ANALISIS KEPUTUSAN

Model dan Nilai Kemungkinan

Chapter
o Pengantar Model dan Nilai Kemungkinan
o Operasi dengan Kejadian
o Probabilitas Bersyarat
o Teorema Bayes
2
1. Pengantar Model dan Nilai
Kemungkinan
 (1) Pengantar Model dan Nilai Kemungkinan
• Ruang Sampel / Sample Space (S)
• Gugus semua hasil yang mungkin dari suatu percobaan
statistika.
• Tiap hasil dalam ruang sampel disebut unsur (elemen)
atau anggota ruang sampel tersebut atau singkatnya
4
disebut titik sampel (sample point)

• Ruang Hasil (W)

• Himpunan dari seluruh hasil yang muncul dari suatu
kejadian tak pasti.
• Contoh: Lempar dadu 🡪 W = {1, 2, 3, 4, 5, 6}
 (1) Pengantar Model dan Nilai Kemungkinan
• Kejadian (event)
• Himpunan, bagian (subset) dari ruang sampel.
• Kejadian Tak Pasti
• Kejadian yang kemunculannya tidak pasti
5
• Tidak bisa diduga terlebih dahulu.
• Kejadian Saling Bertentangan (Mutually Exclusive)
• Kejadian-kejadian yang tidak mungkin muncul secara
bersamaan.
• Contoh: kemungkinan munculnya angka 1 & 2, 1 & 3, dst
pada dadu secara bersamaan.
 (1) Pengantar Model dan Nilai Kemungkinan
• Kumpulan Lengkap (Collectively Exhaustive)
• Kumpulan kejadian yang merupakan suatu ruang hasil
yang lengkap.
• Salah satu kejadian dalam himpunan harus muncul
sebagai hasil dari suatu percobaan statistika.
6
• Contoh:
o Percobaan lempar dadu
o Kumpulan {1, 2, 3, 4, 5, 6} = Kumpulan lengkap
o Salah satu dari angka tersebut pasti muncul
2. Operasi dengan Kejadian
 (2) Operasi dengan Kejadian
▹  

8
 (2) Operasi dengan Kejadian
KEJADIAN MAJEMUK

IRISAN GABUNGAN Komplemen

9

Beda Perkalian
Selisih
Setangkup Kartesian
 (2) Operasi dengan Kejadian
IRISAN (Intersection)
• Irisan (intersection) dari himpunan A dan B adalah sebuah
himpunan yang setiap elemennya merupakan elemen dari
himpunan A dan himpunan B.
• Irisan dua kejadian A dan B dinyatakan dengan lambang A ∩ 10

B, ialah kejadian yang unsurnya termasuk dalam A dan B.

 (2) Operasi dengan Kejadian
IRISAN
• A ∩ B = { x | x ∈ A dan x ∈ B}
• ∈ berarti “anggota” atau “termasuk dalam”
• Contoh:
11
• A = {1, 2, 3, 4, 5}
• B = {2, 4, 6, 8}
• Maka A ∩ B = {2,4}
 (2) Operasi dengan Kejadian
IRISAN
• Jika dua himpunan saling lepas, maka irisannya adalah
himpunan kosong, karena tidak ada elemen yang sama yang
terdapat di dalam kedua himpunan tersebut.
• Dua kejadian A dan B saling terpisah apabila A ∩ B ≠ ∅ 12

• Contoh:
• A = {a, i, u, e, o}
• B = {r, s, t}
• Maka A ∩ B ≠ ∅ 🡪
yaitu A dan B tidak mempunyai
unsur persekutuan.
 (2) Operasi dengan Kejadian
IRISAN

13

Irisan Himpunan Kosong

 (2) Operasi dengan Kejadian
GABUNGAN
• Dua kejadian A dan B yang dinyatakan dengan lambang A ∪
B.
• Ialah kejadian yang mengandung semua unsur yang termasuk
A atau B atau keduanya. 14
 (2) Operasi dengan Kejadian
GABUNGAN
• A ∪ B = { x | x ∈ A dan x ∈ B}
• Contoh:
• A = { x | 3 < x < 9 } 🡪 4,5,6,7,8
• B = { y | 5 < y < 12 } 🡪 6,7,8,9,10,11 15

• Maka A ∪ B = { z | 3 < z < 12 }

 (2) Operasi dengan Kejadian
CONTOH
• Sebuah perusahaan detergen telah mengadakan suatu
penelitian pasar.
• Dari hasil penelitian tersebut dapat diketahui bahwa
• 40% menggunakan detergent RINO; 16

• 30% menggunakan detergent DINSO; dan

• 10% tidak menggunakan kedua jenis detergent tersebut
secara bergantian
• Pimpinan bagian pemasaran kemudian ingin mengetahui
berapa besar kemungkinan suatu rumah tangga
menggunakan detergent RINO atau DINSO?
 (2) Operasi dengan Kejadian
▹  

17
(2) Operasi dengan Kejadian

18
3. Probabilitas Bersyarat
 (3) Probabilitas Bersyarat
▹  

20
 (3) Probabilitas Bersyarat
Pemahaman Makna Probabilitas Bersyarat
• Contoh soal:
a. Berapakah kemungkinan seorang mahasiswa terdaftar yang mendapatkan
nilai B?
b. Berapakah kemungkinan seorang mahasiswa tidak terdaftar yang
21
mendapatkan nilai C?
• Pada pertanyaan (a) diketahui bahwa mahasiswa yang dimaksud adalah
mahasiswa yang terdaftar dan yang ditanyakan adalah berapa kemungkinan
seorang mahasiswa terdaftar mendapatkan nilai B?
• Kemungkinan tersebut disebut kemungkinan / probabilitas bersyarat, yaitu
berapa kemungkinan seorang mahasiswa mendapatkan nilai B apabila telah
diketahui bahwa ia terdaftar sebagai peserta.
• Bandingkan dengan pertanyaan, berapa kemungkinan seorang mahasiswa
 (3) Probabilitas Bersyarat
DAFTAR NILAI MATAKULIAH ANALISIS KEPUTUSAN
Nilai Terdaftar (T) Tidak Terdaftar (TT) Jumlah
A 20 0 20
B 15 15 30
C 25 5 30
D 5 15 20 22
65 35 100

1. Berapa kemungkinan mahasiswa terdaftar yang mendapat nilai B?

2. Berapa kemungkinan mahasiswa dapat nilai C adalah mahasiswa
tidak terdaftar?
3. Berapa kemungkinan mahasiswa tidak terdaftar dan dapat nilai C?
 (3) Probabilitas Bersyarat
▹  

23
 (3) Aturan Perkalian
▹  

24
 (3) Aturan Perkalian
Contoh Aturan Perkalian
• Pimpinan perusahaan mengelompokkan konsumennya dalam 3
kategori dan dapat dilihat dari data yang lalu:
o 60% konsumen kategori baik

o 30% konsumen kategori sedang

25
o 10% konsumen kategori jelek

• Hasil penelitian tersedia pada tabel dibawah. Ingin diketahui berapa

kemungkinan seorang konsumen yang
Golongan Konsumen
dipilih secara acak termasuk
Kemungkinan Bayar Tepat Waktu
dalam
Baik
kategori tertentu dan bayar 90%
tepat waktu?
Sedang 50%
Jelek 20%
(3) Aturan Perkalian

26
(3) Aturan Perkalian

27
(3) Aturan Perkalian

28
(3) Aturan Perkalian

29
(3) Aturan Perkalian

30
(3) Aturan Perkalian

31
(3) Aturan Perkalian

32
4. Teorema Bayes
 (4) Teorema Bayes
• Nama teorema Bayes diambil dari nama penemu teorema
tersebut, yaitu Reverend Thomas Bayes (1702-1761)
• Teorema Bayes digunakan untuk menghitung probabilitas
terjadinya suatu peristiwa, berdasarkan pengaruh yang
didapat dari hasil observasi peristiwa sebelumnya 34

• Teorema Bayes menyempurnakan teorema probabilitas

bersyarat yang hanya dibatasi oleh 2 buah kejadian sehingga
dapat diperluas untuk n buah kejadian
• Dikembangkan secara luas dalam statistika inferensia/induktif
35
Thank You!