LAPORAN PRAKTIKUM

MODUL III

DISTRIBUSI HIPEGEOMETRIK DAN BINOMIAL

OLEH

KELOMPOK XXI

RESKI AULIA 09120200004

AL ARAL ZAHRAL 09120200007
MIZNALAILA KHARISMA 09120200081
MUHAMMAD AL-FIQZANI 09120200063

LABORATORIUM STATISTIKA INDUSTRI

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS MUSLIM INDONESIA

MAKASSAR

2022
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Baik didalam dunia engineering, ekonomi, sosial budaya maupun dunia

teoritis (termasuk dunia komputer tentunya), kita sering menghadapi suatu

yang sering disebut sebagai “ketidakpastian”. Ketidakpastian terjadi akibat

keterbatsan manusia itu sendiri di dalam dunianya dalam mengukur/

menghitung/menalar/melamar sesuatu hal yang lebih baik yang akan datang

maupun yang ada di depan mata, termasuk yang telah terjadi.

Sudah sejak awal dari awal zaman, ketidakpastian diantisipasi manusia

dengan berbagai cara. Ada yang bersifat prophecy dan supranatural, ada

pula yang lebih rasional dengan mempelajari periodisitas (pengulangan)

gejala alam untuk mengurangi tingkat ketidakpastian itu hingga sampai ke

tingkat yang lebih manageble. Namun, ketidakpastian itu tetap mewarnai

kehidupan manusia karena ketidakpastian itu mungkin menjadi faktor

pemicu dinamika roda kehidupan itu sendiri (Otaya, 2016).

Teori probabilitas bisa dikatakan merupakan salah satu ilmu untuk

“mengukur” ketidakpastian hingga ke tingkat yang lebih manageble dan

predictable. Teori probabilitas digunakan bukan hanya untuk hal-hal yang

praktis, bahkan juga untuk hal-hal yang teoritis ketika model-model

matematis tidak dapat lagi disusun secara komprehensif untuk memecahkan

suatu masalah. Apalagi dunia engineering yang pada umumnya memerlukan

pertimbangan yang lebih singkat dan pragmatis sangat mengandalkan

konsep-konsep di dalam teori probabilitas (Otaya, 2016).

Simulasi dan teori antrian dapat dikatakan juga sebagi turunan dan teori

probabilitas. Dengan simulasi maka perilaku suatu sistem atau rancangan

 dapat dipelajari. Teori probabilitas digunakan dalam menentukan perilaku

secara lebih kuantitatif dari apa yang disimulasikan. Teori antrian merupakan

hasil pengembangan lanjutan konsep probabilitas dan di dalamnya masih

berbicara mengenai model-model probabilitas.

Namun, kembali ke pembicaraan awal, yaitu bahwa probabilitas hanyalah

suatu sistematika ilmu untuk mempelajari ketidakpastian. Seakurat-

akuratnya model probabilitas yang digunakan, tetap saja ketidakpastian itu

masih ada walau dengan kadar yang amat tipis. Dan ketidakpastian yang

tipis itu pada gilirannya dapat menghasilkan hasil yang ekstrim. Jadi penting

bagi kita memahami apa yang bisa diberikan oleh teori probabilitas dan

turunan-turunannya. Dalam statistik probabilitas dikenal dengan distribusi.

Salah satu jenis distribusi variabel random diskrit yang paling sederhana

adalah distribusi binomial. Distribusi Binomial adalah distribusi untuk proses

Bernoulli. Distribusi ini dikemukakan pertama kali oleh seorang ahli

matematika bangsa Swiss yang bernama J. Bernoulli (1654-1705)

(Manurung et al., 2013).

1.2 Tujuan Percobaan

1. Praktikan diharapkan mampu membedakan karakteristik distribusi

binomial dan hipergeometrik.

2. Praktikan diharapkan mampu mengetahui asumsi/karakteristik dasar

percobaan binomial dan hipergeometrik.

3. Praktikan diharapkan mampu melakukan pendekatan distribusi binomial

terhadap hipergeometrik dan pendekatan distribusi normal terhadap

binomial.

4. Praktikan diharapkan dapat menerapkan distribusi binomial dan

hipergeometrik.
1.3 Alat Dan Bahan

1. Lembar pengamatan

2. Kancing warna hijau

3. Kancing warna kuning

4. Wadah plastik berisi kancing 300 kancing

a. Wadah 1 : berisi 275 kancing warna hijau (baik) dan 25 kancing warna

kuning (cacat)

b. Wadah 2 : berisi 200 kancing warna hijau (baik) dan 100 kancing

warna kuning (cacat)

c. Wadah 3 : berisi 180 kancing warna hijau (baik) dan 120 kancing

warna kuning (cacat)

1.4 Prosedur Percobaan

A. Prosedur Percobaan Hipergeometrik n = 5

1. Ambil kancing sebanyak n = 5 sekaligus dari wadah 1 yang berisi

populasi N = 300.

2. Amati dan catat jumlah kancing yang cacat pada lembar

pengamatan.

3. Kembalikan kancing yang telah diambil ketempat semula.

4. Aduk media.

5. Ulangi langkah 1 – 4 sebanyak 100 kali.

6. Lakukan hal yang sama (langkah 1 – 5) untuk wadah 2 dan 3.

B. Prosedur Percobaan Hipergeometrik n = 25

1. Ambil kancing sebanyak n = 25 sekaligus dari wadah 1 yang berisi

populasi N = 300.

2. Amati dan catat jumlah kancing yang cacat pada lembar pengamatan.

3. Kembalikan kancing yang telah diambil ketempat semula.

4. Aduk media.
 5. Ulangi langkah (1 – 4) sebanyak 100 kali.

6. Lakukan hal yang sama (langkah 1 - 5) untuk wadah 2 dan 3.

C. Prosedur Percobaan Binomial n = 5

1. Ambil sebuah kancing sebanyak n = 5 dari wadah 1 yang berisi

populasi N = 300, dengan nilai p = 0.1.

2. Amati dan catat pada lembar pengamatan apakah kancing tersebut

baik atau cacat.

3. Kembalikan kancing yang telah diambil ke wadah semula.

4. Aduk media.

5. Ulangi langkah 1 – 4 sebanyak 100 kali.

6. Lakukan hal yang sama (langkah 1 – 5) untuk wadah 2 p = 0.4 dan

wadah 3 dengan nilai p = 0.8

D. Prosedur Percobaan Binomial n = 25

1. Ambil sebuah kancing sebanyak n = 25 dari wadah 1 yang berisi

populasi N = 300, dengan nilai p = 0.1

2. Amati dan catat pada lembar pengamatan apakah kancing tersebut

baik atau cacat.

3. Kembalikan kancing yang telah diambil ke wadah semula.

4. Aduk media.

5. Ulangi langkah (1 – 4) sebanyak 100 kali.

6. Lakukan hal yang sama (langkah 1 – 5) untuk wadah 2 nilai p = 0.4

dan wadah 3 denga nilai p = 0.8

 BAB II

LANDASAN TEORI

2.1 Distribusi Hipergeometrik

2.1.1 Pengertian Distribusi Hipergeometrik

Distribusi Hipergeometrik merupakan distribusi data diskrit.

Probabilitas suatu peristiwa pada percobaan yang akan menghasilkan

dua macam peristiwa dependent menghasilkan probabilitas peristiwa

yang berbeda pada setiap percobaan. Kondisi ini dihasilkan pada

percobaan yang tidak mengembalikan data pada populasinya dan

dengan jumlah populasi terbatas.

Distribusi hipergeometrik merupakan bentuk probabilitas tanpa

pengembalian (without replacement), yaitu setiap pencuplikan data

yang telah diamati tidak dimasukkan kembali dalam populasi semula

(Romadlon, 2019).

Hipergeometrik adalah suatu distribusi diskrit yang mengestimasi

probabilitas suatu hasil tertentu (distribusi sukses) akan muncul X kali

dalam suatu ukuran sampel n yang diambil dari populasi terbatas

(finite) dengan ukuran N, dimana diketahui bahwa jumlah sukses = k.

Distribusi hipergeometrik sangat erat kaitannya dengan distribusi

binomial. Perbedaan antara distribusi hipergeometrik dengan binomial

adalah bahwa pada distribusi hipergeometrik, percobaan tidak bersifat

independen. Artinya antara percobaan yang satu dengan yang lainnya

saling berkait. Selain itu probabilitas “sukses” berubah (tidak sama)

dari percobaan yang satu ke percobaan lainnya. Untuk mencari

probabilitas x sukses dalam ukuran sample n, peneliti harus

memperoleh x sukses dari r sukses dalam populasi, dan n – x gagal

dari N – r gagal (Hadi et al., 2018).

 Perbedaan yang utama antara distribusi binomial dan distribusi

hipergeometrik adalah pada cara pengambilan sampelnya. Pada

distribusi binomial pengambilan sampel dilakukan dengan

pengembalian, sedangkan pada disribusi hipergeometrik pengambilan

sampel dilakukan tanpa pengembalian.

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. (Astuti, 2018)

2.1.2 Rumus Distribusi Hipergeometrik

Misalkan ada sebuah polulasi berukuran N, diantaranya terdapat K

buah termasuk kategori tertentu. Dari populasi ini, sebuah sampel acak

diambil berukuran n. Maka probabilitas dalam sampel terdapat X buah

yang termasuk kategori tertentu adalah mengikuti disribusi

hipergeometrik sebagai berikut :

Dengan x = 0, 1, 2, …, n

.
 KX  nN−−XK
P( X ) =
……..........................
 nN
.....................................................(Rumus 2.1)

Dimana :

n = ukuran sampel

k = banyaknya unsur yang sama pada populasi

x = banyaknya peristiwa sukses

P = distribusi hipergeometrik
 2.1.3 Karakteristik Percobaan Hipergeometrik

Karakteristik percobaan hipergeometrik adalah sebagai berikut :

1. Sebuah sampel acak berukuran n diambil dari populasi N

2. Sebanyak k dari populasi N dapat dikelompokkan sebagai sukses

dan N – K adalah kelompok gagal

Distribusi hipergeometrik dapat diperluas, seperti berikut ini. Jika

dari populasi yang berukuran N terdapat unsur-unsur yang sama, yaitu

k1, k2, k3,… dan dalam sampel berukuran n terdapat unsur-unsur yang

sama pula, yaitu x1, x2, x3, … dengan k1 + k2 + k3 + … = N dan x1 + x2 +

x3 +... = n, distribusi hipergeometrik dirumuskan :

 KX  nN−−XK
P( X = X 1 , X 2 ...) = …
 nN
….................................(Rumus 2.2)
Dimana :
N = ukuran populasi

n = ukuran sampel

k = banyaknya unsur yang sama pada populasi

x = banyaknya peristiwa sukses

P = distribusi hipergeometrik

2.2 Distribusi Binomial

2.2.1 Pengertian Distribusi Binomial

Penemu Distribusi Binomial adalah James Bernaulli sehingga

dikenal juga sebagai Distribusi Bernaulli. Distribusi Peluang Binomial

menggambarkan fenomena dengan dua hasil atau outcome. Contoh:

peluang sukses dan gagal, sehat dan sakit, dan sebagainya

(Priambadi, 2008).
 Distribusi Binomial adalah suatu distribusi probabilitas yang dapat

digunakan bilamana suatu proses sampling dapat diasumsikan sesuai

dengan proses Bernoulli. Misalnya, dalam perlemparan sekeping uang

logam sebanyak 5 kali, hasil setiap ulangan mungkin muncul sisi

gambar atau sisi angka. Begitu pula, bila kartu diambil berturut-turut,

kita dapat memberi label “berhasil” bila kartu yang terambil adalah

kartu merah atau “gagal” bila yang terambil adalah kartu hitam.

Ulangan – ulangan tersebut bersifat bebas dan peluang keberhasilan

setiap ulangan tetap sama, yaitu sebasar ½.

Distribusi binomial berasal dari percobaan binomial yaitu suatu

proses Bernoulli yang diulang sebanyak n kali dan saling bebas. Suatu

distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli (Bernoulli

trial). Sebuah percobaan Bernoulli harus memenuhi syarat:Keluaran

(outcome) yang mungkin hanya salah satu dari “sukses” atau “gagal”,

Jika probabilitas sukses p, maka probabilitas gagal q = 1 – p.

(Priambadi, 2008). Secara formal, suatu eksperimen dapat dikatakan

eksperimen binomial jika memenuhi empat persyaratan:

a.Banyaknya eksperimen merupakan bilangan tetap (fixed number of

trial).

b.Setiap ekperimen selalu mempunyai dua hasil ”Sukses” dan ”Gagal”.

Tidak ada ‟daerah abu-abu‟. Dalam praktiknya, sukses dan gagal

harus didefinisikan sesuai keperluan, Misal :

Lulus (sukses), tidak lulus (gagal)

Setuju (sukses), tidak setuju (gagal)

Barang bagus (sukses), barang sortiran (gagal) Puas (sukses), tidak

puas (gagal)

c. Probabilitas sukses harus sama pada setiap eksperimen.

 d.Eksperimen tersebut harus bebas satu sama lain, artinya satu

eksperimen tidak boleh berpengaruh pada hasil eksperimen lainnya.

Untuk membentuk suatu distribusi binomial diperlukan dua hal :

a. Banyaknya/jumlah percobaan/kegiatan

b. Probabilitas suatu kejadian baik sukses maupun gagal

Binomial adalah suatu distribusi diskrit yang yang mengestimasi

probabilitas bahwa suatu hasil tertentu akan muncul X kali dalam suatu

sampel terbatas (finite) berukuran n yang diambil dari populasi tak

terbatas (infinite) dimana probabilitas hasil ini adalah konstan = p

(Diana, 2017).

Sebuah eksperimen yang hanya menghasilkan dua peristiwa yaitu

A dan bukan A atau A dengan P(A) = p = probabilitas terjadinya

peristiwa A. jika pada tiap percobaan dalam eksperimen itu P = P(A)

tetap harganya, maka percobaan yang berulang-ulang dari percobaan

itu dinamakan Percobaan Bernoulli. Sekarang percobaan Bernoulli

sebanyak n kali secara independent X diantaranya menghasilkan

peristiwa A (Manurung et al., 2013).

2.2.2 Ciri-Ciri Distribusi Binomial

Distribusi ini memiliki ciri-ciri sebagai berikut :

1. Setiap percobaan hanya memiliki d ua peristiwa, seperti ya-tidak,

sukses-gagal.

2. Probabilitas suatu peristiwa adalah tetap, tidak berubah untuk

suatu percobaan.

3. Percobaanya bersifat independent, artinya peristiwa dari suatu

percobaan tidak dipengaruhi atau mempengaruhi peristiwa dalam

percobaan lainnya.
 4. Jumlah atau bayaknya percobaan yang merupakan komponen

percobaan binomial harus tertentu.

2.2.3 Rumus Distribusi Binomial

Jika P = P(A) untuk tiap percobaan, jadi 1 – p = q = P(A), maka

probabilitas terjadinya peristiwa A sebanyak X kali diantara n

dihitungdengan x = 0, 1, 2, … n ; dimana 0 < p < 1

 ……..…….…
n
x =
n!
x!(n − x)!
..…………………….................................(Rumus 2.3)
Dimana :

x = banyaknya peristiwa sukses

n = banyaknya percobaan

2.2.4 Rata-Rata, Varians, dan Simpangan Baku Distribusi Binomial

Nilai rata-rata dari sekumpulan data yang berupa angka itu pada

umumnya mempunyai kecenderungan untuk berada disekitar titik

pusat penyebaran data angka tersebut; karena itulah nilai rata-rata

atau ukuran rata-rata itu dikenal pula dengan nama ukuran tendasi

pusat. Nilai rata-rata juga dikenal dengan istilah ukuran nilai

pertengahan, sebab niali rata-rata itu pada umumnya merupakan nilai

pertengahan dari nilai-nilai yang ada. Selain itu, karena nilai rata-rata

itu biasanya berposisi pada sekitar sentral penyebaran nilai yang ada,

Maka nilai rata – rata itupun yang dikenal dengan nama ukuran posisi

pertengahan (Darmansyah, 2016).

Simpangan baku atau standar deviasi adalah nilai statistik yang

dimanfaatkan untuk menentukan bagaimana sebaran data dalam

sampel, serta seberapa dekat titik data individu ke mean atau rata-rata

nilai sampel. Sebuah standar deviasi dari kumpulan data sama dengan
nol menandakan bahwa semua nilai dalam himpunan tersebut adalah

sama, sedangkan nilai deviasi yang lebih besar menunjukkan bahwa

titik data individu jauh dari nilai rata-rata. Varian dan simpangan baku

merupakan ukuran-ukuran variasi yang sering dipakai oleh semua

orang. Dasar penghitungan varian dan simpangan baku merupakan

tujuan untuk mengetahui variasi dari kelompok data (Nur Hidayat et al.,

2019).

a. Ukuran rata-rata dan macamnya

Dalam statistic, rata-rata itu mempunyai beberapa bentuk atau

macam; masing-masing dengan arti yang berbeda. Berhubungan

dengan itu ,apabila dalam menganalisis data statistic kita gunakan

istilah “ratarata”,kita harus dapat menyatakan dengan tegas dan

jelas “rata-rata” macam atau jenis manakah yang kita maksudkan

itu. Adapun macam “rata-rata”atau “ukuran rata-rata”yang dimiliki

statistic sebagai ilmu pengetahuan ialah:

1. Rata-rata hitung atau nilai rata-rata hitung (aritmetis mean)

yang sering disingkat dengan mean yang umumnya

dilambangkan dengan M atau X.

2. Rata – rata pertengahan atau nilai rata-rata pertengahan atau

nilai rata-rata letak (median atau medium) , yang umumnya

dilambangkan : Mdn atau Me ,Mn.

3. Modus atau mode , yang biasa dilambangakan dengan Mo

4. Rata-rata ukur atau nilai rata ukur ( geometric mean ) yang

biasa dilambangkan dengan GM

5. Rata-rata harmonic atau nilai rata-rata harmonic (harmonic

mean) yang biasa dilambangkan dengan HM.

 Dari kelima ukuran seperti yang di sebutkan diatas yang

mempunyai relevansi dank arena sering di pergunakan sebagai

ukuran di dunia statatistic pendidikan adalah : mean, medis dan

modus.

b. Nilai rata-rata hitung mean

Seperti yang dikemukakan terdahulu dalam bahasa inggris nilai

rata-rata hitung dikenai dengan istilah aritmetik mean, atau

disingkat dengan mean saja. Untuk ringkas kata,dalam buku ini

istilah yang dipakai pada dasarnya adalah mean.

Sebagai salah satu ukuran yang tendensi pusat, mean dikenal

dengan ukuran yang menduduki tempat terpenting terpenting jika

dibandingkan dengan ukuran tedensi lainnya. Dalam kegiatan

penelitian ilmiah yang mengguanakan statistic sebagai metode

analisis data mean dapat dikatakan hamper selalu dipergunakan

atau dihitung.

Secara umum, nilai rata-rata (  ), varians (  2), dan simpangan baku

(  ) dapat dicari berdasarkan distribusi probabilitasnya, dengan

pendekatan sebagai berikut.

1. Untuk rata-rata :

E (X) = µ = x(Cn. pxqn-x)

….………….……....................(Rumus 2.4)
Dimana :

µ = rata-rata

C = ukuran sampel

x = banyaknya peristiwa sukses

p = probabilitas peristiwa sukses

E = Nilai rata-rata
 q = probabilitas peristiwa gagal

Bila suatu percobaan binomial setiap ulangannya menghasilkan lebih.

2. Untuk varians :

2 =  x2(Cn. pxqn-x) - µ2

......................................(Rumus 2.5)

Dimana :

2 = Varians

µ = rata-rata

C = ukuran sampel

x = banyaknya peristiwa sukses

p = probabilitas peristiwa sukses

q = probabilitas peristiwa gagal

3. Untuk simpangan baku :

n
 = X
x =0
2
(Cn.px.qn-
…...…….…………….…....(Rumus 2.6)
)
Dimana :

 = Simpangan Baku

µ = rata-rata

C = ukuran sampel

x = banyaknya peristiwa sukses

p = probabilitas peristiwa sukses

q = probabilitas peristiwa gagal

2.3 Distribusi Normal

Distribusi normal adalah salah satu distribusi teoritis dari variabel random

kontinyu. Distribusi normal sering disebut distribusi Gauss, sesuai denagan

nama pengembangannya, yaitu Karl Gauss pada abad ke-18, seorang ahli
matematika dan astronomi. Distribusi normal sering juga disebut Distribusi

Gauss. Distribusi normal merupakan salah satu distribusi yang paling banyak

digunakan dalam praktik penelitian di lapangan. Beberapa ciri-ciri distribusi

normal adalah: (1) grafiknya selalu berada di atas sumbu mendatar X; (2)

memiliki bentuk simetris terhadap X = μ; (3) ujung-ujung grafiknya berasimtut

terhadap sumbu mendatar X, dimulai dari X – 3σ ke kiri dan X + 3σ ke

kanan; dan (4) luas daerah grafik selalu sama dengan satu satuan luas. Bila

harga σ semakin kecil maka kurvanya semakin menjulang tinggi (leptokurtik)

dan sebaliknya bila harga σ semakin besar maka kurvanya semakin

menjulang bawah (platikurtik) (Hadi et al., 2018).

Distribusi normal, disebut pula distribusi gauss, adalah distribusi

probabilitas yang paling banyak digunakan dalam berbagai analisis statistika.

Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol

dan simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell

curve) karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk

lonceng. Distribusi normal banyak digunakan dalam berbagai bidang

statistika, misalnya distribusi sampling rata-rata akan mendekati normal,

meski distribusi populasi yang diambil tidak berdistribusi normal. Distribusi

normal juga banyak digunakan dalam berbagai distribusi dalam statistika,

dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.

Distribusi normal pertama kali diperkenalkan oleh Abraham de Moivre

dalam artikelnya pada tahun 1733 sebagai pendekatan distribusi binomial

untuk n besar. Karya tersebut dikembangkan lebih lanjut oleh Pierre Simon

de Laplace, dan dikenal sebagai teorema Moivre-Laplace. Laplace

menggunakan distribusi normal untuk analisis galat suatu eksperimen.

Metode kuadrat terkecil diperkenalkan oleh Legendre pada tahun 1805.

Sementara itu Gauss mengklaim telah menggunakan metode tersebut sejak

tahun 1794 dengan mengasumsikan galatnya memiliki distribusi normal.

Istilah kurva lonceng diperkenalkan oleh jouffret pada tahun 1872 untuk

distribusi normal bivariat.

Ciri Ciri Distribusi Normal sebagai berikut :

a. Memiliki parameter µ dan σ yang masing masing menentukan lokasi dan

bentuk distribusi

b. Kurvanya mempunyai puncak tunggal

c. Rata-rata terletak di tengah distribusi dan distribusinya simetris di sekitar

garis tegak lurus yang ditarik melalui rata-rata

d. Total luas daerah dibawah kurva normal adalah 1 (hal ini berlaku untuk

seluruh distribuso probabilitas kontinu)

e. Kedua ekor kurva memanjang tak berbatas dan pernah memotong sumbu

horizontal

f. Kurvanya berbentuk seperti lonceng atau genta

g. Simpangan baku atau standar deviasi σ menentukan lebarnya kurva.

Makin kecil σ bentuk kurva semakin runcing.

Distribusi normal merupakan distribusi yang simetris dan berbentuk

lonceng. Pada bentuk tersebut ditunjukkan hubungan kordinat pada rata-rata

dengan berbagai kordinat pada berbagai jarak simpangan baku yang diukur

dari rata-rata. Dengan demikian dapat diketahui sifat-sifat distribusi normal,

yaitu sebagai berikut :

1. Bentuk distribusi normal adalah bentuk genta atau lonceng dengan satu

puncak (unimodal).

2. Rata-rata (  ) terletak di tengah-tengah.

3. Nilai rata – rata sama dengan median sama dengan modus yang

memberikan pola simetris.

 4. Ujung-ujung sisi kurvanya sejajar dengan sumbu horizontal (sb-X) dan

tidak akan pernah memotong sumbu tersebut.

5. Data sebagian besar ada di tengah-tengah dan sebagian besar ada di

tepi, yaitu :

a. jarak 1 menampung 68% atau 68,26% data

b. jarak  2 menampung 95% atau 95,46% data

c. jarak  3 menampung 99% atau 99,74% data.

2.4 Pendekatan Distribusi

Perhitungan probabilitas perhitungan distribusi hipergeometrik dapat

didekati dengan distribusi binomial dengan syarat :

a. Jumlah populasi N sangat besar, sehingga p mendekati konstan

b. Jika ukuran sampel n sangat kecil dibandingkan dengan populasi N yaitu

n/N < 0,1. Makin kecil nilai n/N maka makin kecil perbedaan jika didekati

dengan distribusi binomial.

Perhitungan probabilitas distribusi binomial dapat didekati dengan

distribusi normal, bila proporsi p mendekati 0,5 dan ukuran sampel (n) cukup

besar. Makin besar n, maka makin kecil perbedaan jika didekati dengan

distribusi normal. Bila n percobaan semakin besar dan memiliki sifat yang

independent dari suatu percobaan ke percobaan lainnya, maka dengan

pendekatan distribusi normal-binomial dapat pula kita gunakan untuk

menghitung nilai-nilai probabilitas terhadap berbagai macam peristiwa yang

mungkin dapat terjadi (Manurung et al., 2013).

Secara umum dapat disimpulkan bahwa apabila jumlah percobaan (n)

relatif sangat besar dan sifatnya independent maka penggunaan distribusi

binomial akan semakin tidak efektif, karena jumlah lombinasi dari peristiwa

yang diharapkan terjadi sangatlah banyak. Untuk menghindari ketidak

 efektifan dari distribusi binomial di atas, maka distribusi tersebut dapat

diubah dari bentuk distribusi binomial ke distribusi normal (Simamora, 2019).

2.5 Sebaran Binom Negatif dan Sebaran Geometrik

Definisi sebaran binom negatif, bila ulangan yang bebas dan berulang-

ulang dapat menghasilkan keberhasilan dengan peluang p dan kegagalan

dengan peluang q = 1 – p, maka sebaran peluang bagi peubah acak X, yaitu

Banyaknya ulangan sampai terjadinya k keberhasilan, diberikan menurut

rumus:

x -1
b* (x;k,p) = pkqx-k

k–1 ..................................................(Rumus 2.7)

Dimana :

b = banyaknya peristiwa gagal

k = banyaknya unsur yang sama pada populasi

x = banyaknya peristiwa sukses

p = probabilitas peristiwa sukses

q = probabilitas peristiwa gagal

Sebaran binom negatif memperoleh namanya dari kenyataan bahwa

setiap suku dalam penguraian px(1 – p)x-k berpadanan dengan nilai-nilai b*(x;

k, p) untuk x = k, k + 1, k + 2, …

Untuk k = 1, sebaran binom negatif itu akan menghasilkan sebaran

peluang bagi banyaknya ulangan yang diperlukan sampai diperolehnya satu

keberhasilan. Misalnya saja adalah pelemparan uang logam sampai

munculnya sisi gambar. Kita mungkin saja ingin mengetahui peluang bahwa

sisi gambar muncul pada lemparan yang keempat. Dengan demikian

sebaran binom negatif akan tereduksi menjadi b*(x; 1, p) = pq x-1, x = 1, 2, 3,

Karena suku-suku yang berurutan membentuk suatu barisan geometri, maka

 kasus khusus ini biasa disebut sebaran Geometrik dan nilai-nilainya

dilambangkan dengan g(x; p).

2.6 Distribusi Peluang

Distribusi peluang adalah tabel, grafik atau rumus yang memberikan nilai

peluang dari sebuah peubah acak. Berdasarkan karakteristik peubah

acaknya, distribusi peluang dapat dibedakan menjadi dua yaitu distribusi

peluang diskrit dan distribusi peluang kontinu. Distribusi peluang diskrit

adalah distribusi peluang dimana semesta peubah acaknya dapat dihitung

atau berhingga. Macam-macam distribusi peluang diskrit ada 6 yaitu

distribusi Binomial, distribusi Binomial Negatif, distribusi Multinomial,

distribusi Geometrik, distribusi Hipergeometrik, dan distribusi Poisson.

Distribusi peluang kontinu adalah distribusi peluang dimana semesta peubah

acaknya tak tehingga jumlahnya. Macam-macam distribusi peluang kontinu

ada 4 yaitu distribusi Normal, distribusi Gamma, distribusi Eksponensial dan

distribusi Chi-Square (Darsyah & Ismunarti, 2013).

Sejauh in teori peluang yang kita bicaran hanya sebatas pada suatu

peristiwa tertentu atau tentang kemungkinan terjadinya peristiwa dengan

nilai peluang tertentu. Padahal masih ada nilai-nilai peluang dari peristiwa

lainnya yang bisa ditentukan. Nilai-nilai peluang tambahan yang demikian

bisa membentuk suatu distribusi yang disebut sebagai distribusi peluang.

Sebagai contoh, ketika melempar sebuah dadu, kita bisa menghitung

peluang dari seluruh peristiwa yang mungkin yakni munculnya angka 1, 2, 3,

4, 5 dan 6 yang masing-masing memiliki peluang 1/6. Distribusi peluang bisa

diturunkan dari peluang logis maupun dari frekuensi relatif.

Setiap peristiwa akan mempunyai peluangnya masing-masing, dan

peluang terjadinya peristiwa itu akan mempunyai penyebaran yang

mengikuti suatu pola tertentu yang di sebut dengan distribusi.Distribusi

 peluang untuk suatu variabel acak menggambarkan bagaimana peluang

terdistribusi untuk setiap nilai variabel acak. Distribusi peluang didefinisikan

dengan suatu fungsi peluang, dinotasikan dengan p(x) atau f(x), yang

menunjukkan peluang untuk setiap nilai variabel acak.

Fungsi distribusi probabilitas merupakan rumusan matematika yang

berhubungan dengan nilai - nilai karakteristik dengan probabilitas kejadian

Pada populasi. Pengumpulan probabilitas ini disebut distribusi probabilitas.

Rata-rata dan distribusi probabilitas disebut nilai yang diharapkan. Ada dua

jenis distribusi, sesuai dengan variabel acaknya. Jika variabel acaknya

variabel diskrit, maka distribusi peluangnya adalah distribusi peluang diskrit,

sedangkan jika variabel acaknya variabel yang kontinu, maka distribusi

peluangnya adalah distribusi kontinu. Ada berbagai bentuk distribusi

probabilitas yang biasa digunakan, misalnya distribusi probabilitas normal,

distribusi eksponential dan distribusi weibull (Hayati, 2017).

2.7 Distribusi Peluang Kontinue

Apabila karakteristik yang diukur dapat membicarakn berbagai hal

(ketepatan pengukuran proses), distribusi probabilitas disebut distribusi

probabilitas kontinu (Continuos probability distribution). Ada berbagai bentuk

distribusi probabilitas yang biasa digunakan, misalnya distribusi probabilitas

normal, distribusi eksponential dan distribusi weibull. Distribusi probabilitas

tersebut menemukan hal-hal yang berkaitan dengan kejadian dari nilai-nilai

karakteristik yang sesungguhnya. Sedangkan distribusi probabilitas yang

sama adalah t, F dan chi square digunakan dalam analisis data tetap tidak

membantu secara langsung dalam memprediksi probabilitas terjadinya nilai-

nilai yang sesungguhnya. (Manurung et al., 2013).

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh

semua nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang
 sampel mengandung titik sampel yang tak terhingga banyaknya. Syarat dari

distribusi kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang

peubah acak kontinu X yang didefinisikan di atas himpunan semua bilangan

riil R bila: 1. F(x) ≥ 0 untuk semua x є R 2. ∫ (𝑥)𝑑𝑥 = 1∞ 3. 𝑃(𝑎 < 𝑋 < 𝑏) = ∫

𝑓(𝑥)𝑑 𝑥(Pratikno 2020).

2.8 Permutasi dan Kombinasi

Permutasi dari sekumpulan objek adalah banyaknya susunan objek-objek

berbeda dalam urutan tertentu tanpa ada objek yang diulang dari objek-

objek tersebut atau pun susunan yang dibentuk dari anggota suatu

himpunan dengan mengambil seluruh atau sebagian anggota himpunan dan

memberi arti pada urutan anggota dari susunan. Bentuk khusus dari

permutasi adalah kombinasi. Jika pada permutasi urutan kemunculan

diperhitungkan, maka pada kombinasi, urutan kemunculan diabaikan.

Permutasi adalah suatu susunan objek yang berbeda-beda. Satu permutasi

berbeda dari yang lainnya jika susunan urutan atau isinya berbeda-beda.

(Walpole, 2012:47)(Probabilitas et al. n.d.)

Kombinasi adalah susunan yang dibentuk dari anggota suatu himpunan

dengan mengambil seluruh atau sebagian anggota himpunan dan tanpa

memberi arti pada urutan anggota dari susunan Sebuah kombinasi-r

elemen-elemen dari sebuah himpunan adalah pemilihan tak berurutan

(tanpa memperhatikan urutan) r elemen dari himpunan tersebut. Kombinasi r

elemen dari n elemen, atau C(n, r), adalah jumlah pemilihan yang tidak

terurut r elemen yang diambil dari n buah elemen. C(n, r) = cara memilih r

buah elemen dari n buah elemen yang ada, tetapi urutan elemen di dalam

susunan hasil pemilihan tidak penting. Permutasi dan kombinasi, keduanya

digunakan untuk mengukur possibility. Perbedaan keduanya adalah

permasalahan urutan(Arifin 2018)

2.9 Distribusi Poisson

Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel random x (x

diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval

waktu tertentu atau disuatu daerah tertentu (Hassan,2016).

Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi,

ditemukan oleh S.D Poisson(1781 – 1841), seorang ahli matematika bangsa

Perancis. Disrtribusi poisson termasuk distribusi teoritis yang memakai

variabel random diskrit. Distribusi poisson adalah distribusi nilai-nilai bagi

suatu variabel random X (diskrit), yaitu banyaknya hasil percobaan yang

terjadi dalam suatu interval waktu tertentu atau di suatu daerah tertentu.

Distribusi poisson memiliki ciri-ciri sebagai berikut :

a. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau

suatu daerah tertentu tidak bergantung pada banyaknya hasil percobaan

yang terjadi pada interval waktu atau daerah lain yang terpisah.

b. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang

singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang

interval waktu atau besarnya daerah tersebut dan tidak bergantung pada

banyaknya hasil percobaan yang terjadi di luar interval waktu atau daerah

tersebut.

c. Probabilitas lebih dari suatu hasil percobaan yang terjadi dalam interval

waktu yang singkat atau dalam daerah yang kecil dapat diabaikan.

Distribusi poisson banyak digunakan dalam hal sebagai berikut :

a. Menghitung probabilitas terjadinya peristiwa menurut satuan waktu,

ruang atau isi, luas, panjang tertentu.

b. Banyaknya penggunaan telepon per menit atau banyaknya mobil yang

lewat per 5 menit di suatu ruas jalan.

c. Banyaknya bakteri dalam 1 liter atau 1 tetes air.

d. Banyaknya kesalahan ketik per halaman setiap buku.

e. Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan

Oktober.

f. Menghitung distribusi binomial apabila nilai n besar (n  30) dan p kecil

(p< 0,1).

Dari contoh-contoh yang ada dapat pula disimpulkan bahwa percobaan

yang menghasilkan nilai-nilai bagi suatu peubah acak X, yaitu banyaknya

hasil percobaan yang terjadi selama suatu selang waktu tertentu atau di

suatu daerah tertentu, sering disebut percobaan poisson. Selang waktu

tersebut dapat berapa saja panjangnya, misalnya semenit, sejam, sehari,

seminggu, sebulan, bahkan setahun.

Dengan demikian percobaan poisson dapat saja membangkitkan

pengamatan-pengamatan bagi perubah acak X yang menyatakan

banyaknya penggunaan telepon per menit di suatu kantor, dan sebagainya

seperti yang disebutkan di atas. Daerah tertentu yang dimaksudkan di atas

dapat saja berupa suatu ruas garis, suatu luasan, suatu volume atau

mungkin sepotong bahan.

Percobaan yang menghasilkan nilai-nilai bagi suatu perubah acak X,

yaitu banyaknya hasil percobaan yang terjadi selama suatu selang waktu

tertentu atau di suatu daerah tertentu. Distribusi poisson memiliki ciri-ciri

sebagai berikut :

a. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau

suatu daerah tertentu, tidak bergantung pada banyaknya hasil percobaan

yang terjadi pada selang waktu atau daerah lain yang terpisah.

b. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang

singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan
 panjang selang waktu tersebut atau besarnya daerah tersebut, dan tidak

bergantung pada banyaknya hasil percobaan yang terjadi di luar selang

waktu atau daerah tersebut.

c. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang

waktu yang singkat tersebut atau dalam daerah yang kecil tersebut, dapat

diabaikan. Bilangan X yang menyatakan banyaknya hasil percobaan

dalam suatu distribusi poisson disebut peubah acak poisson.

2.10 Pendekatan Normal

Perhitungan probabilitas perhitungan distribusi hipergeometrik dapat

didekati dengan distribusi binomial dengan syarat :

a. Jumlah populasi N sangat besar, sehingga p mendekati konstan

b. Jika ukuran sampel n sangat kecil dibandingkan dengan populasi N yaitu

n/N < 0,1. Makin kecil nilai n/N maka makin kecil perbedaan jika didekati

dengan distribusi binomial.

Perhitungan probabilitas distribusi binomial dapat didekati dengan

distribusi normal, bila proporsi p mendekati 0,5 dan ukuran sampel (n)

cukup besar. Makin besar n, maka makin kecil perbedaan jika didekati

dengan distribusi normal. Bila n percobaan semakin besar dan memiliki sifat

yang independent dari suatu percobaan ke percobaan lainnya, maka

dengan pendekatan distribusi normal-binomial dapat pula kita gunakan

untuk menghitung nilai-nilai probabilitas terhadap berbagai macam peristiwa

yang mungkin dapat terjadi.

Secara umum dapat disimpulkan bahwa apabila jumlah percobaan (n)

relatif sangat besar dan sifatnya independent maka penggunaan distribusi

binomial akan semakin tidak efektif, karena jumlah lombinasi dari peristiwa

yang diharapkan terjadi sangatlah banyak. Untuk menghindari ketidak

 efektifan dari distribusi binomial di atas, maka distribusi tersebut dapat

diubah dari bentuk distribusi binomial ke distribusi normal.

Salah satu karakteristik yang paling terlihat dari distribusi normal adalah

bentuk dan kesimetrisannya yang sempurna. Jika Anda melipat gambar

distribusi normal tepat di tengah, Anda akan mendapatkan dua bagian yang

sama, masing-masing merupakan bayangan cermin dari yang lain. Ini juga

berarti bahwa setengah dari pengamatan dalam data berada di kedua sisi

tengah distribusi.Titik tengah berdistribusi normal adalah titik yang memiliki

frekuensi maksimum, artinya jumlah atau kategori tanggapan dengan

pengamatan terbanyak untuk variabel tersebut. Titik tengah distribusi

normal juga merupakan titik di mana tiga ukuran jatuh: mean, median, dan

mode. Dalam distribusi normal sempurna, ketiga ukuran ini semuanya

berjumlah sama.

2.11 Pendekatan Distribusi Binomial terhadap Hipergeometrik

Pendekatan Distribusi Binomial Terhadap Hipergeometrik Dalam kasus

distribusi hipergeometrik kita dapat menggunakan pendekatan binomial

pada permasalahannya apabila keadaan tersebut adalah sebagai berikut :

1. Bila besar sampel (n)≥1. 2. Sampel (n) relative kecil bila dibandingkan

dengan jumlah populasinya (N), yaitu n < 0,05 N. Bila n lebih kecil

dibandingkan dengan N maka peluang tiap penarikan hanya berubah

sedikit. Jadi distribusi hipergeometrik dapat di dekati dengan distribusi

binomial dengan p = k/n

Dalam kenyataannya, konsep pendekatan ini sangat berguna karena tiga

hal Pertama, kasus yang sering terjadi dalam dunia nyata adalah kasus

Hipergeometrik, yaitu sampel tidak lagi dikembalikan. Kedua, Distribusi

Hipergeometrik tidak mempunyai table, sehingga kita akan mengalami

kesulitan karena terpaksa harus selalu menghitung dengan rumus

hipergeometrik. Ketiga, kebanyakan sampel tidak terbatas sehingga kriteria

n < 0,05 N terpenuhi.(Utara 2016)

 BAB III

METODE PENELITIAN

3.1 Latar Belakang

Pada bagian latar belakang membahas tentang dasar atau titik tolak

untuk memberikan pemahaman kepada pembaca atau pendengar mengenai

apa yang ingin kita sampaikan dalam percobaan distribusi hipergeometrik

dan binomial.

3.2 Tinjauan Pustaka

Peninjauan kembali pustaka-pustaka yang tekait dengan distribusi

hipergeometrik dan binomial, sesuai dengan arti tersebut, suatu tinjauan

pustaka berfungsi sebagai peninjauan kembali (review).

3.3 Alat dan Bahan

Pada bagain ini memberikan informasi mengenai alat dan bahan yang

digunakan saat melakukan percobaan.

1. Lembar pengamatan

2. Kancing warna hijau

3. Kancing warna kuning

4. Wadah plastik berisi kancing 300 kancing

a. Wadah 1 : berisi 275 kancing warna hijau (baik) dan 25 kancing warna

kuning (cacat)

b. Wadah 2 : berisi 200 kancing warna hijau (baik) dan 100 kancing

warna kuning (cacat)

c. Wadah 3 : berisi 180 kancing warna hijau (baik) dan 120 kancing

warna kuning (cacat)

3.4 Langkah Percobaan

Pada bagian ini memberikan pemahaman mengenai langkah-lakah pada

saat melakukan praktikum distribusi hipergeometrik dan binomial.

3.5 Tujuan Percobaan

Pada bagaian ini memberikan gambaran mengenai tujuan yang akan

dicapai mengenai percobaan distribusi hipergeometrik dan binomial yang

dilakukan.

3.6 Metodologi Penelitian

Metodologi penelitian dalam laporan ini berisi urutan atau langkah-

langkah yang harus dikerjakan ketika menyusun laporan percobaan

distribusi hipergeometrik dan binomial.

3.7 Pengumpulan Data

Data yang diperoleh merupakan hasil pengambilan secara acak terhadap

beberapa percobaan yang diambil dari data kancing Hijau dan Kuning.

3.8 Pengolahan Data

Setelah mengumpulkan data, data tersebut kemudian di olah sesuai

prosedur pengolahan data yang telah dipelajari di BAB II. Berikut langkah –

langkah penyajiannya :

a. Hipergeometrik

Langkah pertama dalam menghitung distribuasi hipergeometrik yaitu

pertama menghitung jumlah yang cacat, lalu menghitung frekuensi dan

frekuensi relatif, lalu membuet grafik histogram (menghitung rata-rata,

varians, standar deviasi), serta menghitung nilai ekspektasi.

b. Binomial

Langkah pertama dalam menghitung distribuasi hipergeometrik yaitu

pertama menghitung jumlah yang cacat, lalu menghitung frekuensi dan

frekuensi relatif, lalu membuet grafik histogram (menghitung rata-rata,

varians, standar deviasi), serta menghitung nilai ekspektasi.

3.9 Analisia dan Pembahasan

Setelah selesai melakukan pengolahan data distribusi hipergeometrik dan

 binomial, maka hasil dari pengolahan data akan dianalisa dan dibahas

dengan membandingkan nilai – nilai ekspektasinya. Setelah itu hasil dari

pengolahan data akan ditinjau kembali.

3.10 Penutup

Data yang telah dianalisa dan dibahas, kemudian disimpulkan dengan

berdasar pada tujuan percobaan. Setelah disimpulkan langkah selanjutnya

adalah membuat saran kepada Laboratorium dan Asisten untuk kedepannya

lebih baik lagi.

3.11 Flowchart

1.Flowchart Keseluruhan

Mulai

Latar Belakang

Tujuan Percobaan

Tinjauan Pustaka

Pengumpulan data :
1. Pengamatan
2. Pengukuran

Pengolahan Data :
1. Mencatat data warna kancing
yang muncul
2. Menghitung percobaan 3
wadah dengan n = 5 dan n = 25
3. Hitung nilai ekspektasi dan (K)
4. Hitung peluang hipergeometrik
5. Hitung nilai ekspektasi (P)
6. Bandingkan ekspetasi (K)

Analisa dan Pembahasan

1. Analisa
2. Pembahasan

Kesimpulan dan saran

Selesai

Gambar 3.1 Flowchart Keseluruhan

A. Flowchart Distribusi Hipergeometrik

Mulai

Mempersiapkan alat &

bahan

Mengambil kancing secara

acak
Data cukup 100
Mencatat jumlah acak
Data tidak cukup 100

Mengembalikan kancing ke wadah

Pengolahan Data
1. Hitung jumlah cacat
2. Hitung frekuensi
3. Hitung frekuensi relative
4. Hitung frekuensi komulatif
5. Gambarkan grafik histogram
a. Hitung rata – rata cacat
b. Hitung variansi
c. Hitung standar deviasi
6. Hitung ekspektasi
7. Uji bentuk distribusi hipergeometrik

Analisa dan Pembahasan

Penutup :
1. Kesimpulan
2. saran

Selesai

Gambar 3.2 Flowchart Distribusi Hipergeometrik

B. Flowchart Distribusi Binomial

Mulai

Mempersiapkan alat &

bahan

Mengambil kancing secara

acak

Mencatat jumlah cacat

Data cukup 100 Data tidak cukup 100

Mengembalikan kancing ke wadah

Pengolahan Data
1. Hitunglah jumlah cacat
2. Hitunglah frekuensi
3. Hitunglah frekuensi relative
4. Hitulang frekuensi komulatif
5. Gambarlah grafik histogram
a. Hitung rata-rata (µ)
b. Hitung variasi (2)
c. Hitung standar deviasi
6. Hitung ekspektasi (P)
7. Uji bentuk distribusi binomial

Analisa dan Pembahasan

Penutup :
1. Kesimpulan
2. Saran

Selesai

Gambar 3.2 Flowchart Distribusi Binomial