Pada dasarnya statistika ialah sebuah konsep dalam bereksperimen, menganalisa data yang

bertujuan untuk mengefisiensikan waktu, tenaga dan biaya dengan memperoleh hasil yang
optimal. Berdasarkan definisinya Statistika merupakan ilmu yang mempelajari bagaimana
merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Sedangkan statistik adalah data, informasi, atau hasil penerapan algoritma statistika pada suatu
data. Data sendiri merupakan kumpulan fakta atau angka.

            Disadari atau tidak, statistika telah banyak digunakan dalam kehidupan sehari-hari.
Bahkan pemerintah menggunakan statistika untuk menilai hasil pembangunan masa lalu dan juga
untuk membuat rencana masa datang. Begitu pula Pimpinan mengambil manfaat dari kegunaan
statistika untuk melakukan tindakan - tindakan yang perlu dalam menjalankan tugasnya,
diantaranya: perlukah mengangkat pegawai baru, sudah waktunyakah untuk membeli mesin
baru, bermanfaatkah kalau pegawai di tatar, bagaimanakah kemajuan usaha tahun tahun yang
lalu, berapa banyak barang harus dihasilkan setiap tahunnya, perlukah sistem baru dianut dan
sistem lama ditinggalkan, dan masih banyak lagi untuk disebutkan. Dunia penelitian atau riset,
dimanapun dilakukan bukan saja telah mendapat manfaat yang baik dari statistika tetapi sering
harus menggunakannya. Untuk mengetahui apakah cara yang baru ditemukan lebih baik daripada
cara lama, melalui riset yang dilakukan dilaboratorium, atau penelitian yang dilakukan di
lapangan, perlu diadakan penilaian dengan statistika. Apakah model untuk sesuatu hal dapat kita
anut atau tidak, perlu diteliti dengan menggunakan teori statistika. Statistika juga telah cukup
mampu untuk menentukan apakah faktor yang satu dipengaruhi atau mempengaruhi faktor
lainnya. Kalau ada hubungan antara factor - faktor, berapa kuat adanya hubungan tersebut?
Bisakah kita meninggalkan faktor yang satu dan hanya memperhatikan faktor lainnya untuk
keperluan studi lebih lanjut.
            Uraian singkat tadi, hendaknya cukup dapat memberikan gambaran bahwa statistika
sebenarnya diperlukan, minimal penggunaan metodanya. Sesungguhnya statistika sangat
diperlukan bukan saja hanya dalam penelitian atau riset, tetapi juga perlu dalam bidang
pengetahuan lainnya seperti : teknik, industri, ekonomi, astronomi, biologi, kedokteran, asuransi,
pertanian, perniagaan, bisnis, sosiologi, antropologi, pemerintahan, pendidikan, psikologi,
meteorologi, geologi, farmasi, ekologi, pengetahuan alam, pengetahuan sosial, dan lain
sebagainya.
            Penguasaan statistika dan kemampuan menggunakannya merupakan suatu hal yang
sangat penting dan sangat bermanfaat bagi sebuah organisasi perusahaan khususnya dalam
bidang ekonomi dan bisnis. Karena dengan itu, sebuah organisasi perusahaan bisa mendapatkan
informasi yang sangat berguna bagi kemajuan perusahaannya. Informasi tersebut bisa didapatkan
dari hasil pengolahan data yang telah disimpulkan kemudian data tersebut bisa kita analisa untuk
dijadikan bahan perkiraan dalam mengambil keputusan di masa yang akan datang. Semakin
berkembang pesatnya teknologi di zaman sekarang ini, setiap perusahaan  menginginkan agar
bisa menggunakan teknologi tersebut dalam membuat sebuah perencanaan yang matang untuk
masa depan perusahaannya dari informasi yang telah ada pada perusahaannya. Informasi tersebut
terdiri dari data variabel dan juga data numerik yang telah dikumpulkan, dibagi-bagi, kemudian
diolah menjadi data ringkasan yang berbentuk variabel maupun angka-angka. Dalam pengolahan
data tersebut, setiap perusahaan bisa menggunakan teknologi komputer dari aplikasi yang telah
dibuat oleh Perusahaan Microsoft seperti Microsoft Office Excel dan ada juga aplikasi komputer
yang membantu untuk pengolahan data seperti aplikasi SPSS. Oleh karena itu, kami mencoba
untuk membuat kerangka tulisan ini yang membahas mengenai bagaimana cara penggunaan
aplikasi tersebut dalam pengolahan data yang diinginkan dengan pengetahuan yang kami
dapatkan dari kuliah Statistika Deskriptif dan juga dari berbagai sumber yang kami peroleh baik
dari media internet maupun buku-buku yang membahas tentang penggunaan aplikasi tersebut.

            Dalam makalah ini, kami akan membahas materi yang berjudul ”STISTIKA DAN
PROBABILITAS”. Alasan kami memilih judul ini karena kami ingin menambah wawasan
tentang bagaimana data itu tersebar.

1.2 Tujuan
1. Memahami cara menentukan Data-data dalam statistik dan Probabilitas.
2. menunjukan manfaat statistika dan probabilitas dalam kehidupan sehari-hari
3. Untuk memenuhi salah satu tugas ujian MID 2 semester 1  pada mata kuliah Statistika
1.3 Rumusan Masalah
1.  Pengertian statistika dan distribusi frekuensi data
2. Probabilitas dan bagian-bagiannya
                                                                       

BAB II
PEMBAHASAN
                  
2.1 STATISTIKA
2.1.1    Pengertian Statistika dan Distribusi Frekuensi

Statistik, secara istilah memiliki arti data yang berupa angka-angka yang dikumpulkan,
ditabulasi, digolong-golongkan sehingga dapat memberikan informasi yang berarti mengenai
suatu masalah atau gejala yang terjadi. Dari kumpulan data yang berupa angka-angka  tersebut
terdapat ukuran gejala pusat data yang berguna untuk mengetahui lokasi data dibandingkan
dengan pusat data.
 Statistika merupakan ilmu yang mempelajari statistik yaitu ilmu tentang  pengumpulan,
pengolahan, penyajian, dan analisis data serta cara pengambilan kesimpulan secara umum
berdasarkan hasil penelitian yang tidak menyeluruh. Ilmu Statistika berguna untuk memberikan
informasi atas gejala perubahan yang terjadi dengan menjelaskan hubungan antar variabel yang
ada, dan juga untuk mengambil keputusan yang lebih baik dari perencanaan yang dilakukan.

Dalam ilmu statistika terdapat istilah distribusi frekuensi. Distribusi frekuensi adalah
penyusunan data ke dalam kelas-kelas tertentu yang sebelumnya data tersebut masih mentah atau
belum dikelompokkan kemudian diatur sedemikian rupa sehingga menjadi data yang sudah
dikelompokkan yang tertata rapih tanpa menghilangkan informasi yang sudah ada. Distribusi
frekuensi terbagi menjadi dua macam yaitu Distribusi Frekuensi Numerical (pengelompokkan
data dengan angka-angka) dan  Distribusi Frekuensi Kategorikal (pengelompokkan data
berdasarkan ketegori-kategori tertentu). 

2.1.2 Definisi Statistik

            Ada 2 pendekatan untuk menganalisis informasi berdasarkan jenis informasi

yang diperoleh, yaitu analisis kuantitatif dan analisis kualitatif. Analisis kuantitatif/analisis data
kuantitatif adalah analisis yang berbasis pada kerja hitung-menghitung angka. Angka yang diolah
disebut input dan hasilnya disebut output juga berupa angka. Analisis kualitatif/analisis data
kualitatif adalah analisis yang berbasis pada kerja pengelompokan simbol-simbol selain angka.
Simbol itu berupa kata, frase, atau kalimat yang menunjukkan beberapa kategori. Input maupun
output analisis data
kualitatif berupa simbol, dimana outputnya disebut deskripsi verbal.

            Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga
diartikan sebagai metode/asas-asas guna mengerjakan/memanipulasi data kuantitatif
agar angka berbicara. Pendekatan dengan statistik sering digunakan metode statistik
yaitu metode guna mengumpulkan, mengolah, menyajikan, menganalisis &
menginterpretasikan data statistik. Statistika dapat pula diartikan pengetahuan yang
berhubungan dengan pengumpulan data, pengolahan data, penganalisisan dan
penarikan kesimpulan berdasarkan data dan analisis. Jadi statistik adalah produk dari kerja
statistika.

Ada dua konsep dalam bahasa Inggris.Statistic: nilai yang dihitung dari sebuah
sampel (mean, median, modus, dsb). Statistics: metode ilmiah untuk pengumpulan
data atau kumpulan angka. Dalam bahasa Indonesia, statistik memiliki 3 pengertian
dimuka.

•Kumpulan data = data

•Nilai yang dihitung dari dari sebuah sampel = statistik sampel
• Metode ilmiah guna mengumpulkan, mengolah, menyajikan, dan analisis data = statistik

2.1.2.1 Pengertian Dispersi dan Rumusannya

        
      Dispersi / Ukuran penyebaran Data adalah suatu ukuran baik parameter atau statistika untuk
mengetahui seberapa besar penyimpangan data. Melalui ukuran penyebaran dapat diketahui
seberapa jauh data-data menyebar dari titik pemusatannya/ suatu kelompok data terhadap pusat
data.Ukuran ini kadang – kadang dinamakan pula ukuran variasi yang mnggambarkan
berpencarnya data kuantitatif. Beberapa ukuran dispersi yang terkenal dan akan diuraikan disini
ialah : Rentang, Rentang natar kuartil, simpangan kuartil/deviasi kuartil, rata-rata
simpangan/rata-rata deviasi, simpangan baku atau standar deviasi, variansi dan koefisien
variansi, jangkauan kuartil, dan jangkauan persentil.
2.1.2.2 Rentang (range) :
Rentang (Range) dinotasikan sebagai R, menyatakan ukuran yang menunjukkan selisih
nilai antara maksimum dan minimum atau selisih bilangan terbesar dengan bilangan terkecil.
Rentang merupakan  ukuran penyebaran yang sangat kasar, sebab hanya bersangkutan
dengan bilangan terbesar dan terkecil.Semakin kecil nilai R maka kualitas data akan semakin
baik, sebaliknya semakin besar nilai R, maka kualitasnya semakin tidak baik.
Rentang cukup baik digunakan untuk mengukur penyebaran data yang simetrik dan nilai
datanya menyebar merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan
minimumnya merupakan nilai ekstrim.
Rentang = Xmax – Xmin,
Xmax adalah data terbesar dan Xmin adalah data terkecil.

2.1.2.3 Deviasi Rata-rata

            Arti deviasi rata-rata penyebaran Berdasarkan harga mutlak simpangan bilangan-bilangan
terhadap rata-ratanya. Makin besar simpangan, makin besar nilai deviasi rata-rata.

2.1.2.4 Varians
            Arti  penyebaran berdasarkan jumlah kuadrat simpangan bilangan-bilangan terhadap rata-
ratanya ; melihat ketidaksamaan sekelompok data
2.1.2.5 Deviasi Standar
penyebaran berdasarkan akar dari varians dan menunjukkan keragaman kelompok data.

2.1.3 Ukuran Pemusatan

2.1.3.1 Median
            Median adalah salah satu ukuran pemusatan yang sering digunakan. Median dari segugus
data yang telah diurutkan dari yang terkecil sampai yang terbesar atau dari terbesar sampai
terkecil adalah pengamatan yang tepat di tengah-tengah bila banyaknya pengamatan itu ganjil,
atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan genap.
contoh :
Dari lima kali kuiz statistika, seorang mahasiswa memperoleh nilai 82, 93, 86, 92, dan 79.
Tentukan median populasi ini.
jawab: Setelah data disusun dari yang terkecil sampai terbesar, diperoleh 
             79 82 86 92 93
             Oleh karena itu medianya adalah 86

Kada nikotin yang berasal dari sebuah contoh acak enam batang rokok cap tertentu adalah 2.3,
2.7, 2.5, 2.9, 3.1, dan 1.9 miligram. Tentukan mediannya.
jawab: Bila kadar nikotin itu diurutkan dari yang terkecil sampai terbesar, maka diperoleh
           1.9 2.3 2.5 2.7 2.9 3.1
           Maka mediannya adalah rata-rata dari 2.5 dan 2.7, yaitu
Median =  = 2.6
Selain itu juga dapat dicari median dari data yang telah tersusun dalam bentuk distribusi
frekuensi. Rumus yang digunakan ada dua, yaitu
Median = + c
Dimana :
Bbk = batas kelas bawah median
c = lebar kelas
s = Selisih antara nomor frekuensi median dengan frekuensi kumulatif dari kelas-kelas di muka
kelas median
fM = frekuensi kelas median
median = -
Dimana :
Bak=batas kelas atas median
c=  lebar kelas
s' = selisih antara nomor frekuensi median dengan frekuensi kumulatif sampai kelas median
fM = frekuensi kelas median
Sebelum menggunakan kedua rumus di atas, terlebih dahulu harus ditentukan kelas yang menjadi
kelas median. Kelas median adalah kelas yang memuat nomor frekuensi median, dan nomor
frekuensi median ini ditentukan dengan membagi keseluruhan data dengan dua.

Perhatikan tabel di bawah ini, kita akan cari median dengan kedua cara diatas
menggunakan kedua rumus di atas didapat:
Kelas F
10 – 19 9
20 – 29 20
30 – 39 26
40 – 49 35
50 – 59 22
60 -  69 17
70 – 79 11
80 – 89 6
90 - 100 4
Jumlah 150
Dengan menggunakan kedua rumus diatas didapa :
Median =  39.5 +  10
             = 45.2
Atau
Median = 49.5 -  10
             = 45.2

2.1.3.2  Modus

        Modus segugus pengamatan adalah nilai yang terjadi paling sering atau yang mempunyai
frekuensi paling tinggi. Modus tidak selalu ada, hal ini bila semua pengamatan mempunyai
frekuensi terjadi yang sama. Untuk data tertentu, mungkin saja terdapat beberapa dengan
frekuensi tinggi, dan dalam hal demikian kita mempunyai lebih dari satu modus.
contoh :
Sumbangan dari warga Bogor pada hari Palang Merah Nasional tercatat sebagai berikut: Rp
9.000, Rp 10.000, Rp 5.000, Rp 9.000, Rp 9.000, Rp 7.000, Rp 8.000, Rp 6.000, Rp 10.000, Rp
11.000. Maka modusnya, yaitu nilai yang terjadi dengan frekuensi paling tinggi, adalah Rp
9.000.

Dari dua belas pelajar sekolah lanjutan tingkat atas yang diambil secara acak dicatat berapa kali
mereka menonton film selama sebulan lalu. Data yang diperoleh adalah 2, 0, 3, 1, 2, 4, 2, 5, 4, 0,
1 dan 4. Dalam kasus ini terdapat dua modu, yaitu 2 dan 4, karena 2 dan 4 terdapat dengan
frekuensi tertinggi. Distribusi demikian dikatakan bimodus.
            Sedangkan untuk mencari modus dari data yang telah disusun dalam bentuk distribusi
frekuensi terlebih dahulu ditentukan kelas yang menjadi kelas modus. Kelas Modus adalah kelas
yang mempunyai frekuensi paling tinggi, lalu nilai modus ditentukan menggunkan rumus berikut
ini :

                                                Modus = B1 +  C

B1 = Batas bawah kelas modus.

d1 = Selisih antara frekuensi kelas modus dengan frekuensi kelas yang mendahuluinya.
d1 = Selisih antara frekuensi kelas modus dengan frekuensi kelas berikutnya.
c = Lebar kelas modus.
2.1.3.3 Mean
2.4.3.3.1 Mean
            Didalam bagian ini dibicarakan mengenai harga rata-rata hitung (arithmetic mean),
dimana harga rata-rata ini dapat digunakan untuk data yang tak tersusun (ungrouped data), yaitu
data yang belum tersusun distribusi frekuensinya, ataupun data yang telah tersusun dalam bentuk
distribusi frekuensi (grouped data).
Rata-rata hitung dikenal juga sebagai nilai tengah.
Selain itu, rata-rata hitung dapat juga dibagi menjadi dua yaitu, rata-rata hitung untuk segugus
data yang membentuk populasi, dan data yang merupakan contoh.

2.1.3.3.2 Rumus Rataan Hitung (Mean)

 
            Rata-rata hitung dihitung dengan cara membagi jumlah nilai data dengan banyaknya data.
Rata-rata hitung bisa juga disebut mean.
a) Rumus Rataan Hitung dari Data Tunggal
b) Rumus Rataan Hitung Untuk Data yang Disajikan Dalam Distribusi Frekuensi

Dengan : fixi = frekuensi untuk nilai xi yang bersesuaian

xi = data ke-i
c) Rumus Rataan Hitung Gabungan
2.1.3.4  Quartile
            Quartile adalah nilai-nilai yang membagi segugus pengamatan menjadi empat bagian
sama besar. Nilai-nilai itu, yang dilambangkan dengan Q1, Q2, dan Q3, mempunyai sifat bahwa
25% data jatuh dibawah Q1, 50% data jatuh dibawah Q2, dan 75% data jatuh dibawah Q3.
Contoh : Perhatikan table umur aki mobil dibawah ini, dan cari Quartile ke 1 (Q1).
Jawab : Untuk menghitung Q1 bagi distribusi umur aki, diperlukan nilai yang dibawahnya
terdapat (25/100) X 40 = 10 pengamatan. Karena pengamatan yang ke 10 dan ke 11 sama dengan
3.1 tahun, maka rat-ratanya juga 3.1 tahun jadi Q1 = 3.1 tahun.

Sedangkan untuk menghitung Quartile dari data yang telah tersusun dalam bentuk distribusi
frekuensi (grouped data), digunakan rumus berikut.

 =  + 

Perhatikan table dibawah ini, tentukan Q bagi distribusi bobot 50 koper.

Selang kelas Batas kelas Titik tengah Frekuensi

7–9 6.5 – 9.5 8 3
10 – 12 9.5 – 12.5 11 7
13 – 15 12.5 – 15.5 14 17
16 – 18 13.5 – 18.5 17 15
19 – 21 18.5 – 21.5 20 8

Jawab : Diperlukan sebuah nilai yang dibawahnya terdapat (75/100) X 50 = 37.5 pengmatan.
Ada 27 pengamatan yang terdapat di bawah 15.5, sehingga masih diperlukan 10.5 diantara 15
pengamatan berikutnya.  Sehingga didapat,

 = 15.5 + 3  
     = 17.6

2.1.3.5 Desile
            Desile adalah nilai-nilai yang membagi segugus pengamatan menjadi sepuluh bagian
yang sama. Nilai-nilai itu, dilambangkan dengan D1, D2, .....D9, mempunyai sifat bahwa 10%
data jatuh dibawah D1, 20% data jatuh dibawah D2, ..., dan 90% data jatuh dibawah D9.

Contoh : Hitung Desile yang ke-7 D7 untuk data-data yang terdapat pada tabel berikut ini
 
Jawab : Cara menghitung desile sama persis dengan cara menentukan quartile. Untuk
menentukan D7 bagi distribusi umur aki, harus ditemukan nilai yang dibawahnya terdapat
(70/100) X 40 = 28 pengamtan. Oleh karena nilai ini dapat berup sembarang nilai antara 3.7
tahun dan 3.8 tahun maka, yang diambil adalah rata-ratanya sehingga D7= 3.75 tahun.
Jadi dapat disimpulkan bahwa 70% dari semua aki jenis ini umurnya akan kurang dari 3.75 tahun
.
Sedangkan untuk menghitung desile dari data yang telah tersusun dalam bentuk distribusi
frekuensi (grouped data) digunakan rumus berikut. 
Di = Bb + c
2.1.3.6 Persentile
Persentile adalah nilai-nilai yang membagi segugus pengamatan menjadi seratus bagian yang
sama. Nilai-nilai itu, dilambangkan dengan P1, P2,...P99, mempunyai sifat bahwa 1% data jatuh
dibawah P1, 2% data jatuh di bawah P2..., dan 99% data jatuh di bawah P99.

Sedangkan untuk menghitung persentile dari data yang telah tersusun dalam bentuk distribusi
frekuensi (grouped data), digunakan rumus berikut.

Pi = Bb + C

            Persentile ke-50, desil ke-5 dan quartil ke-2 suatu distribusi disebut median. Kuartil dan
desil juga merupakan persentil. Misalnya, desil ke-7 adalah persentil ke-70, dan kuartil ke-2
adalah juga persentil ke-50.
2.1.4 Distribusi Frekuensi
            Dalam suatu penelitian biasanya dilakukan suatu kegiatan pengumpulan data. Data-data
ini digunakan untuk mendukung penelitian, dimana hasil dari penelitian ini bergantung dari
banyak dan ketepatan data-data yang berhasil dikumpulkan. Untuk memudahkan penggunaan
data-data itu dalam penelitian, data-data itu dapat diringkaskan atau disusun.

            Salah satu cara untuk mengatur atau menyusun data adalah dengan mengelompokkan
data-data berdasarkan ciri-ciri penting dari sejumlah besar data, ke dalam beberapa kelas dan
kemudian dihitung banyaknya pengamatan yang masuk ke dalam setiap kelas. Susunan  
demikian ini dalam bentuk label, disebut Distribusi frekuensi. Selain itu dapat pula disajikan
dalam bentuk diagram dan grafik.
            Berdasarkan jenis data yang digolongkan didalamnya distribusi frekuensi dibagi menjadi
dua yaltu, distribusi frekuensi bilangan (numerical frequency distribution) dan distribusi
frekuensi kategoris (categorical frequency distribution).

Tabel 1. Distribusi Frekuensi Bilangan

Bobot Koper Banyaknya

(kg)
7–9 3
10 – 12 7
13 – 15 17
16 – 18 15
19 – 21 8

            Distribusi frekuensi bilangan adalah distribusi frekuensi yang berisikan data berupa
angka-angka, dimana data itu dibagi atas golongan-golongan yang dinamakan kelas-kelas,
menurut besarnya bilangan.

Tabel 2 .Distribusi Frekuensi Kategoris

Katagori Banyaknya
Anak-anak 30
Gadis 35
Bersuami 25
Janda 10

            Distribusi frekuensi kategoris adalah distribusi frekuensi yang berisikan data bukan
angka, dimana data itu dibagi atas golongan-golongan yang dinamakan kelas-kelas, berdasarkan
sifat lain.
2.1.5 Distribusi Frekuensi Kumulatif
            Dalam suatu keadaan yang menjadi titik perhatian mungkin bukan pada banyaknya
pengamatan pada kelas tertentu, tetapi pada banyaknya pengamatan yang jatuh di atas atau di
bawah sebuah nilai tertentu. Distribusi Frekuensi semacan ini dikenal dengan sebagai Distribusi
Frekuensi Kumulatif.

            Distribusi Frekuensi Kumulatif terdiri dari dua macam, yaitu distribusi kumulatif kurang
dari dan distribusi kumulatif lebih dari. Distribusi Frekuensi Kumulatif kurang dari menunjukkan
berapa banyaknya frekuensi pengamatan yang menunjukkkan nilai lebih kecil dari sebuah nilai
atau nilai-nilai tertentu. Sedangkan Distribusi Frekuensi Kumulatif lebih dari menunjukkan
berapa banyaknya frekuensi pengamatan yang menunjukkan nilai yang lebih besar dari sebuah
nilai atau nilai-nilai tertentu.

Tabel Distribusi Frekuensi Kumulatif Kurang Dari

Batas Kelas Frekuensi Relatif

Kurang dari 1.45 0
Kurang dari 1.95 2
Kurang dari 2.45 3
Kurang dari 2.95 7
Kurang dari 3.45 22
Kurang dari 3.95 32
Kurang dari 4.45 37
Kurang dari 4.95 40
Dari tabel distribusi frekuensi kumulatif diatas, ada 7 pengamatan yang mempunyai nilai kurang
dari 3 .

 Tabel Distribusi Frekuensi Kumulatif Lebih Dari

Batas Kelas Frekuensi Relatife

Lebih dari 1.45 40
Lebih dari 1.95 38
 Lebih dari 2.45 35
Lebih dari 2.95 33
Lebih dari 3.45 18
Lebih dari 3.95 8
Lebih dari 4.45 3
Lebih dari 4.95 0

Dari tabel distribusi frekuensi kumulatif diatas ada 18 pengamatan yang mempunyai nilai lebih
dari 3.
2.1.6 Penyajian Grafik
            Distribusi frekuensi dapat juga disajikan dalam bentuk grafik. Penyajian grafik yang
sangat luas digunakan bagi data numerik adalah diagram balok seperti gambar dibawah ini.

                                                Diagram Balok umur Aki

            Penyajian data lainnya adalah berbentuk Histogram. Histogram berbeda dengan Diagram
Balok dala hal sebagai lebar baloknya digunakan batas kelas bukan limit kelas. Untuk beberapa
masalah tertentu  akan lebih baik bila sumbu tegaknya menyatakan frekuensi relatif atau
persentase. Grafiknya disebut Histogram Frekuensi Relatif atau Histogram Persentase,
bentuknya persis dengan histogram frekuensi, hanya skala tegaknya berbeda. 

Histogram Frekuensi

            Biasanya ada kecenderungan bahwa yang menjadi patokan adalah luas dari persegi
panjang tersebut bukan tingginya. Tetapi untuk lebar kelas yang berbeda, tinggi persegi panjang
itu harus dibagi dengan perbandingan lebar yang lebih besar dengan gaya yang lebih kecil. Hal
ini dapat dilihat dalam gambar dibawah ini, karena lebar kelas yang dipakai ada dua lebar kelas,
maka lebar kelas dari 2.5-3.4, lebar kelasnya harus kita bagi dengan lebar kelas lainnya, yaitu
didapat ternyata lebar selang 2.5-3.4 dua kali lebih panjang dari lebar kelas lainnya. Sehingga
tinggi dari kelas 2.5-3.4, harus dibagi 2.
Histogram Frekuensi yang tidak benar dengan lebar kelas yang tidak sama

Histogram Frekuensi yang benar dengan lebar kelas yang tidak sama

            Cara lainnya lagi adalah dalam bentuk poligon frekuensi. Poligon frekuensi dibentuk
dengan memplotkan frekuensi kelas terhadap titik tengah kelas dan kemudian menghubungkan
titik-titik yang berurutan dengan garis lurus. Dengan kata lain poligon merupakan bangun bersisi
banyak yang tertutup. Jika frekuensi yang ada dalam bentuk frekuensi relatif, maka disebut
poligon frekuensi relatif atau poligon persentase.

Poligon Frekuensi

Ogif atau Poligon Frekuensi Kumulatif

            Grafik garis lainnya disebut Poligon Frekuensi Kumulatif atau Ogif, didapat dengan
memplotkan frekuensi kumulatif yang lebih kecil daripada batas atas kelas terhadap batas atas
kelasnya.
2.1.7 Kegunaan Statistik
            Statistik berfungsi hanya sebagai alat bantu! Peranan statistik dalam penelitian tetap
diletakkan sebagai alat. Artinya, statistik bukan menjadi tujuan yang menentukan komponen
penelitian lain. Oleh sebab itu, yang berperan menentukan tetap masalah yang dicari jawabannya
dan tujuan penelitian itu sendiri.

            Statistik dapat berguna dalam penyusunan model, perumusan hipotesis, pengembangan
alat pengambil data, penyusunan rancangan penelitian, penentuan sampel, dan analisis data, yang
kemudian data tersebut diinterpretasikan sehingga bermakna. Hampir semua penelitian ilmiah
dilakukan terhadap sampel kejadian, dan atas dasar sampel itu ditarik suatu generalization. Suatu
generalisasi pasti mengalami error, disinilah salah satu tugas statistikbekerja atas dasar sampel
 bukan populasi. Dengan demikian pengujian hipotesis dapat kita lakukan dengan teknik-teknik
statistik.

            Dari hasil analisis statistik yang diperoleh berdasarkan perhitungan yang angka-angka
tersebut, sebenarnya belum mempunyai arti apa-apa tanpa dideskripsikan dalam bentuk kalimat
atau kata-kata di dalam penarikan kesimpulan. Jika tidak, maka hasil analisis tersebut tidak akan
bermakna dan hanya tinggal angka-angka yang tidak "berbunyi".

2.2  Probabilitas

     2.2.1  Pengertian Probabilitas

Dalam kehidupan sehari-hari kita sering dihadapkan dengan beberapa pilihan yang harus
kita tentukan memilih yang mana. Biasanya kita dihadapkan dengan kemungkinan-kemungkinan
suatu kejadian yang mungkin terjadi dan kita harus pintar-pintar mengambil sikap jika
menemukan keadaan seperti ini, misalkan saja pada saat kita ingin bepergian, kita melihat langit
terlihat mendung. Dalam keadaaan ini kita dihadapkan antara 2 permasalahan, yaitu
kemungkinan terjadinya hujan serta kemungkinan langit hanya mendung saja dan tidak akan
turunnya hujan. Statistic yang membantu permasalahan dalam hal ini adalah probabilitas.
Probabilitas didifinisikan sebagai peluang atau kemungkinan suatu kejadian, suatu ukuran
tentang kemungkinan atau derajat ketidakpastian suatu peristiwa (event) yang akan terjadi di
masa mendatang. Rentangan probabilitas antara 0 sampai dengan 1. Jika kita mengatakan
probabilitas sebuah peristiwa adalah 0, maka peristiwa tersebut tidak mungkin terjadi. Dan jika
kita mengatakan bahwa probabilitas sebuah peristiwa adalah 1 maka peristiwa tersebut pasti
terjadi. Serta jumlah antara peluang suatu kejadian yang mungkin terjadi dan peluang suatu
kejadian yang mungkin tidak terjadi adalah satu, jika kejadian tersebut hanya memiliki 2
kemungkinan kejadian yang mungkin akan terjadi.
Contoh ; Ketika doni ingin pergi kerumah temannya, dia melihat langit dalam keadaan mendung,
awan berubah warna menjadi gelap, angin lebih kencang dari biasanya seta sinar matahari tidak
seterang biasanya.
Bagaimanakah tindakan Doni sebaiknya?
Ketika Doni melihat keadaan seperti itu, maka sejenak dia berpikir untuk membatalkan niatnya
pergi kerumah temannya. Ini dikarenakan dia beripotesis bahwa sebentar lagi akan turunya hujan
 dan kecil kemungkinan bahwa hari ini akan tidak hujan, mengingat gejala-gejala alam yang
mulai nampak.
Probabilitas dalam cerita tadi adalah peluang kemungkinan turunnya hujan dan peluang tidak
turunnya hujan.

     2.2.2   Manfaat Probabilitas Dalam Penelitian

            Manfaat probabilitas dalam kehidupan sehari-hari adalah membantu kita dalam
mengambil suatu keputusan, serta meramalkan kejadian yang mungkin terjadi. Jika kita tinjau
pada saat kita melakukan penelitian, probabilitas memiliki beberapa fungsi antara lain;
         Membantu peneliti dalam pengambilan keputusan yang lebih tepat. Pengambilan keputusan
yang lebih tepat dimagsudkan tidak ada keputusan yang sudah pasti karena kehidupan
mendatang tidak ada yang pasti kita ketahui dari sekarang, karena informasi yang didapat
tidaklah sempurna.
    Dengan teori probabilitas kita dapat menarik kesimpulan secara tepat atas hipotesis yang
terkait tentang karakteristik populasi.
Menarik kesimpulan secara tepat atas hipotesis (perkiraan sementara yang belum teruji
kebenarannya) yang terkait tentang karakteristik populasi pada situssi ini kita hanya mengambil
atau menarik kesimpulan dari hipotesis bukan berarti kejadian yang akan dating kita sudah
ketehaui apa yang akan tertjadi.
  Mengukur derajat ketidakpastian dari analisis sampel hasil  penelitian dari suatu populasi.
Contoh:
Ketika diadakannya sensus penduduk 2000, pemerintah mendapatkan data perbandingan antara
jumlah penduduk berjenis kelamin laki-laki berbanding jumlah penduduk berjenis kelamin
perempuan adalah memiliki perbandingan 5:6, sedangkan hasil sensus pada tahun 2010
menunjukan hasil perbandingan jumlah penduduk berjenis kelamin pria berbanding jumlah
penduduk berjenis kelamin wanita adalah 5:7. Maka pemerintah dapat mengambil keputusan
bahwa setiap tahunnya dari tahun 2000 hingga 2010 jumlah wanita berkembang lebih pesat
daripada jumlah penduduk pria.

2.2.3   Menghitung Probabilitas atau Peluang Suatu Kejandian

 Jika tadi kita hanya memperhatikan peluang suatu kejadian secara kualitatip, hanya
memperhatikan apakkah kejadian tersebut memiliki peluang besar akan terjadi atau tidak. Disini
kita akan membahas nilai dari probabilitas suatu kejadian secara kuantitatip. Kita bias melihat
apakah suatu kejadian berpotensi terjadi ataukah tidak.
Misalkan kita memiliki sebuah dadu yang memiliki muka gambar dan angka,jika koin
tersebut kita lemparkan keatas secara sembarang, maka kita memiliki 2 pilihan yang sama besar
dan kuat yaitu peluang munculnya angka dan peluang munculnya gambar. Jika kita perhatikan
secara seksaama, pada satu koin hanya terddiri dari satu muka gambar dan satu muka angka,
maka peluang munculnya angka dan gambar adalah sama kuat yaitu ½. 1 menyatakan hanya satu
dari muka pada koin yang mungkin muncul, entah itu gambar maupun angka sedangkan 2
menyatakan banyaknya kejadian yang mungkin terjadi pada pelemparan koin, yaitu munculnya
gambar + munculnya angka.
Jika kita berbicara tidak lagi 2 kejadian yaitu menyangkut banyak kejadian yang mungkin
terjadi, mengingat dan dari hasil pengumpulan dan penelitian data diperoleh suatu rumus sebagai
berikut. Jika terdapat N peristiwa, dan nA  dari N peristiwa tersebut membentuk kejadian A,
maka probabilitas A adalah :
Dimana : nA= banyaknya kejadian
N= kejadian seluruhnya/peristiwa yang mungkin terjadi
        Contoh.
        Suatu mata uang logam yang masing-masing sisinya berisi gambar dan angka dilemparkan
secara bebas sebanyak 1 kali.
        Berapakah probabilitas munculnya gambar atau angka?
       
Jawab :
        n=1, N=2
        p(gambar  atau angka)=
        p(gambar atau angka)=1/2 atau 50%
        Dapat disimpulkan peluang munculnya gambar atau angka adalah sama besar.
        Contoh 2.
        Berapa peluang munculnya dadu mata satu pada satu kali pelemparan?
 Jika kita tinjau pada sebuah dadu hanya memiliki 1 buah mata dadu bermata 1, sedangkan pada
dadu terdapat 6 mata yaitu mata 1 sampai mata 6.
Maka
P(A)    = nA/N
                = 1/6
Berikut merupakan aturan dalam probabilitas
         Jika n = 0 makka peluang terjadinya suatu kejadian pada keadaan ini adalah sebesar
P(A) = 0 atau tidak mungkin terjadi.
   Jika n merupakan semua anggota N maka probabilitasnya adalah satu, atau kejadian
tersebut pasti akan terjadi
  Probabilitas suatu kejadian memiliki rentangan nilai
   Jika E menyatakan bukan peristiwa E maka berlaku

2.2.4  Hubungan Antar Kejadian

      2.2.4.1 Exclusive Event
            Exclusive event merupakan 2 kejadian atau lebih jika terjadinya  kejadian yang satu
mencegah terjadinya kejadian lain.
Exclusive event biasanya dihubungkan dengan kata atau.
Jika dalam suatu peristiwa terdiri dari  k buah kejadian maka dapat dirumuskan sebagai berikut.
P(E1 atau E2 atau.... Ek)= P(E1)+P(E2)+…P(Ek)
Contoh.
Sebuah kotak berisi
      A.    10 kelereng merah,
      B.     20 hijau,
C.     30 kuning.
Isi kotak diaduk dan diambil 1 buah
kelereng secara acak
Berapa probabilitas terambilnya
hijau atau kuning?
 JAWAB :P(A) =           
P(B) =
P(C)=
Maka peluang terambilnya kelereng hijau atau kuning adalah
P(B)+P(C) = 0,33 + 0,50 = 0,83
      2.2.4.2     Dependent Event
                  Dependent event adalah terjadinya suatu peristiwa merupakan syarat dari peristiwa yang
lainnya.
Jika kejadian yang satu menjadi  syarat terjadinya kejadian  yang lain ditulis A|B, Kita tulis
A |B untuk menyatakan peristiwa A terjadi dengan didahului terjadinya peristiwa B. peluangnya
ditulis dengan p(A |B) dan disebut dependent probability (probabilitas bersyarat). Untuk
dependent events dihubungkan dengan kata dan, sehingga berlaku hubungan:
P(A dan B)=p(B).p (A |B)
Peluangnya ditulis dengan P (A│B) dan disebut dependent probability
Dependent event biasanya dihubungkan dengan kata “dan”.
Contoh.
Sebuah kotak berisi
      A.    10 kelereng merah,
      B.     20 hijau,
      C.     30 kuning.
Isi kotak diaduk dan diambil 1 buah
kelereng secara acak
jika pengambilan pertama sebuah kelereng berwarna hijau
(tanpa pengembalian). Berapakah probabilitas terambilnya sebuah
kelereng berwarna merah pada pengambilan kedua?
            Jawab:
            Merupakan peluang kelereng warna hijau pada pengambilan pertama dan kelelereng warna
merah pada pengambilan kedua.
      2.2.4.3 Independent Event
            Dua kejadian atau lebih dinamakan Independent Events, jika kejadian yang satu tidak
mempengaruhi kejadian yang lain.
             Misalnya dua kejadian A dan B. Jika terjadinya atau tidak terjadinya kejadian A tidak
mempengaruhi terjadinya kejadian B, maka A dan B disebut Independent Events. Untuk
Independent Events dihubungkan dengan kata dan, sehingga berlaku hubungan:
P(A dan B ) = p(A).p(B)
Untuk berlaku k buah peristiwa berlaku:
p(E1 dan E2 dan…..dan Ek   )  =   p(E1 ).p(E2 )….p(Ek  )
contoh.
            Dua buah dadu dilemparkan secara bebas satu kali. Berapakah probabilitas munculnya
mata 2 dan 6 dari pelemparan tersebut?
jawab
2.2.4.4    Inclusive Event
            Dua kejadian atau lebih dinamakan saling Inclusive events jika terjadinya kejadian yang
satu tidak mencegah terjadinya kejadian yang lain.
Inclusive events biasanya dihubungkan dengan kata  atau.
            Misalnya kejadian A dan B merupakan kejadian Inclusif, berlaku hubungan atau A atau B
atau kedua-keduanya terjadi. Untuk peristiwa tersebut berlaku:
P(A+B) = P(A) + P(B) - P(A+B)
Contoh.
            Jika probabilitas kelahiran wanita dan pria adalah sama, dan probabilitas kelahiran anak
berkulit putih, kulit hitam, dan sawo matang masing-masing adalah 0,2 , 0,5 , dan 0,3. Berapakah
besarnya probabilitas kelahiran anak wanita yang berkulit putih?
Jawab.
Probabilitas kelahiran pria dan wanita adalah sama,
sehingga p(pa atau w)= 0,50.
Probabilitas wanita-kulit putih=(0,50)(0,2)=0,1
P(W+P)= 0,50+0,2-0,1=0,6
           2.2.5     Hubungan Probabilitas Teoritik dan Probabilitas Empirik
            Hubungan probabilitas teoritik dengan probabilitas empirik dapat dijelaskan melalui
contoh dari pelemparan sebuah mata uang logam yang masih baik :
A = angka
G = gambar
 2.2.5.1 Probabilitas teoritik
            Kemungkinan/ probabilitas yang diperoleh dengan menggunakan cara-cara yang
berlainan serta asumsi bahwa semua cara yang mungkin akan terjadi atas dasar kemungkinan
yang sama (equally likely basis).
Penggunaannya
Suatu koin (uang logam)
DILEMPAR 1 KALI:
P(A)=0,50(50%)
P(G)= 0,50(50%)
DIILEMPAR 10 KALI:
P(A)= 0,50X10 kali=5 kali
P(G)= 0,50X10 kali=5 kali
Contoh.
Dalam permainan ini standar kartu 52 dek kartu remi yang digunakan.
Dalam rangka untuk menang Anda harus memilih "kartu wajah."
Berapa probabilitas bahwa Anda akan memenangkan permainan ini?
JAWAB:
Secara teori:
         Setiap kartu di dek memiliki kesempatan yang sama untuk terambil.
        Ada 12 wajah kartu (kartu menang) di geladak. Oleh karena itu probabilitas menang
pada permainan berikutnya adalah:
2.2.5.2 Probabilitas Empirik.
            Kemungkinan tentang terjadinya suatu peristiwa yang dihitung atas dasar pengalaman-
pengalaman atau percobaan-percobaan tentang apa yang terjadi pada saat-saat yang sama di
masa yang lalu atau atas dasar catatan statistik.
            Karena dalam menentukan probabilitas empiris Anda benar-benar melakukan percobaan,
kadang-kadang probabilitas empirik disebut:
"eksperimental probabilitas."
            Pada kenyataannya sangat jarang terjadi demikian, karena ada kemungkinan muncul 
jumlah angka atau gambar yang bervariasi dalam 10 kali pelemparan.
Kemungkinannya tidak hanya berkisar antara 5G dan 5A, namun bisa saja
kemungkinanmunculnya angka dan gambar adalah  3G dan 7A, 4G dan 6A, dan lainnya.
            Sebagai contoh, suatu produsen radio, produksi 1000 buah radionya diuji secara acak.
Setelah pengujian, mereka menemukan 15 dari 1000 radio tersebut cacat.
Kita dapat dengan mudah menentukan bahwa probabilitas empiris bahwa radio rusak akan
menjadi:
            Sebagai desimal akan menjadi 0,15 dan sebagai suatu persen itu akan menjadi    =  
1,5%.
Sekarang produsen dapat menggunakan hasil ini untuk memprediksi bahwa dalam produksi
7.500 radio, 1,5% dari mereka mungkin akan rusak.
Jadi mereka memprediksi bahwa (0,15) (7500) = 112,5 radio rusak.
2.2.6 Menghitung Nilai Harap (ekspektasi) dari suatu kejadian.
Contoh:
            Ani dan Ina bertaruh dalam pelemparan muka dadu. Jika dalam pelemparan tersebut
nampak angka ganjil, maka Ani kalah dan harus membayar kepada Ina Rp 1.000,-. Dan jika
nampak angka genap, maka Ina kalah dan harus membayar kepda ani Rp 1.000,-. Peluang
munculnya angka genap dan angka ganjil pada dadu masing-masing adalah 1/2. Jadi peluang Ani
untuk membayar uang kepda Ina adalah ½, dan peluangnya untuk menang juga ½, sehingga
ekspektasi taruhan itu adalah
ξ (untuk Ani) = ½(Rp100) + ½(-Rp100) = Rp 0.
            Untuk Ina juga berlaku hal yang sama. Berarti dalam jangka waktu yang cukup lama,
dalam permainan ini Ani dan Ina masing-masing menang nol rupiah.
2.2.7 Dua Kejadian saling Lepas
            Bila A dan B dua kejadian sembarang pada S dan berlaku A ∩ B = ϕ , maka A dan B
dikatakan saling lepas atau saling bertentangan atau saling terpisah (mutually exclusive).
P ( A U B) = P(A)+P(B)
            Bila A dan B dua kejadian saling lepas, maka P( A ∩ B) = P(ϕ)=0 , sehingga probabilitas
kejadian A U B dirumuskan Sebagai berikut.
                                                           
Contoh.
Bila A dan B dua Kejadian saling Lepas, dengan P(A) = 0,3 dan P(B) = 0,25 , tentukanlah
 P ( A U B) !
Jawab :
Karena A dan B saling lepas, maka berlaku
P ( A U B) = P(A) + P(B) = 0,3 +0,25 = 0,55
2.2.8 Dua Kejadian Saling Komplementer
            Dalam teori himpunan disebutkan bahwa bila himpunan A ϵ S , maka komplemen A yang
ditulis  atau  adalah himpunan yang anggotanya S tetapi bukan anggota A atau
P ( ) = 1- P(A)
={xϵS│x≠ϵA)
             Kejadian  adalah kumpulan titik sampel titik sampel yang merupakan titik sampel S.
            Rumus 
2.2.9 Dua Kejadian saling bebas
P ( A∩B) = P(A).P(B)
            Dua kejadian A dan B dalam ruang sampel S dikatakan saling bebas jika kejadian A tidak
mempengaruhi kejadian B dan sebaliknya kejadian B tidak mempengaruhi kejadian A. jika A
dan B merupakan dua kejadian saling bebas, maka berlaku lah rumus berikut.
            Rumus                                                   
Contoh :
Jika diketahui dua kejadian A dan B saling bebas dengan P(A) = 0,3 dan P(B) = 0,4 maka
berlaku :
P ( A∩B) = P(A).P(B) = (0,3)(0,4) = 0,12
2.2.10  Permutasi dan Combinasi
2.2.10.1   Permutasi
            Permutasi adalah pengaturan elemen-elemen dari sebuah himpunan dimana urutan dari
elemen elemen tersebut diperhatikan.
Secara matematik, dari sebuah himpunan yang mempunyai elemen sebanyak n, banyaknya
permutasi dengan ukuran (permutasi dengan jumlah elemen) r ditulis sebagai P(n,r) atau nPr
ataunPr.
Rumusnya adalah
P(n,r) = nPr = nPr = n 
n!
n-r !
 dimana n! (n faktorial) = n × (n-1) × (n-2) × ... × 1 dan 0! = 1.
Contoh, dari himpunan huruf-huruf {a,b,c}, permutasi-permutasi dengan ukuran 2 (ambil 2    
elemen dari himpunan tersebut) adalah {a,b}, {b,a}, {a,c}, {c,a}, {b,c}, dan {c,b}. Perhatikan
bahwa urutan dari elemen-elemen itu adalah penting, dengan kata lain {a,b} adalah berbeda
dengan{b,a}.
Banyaknya permutasi adalah 6.
Contoh lainnya: Berapa banyaknya cara untuk mengatur 5 buku yang berbeda di atas rak buku?
Jawaban: Di sini, n = 5 dan r = 5.
Jadi, 5P5 = 5!/(5-5)! = 5!/0! = (5 × 4 × 3 × 2 × 1)/1 = 120.
Seperti terlihat dari contoh di atas, jika n = r, rumus untuk nPr = n!.
2.2.10.1.1  Permutasi Melingkar/Keliling
            Permutasi melingkar adalah suatu permutasi yang dibuat dengan menyusun anggota-
anggota suatu himpunan secara melingkar. Dua permutasi melingkar dianggap sama bila
didapatkan dua himpunan permutasi yang sama dengan cara beranjak dari suatu anggota tertentu
dan bergerak searah jarum jam. Banyaknya permutasi yang disusun secara melingkar adalah (n-
1) !
Contoh.
            Dalam tahun ajaran baru setiap kelas dianjurkan untuk membentuk susunan pengurus
kelas yang baru. Jika hanya dipilih 1 ketua kelas, 1 wakil ketua kelas , 1 bendahara dan 1
sekertaris dari 8 orang calon, tentukan kemungkinan yang akan terjadi.
Jawab.
            Maka aka nada 1680 kemungkinan atau cara membentuk susunan pengurus kelas yang
baru dari 8 orang calon.
2.2.10.2    Combinasi
            Kombinasi didefinisikan sebagai susunan-susunan yang dibentuk dari anggota-anggota
suatu himpunan dengan mengambil seluruh atau sebagian dari anggota himpunan itu tanpa
memberi arti pada urutan anggota dari masing-masing susunan tersebut disebut kombinasi yang
ditulis dengan lambang C.
Bila himpunan itu terdiri atas n anggota dan diambil sebanyak r, tentu saja r lebih kecil atau sama
dengan n, maka banyaknya susunan yang dapat dibuat dengan cara kombinasi adalah :
Kombinasi ditulis juga dengan cara : C(n,r) atau Cn,r
            Susunan pada combinasi tidaklah memperhatikan urutan seperti pada permutasi, oleh
daripada itu combinasi n objek yang diambil dari n adalah sebagai berikut,
Contoh.
            Berapa banyaknya kemungkinan pasangan antara calon presiden dan wakil presiden jika
ada 8 buah calon.
Jawab.
            Karena ditanya pasangan, maka akan dibentuk tim yang terdiri dari 2 orang dari 8 calon,
maka dapat dicari dengan cara.
Maka hanya ada 28 kemungkinan pasangan yang akan terjadi.
2.2.11 Bagian-Bagian Peluang berdasarkan Definisi
2.2.11.1 Pendekatan Klasik
            Peluang klasik dari sebuah peristiwa adalah rasio antara jumlah peristiwa yang bisa
terjadi dengan jumlah semua hasil yang bisa terjadi, dimana hasil ini dapat diturunkan dari
sebuah eksperimen.
            Jika ada a kemungkinan yang dapat terjadi pada kejadian A dan ada b kemungkinan yang
dapat terjadi pada kejadian A, serta masing-masing kejadian mempunyai kesempatan yang sama
dan saling asing, maka probabilitas/peluang bahwa akan terjadi a adalah:
P (A) = a/a+b ; dan peluang bahwa akan terjadi b adalah: P (A) = b/a+b
RUMUS :
P(peristiwa) = x=Jumlah cara terjadinya suatu peristiwa2Jumlah cara terjadinya semua hasil

Contoh:
Pelamar pekerjaan terdiri dari 10 orang pria (A) dan 15 orang wanita (B). Jika yang diterima
hanya 1, berapa peluang bahwa ia merupakan wanita?
Jawab: P (A) = 15/10+15 = 3/5
2.2.11.2  Pendekatan subyektif
            Peluang subjektif adalah sebuah bilangan antara 0 dan 1 yang digunakan seseorang
untuk menyatakan perasaan ketidakpastian tentang terjadinya peristiwa tertentu. Peluang 0
berarti seseorang merasa bahwa peristiwa tersebut tidak mungkin terjadi, sedangkan peluang 1
berarti bahwa seseorang yakin bahwa peristiwa tersebut pasti terjadi.

            Definisi ini jelas merupakan pandangan subjektif atau pribadi tentang peluang.
Meski peluang subjektif tidak didasarkan pada suatu eksperimen ilmiah, namun penggunaannya
tetap bisa dipertanggungjawabkan. Dalam menentukan nilai peluang ini, seorang pengambil
keputusan tetap menggunakan prinsip-prinsip logis yang didasarkan pada pengalaman yang
diperolehnya. Seorang pengambil keputusan sudah mengetahui secara nyata apa faktor-faktor
yang mempengaruhi keputusannya sehingga dia bisa memprediksi apa kira-kira yang bakal
terjadi dari keputusan yang diambilnya. Yang masih menjadi pertanyaan adalah apakah peluang
subjektif dapat digunakan untuk keperluan analisis statistika selanjutnya. Kelompok statistika
objektif atau klasik menolak penggunaan peluang subjektif ini, sebaliknya kelompok Bayes
menerimanya. Bukan tujuan kita untuk membahas perdebatan ini, kecuali bahwa penggunaan
peluang subjektif tampak sesuai dalam pengambilan keputusan bisnis. Berbeda halnya dengan
penelitian kimia, pertanian, farmasi, kedokteran  atau ilmu eksakta lainnya yang memang harus
menggunakan peluang objektif sebagai dasar analisisnya. Sampai saat ini pengambilan
keputusan berdasarkan peluang subjektif masih dibilang sebagai salah satu tehnik manajerial
yang terbaik.
Contoh “Berapa peluang penjualan barang X bulan depan akan melebihi 50.000 unit jika
dilakukan perubahan kemasan?”.  Sudah barang tentu eksperimen tentang pengaruh perubahan
kemasan terhadap volume penjualan dengan pengulangan yang sangat besar jarang dilakukan
bahkan tidak pernah dilakukan. Meski menggunakan data penjualan bulanan bukan sesuatu yang
musthail, akan tetapi tidaklah efisien jika perusahaan selalu merubah kemasan setiap bulannya
hanya untuk meningkatkan volume penjualan. Olehkarena itu, biasanya seorang manajer
menggunakan intuisi atau perasaannya dalam menentukan nilai peluang ini. Jadi tidaklah heran
jika seorang manajer menyatakan “peluang terjualnya barang X melebihi 50.000 unit pada bulan
depan adalah 0,40”.
2.2.11.3 Pendekatan Frekuensi Relatife
            Nilai probabilitas/peluang ditentukan atas dasar proporsi dari kemungkinan yang dapat
terjadi dalam suatu observasi/percobaan (pengumpulan data).Jika sebuah eksperimen dilakukan
sebanyak N kali dan sebuah peritiwa A terjadi sebanyak n(A) kali dari N pengulangan ini, maka
peluang terjadinya peristiwa A dinyatakan sebagai proporsi terjadinya peristiwa A ini.
Contoh:
Dari hasil penelitian diketahui bahwa 5 orang karyawan akan terserang flu pada musim dingin.
Apabila lokakarya diadakan di Puncak, berapa probabilitas terjadi 1 orang sakit flu dari 400
orang karyawan yang ikut serta?
Jawab: P (A) = 5/400 = P (A) = 1/80
             Probabilitas disajikan dengan symbol P, sehingga P(A) menyatakan probabilitas bahwa
kejadian A akan terjadi dalam observasi atau percobaan tunggal, dengan 0 ≤ P(A) ≤ 1.
Dalam suatu observasi/percobaan kemungkinan kejadian ada 2, yaitu “terjadi (P(A)) atau “tidak
terjadi” (P(A)’), maka jumlah probabilitas totalnya adalah P(A) + P(A)’ = 1

2.2.12 JENIS KEJADIAN

2.2.12.1  Berdasarkan peluang terjadinya.
a. Kejadian Saling Meniadakan (Mutually Exclusive)
            yaitu kejadian yang tidak dapat terjadi secara bersama-sama dengan kejadian lainnya.
            Contoh: Hasil Ujian: Lulus vs Tidak lulus
            Keadaan : Dingin vs Panas
            Cuaca : Hujan vs Tidak Hujan
b. Kejadian Tidak Saling Meniadakan (Non-Mutually Exclusive), yaitu kejadian
            Contoh: Keadaan vs Cuaca : Dingin vs Tidak hujan
            Dingin vs Hujan
            Panas vsTidak hujan
            Panas vs Hujan

2.2.12.2  Berdasarkan pengaruh/hubungannya

a. Kejadian Independen
             yaitu apabila terjadi atau tidaknya suatu kejadian tidak berpengaruh pada
probabilitas/peluang kejadian yang lain.
b. Kejadian Dependen
            yaitu apabila terjadi atau tidaknya suatu kejadian berpengaruh pada probabilitas/peluang
kejadian yang lain.
 yang dapat terjadi secara bersama-sama dengan kejadian lainnya.
2.2.13  PERHITUNGAN NILAI PELUANG
2.2.13.1   Hukum Penjumlahan
Digunakan apabila kita ingin menghitung probabilitas suatu kejadian tertentu atau yang lain (atau
keduanya) yang terjadi dalam suatu percobaan/kejadian tunggal.
Rumus Penjumlahan untuk kejadian-kejadian yang saling meniadakan;
P(A atau B) = P (AB) = P(A) + P(B)
Rumus Penjumlahan untuk kejadian-kejadian yang tidak saling meniadakan:
1. Dua Kejadian
P(A atau B) = P(A) + P(B) – P(A dan B) atau
P(AB) = P(A) + P(B) – P(AB).
2. Tiga Kejadian
P(A atau B atau C) = P(A) + P(B) + P(C) – P(A dan B) – P(A dan C) – P(Bdan C) + P(A dan B
dan C) atau P(AÈBÈC) = P(A) + P(B) + P(C) – P(AÇB) – P(AÇC) – P(BÇC) + P(AÇBÇC)

2.2.13.2  Hukum Perkalian

Hukum perkalian untuk 2 kejadian Independen: P(A dan B) = P(A) x P(B)
Hukum perkalian untuk 3 kejadian Independen:P(AÇB) = P(A) x P(B) x P(C)
Hukum perkalian untuk kejadian dependen: P(A dan B) = P(A) x P(B)
atau
P(A dan B) = P(A x P(BA)
atau
P(B dan A) = P(B) x P(AB)
Contoh:
            Berdasarkan pengalaman, sebuah produk susu kaleng yang lulus uji dalam hal berat
bersih akan diberi nilai 0.95. Lembaga konsumen membuktikan pernyataan tersebut dengan cara
mengukur 3 kaleng dengan sebuah alat ukur tertentu. Dengan asumsi bahwa jika kaleng 1 lulus
uji, maka kaleng 2 dan 3 belum tentu lulus, maka tentukan:
a. Berapa probabilitas bahwa ketiga kaleng tsb lulus uji?
b. Berapa probabilitas bahwa hanya dua kaleng yang lulus uji?
c. Berapa probabilitas bahwa tidak ada yang lulus uji?
Jawab:
a. P(3 lulus uji) = P(k1 dan k2 dan k3)
= 0.95 x 0.95 x 0.95 = 0.86

b. P(2 lulus uji) = P(K1 dan K2 dan K3’)+P(K1 dan K2’ dan K3)+P(K1 dan K2 dan K3’)
= (0.95 x 0.95 x0.05) + (0.09 x 0.05 x 0.95 + (0.05 x 0.95 x 0.95)
= 0.14
c. P(tidak ada yang lulus uji) = P(K1’ dan K2’ dan K3’)
= 0.05 x 0.05 x 0.05
= 0.000125
2.2.14  Teorema bayes                     
            Hubungan antara probabilitas terjadinya suatu peristiwa (A) dengan syarat peristiwa lain
telah terjadi, dan probabilitas terjadinya peristiwa (X) dengan syarat peristiwa A telah terjadi.

P(Ai/Xi)=        [P(Ai) P(Xi/ Ai)]/ [∑P(Ai) P(Xi/ Ai)]

            Nilai harapan atau nilai ekspektasi dari sebuah fungsi peubah acak X, g(X) dilambangkan
dengan E[g(X)] dapat didefinisikan sebagai berikut
Ekspektasi matematis E(X) = ∑X.P(X)
Contoh : Dalam sebuah permainan judi 2 angka (00 s/d 99), jika kita membayar untuk satu
lembar kupon sebesar X kita akan memperoleh hadiah sebesar 60X jika menang (sebetulnya
59X, karena X lainnya adalah uang kita). Jika peluang munculnya angka sama, maka berapakah
nilai harapan memenangkannya ?
2.2.15  Aturan Probabilitas
            Suatu peristiwa E dapat terjadi sebanyak “h” kali diantara sejumlah “n” peristiwa yang
mungkin, dengan ketentuan h <= n. Dengan demikian nilai probabilitas dari peristiwa paling
kecil adalah 0 (nol) dan paling besar adalah 1 (satu) atau diformulasikan menjadi: 0 <= P (E) <=
1 ; dimana P (E) merupakan probabilitas suatu peristiwa.
Jika P(E) = 0, maka peristiwa E “pasti tidak terjadi”.
Jika P(E) = 1, maka peristiwa E “pasti terjadi”.
Jika P(E) mendekati 0 (nol) maka peristiwa E kemungkinan terjadinya “kecil”.
Jika P(E) mendekati 1 (satu) maka peristiwa E kemungkinan terjadinya “besar”.
Apabila kemingkinan terjadinya peristiwa E diberi notasi P(E), maka kemungkinan terjadinya
“bukan E” diberi notasi P(nE), sehingga P(nE) = 1 – P(E). Peritiwa E dan nE merupakan
peristiwa yang “komplementer” satu sama lain.
Contoh            :
            Jika sebuah dadu dilempar satu kali maka peristiwa untuk tampak mata 5 adalah sebesar
P(E) = 1/6 = 0,167. Sedangkan untuk tampak selain mata 5 adalah sebesar 5/6 = 0,833 atau 1 –
0,167 = 0,833.
2.2.16  Probabilitas Lebih Dari Satu Peristiwa
            Suatu suatu percobaan “tunggal” dimungkinkan akan terjadi beberapa peristiwa, maka
peristiwa yang satu dengan peristiwa yang lain dipisahkan dengan tanda “atau” (U). Misalnya
dalam percobaan satu kali pelemparan sebuah dadu, maka probabilitas keluar mata 4 atau mata 5
adalah ditulis P (4 U 5). Peristiwa yang terjadi dalam percobaan tunggal tersebut dapat bersifat
Mutually Exclusive atau bersifat Non-Mutually Exclusive.
Dalam percobaan yang banyak, maka peristiwa yang muncul akan banyak. Karena percobaan
banyak dan peristiwanya juga banyak, maka antara peristiwa yang satu dengan yang lain diberi
tanda “dan” (∩). Peristiwa yang banyak dalam percobaan yang banyak dapat bersifat
Independent atau bersifat Dependent.
 BAB III
PENUTUP

            Demikianlah penulisan makalah ini yang telah kami buat. Dari hasil pembahasan yang
telah penulis bahas pada makalah ini maka dapat kita ambil kesimpulan dan rekomendasi.  

3.1.      Kesimpulan
            Dispersi data adalah ukuran penyebaran suatu kelompok data terhadap pusat data.
Memiliki Jenis ukuran :
Dispersi Mutlak : Jangkauan (range), Simpangan rata-rata (mean deviation), Variansi (variance),
Standar deviasi (standard deviation), Simpangan kuartil (quartile deviation)
Dispersi Relatif  : Koefisien variasi (coeficient of variation).
Pentingnya kita mempelajari dispersi data didasarkan pada pertimbangan.
Pertama, pusat data seperti rata-rata hitung, median dan modus hanya memberi informasi yang
sangat terbatas, sehingga tanpa disandingkan dengan dispersi data kurang bermanfaat dalam
analisis data.
Kedua, dispersi data sangat penting untuk membandingkan penyebaran dua distribusi atau lebih.
            Perlu dicermati bahwa peristiwa saling bebas tidak sama dengan peristiwa eksklusif.
Dalam konsep teori himpunan, peristiwa saling eksklusif tidak mempunyai ruang sample yang
mengandung titik yang sama (irisan), sedangkan dalam peristiwa saling bebas dua peristiwa A
dan B akan memiliki titik yang sama jika  A dan B mempunyai peluang yang tidak nol.

3.2.      Saran

Dalam kehidupan sehari – hari bahwa penggunaan aplikasi microsoft Excel dan juga
SPSS dapat memberikan manfaat yang besar bagi suatu organisasi perusahaan maupun
pendidikan yaitu waktu dapat menjadi lebih efisien ketika melakukan pengolahan data mentah
menjadi data berkelompok yang nantinya menjadi informasi bagi organisasi tersebut dalam
menentukan keputusan yang lebih baik di masa yang akan datang. Sebaliknya, jika sebuah
organisasi perusahaan maupun pendidikan masih menerapkan penghitungan manual dalam
pengolahan data statistik, maka waktu yang ada menjadi kurang efisien dan pengerjaan dalam
mengolah data menjadi kurang efektif.

Dan juga bila dibandingkan hasil dari pengolahan data secara manual dengan hasil
pengolahan data secara otomatis yaitu dengan aplikasi microsoft excel dan SPSS, akan
memperoleh hasil yang berbeda dari keduanya. Tingkat keakuratan pengolahan data secara
otomatis lebih mendekati kebenaran daripada pengolahan data secara manual.   
            Perlu dicermati bahwa peristiwa saling bebas tidak sama dengan peristiwa eksklusif.
Dalam konsep teori himpunan, peristiwa saling eksklusif tidak mempunyai ruang sample yang
mengandung titik yang sama (irisan), sedangkan dalam peristiwa saling bebas dua peristiwa A
dan B akan memiliki titik yang sama jika  A dan B mempunyai peluang yang tidak nol.