknik sipill atau
elektro?  Jika I menyatakan kejadian mahasiswa teknik industri terambil P  I   25 53
 Probabilitas mahasiswa Sipil atau Elektro terambil: P  SE   18 53

4) Suatu laci berisikan 4 pasang kaos kaki warna merah dan 16 pasang warna biru. Dodi
akan mengambil 2 pasang secara acak tanpa pengembalian. Berapakah kemungkinan
keduanya berwarna sama? (dengan kata lain terambil keduanya merah ATAU semua
biru)?  Jawab MM:(4/20) x(3/19) = 0.0316 BB: (16/20) x(15/19)=0.6316 P (MM 
BB) = 66.32%

5) Dalam percobaan melempar sebuah dadu, munculnya dadu bermata genap yaitu { 2,
4, 6 } adalah sebuah kejadian; muncul dadu bermata prima yaitu { 2, 3} juga sebuah
kejadian

6) Dalam percobaan melempar dua koin, muncul muka koin sama yaitu {AA, GG}
adalah sebuah kejadian.

Menghitung Titik Sampel

Jika kejadian pertama dapat terjadi dalam m cara, dan setiap kejadian pertama diikuti oleh kejadian
kedua yang terjadi dalam n cara, maka kejadian pertama dan kejadian kedua tersebut secara
bersama-sama terjadi dalam (mxn) cara. Contoh :

a) Berapakah banyaknya titik sampel jika dua dadu dilempar satu kali? Penyelesaian: Dadu pertama
dapat muncul dalam m = 6 cara yang berbeda dan untuk setiap dari cara-cara tersebut dadu kedua
dapat muncul dalam n = 6 cara. Sehingga kedua dadu dapat muncul dalam m x n = 6 x 6 = 36 cara.

b) Dari 10 orang siswa SMP, akan dibentuk sebuah kepengurusan yang terdiri dari satu ketua dan
satu wakil ketua. Ada berapa kepengurusan yang mungkin terbentuk dengan memperhatikan urutan?
Penyelesaian: Terdapat m = 10 cara untuk memilih ketua dan diikuti oleh n = 9 cara untuk memilih
wakil ketua. Dengan demikian, terdapat m x n = 10 x 9 = 90 kepengurusan yang mungkin terbentuk.

Peluang Suatu Kejadian

Definisi: Peluang kejadian A yaitu banyaknya kejadian A dibagi dengan banyaknya ruang sampel.
Dimana P(A) = n(a) n(s) P(A) = Peluang Suatu Kejadian n(a) = Banyaknya Kejadian A n(s) =
Banyaknya Ruang Sampel Karena n(a) n(s) maka kisaran suatu peluang kejadian A yaitu : 0 P(A) 1
P(A) = 0: disebut kejadian mustahil P(A) = 1 disebut kejadian past.

49
 Contoh : Tentukan peluang munculnya mata dadu prima pada pelemparan 1 dadu sekali! S : {1, 2,
3, 4, 5, 6} sehingga n(s) = 6 P : munculnya mata dadu prima P : {2, 3, 5} sehingga n(p) = 3 Jadi P(P)
= n(p) n(s) = 3 6 = 1 2

Frekuensi Harapan
Sesuatu yang kita harapkan secara matematis biasa disebut dengan frekuensi harapan. F h = P(A) n
karena P(A) = n(a), maka persamaan di atas juga dapat ditulis: n(s) F h = n(a) n(s) n dengan P(A) =
peluang terjadinya peristiwa A Contoh :

1) Tentukan frekuensi harapan munculnya jumlah mata dadu berjumlah 5 pada pelemparan 2
dadu sebanyak 1 kali! S: {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,3), (3,4), (3,5), (3,6), (4,4), (4,5), (4,6), (5,5), (5,6), (6,6)}, maka n(s) = 21 L: Mata dadu
berjumlah 5 L: {(1,4), (2,3)}, maka n(l) = 2
2) Dari Satu kartu diambil dari seperangkat kartu Bridge. Tentukan peluang terambilnya: a. kartu
As b. kartu keriting c. kartu merah
3) Pada suatu kotak terdapat 5 bola biru dan 4 hijau. Diambil 3 bola sekaligus. Tentukan
peluang terambilnya: a. 2 bola biru 1 hijau b. 1 bola biru 2 hijau c. 3 bola biru 5.
4) Satu kartu diambil dari seperangkat kartu Bridge sebanyak 26 kali. Tentukan frekuensi
harapan terambilnya: a. kartu as b. kartu keriting
5) Dari 1000 kaleng sari buah terdapat 4 buah yang rusak. Bila diambil 2 kaleng sari buah
tersebut secara acak, berapakah peluang keduanya rusak?
6) Dari 100 mahasiswa terdaftar, 45 orang mengikuti kuliah Bahasa Indonesia, 50 orang
mengikuti kuliah Sejarah dan 25 orang mengikuti kuliah kedua mata kuliah itu. Jika dipanggil
seorang mahasiswa. Berapa peluang mahasiswa yang dipanggil itu tidak mengikuti kuliah
Bahasa Indonesia maupun Sejarah?

Peluang Bersyarat Peluang bersyarat kejadian B jika diberikan kejadian A, dilambangkan

dengan P(B A), didefinisikan sebagai berikut: Contoh :P(B A) = P(A B), jika P(A) > 0.

Peluang Komplemen Suatu Kejadian = S A A C n(a) + n(a c ) = n(s) n(a) n(s) + n(ac n(s) = 1
P(A) + P(Ac ) = 1 Contoh Dua dadu dilempar sekali. Tentukan peluang munculnya jumlah mata
dadu yang bukan genap. A : Jumlah mata dadu 12 A : {(1,2), (1,4), (1,6), (2,1), (2,3), (2,5), (3,2), (3,4),
(3,6), (4,1) (4,3), (4,5), (5,2), (5,4), (5,6), (6,1), (6,3), (6,5)}, maka n(a) = 18 A c : Jumlah mata dadu
bukan 12 P(A c ) = = = 1 2 H.

Kejadian Saling Lepas Dua kejadian A dan B dikatakan saling lepas, jika pada waktu yang
sama antara A dan B dapat terjadi secara bersama-sama. Jika sebaliknya dikatakan A dan B tidak
saling lepas. S A B Kejadian A dan B saling lepas. Jadi n(a B) = n(a) + n(b) Sehingga: P(A B) =
P(A) + P(B) S A B

Kejadian A dan B tidak saling lepas . Jadi n(a B) = n(a) + n(b) n(a B) Sehingga: P(A B) =
P(A) + P(B) P(A B)

Contoh

1) Dua dadu dilempar sekali. Tentukan peluang munculnya : a) dua mata dadu berjumlah 10
atau 12 b) dua mata dadu berjumlah genap atau prima. Penyelesaian

a) Termasuk kejadian saling lepas A : Jumlah mata dadu 10 A : {(5,5), (4,6), (6,4)} maka n(a)
= 3 B : Jumlah mata dadu 12 B : {(6,6)} maka n(b) = 1 P(A B) = = 4 36 = 1 9

50
 b) Termasuk kejadian tidak saling lepas G : dua mata dadu berjumlah genap G : {(1,1), (1,3),
(1,5), (2,2), (2,4), (2,6), (3,1), (3,3), (3,5), (4,2) (4,4), (4,6), (5,1), (5,3), (5,5), (6,2), (6,4),
(6,6)}, maka n(g) = 18 P :

dua mata dadu berjumlah prima  P : {(1,1), (1,2), (1,4), (1,6), (2,1), (2,3), (2,5), (3,2), (3,4),
(4,1), (4,3), (5,2), (5,6), (6,1), (6,5)} maka n(p) = 15

2) Sebuah dadu dilempar sekali. Tentukan peluang munculnya mata dadu : a. bukan 6 b.
genap atau ganjil c. prima atau ganjil

3) Sebuah kartu diambil dari seperangkat kartu Bridge. Tentukan peluang terambilnya kartu : a.
bukan As b.. As atau keriting c.. bukan keriting d.. merah atau daun e. . As atau King
f..bukan King atau merah g. As atau merah

4) Pada suatu pertemuan yang dihadiri oleh 50 ibu-ibu PKK, terdapat 24 orang mempunyai
hobby menjahit dan 30 orang mempunyai hobby memasak. Jika dipilih secara acak seorang
dari ibu-ibu tadi, berapa peluang yang terpilih adalah ibu yang mempunyai hobby memasak
atau menjahit?

5) Dalam suatu gudang terdapat 30 komputer, 5 diantaranya rusak. Jika diambil 5 komputer
secara acak, berapa peluang mendapatkan sedikitnya 2 komputer tidak rusak?

Kejadian Saling Bebas Dua kejadian A dan B dikatakan saling bebas, jika terjadi atau
tidaknya A tidak mempengaruhi terjadi atau tidaknya B. Jika sebaliknya, maka dikatakan A dan B
Tidak Saling Bebas (kejadian bikondisional / bersyarat) S1 A S2 B Kejadian A
dan B dikatakan saling bebas: P(A B) = P(A) P(B)

Contoh :

1) Pada sebuah kotak terdapat 5 bola merah dan 3 biru. Diambil 1 bola secara berturut-turut
dengan pengembalian bola pertama. Tentukan peluang terambilnya bola merah pada
pengambilan pertama dan bola biru pada pengambilan kedua! Kejadian tersebut tidak saling
bebas

2) Pada sebuah kotak terdapat 6 bola merah dan 5 bola biru. Diambil 1 bola berturut-turut
dengan pengembalian bola pertama. Tentukan peluang terambilnya . bola merah dan biru.

3) Pada sebuah kotak terdapat 6 bola merah, 4 biru dan 5 putih. Diambil 1 bola secara berturut-
turut tanpa pengembalian bola pertama. Tentukan peluang terambilnya bola : a. merah dan
biru b. biru, merah dan merah c. biru, merah dan putih

4) Pada sebuah kotak terdapat 6 bola putih dan 4 bola hitam. Diambil 2 bola berturut-turut tanpa
pengembalian bola pertama. tentukan peluang terambilnya : a. 2 bola putih dan 2 bola hitam
b. 4 bola putih

5) Pada seperangkat kartu bridge diambil 2 kartu berturut-turut tanpa pengembalian. Tentukan
peluang terambilnya : a. 2 kartu As dan 2 King b. 2 kartu hitam dan 2 kartu merah 5.

6) Pada satu set kartu Bridge diambil secara acak 3 kartu sebanyak 2 kali berturut-turut dengan
pengembalian. Berapa peluang pada pengambilan pertama mendapatkan 3 King dan pada
pengambilan kedua mendapatkan 3 Queen?

7) Dalam suatu boks terdapat 3 disket paket WS, 4 disket LOTUS dan 5 disket Dbase. Semua
disket tidak berlabel. Diambil 1 disket berturut-turut sebanyak 2 kali tanpa pengembalian.
Berapa peluang mendapatkan : a. disket pertama dan kedua paketnya sama-sama LOTUS b.
disket kedua paket Dbase

51
CATATAN TAMBAHAN :
 DEFINISI George Cantor ( 1845 – 1918)  Himpunan adalah kumpulan benda-benda atau
obyek yang dapat didefinisikan dengan jelas.  Setiap benda atau obyek yang termasuk dalam
suatu himpunan disebut anggota atau elemen. Anggota himpunan ditulis dengan lambang ,
bukan anggota himpunan dengan lambang   Dalam Statistik, himpunan dikenal sebagai
populasi.  Himpunan dilambangkan dengan pasangan kurung kurawal { }, dan dinyatakan
dengan huruf besar: A, B,...

 Contoh Himpunan  Yang merupakan himpunan adalah:  Himpunan warna lampu lalu lintas 
Kumpulan bilangan prima kurang dari 10  I = { X: x < 10, x bilangan cacah }  H = { 1, 3, 5, 6 } 
Yang bukan merupakan himpunan adalah:  Kumpulan warna yang menarik  Kumpulan lukisan
yang indah  Kumpulan siswa yang pintar  Kumpulan rumah bagus Penulisan Himpunan  Cara
Pendaftaran. Unsur himpunan ditulis satu persatu/didaftar Contoh : A={a,i,u,e,o}, B={1,2,3,4,5}
 Cara Pencirian. Unsur himpunan ditulis dengan menyebutkan sifat-sifat / ciri-ciri himpunan tsb.
Contoh : A={ X : x huruf hidup } B={ X : 1  x  5 }

 MACAM-MACAM HIMPUNAN a.Himpunan Semesta  Himpunan yang memuat seluruh

objek yang dibicarakan atau menjadi objek pembicaraan.  Dilambangkan S atau U.  Dalam
statistik, himpunan semesta ini disebut juga sebagai ruang sampel  Contoh : S=U={a,b,c,…..}
S=U={ X : x bilangan asli} b.Himpunan Kosong.  Himpunan yang tidak memiliki anggota. 
Dilambangkan { } atau . c.Himpunan Bagian.  Himpunan yang menjadi bagian dari himpunan
lain.  Dilambangkan .  Dalam statistik, himpunan bagian merupakan sampel.

Contoh :  Himpunan A merupakan himpunan bagian B, jika setiap unsur A merupakan unsur B,
atau A termuat dalam B, atau B memuat A.  Dilambangkan : A  B.  Banyaknya himpunan
bagian dari sebuah n unsur adalah 2n

 Himpunan Komplemen.  Himpunan komplemen adalah himpunan semua unsur yang tidak
termasuk dalam himpunan yang diberikan.  Jika himpunannya A maka himpunan
komplemennya dilambangkan A’ atau A A A John Venn (1834 – 1923) Diagram Venn

 OPERASI HIMPUNAN A. Operasi Irisan (interseksi)  Irisan himpunan A dan B adalah suatu
himpunan yang anggotanya merupakan anggota himpunan A dan sekaligus merupakan anggota
himpunan B. Contoh Irisan Himpunan  Diketahui  S = { 1, 2, 3, 4, 5, 6, . . . , 12 } P = { 1, 2,
4, 6, 9 } Q = { 4, 5, 9, 10, 12 } P Q = {4,9} Diagram Venn

Contoh :
Dalam suatu kelas yang terdiri dari 40 siswa ternyata 24 siswa gemar basket saja, 30 siswa gemar
tenis, dan 2 siswa tidak gemar kedua jenis olah raga tersebut. Berapakah siswa yang gemar basket
dan tenis?  Jawab: Misalkan S = { siswa } B = { siswa gemar basket } T = { siswa gemar tenis }
Banyak siswa yang gemar basket dan tenis = x orang, siswa yang gemar basket saja ada (24 – x)
orang, dan yang gemar tenis saja ada (30 – x) orang, maka : (24 – x) + x + (30 – x) + 2 = 40 24 – x
+ x + 30 – x + 2 = 40 54 – x + 2 = 40 56 – x = 40 - x = 40 – 56 - x = - 16 x = 16  Jadi ada 16
siswa yang gemar basket dan tenis

Operasi Gabungan (Union).  Gabungan himpunan A dan B adalah suatu himpunan

yang anggota-anggotanya merupakan anggota A saja, anggota B saja, dan anggota persekutuan A
dan B.  Gabungan dari himpunan A dan himpunan B dilambangkan A  B.

Contoh :
Diketahui S = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 } A = { 0, 2, 4, 6, 8 } B = { 4, 5, 6, 9 } A  B =
{0,2,4,5,6,8,9}

52
 Operasi Selisih  Selisih himpunan A dan B adalah semua unsur A yang tidak termasuk
di dalam B.  Selisih himpunan A dan himpunan B dilambangkan A – B atau A  B’

Contoh :
Suatu kelas jumlah mahasiswanya 90 orang, 50 orang diantaranya senang matematika, 30 senang
statistik dan 20 orang senang matematika dan statistik.  A) berapa orang yang tidak senang
statistik dan matematika?  B) gambarkan diagram Venn nya!

PERMUTASI & KOMBINASI PERMUTASI

Seringkali kita tertarik pada himpunan atau ruang sampel (dalam statistik) yang berisikan semua
kemungkinan pengaturan atau susunan suatu grup atau obyek. Contohnya, kita ingin mengetahui
berapa kemungkinan pengaturan duduk 6 orang mengelingi suatu meja. Pengaturan yang berbeda
ini disebut PERMUTASI  Permutasi adalah pengaturan semua atau sebagian obyek ke dalam
suatu urutan tertentu Banyaknya Permutasi untuk n obyek adalah n!
Contoh :
1) 3 Objek ABC, pengaturan objek tersebut adalah ABC, ACB, BAC, BCA, CAB, CBA
yang disebut permutasi. Jadi permutasi 3 objek menghasilkan 6 pengaturan dengan cara
yang berbeda.
2) Seorang pengusaha ingin dari Jakarta ke Makasar melalui Surabaya. Jika Jakarta-
Surabaya dapat dilalui dengan tiga maskapai penerbangan dan Surabaya-Makasar dapat
dilalui dengan 2 maskapai penerbangan, ada berapa cara pengusaha tersebut dapat tiba di
Makasar melalui surabaya?
3) Pada Suatu Tempat terdapat 4 buku matematika yang berbeda, 3 buku statistik yang
berbeda dan 2 buku akuntansi. Semua buku akan disusun pada sebuah rak buku. Berapa
cara susunan yang mungkin dari kejadian berikut ini? 1. buku-buku matematika dapat
disusun? 2. buku-buku statistik dapat disusun? 3. buku-buku akuntansi dapat disusun? 4.
ketiga kelompok buku dapat disusun? 5. Masing-masing kelompok buku (subjek)
disusun bersama (dijadikan satu)?

 Permutasi r dari n elemen Permutasi r dari n elemen adalah jumlah kemungkinan urutan r
buah elemen yang dipilih dari n buah elemen, dengan r ≤ n, yang dalam hal ini, pada setiap
kemungkinan urutan tidak ada elemen yang sama P n n r ! n r n  r )   ( ( )!
Contoh :

1) Berapakah jumlah kemungkinan membentuk 3 angka dari 5 angka berikut: 1, 2, 3, 4 , 5,

jika: a) Tidak boleh ada pengulangan angka b) Boleh ada pengulangan angka.
Jawab : a) Tidak boleh ada pengulangan  Dengan kaidah perkalian: (5)(4)(3) = 60 buah
 Dengan rumus permutasi P(5, 3) = 5!/(5 – 3)! = 60 b) Boleh ada pengulangan angka 
Dengan kaidah perkalian: (5)(5)(5) = 53= 125. Permutasi dari n obyek yang disusun
melingkar n  1 !

2) Dalam suatu permainan bridge terdapat 4 orang pemain yang duduk melingkar. Jika 1
orang duduk dalam posisi tetap, maka ada 3! Atau 6 cara kita bisa melalukan pengaturan
duduk yang berbeda

 Permutasi dari n obyek yang terdiri dari sekumpulan sel.

Banyaknya cara untuk membagi sekumpulan n obyek kedalam sel sebanyak r dengan n1 adalah
elemen dalam sel 1, n2 adalah elemen dalam sel kedua, dan seterusnya adalah ! n   nPn n n n  
 r n n n ! !... ! , ,..., , ,..., 1 2 1 2 1 2 r r n n n     Dengan n1+n2+ … + nr = n

Contoh :
1) Dalam berapa cara 7 orang mahasiswa pasca sarjana yang sedang menghadiri konferensi
dapat ditempatkan di kamar hotel yang terdiri atas 1 kamar triple dan 2 double? 210 7 ! 3

53
 2) Berapakah banyaknya pengaturan huruf yang dapat disusun dari huruf-huruf dalam kata
STATISTICS  Disini kita memiliki 10 huruf, dengan dua huruf yaitu S & T muncul 3
kali, huruf I muncul 2 kali, dan A & C masing-masing 1 kali 50400 10 ! 3 !2 !2 !1 !1 !

 KOMBINASI  Kombinasi adalah suatu penyusunan beberapa objek tanpa memperhatikan

urutan objek tersebut . ! C n n  Dimana : n  r r  ! ! r (n r)
Contoh :
Seorang ibu meminta anaknya memilih 3 baju dari 10 baju di suatu department store. Berapakah
banyaknya cara memilih 3 dari 10 baju tersebut? 120 10 ! 3! (10 30 )! Hubungan permutasi
dengan kombinasi.

 Hubungan permutasi dan kombinasi dinyatakan sebagai berikut :

P r!C C P n n r  atau  n r r r! n r

 Petunjuk Dalam Penghitungan

Kapan harus menggunakan aturan penjumlahan, aturan perkalian, permutasi atau
kombinasi ? Baca pertanyaan dengan teliti. Perhatikan apakah masalah tersebut mengandung 2
macam aturan yang berbeda. Jika demikian, pikirkan aturan manakah yang yang dipakai untuk
menggabungkan bagian-bagian tersebut (aturan penjumlahan atau aturan perkalian). Maka :

1) Apabila bagian-bagian tersebut merupakan suatu proses berurutan, maka aturan perkalian
digunakan untuk menggabungkannya.

2) Akan tetapi jika bagian tersebut merupakan pecahan dari masalah utama di masing-masing bagian
terpisah satu sama lain, maka aturan penjumlahan yang dipakai.

3) Baca teliti permasalahan. Cari kata kuncinya. Kata kunci penggunaan kombinasi adalah
pemilihan objek-objek yang tidak diperhatikan urutannya. Sedangkan kata kunci untuk
permutasi adalah pengaturan objek-objek yang aturannya diperhatikan

 PROBABILITAS
DEFINISI  Probabilitas diartikan sebagai hasil bagi dari banyaknya peristiwa yang dimaksud
dengan seluruh peristiwa yang mungkin. P(A)  X n Keterangan : P(A) = probabilitas terjadinya
kejadian A X = peristiwa yang dimaksud n = banyaknya peristiwa yang mungkin

 Proporsi waktu terjadinya peristiwa dalam jangka panjang, jika kondisi stabil ; atau  Frekuensi
relatif dari seluruh peristiwa dalam sejumlah besar percobaan. P(X)  f i n Keterangan : P(X) =
probabilitas peristiwa i fi = frekuensi peristiwa i n = Banyaknya peristiwa. Probabilitas memiliki
batas mulai 0 sampai dengan 1 ( 0  P  1 )  Jika P = 0, disebut probabilitas kemustahilan,
artinya kejadian atau peristiwa tersebut tidak akan terjadi.  Jika P = 1, disebut probabilitas
kepastian, artinya kejadian atau peristiwa tersebut pasti terjadi.  Jika 0  P  1, disebut
probabilitas kemungkinan,artinya kejadian atau peristiwa tersebut dapat atau tidak dapat terjadi.

 PERCOBAAN, RUANG SAMPEL, TITIK SAMPEL & PERISTIWA  Percobaan adalah proses
mendapatkan suatu pengamatan atau pengambilan suatu pengukuran.  Titik Sampel adalah
setiap anggota dari ruang sampel. Ruang Sampel  Ruang sampel adalah himpunan/kumpulan
semua hasil yang mungkin pada suatu percobaan.
Contoh :
1) Melemparkan koin– hasil S ={Kepala, Ekor} 2. Menggulingkan suatu dadu– hasil S
={ , , , , , } ={1, 2, 3, 4, 5, 6}

54
 2) Melemparkan dua dadu seimbang– 36 hasil S ={ (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4,
2), (4, 3), (4, 4), (4, 5), (4, 6), (5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3),
(6, 4), (6, 5), (6, 6)} hasil (x, y), x = nilai yang terlihat pada dadu 1 y = nilai yang terlihat
pada dadu 2

 ATURAN PENAMBAHAN (ADDITIVE RULES)

Dua peristiwa atau lebih disebut peristiwa tidak saling lepas, apabila kedua peristiwa atau lebih
tersebut dapat terjadi pada saat yang bersamaan.  Jika A dan B masing-masing merupakan suatu
kejadian yang tidak saling lepas, maka merupakan aturan penambahan.
Contoh:
1) Yunus adalah sarjana fresh graduate lulusan teknik industri. Setelah diwawancarai oleh
dua perusahaan yang ia minati, ia menilai kemungkinan mendapatkan pekerjaan di
perusahaan A adalah 0.8 dan perusahaan B adalah 0.6 Ia percaya bahwa ia akan
mendapatkan penawaran dari kedua perusahaan tersebut sebesar 0.5. Berapakah peluang
ia akan mendapatkan tawaran dari salah satu perusahaan? P(A  B)  P(A)  P(B) -
(P(A B)  0.8  0.6 - 0.5  0.9

 Aturan Penambahan pada Kejadian Mutually Exclusive

Jika peristiwa A dan B mutually exclusive, probabilitas terjadinya peristiwa tersebut adalah : P (A
atau B) = P (A) + P (B) atau P ( A  B) = P (A) + P (B) AB  A B
Contoh
1) Berapakah probabilitas mendapatkan total 7 atau 11 ketika sepasang dadu digulirkan? A
= kejadian mendapatkan total 7  B = kejadian mendapatkan total 11  P(A) = 1/6 dan
P(B) = 1/18  Kedua kejadian tersebut mutually exclusive

2) Jika probabilitas seseorang membeli mobil berwarna hijau, putih, merah dan kuning,
masing-masing berturutan adalah 0.09, 0.15, 0.21, dan 0.23, berapakah probabilitas
seorang pembeli membeli salah satu mobil dengan warna diatas?

3) Berikut ini adalah satu set kartu remi. Berapakah probabilitas terambil kartu King ATAU
kartu berangka 4?  Berapakah probabilitas terambil kartu King ATAU kartu berwarna
merah?
P ( King atau 4) = P(King  4) =P (King) + P(4) = (4/52) + (4/52) = 0.154  P (King
atau merah) = P(King)+P(merah)-P(K dan merah) = (4/52)+(26/52)-(2/52)

 Peristiwa yang Saling Independen (Bebas)  Apabila terjadinya peristiwa yang

satu tidak mempengaruhi terjadinya peristiwa yang lain  Dua proses dikatakan independen jika
hasil proses pertama tidak memberikan informasi berguna (tidak berpengaruh pada hasil proses
kedua)  Contoh :
1) Melemparkan suatu koin (munculnya ekor atau kepala tidak tergantung sama lain)
2) Menggulirkan dadu (munculnya angka 2 tidak tergantung dengan munculnya angka lain pada
pelemparan berikutnya)
3) Mengambil kartu dalam satu set kartu dengan pengembalian

 Aturan Perkalian pada Kejadian Independen  Probabilitas terjadinya irisan

dua kejadian secara umum adalah sebagai berikut PA B  PA | B P(B)  PB | A PA 
Jika kejadian A dan B independen, probabilitas irisan (interaksi) kejadian A dan B sama dengan
perkalian probabilitas A dan B, yaitu,     PAPB (  )  | P A B P A B P B 
Jika kejadian A dan B adalah independen,
Contoh
Pada tahun 2012 Survei Gallup menyatakan negara bagian Virginia Barat memiliki tingkat
obesitas tertinggi di seluruh AS sebesar 33.5%. Dengan mengasumsikan tingkat obesitas konstan,
berapakah probabilitas dua penduduk West Virginia yang dipilih secara acak keduanya mengidap

55
 obesitas?  P(obesitas) = 0.335  P(keduanya obesitas) = P(pertama obesitas)xP(kedua obesitas)
= 0.335 x 0.335 = 0,111

Mutually Exclusive/Disjoint vs Independen Dua peristiwa dikatakan Disjoint

(mutually exclusive) jika keduanya tidak dapat terjadi secara bersamaan pada satu waktu Dua
proses dikatakan independen jika mengetahui hasil proses yang satu tidak berpengaruh pada hasil
proses lainnya P(A dan B) =P (A  B) = 0 P(A|B) =P (A)

 PROBABILITAS BERSAMA (JOINT PROBABILITY)

Terjadinya 2 peristiwa atau lebih secara berurutan dan peristiwa-peristiwa tersebut tidak saling
mempengaruhi.  Jika peristiwa A dan B gabungan, probabilitas terjadinya peristiwa tersebut
adalah :
P (A  B) = P (A) x P (B)
Contoh  Suatu penarikan dibuat secara acak dari  Berapakah probabilitas penarikan kedua
adalah ?  P(penarikan kedua ) = P(penarikan pertama dan penarikan kedua )
Contoh Soal :
World Values Survey (www.worldvaluessurvey.org , suatu lembaga survei yang melakukan di
seluruh dunia mengenai persepsi tentanghidup, keluarga, politik, dll. Salah satu hasil survei
terhadap 77,882 orang dari 57 memperkirakan 36.2% penduduk dunia setuju bahwa “Laki-laki
seharusnya memiliki hak pada pekerjaan lebih banyak dibandingkan wanita”  Hasil survei juga
memperkirakan 13.8% orang memilik gelar sarjana atau lebih tinggi dan 3.6% orang masuk kedua
kriteria tersebut (setuju dan bergelar sarjana) P (setuju) = 0.362 P(gelar sarjana = 0.138 P(setuju &
gelar sarjana)= 0.036
Pertanyaan:
Apakah setuju dengan pernyataan “Laki-laki seharusnya memiliki hak pada pekerjaan lebih
banyak dibandingkan wanita” dan memiliki gelar sarjana atau lebih tinggi merupakan dua
peristiwa mutually exclusive?
P (setuju) = 0.362 P(gelar sarjana) = 0.138 P(setuju & gelar sarjana)=0.036 ≠ 0 tdk mutually
exclusive 2. Gambarkan Diagram Venn-nya Setuju Sarjana 0.362 0.036 0.138 0.362 – 0.036 =
0.326 0.138 – 0.036 = 0.102
Selanjutnya :
Berapakah probabilitas seseorang yang diambil secara acak akan memiliki gelar sarjana atau
setuju dengan “Laki-laki seharusnya memiliki hak pada pekerjaan lebih banyak dibandingkan
wanita” Setuju Gelar 0.362 0.036 0.138 PA  B  P( A)  P(B)  P(A  B)
P (Setuju atau Gelar Univ) = P(Setuju)+P(Gelar Univ) - P(Setuju &Gelar Univ) = 0.362 + 0.138 –
0.036 = 0.464 4.
Lalu :
Berapa persen populasi di dunia yang tidak memiliki gelar sarjana dan tidak setuju dengan
pernyataan “Laki-laki seharusnya memiliki hak pada pekerjaan lebih banyak dibandingkan
wanita”? P (Tidak Setuju atau Tidak bergelar Sarjana) = 1- P(Setuju atau Sarjana) = 1 - 0.464 =
0.536 Setuju Sarjana 0.362 0.036 0.138 0.536 S
Berikut :
Apakah kejadian seseorang setuju dengan pernyataan tersebut Independen (saling bebas) dengan
kejadian mereka memiliki gelar sarjana? PA  B  P(A)  P(B)
P (Setuju dan Gelar Sarjana) ? = ? P (Setuju ) x P (Gelar Sarjana0 0.036 ?=? 0.362 x 0.138 0.036 ≠
0.05 tidak independen 6.
Maka :
Berapakah probabilitas paling tidak ada 1 dari 5 orang terpilih secara acak setuju dengan
pernyataan “Laki-laki seharusnya memiliki hak pada pekerjaan lebih banyak dibandingkan
wanita”?  Ruang Sampel, S = {0,1,2,3,4,5)  S = {0, paling tidak ada 1 AS)  P (paling tidak 1
setuju) = 1 – P (tidak ada yang setuju) = 1
P ( TS TS TS TS TS) = 1 - 0.6385 = 1 – 0.106 = 0.894 P (Tidak Setuju) = 1 – P (Setuju) = 1 –
0.362 = 0.638

56
 PROBABILITAS BERSYARAT (CONDITIONAL PROBABILITY)
Probabilitas terjadinya suatu peristiwa/kejadian dengan syarat ada peristiwa lain yang terjadi. 
Jadi ada peristiwa yang satu dipengaruhi atau bergantung pada peristiwa lainnya (kedua peristiwa
tersebut tidak saling bebas)  Probabilitas Bersyarat peristiwa A ketika diketahui peristiwa B
terjadi adalah (diasumsikan P(B) >0), maka :

P(A | B) P(A B)  P(B)  P(A | B) P(A B)  P(B)  P(A  B)  P(B)P(A | B)  P(A)P(B | A)

Contoh :
Probabilitas suatu penerbangan berangkat tepat waktu adalah P(B)=0.83; probabilitas kedatangan
tepat waktu adalah P(D) = 0.82; dan probabilitas berangkat dan datang tepat waktu adalah
P(B∩D)=0.78. Carilah probabilitas suatu penerbangan  Datang tepat waktu diberikan ia berangkat
tepat waktu  Berangkat tepat waktu diberikan ia datang tepat waktu  Datang tepat waktu
diberikan ia berangkat TIDAK tepat waktu  Datang tepat waktu diberikan ia berangkat tepat
waktu     0.94 (D | B) D B  0.78  0.83  B P  P P  Berangkat tepat waktu diberikan ia
datang tepat waktu     0.95 (B | D) D B  0.78  0.82  D P  P P  Datang tepat waktu
diberikan ia berangkat TIDAK tepat waktu       0.24 (D | B ) D B 0.82 0.78  0.17

Kejadian Independen & Dependen Pada Probabilitas Bersyarat

Contoh :
Dua kartu diambil secara acak dari susunan kartu berwarna  P (kartu kedua adalah ) = 3/5 tidak
peduli apakah kartu pertama dikembalikan atau tidak  P(kartu kedua |kartu pertama ) =  Dengan
pengembalian = 3/5  Tanpa pengembalian = 2/4  P (kartu kedua |kartu pertama )  Dengan
pengembalian = 3/5  Tanpa pengembalian = 3/4

Contoh: Probabilitas Bersyarat

CONTOH :
Suatu pabrik industri pengolahan memiliki dua mesin untuk memproduksi tipe produk tertentu.
Mesin A menghasilkan 80% dan mesin B sisanya (20%). Baik kedua mesin akan menghasilkan
produk cacat mesin A sebanyak 1% dan mesin B sebanyak 2%  Berapakah kemungkinan produk
yang dihasilkan mesin A itu cacat?  Berapakah probabilitas produk yang dihasilkan kedua mesin
itu cacat?  Jika suatu produk diambil secara acak, berapakah probabilitas produk cacat terambil itu
dihasilkan dari mesin A.
Jawaban :
P(A) = 0,8 Cacat 0.01 Tidak cacat 0.99
P(B) = 0,2 Cacat 0.02 Tidak Cacat 0.98

Maka :
P(A & Cacat) = 0.8 x 0.01 = 0.008 .

P(Cacat) = P(A & Cacat) + P(B & cacat)

= 0,008 + (0,2 . 0,02)
= 0.008+0.004
= 0,012.

(A | Cacat) (A Cacat) 0.8  0.01      0.67 0.8 0.01 0.2 0.02 (Cacat)       P P P

57
DISTRIBUSI TEORITIS

A. DISTRIBUSI DISKRIT
Distribusi diskrit yaitu distribusi dimana peubahnya secara teoritis tidak dapat
menerima sebarang nilai diantara dua nilai yang diberikan
Macam-macam Distribusi Peluang Diskrit

1. Distribusi  Peluang Binomial

2. Distribusi Peluang Poisson
3. Distribusi Peluang Multinomial
4. Distribusi Peluang  Hipergeometrik

Distribusi teoritis merupakan alat untuk menentukan apa yg dapat diharapkan, dengan asumsi-
asumsi yang dibuat benar. Distribusi teoritis sering digunakan sbg dasar pembanding dr suatu hasil
observasi, dan sering digunakan sbg pengganti distribusi sebenarnya. Hal ini penting, karena untuk
menyusun distribusi sebenarnya yg harus diperoleh melalui eksperimen membutuhkan biaya yg
mahal dan sulit dilakukan. Distribusi teoritis memungkinkan pengambil keputusan untuk memperoleh
dasar logika yg kuat, dan sangat berguna sbg dasar pembuatan ramalan (forecasting / prediction),
berdasarkan informasi terbatas atau pertimbangan teoritis, dan berguna pula untuk menghitung
probabilitas terjadinya suatu kejadian.

Beberapa contoh dan penerapan distribusi teoritis, yaitu :

Distribusi binomial, distribusi poisson, distribusi hipergeometrik, distribusi multinomial,

distribusi normal, distribusi kai-kuadrat, distribusi F, dan distribusi t.

Contoh aplikasi :

 Ahli tanaman menggunakan distribusi binomial untuk meramalkan penyilangan

(crossing) berbagai varietas tanaman yg berbeda.

 Ahli pengendali mutu (quality control specialist) menggunakan distribusi poisson

untuk memutuskan, apakah suatu proses produksi sudah berjalan dgn baik.

 Ahli antropologi menggunakan distribusi normal untuk membandingkan karakteristik

dua populasi.

 Ahli riset pemasaranan menggunakan distribusi kai-kuadrat untuk menentukan

apakah ada perbedaan yg berarti dr reaksi konsumen thd perubahan produk.

 Ahli agronomi menggunakan distribusi F untuk menentukan apakah perbedaan teknik

Pada dasarnya semua fungsi diskrit p(.)p(.) yang memenuhi syarat p(x)≥0p(x)≥0 untuk

semua xx dan ∑p(x)=1,∑p(x)=1, memenuhi syarat sebagai fungsi peluang diskrit. Demikian juga
semua fungsi kontinu f(.)f(.) pada XX, yang menuhi syarat nonnegatif dan membentuk luas satu unit
dapat dijadikan fungsi kepadatan peluang suatu peubah acak. Namun, ada beberapa distribusi diskrit
dan kontinu yang penting yang akan dibahas, diantaranya untuk distribusi diskrit adalah distribusi
yang berasal dari percobaan Bernoulli (Binomial, Negatif Binomial, Geometrik ), distribusi Poisson.

Untuk distribusi kontinu disampaikan distribusi uniform, distribusi eksponensia, Normal dan Gamma.

58
Peubah acak diskrit adalah peubah acak yang ruang rentangnya merupakan himpunan yang berhingga
( finite) atau tak berhingga tapi terhitung ( denumerable/countably infinite) dengan sifat-sifat berikut

p(x)≥0,∀x∈RX(1)(1)p(x)≥0,∀x∈RX

dan

∑x∈RXp(x)=1.(2)(2)∑x∈RXp(x)=1.  

Beberapa distribusi diskrit penting akan dibicarakan dalam modul ini.

Distribusi Binomial
Misalkan pada percobaan Bernouli pengamatan difokuskan pada banyaknya sukses yang terjadi ketika
percobaan Bernoulli itu diulang sebanyak nn kali. Dicari fungsi kepadatan peluang dari peubah acak
yang menggambarkan banyaknya sukses yang terjadi. Dari sebanyak nn ulangan percobaan Bernoulli,
jelaslah bahwa banyaknya sukses berkisar dari 0 (tidak ada sama sekali), sampai
maksimum nn (semuanya sukses).

Distribusi Probabilitas Binomial Digunakan untuk probabilitas yang bersifat diskrit, dengan
asumsi:

.Terdapat n kejadian pada sampling variabel acak

. Hasil dari n independent antara satu dengan lainnya

. Hanya ada dua kemungkinan hasil

. Probabilitas setiap hasil konstant dari satu pengambilan sampel terhadap pengambilan sampel
berikutnya • Probabilitas keberhasilan suatu peristiwa terjadi = p • Probabilitas tidak
berhasil/kegagalan = q=1-p • Probabilitas keberhasilan suatu peristiwa terjadi tepat x kali dalam
setiap perlakuan (x berhasil dan n-x gagal) = b

Distribusi Probabilitas Binomial • 'N' uji identik – Misalnya: 15 kali pelemparan koin; sepuluh bola
lampu yang diambil dari gudang • Dua hasil saling eksklusif pada setiap persidangan – Misalnya:
Kepala atau ekor di setiap lemparan koin; bola lampu cacat atau tidak cacat

• Uji independen – Hasil dari satu percobaan tidak mempengaruhi hasil yang lain
• Probabilitas konstan untuk setiap percobaan.

Misalnya: Probabilitas mendapatkan ekor adalah sama setiap kali kita melemparkan koin •

Dua metode pengambilan sampel:

– Populasi tak terbatas tanpa penggantian
– Populasi terbatas dengan penggantian.

Fungsi Distribusi Probabilitas Binomial :

P(X)= n! . pˣ(1-p) ⁿ-ˣ X!(n-X)! P(X) :

59
probabilitas keberhasilan X diberikan n dan p X : jumlah "keberhasilan" dalam sampel (X =
0,1, ..., n) P : probabilitas dari setiap "kesuksesan“ n: ukuran sampel •
Contoh :
Ekor di 2 lemparan dari Coin X P(X) 0 1/4 = .25 1 2/4 = .50 2 1/4 = .2

Distribusi Binomial Negatif.

Sebagai generalisasi dari distribusi Geometrik, ada kalanya yang ingin diamati adalah banyaknya
ulangan sampai munculnya r≥1r≥1 sukses. Misalkan untuk menghasilkan rr sukses
diperlukan xx ulangan,

Distribusi Binomial Eksperimen

dikatakan eksperimen binomial apabila;

1. Banyaknya eksperimen merupakan bilangan tetap (fixed number of trial),
2. Setiap eksperimen mempunyai 2 hasil yang dikategorikan menjadi “sukses” dan “gagal”,
3. Probabilitas sukses nilainya sama pada setiap eksperimen,
4. Eksperimen tersebut harus bebas (independen) satu sama lain,
artinya hasil eksperimen yang satu tidak mempengaruhi hasil eksperimen lainnya.

P(x) = P(X = x) = n!/x!(n – x)! (px qn-x) q = (1 – p)

Contoh Distribusi BINOMIAL :

1) Sebuah dadu dilempar sepuluh kali dan dihitung berapa jumlah muncul angka empat.
Distribusi jumlah acak ini adalah distribusi binomial dengan n = 10 dan p = 1/6.
2) Sebuah uang logam dilambungkan tiga kali dan dihitung berapa jumlah muncul sisi depan.
Distribusi jumlah acak ini merupakan distribusi binomial dengan n = 3 dan p = 1/2.

3) Seorang penjual mengatakan bahwa diantara seluruh barang dagangan, ada yg rusak
sebanyak 20%. Seorang pelanggan membeli barang tersebut sebanyak 8 buah dan
dipilih secara acak.
Jika X = banyaknya barang yg tidak rusak (bagus), maka hitung semua probabilitas untuk
memperoleh X, dan probabilitas kumulatifnya.
Jawab :
x n- x p,(x) F(x) = P(X ≤ x) 0 8 1(0,8)0 (0,2)8 = 0,0000 0,0000 1 7 8(0,8)1 (0,2)7 = 0,0001
0,0001 2 6 28(0,8)2 (0,2)6 = 0,0011 0,0012 3 5 56(0,8)3 (0,2)5 = 0,0092 0,0104 4 4 70(0,8)4
(0,2)4 = 0,0459 0,0563 5 3 56(0,8)5 (0,2)3 = 0,2031

Rata-rata dan varians Distribusi Binomial

Rata-rata Distribusi Binomial

μ = E(X) = Σxpr(x) = Σx [n!/x!(n – x)!] px qn-x dimana x = 1, 2, 3, …..,
n = n.p

Varian Distribusi Binomial

σ2 = E[X – E(X)]2 = E(X – np)2 = n.p.q

maka simpangan baku distribusi binomial adalah

60
σ = √n.p.q
Contoh;

Satu uang logam dilempar 4 kali, dimana probabilitas muncul angka sama dengan ½ .
Hitunglah rata-rata dan simpangan bakunya.
Jawab :
Rata-rata μ = n.p = 4. (1/2) = 2
Simpangan baku σ2 = n.p.q = 4.(1/2).(1/2) = 1
Simpangan baku = 1 n n

Distribusi Poisson
Penurunan definisi distribusi Poisson melalui proses Poisson dapat dilihat pada Meyer (Buku).

Distribusi Probabilitas Poisson adalah suatu Observasi yang dapat dilakukan pada kejadian
diskret dalam suatu area kesempatan.

Contoh:
Jumlah telepon panggilan perjam pada kantor polisi; jumlah laporan kehilangan kopor perhari
pada suatu airport, dll

Distribusi Poisson merupakan pendekatan terhadap distribusi binomial jika :

n>> dan p<<  n.p ≤10

Proses Poisson:
– Peristiwa diskrit dalam "interval" • Probabilitas One Sukses dalam interval stabil • Probabilitas
Lebih dari satu Sukses di interval ini adalah 0 Probabilitas keberhasilan adalah independen dari
interval silang
misalnya:
.1. Jumlah pelanggan tiba di 15 menit
2. jumlah cacat per kasus lampu.

Fungsi Distribusi Probabilitas Poisson

P (X)= e¯ 𝜆ˣ X! P(X) :
probabilitas X "sukses" diberikan 𝜆 X : jumlah "keberhasilan" per unit 𝜆 : diharapkan (rata-rata)
jumlah "keberhasilan“ 𝑒 : 2,71828 (basis log alamiah)

• Misalnya: Cari probabilitas untuk 4 pelanggan yang sampai di 3 menit saat jumlah
keberhasilannya adalah 3,6.   3.6 4 3.6 .1912 4! e P X    Poisson Distribusi di PHStat •
PHStat | probabilitas & prob. distribusi | Poisson • Misalnya di excel spreadsheet

(PRAKTIKUM LABORATORIUM ).

Hubungan distribusi Poisson dengan Binomial

Dalam kondisi tertentu, distribusi binomial dapat didekati dengan distribusi Poisson. Distribusi
binomial akan bisa didekati dengan distribusi Poisson jika: nn pada distribusi binomial relatif besar,
yaitu n→∞n→∞ dan pp relatif kecil (berarti 1−p≈11−p≈1), sehingga npnp relatif konstan

61
dan np≈np(1−p)np≈np(1−p). Jadi mean relatif sama dengan varians
dan λ=npλ=np atau p=λ/np=λ/n. Selanjutnya secara matematika dapat ditunjukkan bahwa peluang
pertama pada distribusi binomial (untuk x=0x=0) dapat dituliskan sebagai

P(X=0)=(1−p)n=(1−λn)n=e−λ.P(X=0)=(1−p)n=(1−λn)n=e−λ.

selanjutnya dapat ditunjukkan bahwa

P(X=x)=B(x)≈λxx!e−λ≈P(x)P(X=x)=B(x)≈λxx!e−λ≈P(x)

Secara formal dapat dinyatakan dengan teorema berikut.

Jika XX berdistribusi Bin(n,p)Bin(n,p) dengan n→∞n→∞ dan p→0p→0,
maka XX mendekati berdistribusi Poisson dengan parameter λ=np.λ=np.
Distribusi Poison Pada distribusi probabilitas binomial dimana probilitas sukses (p)
kurang dari 0,5 dan jumlah eksperimen (n) sangat besar, maka perhitungan dengan
menggunakan distribusi binomial hasil perhitungannya akan semakin melenceng. Maka
dikembangkan distribusi poisson.

Distribusi poisson melibatkan jumlah n yg besar dengan p kecil, biasanya digunakan untuk
menghitung nilai probabilitas suatu kejadian dalam suatu selang waktu dan daerah tertentu,
misal :
 banyaknya bakteri dalam air bersih,
 banyaknya presiden yg meninggal akibat kecelakaan,
 banyaknya kesalahan ketik pada laporan penelitian, dsb.

Distribusi poisson digunakan untuk menghitung probabilitas suatu kejadian yg jarang terjadi.

Contoh Distribusi POISSON :

1) Pemilik pabrik rokok melakukan promosi produk A. Diantara 1.000 batang rokok
terdapat 5 batang yang diberi tulisan berhadiah, dan dicampur secara acak . Apabila X
menyatakan banyaknya batang rokok yang terdapat tulisan berhadiah dalam satu
bungkus rokok merek A, dimana setiap bungkusnya berisi 20 batang.
Tentukan berapa P(X=0), P(X=1), P(X=2), P(X=3), P(X=4)
Jawab :
n = 20, p = 5/1.000 = 0,005, dan λ = n.p = 20.(0,005) = 0,1 X 0 1 2 3 4

2) Kepala bagian kredit beranggapan bahwa 4% dr nasabahnya tidak puas dengan

pelayanan bank tersebut, kemudian dipililh secara acak 50 orang nasabah. Hitung p(x)
untuk x = 0, 1, 2, ……, 9, dan distribusi kumulatif F(x) = P(X ≤ x).
Jawab :
n = 50, dan λ = n.p = 50(0,04) = 2 x p,(x)
F(x) = P(X ≤ x) 0 0,1353 0,1353 1 0,2707 0,4060 2 0,2707 0,6767 3 0,1804 0,8571 4
0,0902 0,9473 5 0,0361 0,9834 6 0,0120 0,9954 7 0,0034 0,9988 8 0,0009 0,9997 9
0,0002 0,9999

Distribusi Poisson Rata-rata dan Varians Distribusi

Poisson
μ = E(X) = Σ x. [(λx e-λ)]/x! = λ σ2 = E(X - λ)2 = λ
simpangan baku adalah σ = √λ ∞ n=0
62
Distribusi Geometrik
Adakalanya dalam percobaan Bernoulli, yang diamati adalah benyaknya percobaan yang terjadi sampai muncul
satu (1) ss. Tentu saja percobaan yang dilakukan menggunakan asumsi bahwa dia diulang secara saling bebas.
Misalkan untuk munculnya 1 ss diperlukan sebanyak xx percobaan.
Distribusi geometrik adalah kasus khusus dari distribusi Binomial negatif untuk k=1 yaitu :
Distribusi peluang banyaknya usaha yang diperlukan untuk mendapatkan sukses pertama.
Contoh:,

1.      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

2.      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

DISTRIBUSI GEOMETRIK || STATISTIKA MATEMATIKA

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 :

selanjutnya kita akan cari nilai Cumulatif  Distribution Function (CDF),  Nilai Harapan X,

variansi X dan  MGF (Moment Generating Function) dari distribusi Poisson

63
64
 

Atau dengan cara menurunkan MGF nya,

 

65
66
  

67
 Penjelasan lanjutan :

Distribusi Geometrik (1) Berkaitan dengan percobaan Bernoulli, dimana terdapat n percobaan
independen yang memberikan hasil dalam dua kelompok (sukses dan gagal), variabel random
geometric mengukur jumlah percobaan sampai diperoleh sukses yang pertama kali.
www.debrina.lecture.ub.ac.id 22/10/2014 4

Fungsi distribusi probabilitas geometrik: g(x;p)= pqx−1 dimana x = 1,2,3,... , p dan q adalah
parameter (probabilitas sukses dan gagal).

Rata-rata dan variansi distribusi probabilitas geometrik adlah: µ= 1 p σ2 = q p2

Contoh :

1) Di dalam suatu proses produksi tertentu diketahui bahwa, secara rata-rata, 1 di dalam
setiap 100 barang adalah cacat. Berapakah probabilitas bahwa barang kelima yang
diperiksa merupakan barang cacat pertama yang ditemukan? Penyelesaian:

Dengan menggunakan sebaran geometri dengan x = 5 dan p = 0,01, maka diperoleh

g(5; 0,01) = (0,01)(0,99)4 = 0,0096

2) Pada saat ”waktu sibuk” sebuah papan sakelar telepon sangat mendekati
kapasitasnya, sehingga para penelpon mengalami kesulitan melakukan hubungan
telepon. Mungkin menarik untuk mengetahui jumlah upaya yang perlu untuk
memperoleh sambungan. Andaikan bahwa kita mengambil p = 0,05 sebagai
probabilitas dari sebuah sambungan selama waktu sibuk. Kita tertarik untuk
mengetahui bahwa 5 kali upaya diperlukan untuk suatu sambungan yang berhasil.
Penyelesaian: Dengan menggunakan sebaran geometris dengan x = 5 dan p = 0,05
menghasilkan ( ) ( ) ( )( ) 4 PX x g == = = 5;0,05 0,05 0,95 0,041

68
 3) Pada seleksi karyawan baru sebuah perusahaan terdapat 3 dari 10 pelamar sarjana
komputer sudah mempunyai keahlian komputer tingkat advance dalam pembuatan
program. Para pelamar diinterview secara intensif dan diseleksi secara random..
Hitunglah prosentase yang diterima dari jumlah pelamar yang ada. b. Berapa
probabilitas pertama kali pelamar diterima pada 5 interview yang dilakukan? c.
Berapakah rata-rata pelamar yang membutuhkan interview  guna mendapatkan satu
calon yang punya advance training Penyelesaian:

a. 3 sarjana komputer yang diterima dari sejumlah 10 calon Prosentase yang diterima
= 3/10*100%= 30%

b. f(x)= p. qx-1 , x=1,2,3,4,5 f(5)=(0,3)(0,7)4=0.072

c. E(x)=1/p=1/0,3=3,333

Distribusi Hipergeomertrik
 Distribusi Hipergeometrik • "N" uji coba dalam sampel yang diambil dari populasi terbatas
ukuran N • Sampel diambil tanpa adanya penggantian • Percobaan yang bergantung • Berkaitan
dengan menemukan probabilitas keberhasilan "X" dalam sampel itu di mana terdapat "A"
keberhasilan di dalam populasi.

Fungsi Distribusi Hipergeometrik

P(X)= P(X) : probabilitas bahwa keberhasilan X diberikan n, N, dan A n : ukuran sampel N :

ukuran populasi A : jumlah "keberhasilan" dalam populasi X : jumlah "keberhasilan" dalam
sampel.

  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

    Apabila populasi besar dan sampel relatif kecil, pengambilan secara sampling dilakukan tanpa
pengambilan menimbulkan efek terhadap probabilitas suksed dalam setiap percobaan kecil, untuk
mendekati nilai probabilitas hipergeometrik dapat digunakan konsep distribusi binomial, dengan
syarat n lebih kecil sama dengan 0,005 N.
 Tipe distribusi hipergeometrik ini sering sekali disebut juga dengan sampling dengan penggantian
sifat dari distribusi hipergeometrik ini :
1)    Tanpa pengembalian, percobaan bersifat tidak independen.
2)    Nilai probabilitas setiap percobaan berbeda.

69
Distribusi peluang peubah acak hipergeometrik adalah banyaknya sukses xx dalam sampel acak
ukuran nn yang diambil dari populasi sebanyak NN yang mengandung jumlah sukses sebanyak kk.

Contoh :

Misalkan suatu kotak berisi dua jenis bola (AA dan BB). Seluruhnya berjumlah NN bola, mm buah
merupakan bola jenis AA. Diambil (sekaligus, atau satu- satu tanpa pengembalian) nn buah bola.
Dicari peluang bahwa yang terambil adalah xx bola jenis AA. Untuk menyelesaikan persoalan ini
perlu diperhatikan hal-hal berikut:

1. secara keseluruhan dari NN bola diambil nn, maka akan terdapat sebanyak (Nn)

(Nn) macam jenis kumpulan nn unsur;

2. dari mm bola jenis AA diambil xx buah, berarti ada sebanyak (mx)(mx) cara pengambilan

bola A.A.
3. sementara itu selebihnya (n−x)(n−x) diambil dari N−mN−m bola jenis BB, sehigga untuk
pengambilan bola BB ada sebanyak (N−mn−x)(N−mn−x) cara;

4. gabungan pengambilan seluruh nn bola AA atau BB menghasilkan (mx)

(mx) (N−mn−x)(N−mn−x) cara.

Perubah acak yang memenuhi syarat di atas dikatakan berdistribusi hipergeometrik.

Distribusi Hipergeometrik Setiap percobaan statistik keluaran yang telah dihasilkan obyeknya selalu
dikembalikan, sehingga probabilitas setiap percobaan peluang seluruh obyek memiliki probabilitas
yang sama. ¡ Dalam pengujian kualitas suatu produksi, maka obyek yang diuji tidak akan diikutkan
lagi dalam pengujian selanjutnya, artinya tidak dikembalikan. ¡ Percobaan hipergeometrik memiliki
sifat-sifat sebagai berikut: ¡ sebuah pengambilan acak dengan ukuran n dipilih tanpa pengembalian
dari N obyek ¡ k dari N obyek dapat diklasifikasikan sebagai sukses dan N – k diklasifikasikan sebagai
gagal.

Rumus Distribusi Hipergeometrik

Secara umum, distribusi hipergeometrik dirumuskan:

P(X=x)=h(x;N,n,k)=CnkCn−xN−kCnN
Keterangan:
N = ukuran populasi
n = ukuran sampel
k = banyaknya unsur yang sama pada populasi
x = banyaknya peristiwa sukses

Distribusi hipergeometrik dapat diperluas, seperti berikut ini. Jika dari populasi yang
berukuran N terdapat unsur-unsur yang sama, yaitu 𝑘_1,𝑘_2,𝑘_3, … ,𝑘_𝑛 dan dalam

70
sampel berukuran n terdapat unsur-unsur yang sama pula, yaitu 𝑥_1,𝑥_2,𝑥_3, …,𝑥_𝑛
dengan 𝑘_1+𝑘_2+𝑘_3+ …+𝑘_𝑛=𝑁 dan 𝑥_1+𝑥_2+𝑥_3+ …+𝑥_𝑛=𝑛, distribusi
hipergeometrik dirumuskan:

P(X=x1,x2,...,xn)=Ck1x1Ck2x2...CknxnCnN

Contoh soal:
1. Sebuah kotak berisi 50 bola, 5 diantaranya pecah. Apabila diambil 4 bola,
berapa probabilitas dua diantaranya pecah?
2. Dari penelitian golongan darah mahasiswa pada sebuah universitas, diketahui
bahwa dari 10 mahasiswa terdapat 2 mahasiswa bergolongan darah A, 5 mahasiswa
bergolongan darah B, dan 3 mahasiswa bergolongan darah O. Apabila diambil 5 orang
mahasiswa, berapa probabilitas seorang mahasiswa memiliki golongan darah A, 2
mahasiswa memiliki golongan darah B, dan 2 mahasiswa memiliki golongan darah O?

Penyelesaian:
1. Probabilitas dua bola pecah dari pengambilan 4 bola
adalah N=50;n=4;k=5;x=2
P(X=2)=C52C50−54−2C504
P(X=2)=C52C452C504
P(X=2)=10×990230.300
P(X=2)=9900230.300
P(X=2)=0,043

2. Diketahui:
N=10; terdiri dari k1=2,k2=5,k3=3
n=5; terdiri dari x1=1,x2=2,x3=2

P(X=1,2,2)=C21C52C32C105
P(X=1,2,2)=2×10×3252
P(X=1,2,2)=60252
P(X=1,2,2)=0,238

Perbedaan Distribusi Binomial dan Distribusi Hipergeometrik

Perbedaan utama distribusi binomial dan distribusi hipergeometrik adalah pada cara
pengambilan sampelnya.
Pada distribusi hipergeometrik, probabilitas keberhasilan dalam setiap pengambilan
tergantung dari berapa banyak macam sampel dari sebuah populasi dan tergantung
sampel yang telah diambil.

Contoh Soal:
Dalam suatu kotak terdapat 5 bola yang terdiri dari 2 bola Merah, 2 bola Biru dan 1 bola
Putih. Berapa peluang:
1. Terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
dengan pengembalian?

71
2. Terambil 2 bola Merah, dari 4 kali pengambilan yang dilakukan secara acak
tanpa pengembalian?
Penyelesaian
Karena pengambilan sampel pada soal a dilakukan dengan pengembalian berarti soal a
diselesaikan dengan distribusi binomial:
p=25;q=35;n=4;x=2
P(X=2)=C42×p2×q4−2
P(X=2)=6×(25)4×(35)2
P(X=2)=0,3456

Karena pengambilan sampel pada soal b dilakukan tanpa pengembalian berarti soal b
diselesaikan dengan distribusi hipergeometrik:
N=5;n=4;k=2;x=2
P(X=2)=C22C5−24−2C54
P(X=2)=C22C32C54
P(X=2)=1×35
P(X=2)=35
P(X=2)=0,6

Rata-rata, Varians, dan Simpangan Baku Distribusi Hipergeometrik

Rata-rata, varians, dan simpangan baku distribusi hipergeometrik h(x;N,n,k) adalah:

1. Rata-rata
μ=nkN
2. Varians
σ2=N−nN−1×n×kn(1−kn)
3. Simpangan Baku
σ=N−nN−1×n×kn(1−kn)−−−−−−−−−−−−−−−−
−√

Contoh Soal :

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

72
 a. satu bola berwarna merah
P(X=1)=(nN)(xk)(n−xN−k)=(37)(13)(3−17−3)=353×6=3518

b. dua bola berwarna merah

P(X=2)=(37)(23)(3−27−3)=353×4=3512

c. ketiga-tiganya berwarna merah

P(X=3)=(37)(33)(3−37−3)=351×1=351

d. tidak ada warna merah

P(X=0)=(37)(03)(3−07−3)=351×4=354

2) Dalam sebuah kotak terdapat 7 bola yang 3 diantaranya berwarna merah. Jika dari dalam
tersebut diambil 2 bola secara acak, hitunglah peluang terambilnya bola tersebut terdapat:
a. satu bola berwarna merah?
b. dua bola bewarna merah?
c. tidak ada bola berwarna merah?

Jawab:
Dari soal tersebut diketahui N=7,N=7, k=3k=3 dan n=2,n=2, dengan demikian maka
a. satu bola berwarna merah
P(X=1)=(nN)(xk)(n−xN−k)=(37)(12)(2−17−3)=352×10=3520

b. dua bola berwarna merah

P(X=2)=(37)(22)(2−27−3)=351×5=355

c. tidak ada warna merah

P(X=0)=(37)(02)(2−07−3)=351×10=3510

3) Suatu pabrik ban motor melaporkan bahwa dari 5 ban yang dikirimkan ke suatu toko terdapat
2 ban yang cacat. Bila seseorang membeli 3 ban ditoko tersebut, maka hitung:
a) peluang terdapat satu ban cacat yang dibelinya,
b) peluang tidak ada ban cacat yang dibelinya.
Jawab:
Dari soal tersebut diketahui N=5,N=5, k=2k=2 dan n=3,n=3, dengan demikian maka

a. peluang terdapat satu ban cacat yang dibelinya

P(X=1)=(nN)(xk)(n−xN−k)=(35)(12)(3−15−2)=102×3=106

b. peluang tidak ada ban cacat yang dibelinya

P(X=2)=(35)(02)(3−05−2)=101×1=101

4) Sebuah toko mengirim 6 buah komputer, 2 diantaranya cacat/rusak. Sebuah sekolah

membeli 3 buah komputer secara acak dari kiriman tersebut. Berapakah peluang terbeli
a. satu komputer cacat?
b. dua komputer cacat?
c. tidak ada yang cacat?
Jawab:
Dari soal di tersebut dapat kita diketahui N=6,N=6, k=3k=3 dan n=2,n=2, sehingga
a. peluang satu komputer cacat
P(X=1)=(nN)(xk)(n−xN−k)=(36)(12)(3−16−2)=202×56=0,6

b. peluang dua komputer cacat

P(X=2)=(36)(22)(3−26−2)=201×4=0,2

73
 c. peluang tidak ada yang cacat
P(X=0)=(36)(02)(3−06−2)=201×4=0,2

5) Sebuah toko memiliki 25 bola lampu, 5 diantaranya cacat. Apabila seseorang membeli 4
buah bola lampu di toko tersebut, berapakah peluang dia mendapatkan bola lampu
a. satu bola lampu cacat?
b. dua bola lampu cacat?
c. tiga bola lampu cacat?
d. semuanya cacat?
e. tidak ada yang cacat?
Jawab:
Dari soal di tersebut dapat kita diketahui N=25,N=25, k=5k=5 dan n=4,n=4, sehingga:
a. peluang satu bola lampu cacat
P(X=1)=(nN)(xk)(n−xN−k)=(425)(15)(4−125−5)=531304×5985=0,4506

b. peluang dua bola lampu cacat

P(X=2)=(425)(25)(4−225−5)=531306×1330=0,1502

c. peluang tiga bola lampu cacat

P(X=3)=(425)(35)(4−325−5)=531304×210=0,0158

d. peluang semuanya cacat

P(X=4)=(425)(45)(4−425−5)=531301×21=0,0004

e. peluang tidak ada yang cacat

P(X=0)=(425)(05)(4−025−5)=531301×20349=0,3830

Contoh Keperluan dari kegunaan distribusi hipergeometrik :

- Mengetahui jumlah barang yang rusak dalam sampel acak dari sejumlah kiriman
jumlah permen yang di ambil dari dalam kotak dengan rasa tertentu.
- Aplikasi dalam pendidikan seperti dalam penyelidikan pendapat umum/survey,
- dan dalam hipergeometrik juga dapat mengitung perputaran benda yang dilempar
dari titik awal pelemparan apakah pelemparan tersebut dapat melihat hasil mutlak
dari perputaran tersebut.

DISTRIBUSI KONTINU
 Distribusi kontinyu merupakan salah satu macam distribusi probabilitas, yaitu model matematik yang
menghubungkan nilai variabel dengan probabilitas terjadinya nilai itu. Dengan perkataan lain, kita
dapat membayangkan diameter cincin piston sebagaivariabel random, karena diameter itu menjalani
nilai-nilai yang berbeda dalam populasi itu menurut mekanisme random. Maka distribusi probabilitas
diameter cincin menggambarkan probabilitas terjadinya setiap nilai diameter cincin di dalam populasi
itu.  Dimana untuk distribusi kontinyu variabel yang diukur dinyatakan dalam skala kontinyu.  Oleh
karena itu distribusi probabilitasnya dinamakan distribusi kontinyu.

Distribusi NORMAL
Karakterisik Distribusi Probabilitas Normal 
1. Bentuk kurva normal seperti bel dan simetris. 
2. Parameter s, menunjukkan lebar dari kurva normal (semakin besar nilainya, semakin lebar) q Titik
tertinggi dari kurva nomal terletak pada nilai rata-rata=median=modus 

74
3. Luas total area di bawah kurva normal adalah 1. (luas bagian di sebelah kiri µ = sebelah kanan µ). 
4. Probabilita suaru random variabel normal sama dengan luas di bawah kurva normal.

Distribusi normal merupakan distribusi yg banyak digunakan dalam berbagai penerapan. Distribusi ini
merupakan distribusi kontinu yg mensyaratkan variabel yg diukur harus kontinu, misal:
 tinggi badan
 berat badan,
 jml curah hujan, hasil ujian, dsb.

Distribusi Normal Standar

Distribusi normal standar memiliki nilai mean 0 dan standar deviasi 1. 
Semua distribusi normal dapat ditransformasikan menjadi distribusi normal standar. 

Distribusi normal standar biasanya dilambangkan dengan huruf Z.

Rumus umumnya :

Probabilitas untuk distribusi normal standar adalah :

Contoh penggunaannya :
Suatu sekolah melakukan tes IQ terhadap seluruh siswa kelas dua untuk menentukan jurusan
yang tepat bagi siswanya. Hasil tes menunjukkan bahwa IQ dari 200 siswa berdistribusi normal
dengan rata-rata 116 dan simpangan baku 10. Bila jurusan IPA ditentukan dengan nilai IQ
minimal 110. Berapa banyaknya siswa yang akan ditolak untuk masuk ke jurusan IPA
berdasarkan IQ yang ditentukan sekolah?
Jawab :

Jadi jumlah siswanya adalah 0,07743 x 200 siswa = 15,486 siswa = 15 siswa.

Apakah itu Distribusi Normal?

Distribusi normal merupakan suatu alat statistik yang sangat penting untuk menaksir dan
meramalkan peristiwa-peristiwa yang lebih luas. Distribusi normal disebut juga dengan distribusi

75
 Gauss untuk menghormati Gauss sebagai penemu persamaannya (1777-1855). Menurut
pandangan ahli statistik, distribusi variabel pada populasi mengikuti distribusi normal. 

Distribusi normal pertama kali diperkenalkan oleh Abraham DeMoivre (1733) sebagai

pendekatan distribusi binomial untuk n besar. Selanjutnya dikembangkan oleh Pierre Simon de
Laplace dan dikenal dengan Teorema Moivre - Laplace. Laplace menggunakan distribusi normal
untuk analisis galat suatu eksperimen. 

Suatu data membentuk distribusi normal jika jumlah data di atas dan di bawah mean
adalah sama.

Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada
kedua arah positif dan negatifnya.

Ciri-ciri kurva normal :

1. Bentuk kurva normal

1. Menyerupai lonceng (genta/bel).

2. Merupakan suatu poligon yang dilicinkan yang mana ordinat (sumbu tegak)
merupakan frekuensi dan absisnya (sumbu alas) memuat nilai variabel.
3. Simetris.
4. Luas daerah merupakan nilai rata-rata (mean).
5. Luas daerah sebelah kiri dan kanan mendekati 50%.
6. Memiliki satu modus (disebut juga bimodal).

2. Daerah kurva normal

1. Merupakan ruangan yang dibatasi daerah kurva dengan absisnya (sumbu alas).
2. Luas daerah biasanya dinyatakan dalam persen atau proporsi.

Distribusi normal dipengaruhi oleh dua parameter, yaitu mean dan standar deviasi.

Mean menentukan lokasi pusat statistik dan standar deviasi menentukan lebar dari kurva normal.

Rumus umum distribusi normal :

76
dengan 

Kurva normal menggambarkan daerah penerimaan dan penolakan Ho. 

Jika pengujian dua arah / sisi, maka gambarnya sebagai berikut :

Jika pengujian satu arah, maka gambarnya sebagai berikut :

Uji satu arah biasanya untuk uji F dan uji t satu arah.

Kurva normal Suatu variabel acak kontinu X, memiliki distribusi berbentuk lonceng disebut
variabel acak normal.
Persamaan matematika distribusi probabilitas acak normal tergantung pada dua parameter, yaitu
μ dan σ atau nilai tengah dan simpangan bakunya.

Fungsi kepadatan probabilitas normal adalah: ƒ(x) = e–½[(x-μ)/σ] untuk –∞ ≤ x ≤ ∞

Apabila nilai-nilai dan diketahui, maka dapat digambarkan kurva normal dgn pasti, bagaimana
bentuk dan ketinggian kurva normal. σ√2π 1 2 Kurva normal dgn μ1 ≠ μ2 tetapi σ1 = σ2 Kurva
normal dgn μ1 = μ2 tetapi σ1 ≠ σ2 Kurva normal dgn μ1 ≠ μ2 tetapi σ1 ≠ σ2 μ1 = μ2 μ1 μ2 μ1 μ2

Distribusi Binomial Distribusi Poison μ1 = μ2

Karakteristik distribusi normal :

77
 1) Distribusi normal memiliki dua parameter, yaitu μ dan σ yg masing-masing menentukan
lokasi dan bentuk distribusi,
2) Titik tertinggi kurva normal berada pd rata-rata,
3) Distribusi normal adalah distribusi yg simetris,
4) Simpangan baku (standar deviasi) σ, menentukan lebar kurva. Makin kecil nilai σ, maka
bentuk kurva makin runcing.
5) Total luar daerah dibawah kurva normal adalah 1 (hal ini berlaku untuk seluruh
distribusi probabilitas kontinu),
6) Jika jarak masing-masing nilai X terhadap rata-rata μ diukur dengan simpangan baku σ,
maka kira-kira 68 berjarak 1σ, 95% berjarak 2σ, dan 99% berjarak 3σ,
atau P(μ - 1σ ≤ X ≤ μ + 1σ) = 68% (68,26%) P(μ - 2σ ≤ X ≤ μ + 2σ) = 95% (95,46%) P(μ -
3σ ≤ X ≤ μ + 3σ) = 99% (99,74%) μ - 3σ μ - 2σ μ - σ μ μ + σ μ + 2σ μ + 3σ X Z-3 -2 -1 0 1
2 3 68,26 % 95,46 % 99,74 %

Distribusi normal Baku (Standar)

Z = (X - μ)/σ
Bila x berada di antara x = x1 dan x = x2, mk variabel acak z akan berada di antara nilai-nilai x
tersebut; z1 = (x1 - μ)/σ dan z2 = (x2- μ)/σ x1 x2 z1 z2 σ σ=1 μ=0μ Variabel normal baku Z
mempunyai rata-rata μ = 0 dan standar deviasi σ = 1

Contoh :
Dengan menggunakan tabel normal, hitunglah:
a) P(0 ≤ Z ≤ 1,20)
b) P(Z ≥ 1,54)
c) P(Z ≥ -0,86)
d) P(-0,5 ≤ Z ≤ 0,75)

Jawab :
a) P(0 ≤ Z ≤ 1,20) = 0,3849
b) P(Z ≥ 1,54) = P(Z ≥ 0 – P(Z ≤ 1,54) = 0,5000 – 0,4382 = 0,0618
c) P(Z ≥ -0,86) = P(0 ≤ Z ≤ 0,886) + P(Z ≥ 0) = 0,3051 + 0,5000 = 0,8051
d) P(-0,5 ≤ Z ≤ 0,75) = P(0 ≤ Z ≤ 0,5) + P(0 ≤ Z ≤ 0,75) = 0,1915 + 0,2734 =
0,4649

Contoh :
Satu uang logam dilempar sebanyak 4 kali. X menyatakan banyaknya gambar yg muncul.
Dengan menggunakan pendekatan :

Fungsi Normal hitunglah p(x), maka hitunglah probabilitas bahwa X > 2. X = 0 p(0) = 0,0625 μ =
E(X) = n.p = 4. ½ = 2 X = 1 p(1) = 0,2500 σ = √n.p.q = √ 4. ½. ½ = 1 X = 2 p(2) = 0,3750 X = 3
p(3) = 0,2500
Z = (X - μ)/σ = (2,5 – 2)/ 1 = 0,5 X = 4 p(4) = 0,0625 P(X > 2) = P( Z > 0,1)

Dengan Binomial P(X > 2) = P(X = 3) + P(X = 4) = P(Z ≥ 0) - P(0 ≤ Z ≤ 0,5) = 0,2500 + 0,0625

Contoh Soal Distrubusi Normal I

1. Sebuah pabrik baterai memproduksi baterai dengan daya tahan 400 jam. Jika simpangan 20
jam. Berapa peluang baterai tersebut hidup antara 400 hingga 434,4 jam!

78
Pembahasan:
Diketahui : 𝛍 = 400 ; 𝞼= 20 ; x1 = 400 ; x2=434,4.
Tanya : P [400 jam < X < 434,4 jam]
Jawab :  zi=xi−μσzi=xi−μσ
z1=x1−μσz1=x1−μσ
z1=400−40020=0 z1=400−40020=0

z2=x2−μσz2=x2−μσ
z2=434,4−40020=1,72 z2=434,4−40020=1,72
 P [400 jam < X < 434,4 jam] = P [0 < z < 1,72]. Daerahnya bisa dilihat pada kurva yang diarsir
berikut:

Berdasarkan tabel distribusi normal, maka nilai luas daerah untuk 1,72 adalah = 0,4573. Jadi
peluang sebuah batrai bisa bertahan hingga 400 sampai 434,4 jam adalah 0,4573.

Contoh Soal Distribusi Normal II

2. Sebuah permen dipotong dengan rata-rata 25 mm. Dengan simpangan baku 2 cm. Berapa
persenkah kemungkinan permen diproduksi dengan panjang dibawah 23 mm.

Pembahasan:
Diketahui : 𝛍 = 25 ; 𝞼= 2 ; x1 = 23.
Tanya : P [ X < 23 mm]
Jawab: zi=xi−μσzi=xi−μσ
z1=x1−μσz1=x1−μσ
z1=23−252=−1z1=23−252=−1
P [ X < 23 mm] = P [ z < -1]. Ketika melihat tabel abaikan negatif, lihat nilai untuk 1,00 saja.
Adapun nilai untuk z =1  adalah 0,3413. Namun ini belum hasil akhir, sebab daerahnya adalah

Untuk nilai yang terlihat ditabel adalah daerah antara 0 dan -1 yang nilainya 0,3413. Sementara
untuk daerah z< -1 adalah daerah yang arsir hijau. Ingat luas bagian kiri dan kanan adalah 0,5.
Pada bagian kiri, daerah hijau didapat dari 0,5 - 0,3413 = 0,1587 atau 15,87%.

Contoh Soal Distribusi Normal III

3. Sebuah alat elektronik diberikan jaminan tak akan rusak rata-rata selama 800 hari. Dengan

79
standar deviasi 40 hari. Berapa peluang alat elektronik tersebut tak akan rusak antara 778 hari dan
834 hari.

Pembahasan:
Diketahui : 𝛍 = 800 ; 𝞼= 40 ; x1 = 778; x2=834.
Tanya : P [ 778<X < 834 ]
Jawab: Jawab :  zi=xi−μσzi=xi−μσ
z1=x1−μσz1=x1−μσ
z1=778−80040=−0,55z1=778−80040=−0,55

z2=x2−μσz2=x2−μσ
z2=834−80040=0,85z2=834−80040=0,85
 P [ 778<X < 834 ] = P [-0,55 < z < 0,85]. Daerahnya bisa dilihat pada kurva yang diarsir berikut:

Penyelesaiannya adalah luas daerah merah ditambah luas daerah biru.

Anda bisa lihat luas daerah biru z = 0,85 yaitu 0,3023.
Daerah merah z = -0,55 yaitu 0,2088.
Jadi luas total dari semua (probabilitas) -nya adalah 0,3023+0,2088 = 0,5111.

Contoh kasus adalah sebagai berikut

Rata-rata produktivitas padi di Aceh tahun 2009 adalah 6 ton per ha, dengan simpangan baku (s)
0,9 ton.  Jika luas sawah di Aceh 100.000 ha dan produktivitas padi berdistribusi normal (data
tentatif), tentukan

1. berapa luas sawah yang produktivitasnya lebih dari 8  ton ?

2. berapa luas sawah yang produktivitasnya kurang dari 5 ton ?

3. berapa luas sawah yang produktivitasnya antara 4 – 7 ton ?

Pertanyaan-pertanyaan di atas dapat dijawab dengan menggunakan sifat-sifat distribusi normal

sebagaimana yang telah disusun pada Tabel Z.

Pertanyaan no.1 dapat dijawab sbb:

1. Hitung nilai z dari nilai x = 8 ton dengan rumus 

    

2. Hitung luas di bawah kurva normal pada z = 2,22.  Caranya buka Tabel Z dan lihat  sel pada
perpotongan baris 2,20 dan kolom 0,02.  Hasilnya adalah angka 0,98679 dan bila dijadikan persen
menjadi 98,679%.  Angka ini menunjukkan bahwa luas di bawah kurva normal baku dari titik 2,22

80
ke kiri kurva adalah sebesar 98,679%. Karena luas seluruh di bawah kurva normal adalah 100%,
maka luas dari titik 2,22 ke kanan kurva adalah 100% – 98,679% = 1,321% (arsir warna hitam
pada gambar).  Oleh karena itu, luas sawah yang produktivitasnya lebih dari 8 ton adalah 1,321%,
yaitu (1,321/100) x 100.000 ha = 1321 ha.

Pertanyaan no.2 dapat dijawab sbb:

1.  Hitung nilai z dari nilai x = 5 ton, dengan rumus

     

2.  Hitung luas di bawah kurva normal pada z = -1,11.  Caranya buka Tabel Z dan lihat  sel pada
perpotongan baris -1,10 dan kolom 0,01.  Hasilnya adalah angka 0,13350 dan bila dijadikan
persen menjadi 13,35%.  Angka ini menunjukkan bahwa luas di bawah kurva normal baku dari
titik -1,11 ke kiri kurva adalah sebesar 13,35% (diarsir warna hitam pada gambar).  Oleh karena
itu, luas sawah yang produktivitasnya kurang dari 5 ton adalah 13,35%, yaitu (13,35/100) x
100.000 ha = 13350 ha.

Pertanyaan no.3 dapat dijawab sbb:

1. Hitung nilai z dari nilai x = 4 ton, dengan rumus

     

2. Hitung nilai z dari nilai x = 7 ton, dengan rumus

    

81
3.  Hitung luas di bawah kurva normal pada z = –2,22.  Caranya buka Tabel Z dan lihat  sel pada
perpotongan baris –2,20 dan kolom 0,02.  Hasilnya adalah angka 0,01321 dan bila dijadikan
persen menjadi 1,321%.  Angka ini menunjukkan bahwa luas di bawah kurva normal baku dari
titik –2,22 ke kiri kurva adalah sebesar 1,321%.

4. Hitung luas di bawah kurva normal pada z = 1,11.  Caranya buka Tabel Z dan lihat  sel pada
perpotongan baris 1,10 dan kolom 0,01.  Hasilnya adalah angka 0,86650 dan bila dijadikan persen
menjadi 86,65%.  Angka ini menunjukkan bahwa luas di bawah kurva normal baku dari titik 1,11
ke kiri kurva adalah sebesar 86,65%.

5. Luas sawah yang produktivitasnya antara 4 – 7 ton adalah 86,65%-1,321% = 85,329% (diarsir
warna hitam) atau (85,329/100) x 100.000 ha = 85329 ha.

Distribusi Normal (Catatan)

Distribusi normal adalah distribusi dari variabel acak kontinu.  Kadang-kadang distribusi normal
disebut juga dengan distribusi Gauss.  Distribusi ini merupakan distribusi yang paling penting
dan paling banyak digunakan di  bidang statistika.

Fungsi densitas distribusi normal diperoleh dengan persamaan sebagai berikut

dimana

π = 3,1416

e = 2,7183

µ = rata-rata

σ = simpangan baku

Persamaan di atas bila dihitung dan diplot pada grafik akan terlihat seperti pada Gambar 1 berikut.

82
Gambar 1. kurva distribusi normal umum

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

Membuat kurva normal umum bukanlah suatu pekerjaan yang mudah.  Lihat saja rumus
untuk mencari fungsi densitasnya (nilai pada sumbu Y) begitu rumit.  Oleh karena itu,
orang tidak banyak menggunakannya.

Orang lebih banyak menggunakan DISTIBUSI NORMAL BAKU.  Kurva distribusi normal baku
diperoleh dari distribusi normal umum dengan cara transformasi nilai x menjadi nilai z, dengan
formula sbb:

Kurva distribusi normal baku disajikan pada Gambar 2 berikut ini.

Gambar 2.  Kurva distribusi normal baku

83
 Kurva distribusi normal baku lebih sederhana dibanding kurva normal umum.  Pada
kurva distribusi normal baku, nilai µ = 0 dan nilai σ=1, sehingga terlihat lebih
menyenangkan.  Namun, sifat-sifatnya persis sama dengan sifat-sifat distribusi normal
umum.

Kurva distribusi normal maupun distribusi normal baku bersifat simetris dimana garis simetrisnya
berada pada Z = 0. Sedangkan luas area keseluruhan di bawah kurva normal adalah 1.
Luas area di bawah kurva normal sangat sulit dihitung dengan menggunakan rumus peluang
distribusi normal. Oleh karena itu untuk mempermudah penghitungan dibuatlah tabel Z distribusi
normal baku.

Ada dua tabel Z distribusi normal baku yang disajikan oleh buku-buku statistik. Dua tabel tersebut
adalah tabel distribusi normal baku yang menentukan luas area di antara -∞ < Z < Z1 dan
tabel distribusi normal baku yang menentukan luas area di antara 0 < Z < Z1.

Tabel distribusi normal baku yang menentukan luas area di antara -∞ < Z < Z1

Tabel distribusi normal baku yang men entukan luas area di

antara 0 < Z < Z1

Pada pembahasan kali ini, tabel Z distribusi normal baku yang digunakan adalah tabel Z distribusi

normal baku yang menentukan luas area di antara -∞ < Z < Z1.

Untuk pemahaman lebih lanjut mengenai luas area tersebut, diberikan beberapa contoh sebagai

berikut.

CONTOH 1

Misalkan Z adalah variabel random yang berdistribusi normal baku (normal standar). Hitunglah luas
wilayah pada Z < 1,24 atau peluang P(Z < 1,24)!

Jawab:

Sebelum menjawab persoalan di atas, perlu dipahami bahwa P(Z < 1,24) sama juga dengan P(Z ≤
1,24). Hal ini karena Z adalah variabel random kontinu dimana P(Z = 1,24) = 0, sehingga P(Z < 1,24)
sama saja dengan P(Z ≤ 1,24).

Area Z < 1,24 pada kurva distribusi normal baku dapat dilihat pada gambar berikut.

84
 Area Z < 1,24 pada kurva distribusi normal baku

Untuk mengetahui luas area kurva normal pada Z < 1,24 atau peluang P(Z < 1,24), kita bisa akan
menggunakan tabel Z distribusi normal baku.

Lihat: Tabel Z Distribusi Normal

Tabel Z yang ada pada link di atas terdiri dari dua bagian, yaitu bagian tabel Z negatif dan bagian
tabel Z positif. Karena Z = 1,24 adalah bilangan yang positif maka bagian tabel yang digunakan
adalah bagian tabel Z positif.

Pada tabel Z, kolom pertama menunjukkan nilai Z yang memiliki satu angka di belakang koma,
sedangkan angka kedua di belakang koma terletak pada baris pertama.

Untuk menentukan luas wilayah Z < 1,24, kita harus menentukan terlebih dahulu letak 1,2 pada kolom
pertama kemudian diarahkan ke kanan. Selanjutnya menentukan letak 0,08 pada baris pertama
kemudian diarahkan ke bawah. Coba perhatikan ilustrasi pada gambar di bawah ini.

Titik pertemuan keduanya merupakan luas wilayah Z < 1,24 atau P(Z < 1,24), yaitu 0,8925.

CONTOH 2

Berapakah luas area kurva normal pada Z > 1,24 atau P(Z > 1,24)?

Jawab:

85
Dari contoh pertama telah diketahui bahwa P(Z < 1,24) adalah 0,8925. Karena luas area keseluruhan
di bawah kurva normal adalah 1, maka

P(Z > 1,24) = 1 – P(Z < 1,24)

P(Z > 1,24) = 1 – 0,8925

P(Z > 1,24) =  0,1075

Dengan demikian luas area kurva normal pada Z > 1,24 atau P(Z > 1,24) adalah 0,1075.

Kita bisa juga menggunakan cara lain yaitu dengan menentukan P(Z < -1,24). Hal ini didasarkan
pada kurva normal yang bersifat simetris, sehingga P(Z > 1,24) = P(Z < -1,24). Area P(Z < -1,24)
dapat dilihat pada gambar berikut.

Area Z < -1,24 pada kurva distribusi normal baku

Dengan meggunakan tabel Z distribusi normal baku maka dapat diketahui P(Z < -1,24).

86
Dari tabel di atas diperoleh nilai P(Z < -1,24)  = 0,1075.

CONTOH 3

Berapakah luas area kurva normal antara -1,12 < Z < 0,92 atau P(-1,12 < Z < 0,92)?

Jawab:

Area kurva normal -1,12 < Z < 0,92 dapat kita lihat pada gambar berikut

Area -1,12 < Z < 0,92 pada kurva distribusi normal baku

Dari ilustrasi di atas dapat kita ketahui bahwa ternyata luas area kurva normal -1,12 < Z < 0,92 adalah
luas area kurva normal Z < 0,92 dikurangi luas area kurva normal Z < -1,12. Penyelesaiannya dapat
kita tulis menjadi

P(-1,12 < Z < 0,92) = P(Z < 0,92) – P(Z < -1,12).

87
Nilai P(Z < 0,92) dan P(Z < -1,12) dapat diperoleh dari tabel distribusi normal baku. Dengan
menggunakan tabel Z dapat diketahui bahwa P(Z < 0,92) = 0,8212 dan P(Z < -1,12) = 0,1314,
sehingga

P(-1,12 < Z < 0,92) = 0,8212 – 0,1314

P(-1,12 < Z < 0,92) = 0,6898

Contoh 4 :
Rita adalah seorang pegawai yang yang akan di seleksi dengan tinggi badan 173 cm.
standar tinggibadan rata-rata pragawati adalah 171,8 dan standar deviasinya adalah 12.
Berapakah standar normalnya (z)
Jawab :
            z=(x-µ) /α
            z=(173-171.8)/12
            z=0.1

Contoh 5 : (UTS)
PT Electric, memproduksi Bohlam Lampu  yang dapat hidup 900 jam dengan standar
deviasi 50 jam. PT Electric ingin mengetahui berapa persen produksi pada kisaran
antara 800-1.000 jam, sebagai bahan promosi bohlam lampu. Hitung berapa
probabilitasnya!

Jawab:
P(800<X<1.000)?
Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);
P(-2,00<Z) = 0,4772 dan  P(Z>2,00)  = 0,4772
Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772= 0,9544. Jadi
P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.

88
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika PT Electric
mengklaim bahwa lampu bohlamnya menyala 800-1.000 jam, mempunyai probabilitas
benar 95,44%, sedang sisanya 4,56% harus dipersiapkan untuk garansi.

Contoh 6 :
 Anang merupakan pedagang buah di Tangerang. Setiap hari ia membeli 300 kg buah di
Pasar Induk Kramat Jati, Jakarta Timur. Probabilitas buah tersebut laku dijual dalah 80%
dan 20% kemungkinan tidak laku dan busuk. Berapa probabilitas buah sebanyak 250 kg
laku dan tidak busuk ?
Jawab:
n = 300; probabilitas laku p = 0.8, dan q = 1 – 0.8 = 0.2
μ  = np = 300 x 0.80 = 240
σ = √npq = √300 x 0.80 x 0.20  = 6.93
Diketahui X = 250, dan dikurangi faktor koreksi 0.5 sehingga X = 250 – 0.5 = 249.5
Dengan demikian nilai Z menjadi:
Z = (249.5 – 240) / 6.93 = 1.37 dan P (Z<1.37) = 0.4147
Jadi probabilitas laku adalah 0.5 + 0.4147 = 0.9147
Dengan kata lain harapan buah laku 250 kg adalah 91.47%

----------------------------------------------------------------
00O00----------------------------------------------------------------

89