12-Jan-2018

TOPIK PEMBAHASAN
Jenis Probabilitas
Dasar – Dasar Probabilitas
Independensi dan Dependensi Statistik
RISET OPERASIONAL Nilai yang Diperkirakan
Timothy John – Week 10
Distribusi Normal

Jenis Probabilitas Jenis Probabilitas

Probabilitas Objektif
Probabilitas Klasik atau a priori (sebelum kejadian)
disebut juga probabilitas objektif yang dapat dinyatakan
sebelum terjadinya suatu kejadian.
Probabilitas objektif yang dinyatakan setelah terjadinya
suatu kejadian yang diobservasi disebut frekuensi
relatif.
Frekuensi relatif merupakan definisi probabilitas objektif
yang lebih umum digunakan.
Probabilitas Subjektif
Probabilitas Subjektif merupakan suatu estimasi
yang berdasarkan kepercayaan, pengalaman atau
pengetahuan pribadi terhadap suatu situasi.
Estimasi probabilitas yang tidak berdasarkan bukti
yang lalu disebut Estimasi Probabilitas Subjektif.
Estimasi probabilitas subjektif sering dipergunakan
dalam membuat keputusan bisnis.
Orang-orang yang berbeda akan mempergunakan
probabilitas subjektif yang berbeda.

3 4

Dasar-Dasar Probabilitas Dasar-Dasar Probabilitas

Hasil & Kejadian
Suatu Eksperimen adalah aktivitas yang menghasilkan satu
dari beberapa kemungkinan.
Probabilitas Kejadian selalu lebih besar atau sama dengan nol
atau lebih kecil atau sama dengan satu (0 ≤ p (kejadian) ≤ 1) .
Total Probabilitas semua kejadian dalam suatu eksperimen
adalah satu.
Kejadian dalam suatu eksperimen merupakan mutually
exclusive jika hanya satu kejadian yang dapat terjadi pada
waktu tertentu.
Jumlah probabilitas kejadian yang mutually exclusive adalah 1.
5 6
Distribusi
Distribusi Frekuensi merupakan pengaturan data
numerik mengenai kejadian-kejadian pada suatu
eksperimen.
Daftar dari probabilitas yang berhubungan dengan
setiap kejadian disebut sebagai distribusi probabilitas.
Jika dua atau lebih kejadian tidak mungkin terjadi pada
waktu yang sama tetap dinamakan mutually exclusive.
Suatu set kejadian disebut collectively exhaustive jika
mencakup seluruh kejadian yang dapat terjadi dalam
suatu eksperimen.

1
 12-Jan-2018

Dasar-Dasar Probabilitas Dasar-Dasar Probabilitas

Contoh Distribusi Probabilitas Kejadian Mutually Exclusive dan Probabilitas Marginal
Karyawan suatu universitas melakukan analisis terhadap nilai Probabilitas Marginal adalah probabilitas terjadinya suatu
matkul Riset Operasional dalam kurun waktu 4 tahun terakhir, kejadian.
dengan data 3000 mahasiswa.
Untuk kejadian yang mutually exclusive mungkin saja
Nilai Jumlah Frekuensi
Probabilitas
menentukan probabilitas dari satu kejadian atau lebih terjadi.
Kejadian Mahasiswa Relatif Hal ini dilakukan dengan menjumlahkan margin probabilitas
A 300 300/3,000 0.10
B 600 600/3,000 0.20
dari kejadian. Sebagai contoh mahasiswa yang menerima nilai
C 1500 1,500/3,000 0.50 A atau B adalah sebagai berikut:
D 450 450/3,000 0.15
F 150 150/3,000 0.05
P(A atau B) = P(A) + P(B)
3000 1.00 Diagram Venn menggambarkan kejadian yang mutually
exclusive maupun yang tidak.

7 8

Dasar-Dasar Probabilitas Dasar-Dasar Probabilitas

Kejadian Mutually Exclusive dan Probabilitas Marginal Kejadian Non- Mutually Exclusive dan Probabilitas Gabungan

Kejadian probabilitas yang tidak/non-mutually

exclusive dalam hal ini probabilitas M atau F
atau keduanya akan terjadi sebagai berikut:
P(M atau F) = P(M) + P(F) - P(MF)
Probabilitas Gabungan (joint probability),
P(MF), merupakan probabilitas terjadinya dua
atau lebih kejadian yang tidak/non-mutually
Figure 2.1
exclusive, secara bersamaan.
Venn Diagram for Mutually Exclusive Events

9 10

Dasar-Dasar Probabilitas Dasar-Dasar Probabilitas

Kejadian Non- Mutually Exclusive dan Probabilitas Gabungan Distribusi Probabilitas Kumulatif
Cara lain untuk memperoleh distribusi probabilitas adalah menambah
probabilitas suatu kejadian terhadap jumlah probabilitas dari urutan
sebelumnya dalam distribusi probabilitas.

Nilai Probabilitas
Probabilitas
Kejadian Kumulatif
A 0.10 0.10
B 0.20 0.30
C 0.50 0.80
D 0.15 0.95
F 0.05 1.00
1.00

Probabilitas dari mahasiswa yang memperoleh nilai C atau lebih:

Figure 2.2
P(A atau B atau C) = P(A) + P(B) + P(C)
Venn Diagram for Non–Mutually Exclusive Events and the Joint Event
= 0.10 + 0.20 + 0.50
= 0.80
11 12

2
 12-Jan-2018

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Kejadian Independen– Pohon Probabilitas
Kejadian melempar koin dalam tiga kali lemparan:
Rangkaian kejadian yang tidak saling mempengaruhi
adalah independent.
Probabilitas terjadinya kejadian independen secara
berurutan dihitung dengan mengalikan probabilitas Figure 2.3
tiap kejadian. Pohon probabilitas untuk
Lempar koin dalam
3x kesempatan
Probabilitas Kondisional adalah probabilitas
bahwa suatu kejadian akan terjadi dengan asumsi
kejadian lain telah terjadi, dituliskan sebagai P(AB). Probabilitas untuk memperoleh pertama kali kepala, yang kedua ekor dan
Jika A dan B adalah kejadian independen, maka: yang ketiga ekor:

P(AB) = P(A) . P(B) P(HTT) = P(H)  P(T)  P(T) = (0.5)(0.5)(0.5) = 0.125

H = Kepala
P(AB) = P(A)
13 T = Ekor 14

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Kejadian Independen– Definisi Proses Bernoulli Kejadian Independen– Distribusi Binomial
Karakteristik proses bernoulli (binomial) adalah Distribusi probabilitas binomial memberikan indikasi
sebagai berikut: probabilitas terjadinya (r) keberhasilan dalam (n)
percobaan.
Ada 2 kemungkinan hasil dalam setiap
Disebut juga distribusi probabilitas diskrit karena nilai
percobaan. distribusi (jumlah rangkaian) adalah diskrit, seperti jumlah
Probabilitas hasil adalah tetap (konstan) percobaan. Formula untuk distribusi binomial adalah:
sepanjang waktu. P(r)  n! pr qn - r
Hasil dari percobaan adalah independen. r!(n - r)!
Jumlah percobaan adalah diskrit dan integer dimana: p = probabilitas berhasil
(bil. bulat). q = 1– p = probabilitas gagal
n = jumlah percobaan
15 r = jumlah berhasil dalam percobaan 16

Independensi dan Dependensi Statistik Statistical Independence and Dependence

Contoh Distribusi Binomial– Lemparan Koin Contoh Distribusi Binomial– Quality Control
Probabilitas 2 ekor dalam 3 lemparan koin. Setiap sekumpulan microchip, 4 microchip dipilih untuk
diperiksa secara acak dan diuji kerusakannya. Berdasarkan hal
itu ditemukan 20% dari semua microchip adalah rusak.
P(2 ekor)  P(r  2)  3! (0.5)2(0.5)3  2 Berapa probabilitas dari setiap kumpulan microchip mempunyai
2! (3 - 2)! 2 microchip rusak?
 (3 21) (0.25)(0.5)
(21)(1) P(r  2 rusak)  4! (0.2)2(0.8)2
6 2!(4- 2)!
 (0.125)
2  (4321) (0.04)(0.64)
P(r  2)  0.375 (21)(2.1)
 24 (0.0256)
4
 0.1536
17 18

3
 12-Jan-2018

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Contoh Distribusi Binomial– Quality Control Kejadian Dependen(1 of 2)
4 microchip dari setiap kumpulan besar harus diuji untuk Apabila terjadinya suatu kejadian mempengaruhi probabilitas
kualitas. Jika 2 atau lebih microchip rusak ditemukan, seluruh adanya kejadian yang lain, kejadian tersebut merupakan
kumpulan akan ditolak. kejadian dependen
Memasukkan nilai-nilai p, n, dan r, kedalam hasil distribusi Contoh: Melempar koin untuk memilih keranjang satu dan
binomial pada probabilitas 2 atau lebih barang rusak dua, dengan tujuan untuk mendapatkan bola biru dari
4! (0.2)2(0.8)2  4! (0.2)3(0.8)1  4! (0.2)4(0.8)0 keranjang dua.
P(r  2) 
2!(4 - 2)! 3!(4  3)! 4!(4 - 4)! Jika hasilnya ekor, terdapat 1/6 kesempatan menarik bola biru
 0.1536  0.0256  0.0016
dari keranjang dua; jika hasilnya kepala, tidak mungkin
 0.1808
memperoleh bola biru dari keranjang satu.
Probabilitas kurang dari 2 microchip yang rusak: Dengan kata lain probabilitas kejadian “memperoleh bola
P(r<2) = P(r=0) + P(r=1) = 1.0 - [P(r=2) + P(r=3) + P(r=4)] biru” tergantung pada kejadian “melempar koin.”
= 1.0 - 0.1808 = 0.8192
19 20

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Kejadian Dependen(2 of 2) Kejadian Dependen– Probabilitas Non Kondisional
Non-Kondisional: P(H) = 0.5; P(T) = 0.5, jumlahnya harus satu.

“B” diubah
menjadi “W”!

Figure 2.4 Figure 2.5

Dependent Events Another Set of Dependent Events

21 22

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Kejadian Dependen– Probabilitas Kondisional Formulasi Matematika dari Probabilistik Kondisional
Kondisional: P(RH) =0.33, P(WH) = 0.67, P(RT) =0 .83, Asumsi dua kejadian dependen A dan B:
P(WT) = 0.17
P(AB) = P(AB)/P(B)
.3333 Menggunakan data dari contoh sebelumnya:
P(RH) = P(RH)  P(H) = (0.33)(0.5) = 0.165
.5 .6667
P(WH) = P(WH)  P(H) = (0.67)(0.5) = 0.335
.5
.8333
P(RT) = P(RT)  P(T) = (0.83)(0.5) = 0.415
.1667 P(WT) = P(WT)  P(T) = (0.17)(0.5) = 0.085
Figure 2.6
Probability tree for dependent events

23 24

4
 12-Jan-2018

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Kesimpulan dari Contoh masalah Probabilitas Kesimpulan dari Contoh masalah Probabilitas

Figure 2.7 Table 2.1

Probability Tree with Marginal, Conditional, and Joint Probabilities Joint Probability Table

25 26

Independensi dan Dependensi Statistik Independensi dan Dependensi Statistik

Analisis Bayesian Analisis Bayesian – Contoh (1 of 2)
Dalam Analisis Bayesian, terdapat informasi tambahan yang Manajer perusahaan mengawasi penyetelan mesin; jika mesin
digunakan untuk mengubah probabilitas marginal terjadinya disetel dengan tepat, ada kemungkinan 10% barang yang
suatu kejadian. diproduksi akan rusak; jika tidak tepat, 40%.
Probabilitas Posterior adalah probabilitas marginal suatu Berdasarkan pengalaman, Manajer mendapati bahwa 50%
kejadian yang telah diubah berdasarkan informasi tambahan. kesempatan untuk penyetelan baik atau tidak baik oleh
Aturan Bayes(Bayes’ Rule) untuk dua kejadian, A dan B, serta operator.
kejadian ketiga, C, memiliki ketergantungan kondisional Untuk mengurangi kemungkinan hasil produksi rusak,
terhadap A dan B: Manajer menyuruh operator memproduksi contoh barang,
dengan harapan ia dapat mengetahui probabilitas mesin
P(C A)P(A) disetel tidak tepat, pada saat barang rusak.
P(A C) 
P(C A)P(A)  P(CB)P(B) Solusi: P(C) = 0.50, P(IC) = 0.50 -- marginal;
P(D|C) = 0.10, P(D|IC) = 0.40 -- conditional;
27 dimana C = correct, IC = Incorrect, D = Damage 28

Independensi dan Dependensi Statistik Nilai yang Diperkirakan

Analisis Bayesian – Contoh (2 of 2) Variabel Acak (Random Variables)
Probabilitas Posterior: Jika nilai variabel tidak dalam urutan, variabel
dikaitkan dengan Variabel Acak (random variables).
P(D IC)P(IC) Variabel Acak direpresentasikan dengan huruf
P(ICD)  seperti x, y, z, dll.
P(D IC)P(IC)  P(D C)P(C)
Meskipun nilai tepat dari variabel acak tidak
 (0.40)(0.50) diketahui sebelum kejadian, hal ini mungkin saja
(0.40)(0.50)  (0.10)(0.50) menentukan probabilitas atas nilai kemungkinan
 0.80 suatu peristiwa akan terjadi.

29 30

5
 12-Jan-2018

Nilai yang Diperkirakan Nilai yang Diperkirakan

Contoh (1 of 4) Contoh(2 of 4)
Nilai yang diperkirakan variabel acak dihitung dengan cara
Mesin rusak secara periodik, 0, 1, 2, 3, atau 4
menghitung setiap nilai variabel acak dan menjumlahkan
kali/bulan. hasilnya.
Probabilitas frekuensi relatif untuk setiap jumlah Nilai yang diperkirakan merupakan rata-rata (average)
kerusakan: distribusi probabilitas dari variabel acak.
Variabel Acak x Jumlah kerusakan yang dihasilkan per bulan dihitung sebagai
(Jumlah Kerusakan) P(x) berikut:
0 0.10 E(x) = (0)(0.10) + (1)(0.20) + (2)(0.30) + (3)(0.25) + (4)(0.15)
1 0.20
2 0.30 = 0 +0 .20 + 0.60 + 0.75 + 0.60
3 0.25 = 2.15 kerusakan
4 0.15 Perkiraan rata-rata kerusakan Bobot = probabilitas
1.00
31 32

Nilai yang Diperkirakan Nilai yang Diperkirakan

Contoh(3 of 4) Contoh(4 of 4)
Varians merupakan pengukuran dari penyebaran nilai Deviasi Standar dihitung dengan menghitung akar dari
variabel acak terhadap nilai yang diperkirakan atau rata- varians.
rata. Contoh Data:
Varians dihitung sebagai berikut:
1. Pangkat dua perbedaan antara setiap nilai dan nilai yang
diperkirakan.
2. Mengalikan hasil-hasil ini dengan probabilitas setiap nilai.
3. Jumlah nilai-nilain yang dikompilasi dari langkah 2.
Formula Umum: 2 = 1.425 kerusakan tiap bulan
Deviasi Standar=  = sqrt(1.425)
2 = i {[xi - E(xi)]2 ⋅ P(xi)} = 1.19 kerusakan per bulan
33 34

Distribusi Normal Distribusi Normal

Variabel Acak Kontinyu (continuous random variable )
Variabel acak berkesinambungan (kontinyu) dapat memiliki
nilai yang tidak terbatas dalam suatu interval atau suatu
kisaran.
Variabel acak berkesinambungan (kontinyu) mempunyai
nilai-nilai yang tidak dapat dihitung dan sering kali berupa
pecahan.
Tidak dapat menetapkan probabilitas unik pada setiap nilai
variabel acak berkesinambungan (kontinyu).
Dalam variabel acak berkesinambungan (kontinyu) hanya Kurva Distribusi Normal
Definisi
Distribusi Normal adalah distribusi probabilitas berkesinambungan
(kontinyu) yang tiap sisi rata-ratanya berukuran simetris, yaitu berbentuk
seperti lonceng.
Pusat dari distribusi normal adalah rata-ratanya, yaitu .
Area dibawah kurva normal mencerminkan probabilitas, dan luas area
dibawah kurva berjumlah satu.
Figure 2.8

dapat menentukan pada probabilitas yang nilai variabel

acaknya terdapat pada suatu kisaran.

35 36

6
 12-Jan-2018

Distribusi Normal Distribusi Normal

Contoh (1 of 5) Contoh(2 of 5)
Permintaan rata-rata pelanggan selama seminggu
4,200 yards karpet, dengan standar deviasi 1,400
yards.
Perusahaan ingin mengetahui probabilitas untuk
permintaan karpet dalam minggu yang akan datang
dapat melebihi 6,000 yards?
 = 4,200 yd;  = 1,400 yd
Probabilitas bahwa x (jumlah yard karpet) adalah
sama dengan atau lebih besar dari 6,000 dinyatakan
dalam: P(x6,000). Figure 2.9
The Normal Distribution for Carpet Demand

37 38

Distribusi Normal Distribusi Normal

Kurva Normal Standar(1 of 2) Kurva Normal Standar(2 of 2)
Area dibawah kurva normal diukur dengan
menentukan nilai deviasi standar suatu
variabel acak terhadap rata-rata kurva.
Jumlah deviasi standar variabel acak nilai
adalah dari rata-rata menunjukkan Z dan
dihitung dengan menggunakan formula:
Z = (x - )/

Figure 2.10
The Standard Normal Distribution
39 40

Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
Distribusi Normal 0.1
0.2
0.0398
0.0793
0.0438
0.0832
0.0478
0.0871
0.0517
0.0910
0.0557
0.0948
0.0596
0.0987
0.0636
0.1026
0.0675
0.1064
0.0714
0.1103
0.0753
0.1141
Contoh(3 of 5) 0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
Tabel Normal (Z Table)

0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
Z = (x - )/  = (6,000 - 4,200)/1,400 0.6
0.7
0.2257
0.2580
0.2291
0.2611
0.2324
0.2642
0.2357
0.2673
0.2389
0.2704
0.2422
0.2734
0.2454
0.2764
0.2486
0.2794
0.2517
0.2823
0.2549
0.2852

= 1.29 Deviasi Standar

0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621

P(x 6,000) = 0.5000 - 0.4015 = 0.0985 1.1

1.2
0.3643
0.3849
0.3665
0.3869
0.3686
0.3888
0.3708
0.3907
0.3729
0.3925
0.3749
0.3944
0.3770
0.3962
0.3790
0.3980
0.3810
0.3997
0.3830
0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
Figure 2.11 2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
Penentuan nilai Z 2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
41
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

7
 12-Jan-2018

Distribusi Normal Distribusi Normal

Contoh(4 of 5) Contoh(5 of 5)
Distribusi normal untuk permintaan karpet sama dengan Probabilitas bahwa permintaan terjadi antara 3,000 yards dan
5,000 yards atau kurang. 5,000 yards.
Z = (x - )/ = (5,000 - 4,200)/1,400 = 0.57 deviasi standar Z = (3,000 - 4,200)/1,400 = -1,200/1,400 = -0.86
P(x 5,000) = 0.5000 + 0.2157 = 0.7157 P(3,000  x  5,000) = 0.2157 + 0.3051= 0.5208

Figure 2.12 Figure 2.13

Distribusi Normal untuk Distribusi Normal dengan
P(x  5,000 yards) P(3,000 yards  x  5,000
yards)

43 44

Distribusi Normal Distribusi Normal

Rata-Rata dan Varian Sampel Menghitung Rata-Rata dan Varian Sampel

Rata-Rata Populasi dan varians-nya adalah n

untuk keseluruhan data yang dianalisis.  xi
Rata -rata Sampel  x  i n1
Rata-rata sampel dikembangkan dari bagian
data populasi dan digunakan untuk membuat n
(x - x)2
inferensi mengenai populasi. 2  i
Varian Sampel    i 1
n -1

Deviasi Standar Sampel     2

45 46

Distribusi Normal
Contoh Perhitungan Karpet (selama 10 minggu) TUGAS
• Rata-rata sampel= 42,000/10 = 4,200 yd
Radcliff Chemical Company and Arsenal adalah suatu perusahaan yang
• Varians sampel = [(190,060,000) - (1,764,000,000/10)]/9 memproduksi bahan peledak untuk angkatan darat
= 1,517,777
Tingkat
Berdasarkan data historis, menunjukkan jumlah bangunan yang rusak atau
• Deviasi standar sampel = sqrt(1,517,777) Minggu i
Permintaan xi kecelakaan yang melukai manusia selama setahun didistribusi secara normal
= 1,232 yd 1 2,900 dengan rata-rata 8.3 kecelakaan dan deviasi standar sebesar 1.8 kecelakaan.
2 5,400
3 3,100 Bagaimana probabilitas perusahaan mengalami kecelakaan lebih kecil dari 5
4 4,700
5 3,800 kali tahun berikutnya? Lebih dari 10 kali?
6 4,300
7 6,800
Pemerintah akan mengenakan denda terhadap perusahaan sebesar
8 2,900 $200.000 bila jumlah kecelakaan melebihi 12 kali dalam setahun. Berapa
9 3,600 denda rata-rata tahunan yang dapat diperkirakan oleh perusahaan tsb.?
10 4,500
42,000
47 48