a) Angka probabilitas adalah nilai numerik yang mengukur sejauh mana suatu

peristiwa atau kejadian dapat terjadi. Probabilitas ini biasanya dinyatakan

dalam bentuk bilangan pecahan atau desimal antara 0 (peristiwa tidak
mungkin terjadi) dan 1 (peristiwa pasti terjadi).

(b) Probabilitas apriori adalah probabilitas suatu peristiwa sebelum adanya

informasi tambahan atau data pengamatan. Ini adalah probabilitas awal yang
didasarkan pada pengetahuan atau keyakinan sebelum pengujian atau
pengamatan aktual dilakukan.

(c) Konsep frekuensi relatif dari probabilitas adalah ide bahwa probabilitas
suatu peristiwa dapat dihitung dengan mengamati berapa kali peristiwa
tersebut terjadi dalam serangkaian percobaan atau pengamatan, dan
kemudian membagi jumlah kejadian tersebut dengan jumlah total percobaan
atau pengamatan. Ini adalah pendekatan empiris untuk menghitung
probabilitas.

(d) Probabilitas subjektif adalah probabilitas yang diperkirakan oleh individu

berdasarkan penilaian, keyakinan, atau pendapat pribadi mereka. Probabilitas
ini tidak bergantung pada data empiris atau pengamatan, tetapi pada persepsi
atau interpretasi subjektif individu.

(e) Kombinasi adalah cara untuk menghitung berapa banyak cara yang
berbeda untuk memilih sejumlah elemen dari sebuah himpunan tanpa
memperhatikan urutan. Kombinasi tidak memperhitungkan urutan elemen
tersebut.

(f) Permutasi adalah cara untuk menghitung berapa banyak cara yang berbeda
untuk mengatur atau mengurutkan sejumlah elemen dari sebuah himpunan.
Permutasi memperhitungkan urutan elemen tersebut.

(g) Peristiwa yang saling lepas adalah peristiwa yang tidak memiliki pengaruh
satu sama lain. Artinya, hasil dari satu peristiwa tidak memengaruhi hasil dari
peristiwa lainnya. Dalam probabilitas, peristiwa yang saling lepas sering kali
dianggap independen.
(h) Pelengkap adalah himpunan semua elemen dalam suatu ruang sampel
yang tidak termasuk dalam suatu peristiwa tertentu. Dalam konteks
probabilitas, pelengkap dari suatu peristiwa adalah himpunan semua hasil
yang tidak termasuk dalam peristiwa tersebut.

Bilangan probabilitas memiliki beberapa ciri-ciri yang memungkinkan untuk

diidentifikasi:

1. Nilai antara 0 dan 1: Bilangan probabilitas selalu berada dalam rentang antara 0
dan 1. Probabilitas 0 menunjukkan bahwa suatu peristiwa adalah mustahil terjadi,
sementara probabilitas 1 menunjukkan bahwa peristiwa tersebut pasti terjadi.
Bilangan di antara 0 dan 1 mengindikasikan tingkat kepastian peristiwa.
2. Total probabilitas sama dengan 1: Jika Anda memiliki himpunan peristiwa yang
saling eksklusif dan memuat semua kemungkinan, total probabilitas dari semua
peristiwa dalam himpunan tersebut harus sama dengan 1. Dengan kata lain,
jumlah probabilitas semua kemungkinan harus menyusun seluruh ruang sampel.
3. Subyektif atau objektif: Bilangan probabilitas dapat bersifat subjektif, di mana
mereka merupakan perkiraan atau penilaian subjektif individu, atau bersifat
objektif, di mana mereka didasarkan pada data empiris atau pengamatan yang
dapat diukur.
4. Konsisten dengan pengetahuan atau informasi yang tersedia: Probabilitas dapat
berubah sesuai dengan pengetahuan tambahan atau informasi yang tersedia.
Probabilitas apriori dapat diperbarui atau disesuaikan dengan data baru atau
bukti yang muncul.
5. Menunjukkan tingkat kepercayaan: Probabilitas mencerminkan tingkat
kepercayaan dalam suatu peristiwa atau kejadian. Semakin tinggi probabilitasnya,
semakin besar kepercayaan bahwa peristiwa tersebut akan terjadi.
6. Dapat digunakan untuk perhitungan: Bilangan probabilitas digunakan dalam
berbagai perhitungan probabilitas, seperti perhitungan ekspektasi, varian, atau
distribusi probabilitas. Mereka memungkinkan analisis matematika dari peristiwa
acak.
7. Terkait dengan ruang sampel: Probabilitas selalu terkait dengan suatu ruang
sampel yang mencakup semua hasil yang mungkin dari suatu eksperimen atau
peristiwa acak.
8. Independen atau saling tergantung: Probabilitas dapat bersifat independen, di
mana peristiwa tidak memengaruhi satu sama lain, atau bersifat saling
tergantung, di mana hasil dari satu peristiwa memengaruhi probabilitas peristiwa
lainnya.
Sifat-sifat ini membantu mengidentifikasi dan menggambarkan bilangan probabilitas
dalam konteks teori probabilitas.

Teorema Bayes adalah konsep fundamental dalam statistik dan probabilitas yang
digunakan untuk menghitung probabilitas kondisional, yaitu probabilitas suatu peristiwa
yang terjadi berdasarkan informasi atau bukti tambahan yang tersedia. Tujuan utama
dari Membahas Teorema Bayes adalah sebagai berikut:

1. Pembaruan Probabilitas: Teorema Bayes memungkinkan kita untuk memperbarui

atau menyesuaikan probabilitas awal (probabilitas apriori) dengan informasi baru
atau data yang ditemukan. Dengan kata lain, kita dapat menghitung probabilitas
kondisional (probabilitas a posteriori) setelah mempertimbangkan bukti atau
informasi yang relevan.
2. Pengambilan Keputusan: Teorema Bayes sering digunakan dalam konteks
pengambilan keputusan, terutama dalam situasi di mana kita memiliki informasi
terbatas atau bukti yang tidak pasti. Ini membantu kita menghitung probabilitas
berbagai skenario dan memilih tindakan atau keputusan yang paling rasional
berdasarkan probabilitas yang diperbarui.
3. Pengujian Hipotesis: Teorema Bayes digunakan dalam statistik untuk menguji
hipotesis atau membuat estimasi berdasarkan data yang ada. Ini memungkinkan
kita untuk menghitung probabilitas bahwa suatu hipotesis tertentu adalah benar
atau salah, dengan mempertimbangkan data pengamatan.
4. Pengenalan Pola: Dalam pembelajaran mesin dan pengenalan pola, Teorema
Bayes digunakan untuk mengklasifikasikan data ke dalam kelas atau kategori
berdasarkan fitur-fitur atau karakteristik tertentu. Ini sering digunakan dalam
pengenalan wajah, pengenalan suara, dan aplikasi lainnya.
5. Penyaringan Informasi: Teorema Bayes digunakan dalam penyaringan informasi
untuk mengidentifikasi atau memisahkan sinyal dari noise atau gangguan. Ini
dapat diterapkan dalam komunikasi nirkabel, pemrosesan sinyal, dan bidang lain
yang melibatkan analisis sinyal.
6. Keamanan dan Deteksi Anomali: Dalam keamanan komputer, Teorema Bayes
dapat digunakan untuk mendeteksi aktivitas yang tidak biasa atau anomali dalam
jaringan atau sistem. Ini membantu mengidentifikasi potensi serangan atau
pelanggaran keamanan.

Secara umum, Tujuan utama dari Membahas Teorema Bayes adalah untuk
mengembangkan alat analisis yang kuat yang memungkinkan kita untuk
menggabungkan informasi awal dengan bukti baru, sehingga kita dapat membuat
keputusan yang lebih baik, melakukan inferensi yang lebih akurat, dan mengoptimalkan
penggunaan data yang tersedia dalam berbagai konteks.
Big Al, Susan, dan Steve melamar tiga pekerjaan berbeda di Smash, Inc. Kemungkinannya adalah 1/2
Big Al akan mendapatkan pekerjaannya, 1/3 Susan akan mendapatkan pekerjaannya, dan 3/4 Steve
akan mendapatkan pekerjaannya. dipekerjakan. (a) Berapa peluang ketiganya mendapatkan
pekerjaan masing-masing? (b) Tidak ada yang akan dipekerjakan? (c) Hanya satu yang akan
mendapatkan pekerjaannya?
ChatGPT
Untuk menghitung peluang ketiganya mendapatkan pekerjaan masing-masing, kita dapat
mengalikan probabilitas masing-masing individu mendapatkan pekerjaannya. Dalam hal ini:

Probabilitas Big Al mendapatkan pekerjaannya = 1/2 Probabilitas Susan mendapatkan pekerjaannya

= 1/3 Probabilitas Steve mendapatkan pekerjaannya = 3/4

(a) Untuk menghitung peluang ketiganya mendapatkan pekerjaan masing-masing, kita mengalikan
probabilitas mereka:

Peluang Big Al, Susan, dan Steve semuanya mendapatkan pekerjaannya = (1/2) * (1/3) * (3/4) = 1/8

Jadi, peluang ketiganya mendapatkan pekerjaan masing-masing adalah 1/8.

(b) Untuk menghitung peluang bahwa tidak ada dari mereka yang akan dipekerjakan (semua gagal
mendapatkan pekerjaan), kita dapat menghitung peluang kebalikannya, yaitu peluang bahwa
setidaknya satu dari mereka akan mendapatkan pekerjaan dan kemudian mengurangkan dari 1:

Peluang tidak ada yang akan dipekerjakan = 1 - Peluang setidaknya satu yang akan mendapatkan
pekerjaan

Peluang setidaknya satu yang akan mendapatkan pekerjaan dapat dihitung dengan mengambil
kebalikan dari peluang ketiganya mendapatkan pekerjaan masing-masing, yang sudah kita hitung
sebelumnya:

Peluang setidaknya satu yang akan mendapatkan pekerjaan = 1/8

Jadi, peluang tidak ada yang akan dipekerjakan adalah:

Peluang tidak ada yang akan dipekerjakan = 1 - 1/8 = 7/8

(c) Untuk menghitung peluang hanya satu dari mereka yang akan mendapatkan pekerjaannya, kita
akan menghitung peluang bahwa hanya satu dari Big Al, Susan, atau Steve yang mendapatkan
pekerjaannya dan dua lainnya gagal.

Ada tiga skenario yang mungkin:

1. Hanya Big Al yang mendapatkan pekerjaannya:

 Probabilitas Big Al mendapatkan pekerjaannya = 1/2
 Probabilitas Susan tidak mendapatkan pekerjaannya = 1 - 1/3 = 2/3
  Probabilitas Steve tidak mendapatkan pekerjaannya = 1 - 3/4 = 1/4
 Peluang hanya Big Al yang mendapatkan pekerjaannya = (1/2) * (2/3) * (1/4) = 1/12
2. Hanya Susan yang mendapatkan pekerjaannya:
 Probabilitas Big Al tidak mendapatkan pekerjaannya = 1 - 1/2 = 1/2
 Probabilitas Susan mendapatkan pekerjaannya = 1/3
 Probabilitas Steve tidak mendapatkan pekerjaannya = 1 - 3/4 = 1/4
 Peluang hanya Susan yang mendapatkan pekerjaannya = (1/2) * (1/3) * (1/4) = 1/24
3. Hanya Steve yang mendapatkan pekerjaannya:
 Probabilitas Big Al tidak mendapatkan pekerjaannya = 1 - 1/2 = 1/2
 Probabilitas Susan tidak mendapatkan pekerjaannya = 1 - 1/3 = 2/3
 Probabilitas Steve mendapatkan pekerjaannya = 3/4
 Peluang hanya Steve yang mendapatkan pekerjaannya = (1/2) * (2/3) * (3/4) = 1/4

Sekarang, kita dapat menghitung peluang bahwa hanya satu dari mereka yang akan mendapatkan
pekerjaannya dengan menjumlahkan ketiga peluang di atas:

Peluang hanya satu yang akan mendapatkan pekerjaannya = (1/12) + (1/24) + (1/4) = 1/6

Jadi, peluang hanya satu dari mereka yang akan mendapatkan pekerjaannya adalah 1/6.
Sepasang suami istri memiliki apartemen di kota dan kabin di tepi danau. Dalam satu tahun, peluang
apartemen dibobol adalah 0,02, dan peluang kabin dibobol adalah 0,05. Untuk suatu tahun
berapakah peluang (a) keduanya akan dibobol? (b) salah satu (tetapi tidak keduanya) akan dibobol?
(c) keduanya tidak akan dibobol?
ChatGPT
Untuk menghitung peluang-peluang yang Anda cari, kita dapat menggunakan hukum perkalian dan
hukum penjumlahan dalam teori probabilitas.

(a) Peluang keduanya akan dibobol adalah hasil perkalian peluang apartemen dibobol dan peluang
kabin dibobol, karena peristiwa tersebut bersifat independen:

Peluang keduanya akan dibobol = Peluang apartemen dibobol * Peluang kabin dibobol Peluang
keduanya akan dibobol = 0,02 * 0,05 = 0,001

Jadi, peluang keduanya akan dibobol dalam satu tahun adalah 0,001 atau 0,1%.

(b) Peluang salah satu dari keduanya (tetapi tidak keduanya) akan dibobol adalah jumlah dari
peluang apartemen dibobol dan peluang kabin tidak dibobol, serta peluang apartemen tidak
dibobol dan peluang kabin dibobol. Ini adalah kasus yang menggunakan hukum penjumlahan:

Peluang salah satu (tetapi tidak keduanya) akan dibobol = (Peluang apartemen dibobol * Peluang
kabin tidak dibobol) + (Peluang apartemen tidak dibobol * Peluang kabin dibobol) Peluang salah
satu (tetapi tidak keduanya) akan dibobol = (0,02 * 0,95) + (0,98 * 0,05) = 0,019 + 0,049 = 0,068
Jadi, peluang salah satu dari keduanya (tetapi tidak keduanya) akan dibobol dalam satu tahun adalah
0,068 atau 6,8%.

(c) Peluang keduanya tidak akan dibobol adalah peluang kebalikan dari peluang keduanya akan
dibobol:

Peluang keduanya tidak akan dibobol = 1 - Peluang keduanya akan dibobol Peluang keduanya tidak
akan dibobol = 1 - 0,001 = 0,999

Jadi, peluang keduanya tidak akan dibobol dalam satu tahun adalah 0,999 atau 99,9%.

21. Sebuah guci berisi 7 cakram merah dan 3 cakram biru. Setelah dua kali seri dengan pergantian
pemain, berapa peluangnya: (a) 2 buah cakram merah. (b) hanya 1 cakram biru.
ChatGPT
Untuk menghitung peluang-peluang yang Anda cari, kita dapat menggunakan konsep kombinasi
dalam teori probabilitas. Mari hitung peluangnya:

(a) Peluang mendapatkan 2 buah cakram merah dalam dua kali seri dengan pergantian pemain:

Pertama, mari kita hitung peluang mendapatkan 2 cakram merah dalam satu seri. Ada 7 cakram
merah dan 10 cakram total, sehingga peluang mendapatkan 2 cakram merah dalam satu seri adalah:

Peluang = (Cara mengambil 2 cakram merah dari 7) / (Total cara mengambil 2 cakram dari 10)
Peluang = (C(7, 2)) / (C(10, 2)) = (21) / (45) = 7/15

Sekarang, dalam dua kali seri dengan pergantian pemain, peluangnya akan sama di setiap seri. Jadi,
peluang untuk mendapatkan 2 cakram merah dalam kedua seri adalah:

Peluang (2 cakram merah dalam dua kali seri) = (Peluang 2 cakram merah dalam satu seri) * (Peluang
2 cakram merah dalam satu seri) Peluang (2 cakram merah dalam dua kali seri) = (7/15) * (7/15) =
49/225

(b) Peluang mendapatkan hanya 1 cakram biru dalam dua kali seri dengan pergantian pemain:

Peluang mendapatkan 1 cakram biru dalam satu seri adalah:

Peluang = (Cara mengambil 1 cakram biru dari 3) * (Cara mengambil 1 cakram merah dari 7) / (Total
cara mengambil 2 cakram dari 10) Peluang = (C(3, 1) * C(7, 1)) / C(10, 2) = (3 * 7) / 45 = 21/45 = 7/15

Namun, dalam dua kali seri dengan pergantian pemain, ada dua skenario di mana Anda dapat
mendapatkan hanya 1 cakram biru: pertama, Anda dapat mendapatkan 1 cakram biru di seri pertama
dan 1 cakram merah di seri kedua, atau sebaliknya. Jadi, peluangnya adalah:
Peluang (hanya 1 cakram biru dalam dua kali seri) = (Peluang 1 cakram biru dalam satu seri) *
(Peluang 1 cakram merah dalam satu seri) + (Peluang 1 cakram merah dalam satu seri) * (Peluang 1
cakram biru dalam satu seri) Peluang (hanya 1 cakram biru dalam dua kali seri) = (7/15) * (8/15) +
(8/15) * (7/15) = (56/225) + (56/225) = 112/225

Jadi, peluang mendapatkan hanya 1 cakram biru dalam dua kali seri dengan pergantian pemain
adalah 112/225.
Untuk menentukan berapa banyak pon es yang harus dibeli setiap hari sehingga
kemungkinan Snow Cones, Ltd. tidak kehabisan es lebih dari 5 persen (0,05), kita perlu
menghitung nilai batasan atas pada distribusi normal yang mencakup 95 persen dari
konsumsi es harian.

Kami akan menggunakan z-score, yang mengukur seberapa jauh nilai tertentu berada
dari rata-rata dalam satuan deviasi standar. Dalam hal ini, kita akan mencari z-score
yang sesuai dengan persentil ke-95 dari distribusi normal standar.

Untuk mencari z-score ini, kita dapat menggunakan tabel z-score atau kalkulator z-
score. Untuk persentil ke-95, z-score adalah sekitar 1,645.

Selanjutnya, kita akan menggunakan z-score untuk menghitung batasan atas dalam
satuan deviasi standar:

Batas atas = μ + (z-score) * σ Batas atas = 600 + (1.645 * 25) = 641.125

Jadi, Snow Cones, Ltd. harus membeli setidaknya sekitar 641 pon es setiap hari untuk
memastikan bahwa kemungkinan mereka tidak kehabisan es lebih dari 5 persen.

Untuk menghitung probabilitas menggunakan pendekatan distribusi binomial yang

normal, kita akan menggunakan nilai π (probabilitas keberhasilan dalam satu
percobaan) dan n (jumlah percobaan) yang diberikan, dan kita akan menganggap
distribusi binomial sebagai pendekatan distribusi normal. Dalam hal ini, kita akan
menggunakan distribusi binomial yang normal dengan nilai mean (μ) dan standar
deviasi (σ) yang sesuai.

(a) Untuk menghitung probabilitas tepat 370 barang cacat dari ukuran lot 1.000 item,
kita akan menggunakan distribusi binomial dengan π = 0,35 (probabilitas keberhasilan
cacat dalam satu percobaan), n = 1.000 (jumlah percobaan), dan k = 370 (jumlah
keberhasilan yang diinginkan).

Menggunakan pendekatan distribusi binomial yang normal, kita dapat menghitung nilai
mean (μ) dan standar deviasi (σ) dari distribusi ini:
μ = n * π = 1.000 * 0,35 = 350 σ = sqrt(n * π * (1 - π)) = sqrt(1.000 * 0,35 * 0,65) ≈
14.798

Kemudian, kita akan menggunakan distribusi normal untuk menghitung probabilitas

tepat 370 barang cacat. Kita akan menggunakan nilai mean (μ) dan standar deviasi (σ)
yang telah dihitung:

Z = (X - μ) / σ = (370 - 350) / 14.798 ≈ 1.35

Selanjutnya, kita akan mencari nilai Z di tabel distribusi normal atau dengan bantuan
kalkulator statistik untuk mendapatkan probabilitas yang sesuai. Probabilitas untuk nilai
Z sekitar 1.35 adalah sekitar 0.9115.

Jadi, probabilitas tepat 370 barang cacat adalah sekitar 0.9115 atau 91.15%.

(b) Untuk menghitung probabilitas lebih dari 370 barang cacat dari ukuran lot 1.000
item, kita akan menggunakan distribusi binomial yang normal dengan nilai mean (μ)
dan standar deviasi (σ) yang telah dihitung sebelumnya.

Kita akan menggunakan distribusi normal untuk menghitung probabilitas lebih dari 370
barang cacat. Dengan menggunakan nilai mean (μ) dan standar deviasi (σ) yang telah
dihitung sebelumnya, kita dapat menghitung Z:

Z = (X - μ) / σ = (371 - 350) / 14.798 ≈ 1.42

Selanjutnya, kita akan mencari nilai Z di tabel distribusi normal atau dengan bantuan
kalkulator statistik untuk mendapatkan probabilitas yang sesuai. Probabilitas untuk nilai
Z sekitar 1.42 adalah sekitar 0.9222.

Jadi, probabilitas lebih dari 370 barang cacat adalah sekitar 0.9222 atau 92.22%.

Sebuah bola lampu yang sangat mahal telah dirancang sedemikian rupa sehingga waktu rata-rata
antara kegagalan adalah 1.000 jam. Berapa peluang sebuah bohlam akan bertahan lebih dari 1.500
jam? (Asumsikan distribusi eksponensial.)
ChatGPT
Untuk menghitung peluang bahwa bola lampu akan bertahan lebih dari 1.500 jam dalam distribusi
waktu antara kegagalan yang terdistribusi eksponensial, kita dapat menggunakan fungsi distribusi
eksponensial. Distribusi eksponensial memiliki fungsi distribusi kumulatif (CDF) yang diberikan oleh:

CDF(x) = 1 - e^(-λx)
Di mana:

 x adalah waktu yang ingin dihitung peluangnya (dalam hal ini, 1.500 jam).
 λ adalah laju kegagalan, yang merupakan kebalikan dari waktu rata-rata antara kegagalan
(dalam hal ini, λ = 1 / 1.000 per jam).

Untuk menghitung peluang bola lampu bertahan lebih dari 1.500 jam:

Peluang (X > 1.500 jam) = 1 - CDF(1.500) Peluang (X > 1.500 jam) = 1 - (1 - e^(-λ * 1.500))

Sekarang, kita akan menghitung nilai λ:

λ = 1 / 1.000 per jam = 0.001 per jam

Selanjutnya, kita akan menghitung peluangnya:

Peluang (X > 1.500 jam) = 1 - (1 - e^(-0.001 * 1.500)) Peluang (X > 1.500 jam) = 1 - (1 - e^(-1.5 *
0.001)) Peluang (X > 1.500 jam) = 1 - (1 - e^(-0.0015))

Sekarang, kita dapat menghitung nilai eksponensial:

Peluang (X > 1.500 jam) = 1 - (1 - 0.9985) Peluang (X > 1.500 jam) = 0.9985

Jadi, peluang bahwa bola lampu akan bertahan lebih dari 1.500 jam adalah sekitar 0.9985 atau
99.85%.
Sebuah penelitian telah menetapkan bahwa panggilan jarak jauh yang dibantu operator terjadi
dengan frekuensi 1 setiap 5 menit. Dengan asumsi bahwa interval waktu antar kejadian terdistribusi
secara eksponensial, tentukan probabilitas bahwa lebih dari 8 menit akan berlalu sebelum layanan
diperlukan.
ChatGPT
Untuk menentukan probabilitas bahwa lebih dari 8 menit akan berlalu sebelum layanan diperlukan
dalam distribusi waktu antara kejadian yang terdistribusi secara eksponensial, kita dapat
menggunakan fungsi distribusi eksponensial. Dalam hal ini, laju kejadian (λ) adalah kebalikan dari
rata-rata frekuensi panggilan, yaitu λ = 1 / (1/5) = 5 per menit.

Kemudian, kita akan menggunakan distribusi eksponensial untuk menghitung peluang bahwa waktu
antara kejadian (waktu antar panggilan) lebih dari 8 menit:

Peluang (X > 8 menit) = 1 - CDF(8)

Di mana:

 X adalah waktu antara kejadian.

 CDF(x) adalah fungsi distribusi kumulatif eksponensial.
Fungsi distribusi kumulatif eksponensial diberikan oleh:

CDF(x) = 1 - e^(-λx)

Kemudian, kita akan menghitung peluangnya:

Peluang (X > 8 menit) = 1 - (1 - e^(-5 * 8)) Peluang (X > 8 menit) = 1 - (1 - e^(-40))

Sekarang, kita dapat menghitung nilai eksponensial:

Peluang (X > 8 menit) = 1 - (1 - 4.24835425529e-18)

Karena nilai eksponensial sangat mendekati nol, kita dapat menganggapnya sebagai nol dalam
praktiknya.

Jadi, probabilitas bahwa lebih dari 8 menit akan berlalu sebelum layanan diperlukan sangat
mendekati nol. Dengan kata lain, sangat tidak mungkin bahwa lebih dari 8 menit akan berlalu
sebelum panggilan jarak jauh yang dibantu operator diperlukan.