1

BAB 1

PENDAHULUAN

1.1 KONSEP PENGUKURAN DAN KESALAHAN

Seorang surveyor dapat dipanggil untuk melakukan beragam tugas yang

berhubungan dengan sebuah proyek surveyor, mulai dari desain awal hingga
presentasi akhir yang dihasilkan dari beberapa spesifikasi. Lebih banyak lagi, apa
yang dikerjakan surveyor, bagaimanapun melibatkan pengukuran, yag didalamnya
termasuk perataan dan analisa dikantor yang hasilnya sama baiknya dengan hasil
pengukuran di lapangan. Jika surveyor pandai dalam memperoleh, menyesuaikan,
dan menganalisa pengukuran , dia pasti mengerti ap yang dimaksud dengan proses
pengukuran.

Didalam pengukuran harus ada pengamatan. Tidak ada pengukuran yang

dibuat sampai sesuatu hal di amati. Dengan demikian, istilah pengukuran dan
pengamatan sering digunakan secara sinonim(bersamaan).

Meskipun demikian kami berpikir bahwa pengukuran adalah aturan tunggal,

jenis dari tipe pengukuran sebenarnya melibatkan beberapa operasi daasar,
termasuk pengamatan operasi dalam centering,pointing,matching,pengaturan,dan
pembacaan. Namun pada akhir semua operasi ini merupakan nilai numerik tunggal
yang digunakan untuk mewakili “pengukuran” atau “pengamatan” pengukuran
kuantitas yang kami cari.

Mari kita pertimbangkan, misalnya tugas relative sederhana yang

menggunakan pita ukur besi 30 meter yang direntangkan diatas tanah untuk
mengukur jarak antara dua titik yang kurang dari 20 meter. Ooperasi dasar yang
harus dilakukan adalah :
 2

1. Pemegang kepala dan belakang pita ukur mengambil posisi tepat disebelah
titik dan memegang pita ukur diatas tanah, kira-kira sepanjang garis antar titik
2. Pemengang pita ukur belakang menggantungkan secara utuh pita ukur,
mengatur dan memegang penggantungan di 20 meter.
3. Pemegang pita ukur belakang kemudian memusatkan pita ukur tepat diatas
titik
4. Pemegang pita ukur menahan pita ukurnay, dengan kendali pita ukur tepat
berada di nilai 0 (nol), dan menegangkan pita ukur. (pemegang pita ukur
belakag harus menarik dengan arah sebaliknya untuk menjaga pita ukur tetap
berada di pusat titik)
5. Tetap menjaga ketegangan, pemegang pita kepala bergeser hingga pita ukur
tepat dipusat bagian atas titik.
6. Pemegang pita ujung kemudian membaca posisi pita ukurnya
7. Pengukuran jarak memperoleh Pengukuran diperoleh dengan mengurangi
bacaan pada tahap 6 dengan 20 meter pada tahap 2

Ini jelas langkah 2,3,5 dan 6 adalah operasi pengamatan dalam

pegaturan,centering,reading dan berurutan, semuanya dibutuhnkan untuk
memperoleh pengukuran jarak diantara dua titik. Demonstrasi ini jelas bahkan
untuk pengukuran sederhana tetap terdapat beberapa operasi dasar, dan apa yang
dianggap sebagai pengamatan dari jumlah yang diinginkan, seperti pengukuran
jarak antara dua titik, itu bukan hanya pembacaan tunggal dari sebuah skala tapi
beberapa tahapan proses pengamatan.

Meskipun langkah 1 hingga 7 bukan keseluruhan cerita untuk pengukuran

jarak yang handal. Untuk beberapa tujuan nilai di langkah 7 sudah memuaskan,
ada juga yang tidak. Jika pengukuran “yang lebih baik” yang diminta,nilai dari
langkah tujuh harus dikoreksi seperti panjang pinta, suhu, dan tingkat kedataran.
Untuk mengevaluasi koreksi yang sebenarnya, banyak hal yang harus diamati,
karena pita harus dibandingkan dengan keadaan standar, suhu harus diamati
dengan thermometer, dan tarikan pita harus diamati dengan ketegangan atau alat
 3

yang serupa. Untuk survey pengukuran yang tepat, koreksi ini dan yang lainnya
setiap tahap penting seperti tahap 1 sampai 7. Pengukuran merupakan hasildari
beberapa operasi, yang setiap langkah membuat kontribusi untuk kegunaan utama
dalam pengukuran.

Pengukuran adalah sebuah proses yang mempersoalkan tentang perbedaan.

Perbedaan terjadi jika beberapa aspek dari pengukuran, seperti suhu, tidak
dimasukkan dalam perhitungan. Misalnya, beberapa orang melakukan pengukuran
jarak antara dua titik, dengan menggunakan meteran yang terbuat dari baja dan
perubahan suhu terjadi saat pengukuran tersebut, akan terjadi hubungan pada
perubahan panjang meteran dan berefek pada pembacaan meteran. Jika tidak
dilakukan koreksi dari efek suhu tadi, hasil dari pengukuran akan menunjukkan
perbedaan dari yang seharusnya karena perubahan suhu tadi. Perbedaan juga
merepakan kesalahan alam dari opersi pengamatan dasar itu sendiri.tidak ada
pengamatan yang dapat diulang, karena keterbatasan pada penggunaan alat dan
pada kemampuan dari seorang pengukur untuk melakukan center, point, match,
set, dan embaca. Perbedaan kecil yang terjadi dalam operasi dasar menghasilkan
hubungan perbedaan dalam pengkuran.

Karena semua pengukuran mempersoalkan tentang perbedaan, dengan kata

lain tidak ada kuantitas yang terukur yang dapat ditentukan. Kita mungkin
mendapatkan nilai yang tepat dengan menganggap bahwa itu adalah nilai yang
benar, tapi apa yang kitadapat sebenarnya adalah tidak lebih dari sebuah perkiraan
dari nilai yang benar. Secara matematis, pengukuran atau pengamatan harus dilihat
dari variabelnya.

Itu harus ditekankan bahwa perbedaan pada nilai yang didapat untuk
pengukuran adalah sesuatu yang terjadi meskipun berada pada kondisi pengukuran
yang dibuat pada pokoknya adalah konstan. Jika kita mengharapkan perbedaan,
maka kita harus mendapatkan selisihnya antara banyaknya nilai pengukuran dan
nilai sebenarnya. Perbedaan ini dikenal dengan istilah eror pada nilai pengukuran.
 4

Meskipun dalam bahasa inggris asti dari istilah eror mungkin berkesan sesuatu
yang salah telah dilakukan, eror dalam pengukuran tidak boleh terjadi, kecuali
mungkin yang disebut dengan gross error atau kesalahan besar ( lihat section 1.2)

Studi tentang kesalahan pengamatan dan perilaku mereka pada dasarnya

sama dengan mempelajari pengamatan itu sendiri. Dengan kata lain, apa yang
telah dikelaskan disebut sebagai teori kesalahan setara dengan apa yang sekarang
dikenal sebagai teori pengamatan. Jika τ sebagai nilai sebenarnya dari kuantitas
(jarak, sudut, dll) dan x adalah nilai yang diamati, kesalahan pada x didefinisikan
sebagai

ε=x–τ

Karena kita tidak akan pernah benar-benar tahu nilai τ, kita tidak akan pernah
tahu nilai yang tepat dari ε.Namun jika kita dapat memperoleh beberapa perkiraan
yang baik dari τ, kita dapat menggunakan estimasi ini untuk nilai τ sebagai acuan
untuk mengungkapkan perbedaan nilai yang diamati. Jika X menunjukkan
perkiraan τ, maka perbedaan antara X dan nilai yang diamati, x, didefinisikan
sebagai residual, v, adalah sebagai berikut:

v=ẍ-x

Residual, v, adalah jumlah yang benar-benar digunakan untuk

mengekspresikan variasi dalam pengukuran.

1.2 Jenis-Jenis Kesalahan

Kesalahan diklasifikasikan inti tiga jenis: (1) kesalahan besar, (2) kesalahan
sistematis, dan (3) kesalahan acak

Kesalahan Besar / Blunder

 5

Kesalahan besar adalah hasil dari blunder atau kesalahan yang disebabkan
oleh kecerobohan pengamat. Misalnya, pengamat mungkinmembidik pada target
survei yang salah, atau dia mungkin salah membaca skala, atau salah mencatat
nilai yang dibaca (misalnya, menulis 41,56 sebagai 41,65 m). Ada banyak
kesalahan yang dapat dibuat jika ia lalai.

Jika survei memiliki banyak kegunannya nanti, kesalahan dan blunders tidak
dapat ditoleransi. Prosedur lapangan yang baik adalah desain untuk membantu
dalam mendeteksi kesalahan. Prosedur ini meliputi:

1. Pemeriksaan menyeluruh terhadap seluruh pointings pada target survei

2. Mengambil beberapa bacaan skala dan memeriksa kelayakan
konsistensi
3. Memverifikasi catatan data dengan membaca ulang skala
4. Mengulangi seluruh pengukuran secara mandiri dan memeriksa
konsistensi
5. Menggunakan pemeriksaan geometris atau aljabar sederhana, seperti
membandingkan jumlah dari tiga sudut diukur dalam segitiga dengan
1800

Itu sangat penting untuk melindungi terhadap terjadinya kesalahan. Jika

terjadi kesalahan, mereka harus dideteksi dan dihilangkan dari pengukuran survey
sebelum hasil pengukuran tersebut dapat digunakan.

Kesalahan Sistematik
Kesalahan sistematik disebabkan hal tersebut terjadi karena berdasarkan
beberapa sistem pengaturan yang mana ketika diketahui dapat dinyatakanoleh
beberapa fungsi yang berhubungan. Contoh : peregangan dari roll meter
dipengaruhi oleh temperatur dan koefisien termal dari peregangan yang diketahui.
Sebuah fungsi berhubungan antara temperatur dan regangan dari pita ukur yang
dapat ditentukan. Jika panjang pita ukur pada suhu standar dijadikan sebagai
 6

sebuah referensi, perubahan panjang pada pita ukur disebabkan oleh erubahan
temperatur dari nilai standarnya diklasifikasikan dalam kesalahan sistematik.
Sebuah Kesalahan sitematik mengukuti sebuah aturan yang mana akan ditiru
jika pengukuran diulang pada kondisi yang sama. Contoh: pengukuran sebuah
jarak dengan pita ukur yang terlalu pendek akan menghasilakan kesalahan
sistematik yang sama jika pita ukur yang sama digunakan untuk pengukuran jarak
pada kondisi temperatur, tarikan, sandaran, dan kemiringan yang sama.
Sebuah kesalahan sistematik disebut kesalahan konstan jika besar dan
tandanya tetap sama selama proses pengukuran. Hal ini berlawanan tanda
perubahan namun besarnya tetap sama.
Sistem yang mendasari kesalahan sistematik mungkin tergantung pada
pengamat, instrumentasi yang digunakan, kondisi fisik atau lingkungan pada saat
pengukuran dilakukan, atau kombinasi dari faktor-faktor ini.
Praduga pribadi pengamat menyebabkan kesalahan sistematika yang
mungkin konstan atau berlawanan, tergantung pada prosedur observasi. jika
kondisi pengamatan bervariasi, indera alami penglihatan dan pendengaran
pengamat dapat bervariasi juga dan kesalahan pribadinya menjadi variabel juga.
Konstruksi instrumen yang tidak sempurna, atau tidak lengkapnya instrument
yang sesuai dapat menyebabkan kesalahan instrumental yang sistematis.
Ketidaksempurnaan konstruksi mencakup hal-hal seperti variasi dalam kelulusan
skala dan eksentrisitas dalam komponen centring alat. Ketidak-lengkapan
instrumen yang bersesuaian mencakup hal-hal seperti tidak membuat sumbu
sejajar .
Ketika pengukuran survey diperoleh di lapangan, pengukuran dipengaruhi
oleh banyak faktor fisik dan lingkungan. Temparatur, ketegangan dan kemiringan
topografi, misalnya, mempengaruhi jarak pita, sementara kelembaban dan tekanan
atmosfer serta temparature mempengaruhi elektro-optik jarak pengukuran (EMD),
pengukuran sudut, dan meratakannya. Semua efek ini secara fungsional
dinyatakan dalam hal faktor-faktor yang menyebabkan mereka dan begitu juga
diklasifikasikan sebagai kesalahan sistematika.
 7

Semua sumber kesalahan sistematika sejauh ini hanya dibahas terkait

langsung dengan operasi pengamatan. Namun, kesalahan sistematik juga dapat
terjadi melalui penyederhanaan geometri atau model matematis yang dipilih untuk
mewakili survei. Jika, misalnya, segitiga pesawat bukannya segitiga bola
digunakan untuk menghubungkan tiga titik survey yang berjarak beberapa
kilometer terpisah, kelebihan bola akan muncul sebagai kesalahan sistematis.
Dalam pengurangan pengukuran survey, penting untuk mendeteksi dalam
nilai yang benar untuk semua kemungkinan pada kesalahan sistematis.
Kesalahan Acak

Setelah semua blunders diketahui dan dihilangkan, dan pengukuran benar

pada semua kesalahan sistematis, akan tersisa dari beberapa perbedaan dalam
pengukuran. Perbedaan dari kesalahan dalam pengamatan dimana ketidaktahuan
fungsi hubungan dari penentuan sistem. Kesalahan-kesalahan ini sebagai
pengganti, kesalahan yang tidak di sengaja, dan harus diperhatikan dengan baik.
Kesalahan dimulai ketika pengukuran atau pengamatan ditemukan secara
matematis selalu berubah-ubah. Yang lebih spesifik, tidak sengaja berubah-ubah
karena pengkuran termasuk komponen kesalahan yang menunjukan keselahan
yang tidak disengaja. Tentu saja kesalahan berubah sendiri karena faktor ketidak
sengajaan.
Sedangkan variasi sistematis berhubungan dengan matematis menggunakan
fungsi hubungan atau permodelan, tidak sengaja berubah harus menggunakan
kemungkinan permodelan. Beberapa konsep dasar dalam teori kemungkinan
memperlihatkan bagian tertentu.

1.3 Konsep Elementary dalam Probabilitas

Sebuah jarak yang dihitung beberapa kali adalah sebuah angka besar dan
semua hitungan bebas dari gross error dan systematic error. Variasi dalam
perhitungan masih terjadi karena adanya random error. Walaupun tidak mungkin
untuk mengoreksi perhitungan dengan specific random error , tetapi
 8

dimungkinkan untuk memelajari kebiasaan dari frekuensi distribusi. Frekuensi

distribusi dipakai sebagai dasar konstruksi model probabilitas untuk pengukuran.

Contoh 1-1

Sebuah jarak 810 m dihitung sebanyak 200 kali. Semua perhitungan bebas
dari gross error dan systematic error. Koreksi nilai yaitu 0,01 m. Ini dicatat
setelah koreksi untuk systematic error menghasilkan jarak variasi pengukuran
dari 810,11 m ke 810,23 m, seperti ditunjukkan di bawah ini.

Value of Number
Measurement of
(m) Measurements
810.11 1
810.12 3
810.13 7
810.14 19
810.15 20
810.16 36
810.17 38
810.18 29
810.19 24
810.20 10
810.21 11
810.22 0
810.23 2

Evaluasi dan plot frekuensi relative pada semua data.

 9

Solusi

Frekuensi relatif diperoleh dari pembagian hasil ukuran observasi untuk nilai
total pada pengukuran. Terdapat 200 pengukuran total, berikut frekuensi relatif
diperoleh:

Value of Relative
Measurement Frequency
(m)
810.11 0.005
810.12 0.015
810.13 0.035
810.14 0.095
810.15 0.100
810.16 0.180
810.17 0.190
810.18 0.145
810.19 0.120
810.20 0.050
810.21 0.055
810.22 0.000
810.23 0.010

Jumlah dari frekuensi relatif seharusnya 1000. Frekuensi relatif diplot pada
contoh 1-1 sebagai bujur sangkar.

Contoh 1-1 adalah frekuensi distribusi pada histogram.Dasar pada setiap

persegi empat ditampilkan sebgai interval kelas, dan tinggi dianggap sebagai
korespondesi frekuensi relatif. Berdasar tinggi persegi pada contoh 1-1,
contohnya dianggap kelas pada perhitungan antara 810,165 m dan 810.175 m
 10

(ditulis 810.17 m) dan tinggi persegi dianggap korespondensi frekuensi relatifnya,

0.190.

Frekuensi distribusi pada contoh 1-1 lebih kepada jarak yang terdekat yaitu
810.17 m. Frekuensi tertinggi dekat dengan nilai pusat. Jika hasil pengukuran
bertambah limitnya, ini akan ditemukan setiap frekuensi relatif yang mendekati
limit yang stabil. Nilai limitpada frekuensi relatif dikenal sebagai probabilitas.

Penggunaan histogram untuk merepresentasikan probabilitas, ini cocok untuk

memakai model matematika- sebuah model probabilitas, atau distribusi
probabilitas. Sebuah contoh seperti yang diberikan pada contoh 1-2, yang mana
probabilitas direpresentasikan oleh area kurva yang kontinu, hal tersebut fungsi
matematika pada perhitungan. Khususnya, probabilitas pada perhitungan di antara
dua nilai X1 dan X2 diberikan area yang diarsir pada gambar 1-2. Pengukuran
tersebut disebut random variable, kurva pada gambar 1-2 adalah fungsi
probabilitas kepadatan pada random variableyang mepresentasikan pengukuran
jarak. Nilai pusat, µ, pada gambar 1-2 berarti nilai pengukuran. Jika tidak ada
systematic errors pada pengukuran, berarti nilai tersebut “true” value.
 11

Hampir sama seperti fungsi kepadatan, ditunjukkan pada gambar 1-3, dapat
dipakai sebagai model probabilitas untuk random error pada pengukuran. Ini
berarti nilai sama dengan nol.

Nilai berarti,µ, dimaksudkan sebagai posisi atau parameter lokasi pada

probabilitas distribusi. Parameter lainnya pada distribusi adalah standar deviasi, o,
yang mengukur penyebaran atau disperse pada probabilitas distribusi, seperti
gambar 1-3. Jika pengukuran A mempunyai varisi terbaik dari pengukuran B,
pengukuran A akan memiliki standar deviasi lebih besar dari standar deviasi B.
Persegi pada standar deviasi dikenal dengan variance.

Freskuensi relative diperoleh dengan membagi jumlah pengukuran untuk

setiap nilai dengan jumlah total pengukuran. Maka, frekuensi relative pengukuran
diatas sebagai berikut :

Tabel Frekuensi Relative

Value of Relative
Measurment Frequency
(m)
810.11 0.005
810.12 0.015
810.13 0.035
810.14 0.095
810.15 0.100
810.16 0.180
810.17 0.190
 12

810.18 0.145
810.19 0.120
810.20 0.050
810.21 0.055
810.22 0.000
810.23 0.010

Jumlah frekuensi relative harus bernilai 1. Jika frekuensi relative tersebut

diplot maka akan dihasilkan histogram frekuensi relative (Gambar diagram
batang), sebagai berikut :

Jika nilai pusat atau nilai rata-rata sama dengan 0 maka akan didapatkan
kurva seperti dalam kurva (Fig.1-3 :Fungsi Densitas)

Nilai rata-rata, μ, digunakan sebagai acuan posisi atau lokasi parameter

distribusi probabilitas. Parameter lain dari distribusi adalah standart deviasi (σ).
Jika pengukuran A lebih besar variasinya dibanding pengukuran B, ukuran A
mempunyai standart deviasi lebih besar dari B. Kuadrat dari standar defiasi
disebut variasi.
 13

1.4 KeandalanPengukuran

Beberapa istilah yang digunakan untuk menyatakan Kendal pengukuran

adalah presisi, akurasi dan ketidakpastian.

1. Presisi, adalah derajat kedekatan kesamaan pengukuran antara satu dengan

lainnya. Jika hasil pengukuran saling berdekatan (mengumpul) maka
dikatakan mempunyai presisi tinggi dan sebaliknya jika hasil pengukuran
menyebar maka dikatakan mempunyai presisi rendah. Presisi diindikasikan
dengan penyebaran distribusi probabilitas. Distribusi yang sempit
mempunyai presisi tinggi dan sebaliknya. Ukuran presisi yang sering
digunakan adalah standar deviasi(σ). Presisi tinggi nilai standar deviasinya
kecil dan sebaliknya.
2. Akurasi, adalah derajat kedekatan pengukuran terhadap nilai sebenarnya.
Akurasi mencakup tidak hanya kesalahan acak, tetapi juga bisa yang
disebabkan oleh kesalahan sistematik yang tidak terkoreksi. Jika tidak ada
kesalahan sistematik maka standar deviasi dapat dipakai untuk meyatakan
akurasi.
3. Ketidakpastian, adalah jangkauan (range )yang didalamnya diharapkan
kesalahan pengukuran akan tereduksi. Misalnya ketidakpastian 90%
maksudnya jangkauan dimana nilai yang terdapat didalamnya mempunyai
probabilitas 90% (probabilitas 0.90) kesalahan akan tereduksi.

1.5 Angka Penting

Jumlah angka penting dalam banyaknya numerik sama dengan jumlah digit dalam
bilangan yang kurang dari nol yang digunakan untuk memperbaiki posisi titik
desimal. Sebagai contoh:

147 memiliki 3 angka penting;

147,64 memiliki 5 angka penting;

 14

2,1 memiliki 2 angka signifikan;

1013 memiliki 4 angka penting;

1,007 memiliki 4 angka penting;

17,710 memiliki 5 angka penting;

0.021 memiliki 2 angka penting;

1320 memiliki 3 atau 4 angka penting, tergantung pada ada atau tidaknya nol digit
hanya digunakan untuk memperbaiki posisi titik desimal yang mengikutinya.

Nilai numerik harus membawa semua angka pasti ditambah digit pertama yang
diragukan. Jika, misalnya, empat digit pertama dari nilai 137,824 pasti dan dua digit
terakhir diragukan, nilai harus dinyatakan hanya lima angka penting, yaitu, 137,82
(1, 3, 7, dan 8 pasti, 2 diragukan).

Jumlah angka penting dalam kuantitas yang diukur secara langsung biasanya tidak
sulit untuk ditentukan, karena pada dasarnya tergantung pada hitungan terkecil dari
instrumen yang digunakan. Misalnya, jika jarak diukur dengan pita dengan satuan
sentimeter, dengan estimasi untuk milimeter, dan pembacaan 462,513 m, lima digit
pertama pasti, keenamnya adalah angka penting.

Jumlah angka penting dalam jumlah numerik dikurangi dengan pembulatan.

Kesalahan kecil akan terjadi jika pembulatan dilakukan sesuai dengan aturan
berikut:

1. Jika k angka penting yang diperlukan, membuang semua digit ke kanan angka ke-
(k + 1).
2. Periksa angka ke- (k +1).
a. Jika 0 sampai 4, membuangnya; misal, 12,34421 dibulatkan sampai empat angka
penting menjadi 12.34.
b. Jika 6 sampai 9, membuang dan menambahkan angka ke-k satu per satu; misalnya,
1,376 dibulatkan sampai tiga angka penting menjadi 1,38.
 15

c. Jika 5 dan angka ke-k pula, membuangnya; misalnya, 12,345 dibulatkan sampai
empat angka penting menjadi 12.34.
d. Jika 5 dan angka ke-k ganjil, membuang dan menambahkan angka ke-k satu per
satu; misalnya, 12,3435 dibulatkan ke lima angka penting menjadi 12,344

Jumlah angka penting tidak begitu mudah ditentukan dalam jumlah yang diperoleh
dengan perhitungan seperti di kuantitas yang diukur secara langsung. Namun
demikian, beberapa aturan umum dapat diterapkan dengan efektifitas yang wajar.
Dua aturan yang paling penting berurusan dengan operasi aritmatika, penambahan
(atau pengurangan) dan perkalian (atau pembagian).

Dalam proses itu, jumlah harus dibulatkan ke angka desimal yang setidaknya dalam
jumlah yang ditambahkan. Misalnya, jumlah tersebut.

165.21

149.7

65.495

2. 2167

382.6217

Harus dibulatkan ke 382,6 karena 149,7 dinyatakan hanya satu tempat desimal.

Dalam perkalian, jumlah angka penting dalam hasil harus sama dengan jumlah angka
penting, faktor numerik yang tepat dikecualikan. Sebagai contoh:

2.15 x 11,1234 = 23.9

2 (2.15 x 11,1234) = 47,8 (2 merupakan faktor yang tepat)

Dalam setiap kasus, jumlah angka penting (3) di 2.15 memutuskan jumlah angka
penting dalam produk.
 16

Dalam perhitungan dengan sejumlah besar operasi aritmatika, cara ini bak untuk
latihan untuk membawa satu angka penting di seluruh, kemudian melengkapi
setelah perhitungan selesai.

BAB 5

TEORI PROBABILITAS DASAR

5.1 Acara Acak dan Probabilitas

Dalam bab1, konsep variabel acak dan probabilitas telah diperkenalkan.
Dalam bab ini, kita akan mempelajari lebih lanjut variabel acak dan teori
probabilitas.
Salah satu bahasan dasar dari teori probabilitas adalah peristiwa acak.
Peristiwa acaka dalah salah satu frekuensi relatif suatu kejadian yang mendekati
batas stabil karena jumlah pengamatan atau pengulangan dari percobaan ini
mengalami peningkatan hingga tak terbatas. Batas frekuensi relative terjadinya
peristiwa acak dikenal sebagai probabilitas peristiwa.
Probabilitasperistiwa acakadalah nilaiyangterletak di suatu tempatantara nol
dan satu. Jika probabilitas peristiwa acak adalah nol, peristiwa tidak akan pernah
terjadi, jika kemungkinan acara ini satu, itu akan selalu terjadi (peristiwa
tertentu). Jika probabilitas yang tidak nol atau satu, tapi beberapa nilai antara nol
dan satu, acara mungkin atau tidak mungkin terjadi, kesempatan untuk terjadi
diberikan oleh nilai tertentu dari probabilitas.
Dalam bahasa matematika, jika. Merupakan peristiwa acak, dan P[E] adalah
probabilitas terjadinya peristiwa, maka

CONTOH 5.1
Jarak A diukur berulang kali menggunakan pita baja karbon. Dengan banyak
ketekunan dan kesabaran, 5000 pengukuran dilakukan untuk 0,001m. Pengukuran
 17

dikoreksi untuk kesalahan sistematik dan nilai – nilai yang dihasilkan dikoreksi
untuk dibulatkan ke sentimeter terdekat. Untuk nilai masing-masing yang
dihasilkan, frekuensi relative peristiwa dihitungdan dicatat (lihat tabel 5.1)

Pada dasarnya dari banyaknya pengukuran yang dilakukan, penghitungan

frekuensi relatif diterima sebagai nilai batas, mereka diterima sebagai probabilitas.
Misalkan Amenjadi peristiwa yang dibulatkan dari salah satu dari pengukuran
jarak 489,51 m atau kurang B peristiwa yang pengukurannya adalah 489,52m, C
peristiwa pengukuran 489,53m, D peristiwa pengukuran 489,54 m, E peristiwa
pengukuran adalah 489,55 m atau lebih. Penerimaan frekuensi relative peristiwa
pada Tabel 5.1 sebagai probabilitas, didapat:
Sebuah konsep yang sangat penting dan berguna dalam teori probabilitas adalah
bahwa kebebasan, dua peristiwa dikatakan bebas jika peristiwa satu tidak memiliki
pengaruh pada peristiwa yang lain, jika dua peristiwa yang bebas, probabilitas dari
dua peristiwa yang terjadi bersama-sama adalah sama dengan produk dari
probabilitas peristiwa yang terjadi secara individual. Dalam bahasa matematika

5.2 Variabel Acak

Dalam teori probabilitas dasar, pada awal buku pengantar pada subjek,
probabilitas peristiwa acak biasanya dijelaskan dengan mengacu pada sampel
ruang,koleksi semua hasil yang mungkin dari fenomena acak. Peristiwa yang
dipandang secara matematis sebagai himpunan bagian dari ruang sampel. Dalam
banyak aplikasi dari teori probabilitas, termasuk pengukuran dalam survei, lebih
mudah dan diinginkan untuk menggambarkan probabilitas dari peristiwa acak
sebagai fungsi dari suatu variabel acak.

CONTOH5.2
Jarak, diketahui 297.500 m, diukur dengan pita baja karbon 50 m. Pengukuran
dilakukan secara datar, permukaan horizontal dengan rekaman itu didukung
sepenuhnya, sehingga tidak ada kesalahan karena kemiringan dan rekaman itu.
Ujung-ujung pita ditandai secara hati - hati, dan koreksi yang tepat dibuat sehingga
 18

efek kesalahan dalam menandai, panjang tape, suhu, dan ketegangan dapat
diabaikan. Namun, rekaman itu hanya kira-kira,dan kesalahan acak yang signifikan
karena kesalahan dari pita diperkenalkan. Karena setiap kesalahan dalam
keselarasan menyebabkan nilai yang terukur dari jarak terlalu tinggi, kesalahan
dalam jarak karena kesalahan alat selalu positif.

Dengan banyak usaha, pengukuran diulang 5000 kali dan nilai-nila iyang
dihasilkan dibulatkan ke sentimeter terdekat. Kesalahan dalam jarak karena missal
ignment dari pita(x) ditunjukkan dalam sentimeter, dan frekuensi relatif adalah
menghitung dengan jumlah pengukuran yang terkait dengan masing-masing nilai
error dengan jumlah total pengukuran. Sekali lagi, sinus sejumlah besar
pengukuran yang terlibat, frekuensi relative diterima sebagai membatasi nilai-nilai,
sebagai probabilitas.

Jika fungsi relatif di table 5-2 dapat didekati oleh fungsi aljabar x,
fungsi seperti itu mewakili dasar yang sesuai untuk mengevaluasi probabilitas.
Dalam kasus tertentu pada pita , fungsi yang mendekati frekuensi relative dengan
baik adalah :

p (x) = 2 ( x – 0,15 )2e1.5x , x = 0 , 1 , …. , 8

(5.3)

dimana x adalah kesalahan dalam cm ( centimeter ) .

Nilai dari fungsi p (x) telah tercantum pada table 5-2 sebelah frekuensi
relatif; fungsinya telah diplot dalam gambar 5-1. Tidaklah penting fungsi ini secara
teoritis diturunkan; apa yang penting adalah bahwa fungsi sesuai dengan data yang
diamati.

Mengingat apa yang telah dibahas sebelumnya di bagian 5.1, peristiwa

dimana kesalahan dalam jarak mengambil nilai tertentu x adalah, memang ,
peristiwa acak, dan nilai dari p (x) mewakiliki probabilitas dari peristiwa acak
 19

yang terjadi ini. Sebagai contoh, peristiwa dimana kesalahan adalah 2 cm adalah
peristiwa acak, dan probabilitas ( kemungkinan ) dari peristiwa acak yang terjadi
adalah 0,3048.

Dengan mengacu pada contoh 5-2, biarkan X mewakili kesalahan

dalam jarak. Peristiwa acak dimana X mengambil nilai numeric x yang spesifik
diwakili secara matematis oleh ekspresi X = x, dan probabilitas ( kemungkinan )
dari peristiwa acak yang terjadi ini, diwakili secara matematis oleh P[X=x] ,
diberikan oleh fungsi p (x) :

p (x) = P[X=x]
(5.4)

( Gambar 5.1)
*e = 2,71828 ,dasar dari system logaritma asli
Di sini, X adalah variabel acak, dan p (x) adalah fungsi
probabilitasnya. Variabel acak dan fungsi probabilitas merupakan apa yang dikenal
sebagai model probabilitas, model matematika yang menggambarkan tugas atau
distribusi probabilitas untuk kelas tertentu dari peristiwa acak. Pada contoh di atas,
kemungkinan dari peristiwa acak dimana X mengambil nilai 0 cm adalah p (0) =
 20

P[X = 0] = 0,0450; kemungkinan dimana X mengambil nilai 1 cm adalah p (1) =

P[X = 1] = 0,3224; dan seterusnya.

Sebagai soal konvensi, variabel acak diwakili oleh huruf kapital

italic/miring ( seperti X ), dan nilai numerik yang mereka ambil diwakili oleh huruf
kecil italic/miring ( seperti x ). Dalam beberapa literatur, variabel acak dikenal
sebagai variates.

Fungsi khusus yang diberikan oleh Pers. (5-3) hanya salah satu dari
banyak yang dapat berfungsi sebagai fungsi probabilitas. Memang, pembaca tidak
harus menafsirkan Pers. (5-3) sebagai sesuatu yang lebih dari sebuah ilustrasi
tentang apa yang dimaksud dengan fungsi probabilitas. Ini hanyalah sebuah model
matematika dari apa yang terjadi pada kenyataannya, fungsi dasar yang
mendistribusikan jumlah total probabilitas yang tersedia di antara semua nilai
variabel acak. Seperti digambarkan dalam tabel 5-2, jumlah dari semua nilai p (x)
harus menjadi kesatuan.

Fungsi probabilitas p (x) bukan hanya satu-satunya jenis fungsi yang

terkait dengan variabel acak. Fungsi lain dengan pembanding penting adalah :

F(x)=P[X ≤ x] untuk semua x

(5.5)
F (x) dikenal sebagai fungsi distribusi probabilitas dari X, atau hanya
fungsi distribusi. Hal ini harus ditafsirkan sebagai probabilitas dari peristiwa yang
variabel-variabel acak mengambil nilai yang sama dengan atau kurang dari x.
Rumus-rumus berikut ini berlaku untuk fungsi distribusi :

P[a < x ≤ b] = F(b) – F(a) (5-6)

0 ≤ F(x) ≤ 1 untuk semua x (5-7)
F(a) ≤ F(b) untuk a < b (5-8)
F(-∞) = 0 (5-9)
 21

F(∞) = 1 (5-10)
Lim F(x) = F (n)
(5-11)

Untuk menggambarkan F (x) dan sifat-sifatnya, mari kita kembali ke

Contoh 5-2. Probabilitas p (x) yang tercantum dalam tabel 5-2, digunakan untuk
menentukan nilai dari F (x) dalam tabel 5-3. Fungsi F (x) diplot pada Gambar. 5-2.

Dari tabel 5-2, sangatlah jelas bahwa nilai F (x) hanya menjalankan
akumulasi dari nilai p (x) . Sebagai contoh,

F (1) = p (0) + p (1) = 0,0450 + 0,3224 = 0,3674

F (2) = p (0) + p (1) + p (2) = 0,0450 + 0,3224 + 0,3408 = 0,7082
Dan setereusnya.

Sekarang, jika a = 2 cm dan b = 4 cm, probabilitas ( kemungkinan )

bahwa kesalahan X lebih besar dari 2 cm tetapi kurang dari atau sama dengan 4 cm
diberikan oleh Pers. (5-6) :

P[2 ≤ X ≤ 4] = F(4) – F(2) = 0.9622 – 0.7082 = 0.2540

Persamaan (5-7) menyatakan bahwa semua nilai F (x) harus terletak
antara nol dan satu, inklusif. Ini harus begitu karena F (x) adalah probabilitas
kejadian acak, dan semua probabilitas adalah angka antara nol dan satu. Misalnya,
F (3) = 0,8887 adalah probabilitas dari peristiwa dimana nilai X adalah 3 cm, atau
kurang; F (5) = 0,9882 adalah probabilitas dimana nilai X adalah 5 cm, atau
kurang.

Persamaan (5-8) menyatakan bahwa fungsi distribusi adalah non

decreasing, yaitu, F (x) tidak dapat menurunkan nilai sebagai x meningkat. Sifat
ini harus jelas dari tabel 5-3 atau dari gambar. 5-2.
 22

TABEL 5.3

Kesalahan
pada pengukuran Distribusi Fungsi
jarak x P(x) = P[X + x]
(cm)
0 0.0450 =
0.0450
1 0.0450 + 0.3224 =
0.3674
2 0.3674 + 0.3408 =
0.7082
3 0.7082 + 0.1805 =
0.8887
4 0.8887 + 0.0735 =
0.9622
5 0.9622 + 0.0260 =
0.9882
6 0.9882 + 0.0084 =
0.9966
7 0.9966 + 0.0026 =
0.9992
8 0.9992 + 0.0008 =
1.0000
9 1.000 + 0 =
1.0000
 23

Gambar 5.2

Persamaan (5-9) dan (5-10) memberikan dua nilai ekstrim untuk F (x).
Dalam kasus lain, F (x) = 0 untuk setiap nilai x kurang dari nol, dan F (x) = 1
untuk setiap nilai x lebih besar dari 8.
 24

Persamaan (5-11) menyatakan bahwa fungsi distribusi kontinu dari

kanan. Mengacu pada gambar 5-2, ini berarti bahwa F (2) = 0,7082, bukan 0,3674,
dan F (3) = 0,8887, bukan 0,07082, yaitu, semakin tinggi dari dua nilai yang
mungkin diambil.

Telah dinyatakan bahwa suatu variabel acak dan fungsi

probabilitasnya merupakan model probabilitas. Model probabilitas dapat diberikan
juga oleh variabel acak dan fungsi distribusinya. Dalam kedua kasus, model ini
dikenal sebagai distribusi probabilitas.

Model khusus yang diilustrasikan dalam contoh 5-2 adalah distribusi

probabilitas diskrit. Fitur karakteristik dari distribusi probabilitas diskrit adalah
bahwa fungsi probabilitas p (x) adalah tidak nol hanya untuk satu set yang berbeda
dari nilai x; untuk semua nilai-nilai lain dari x, p (x) adalah nol. Dalam contoh 5-2,
p (x) adalah tidak nol hanya untuk x = 0, 1, 2, 3, 4, 5, 6, 7, dan 8. Oleh karena itu,
fungsi distribusi F (x) dari suatu distribusi probabilitas diskrit harus menjadi fungsi
langkah; yaitu, fungsi yang hanya meningkat hanya dalam lompatan/melompat
terbatas. Gambar 5-2 menunjukkan karakteristik ini dengan cukup jelas. Memang,
p (x) justru lonjakan F (x) pada setiap nilai x yang p (x) bernilai nol. Penting untuk
dicatat bahwa meskipun p (x) mungkin menjadi nol pada nilai tertentu dari x, F (x)
tidak selalu nol. Contoh 5-2, p (1,5) = 0, tapi F (1,5) = 0,3674; dan p (9) = 0, tapi F
(9) = 1,0000