DAFTAR ISI

Halaman
HALAMAN JUDUL ................................................................................. i
DAFTAR ISI.............................................................................................. iii
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................. I-1
BAB II PROBABILITAS
2.1 Landasan Teori.............................................................. II-1
2.1.1 Pengertian Probabilitas ....................................... II-3
2.1.2 Percobaan, Ruang Sampel Titik Sampel dan
Peristiwa .............................................................. II-4
2.1.3 Probabilitas Beberapa Peristiwa........................... II-4
2.1.4 Harapan Matematika ........................................... II-6
2.1.5 Teori Bayes ......................................................... II-6
BAB III DISTRIBUSI BINOMINAL
3.1 Landasan Teori ............................................................. III-8
3.1.1 Pengertian Distribusi Binominal ......................... III-8
3.1.2 Ciri-ciri Distribusi Binominal ............................. III-9
3.1.3 Rumus Distribusi Binominal ............................... III-10
BAB IV DISTRIBUSI POISSON
4.1 Landasan Teori ............................................................. IV-11
4.1.1 Pengertian Distribusi Poisson.............................. IV-11
4.1.2 Ciri-ciri Distribusi Poisson.................................. IV-12
4.1.3 Rumus Distribusi Poisson ................................... IV-12
4.1.4 Rata-rata, Varians dan Simpangan Baku............. IV-14
4.1.5 Kemencengan Kurva ........................................... IV-14
BAB V DISTRIBUSI NORMAL
5.1 Landasan Teori ............................................................. V-16
5.1.1 Pengertian Distribusi Normal .............................. V-16
5.1.2 Ciri-ciri Distribusi Normal .................................. V-16

i
 Halaman
5.1.3 Kurva Normal...................................................... V-17
5.1.4 Sifat-sifat Kurva Normal ..................................... V-18
5.1.5 Persamaan Distribusi Normal.............................. V-18
DAFTAR PUSTAKA

ii
 Praktikum Teori Probabilitas

BAB I
PENDAHULUAN

1.1. Latar Belakang

Probabilitas atau peluang adalah cara untuk mengungkapkan pengetahuan
atau kepercayaan bahwa suatu kejadian akan berlaku atau telah terjadi. Konsep ini
telah dirumuskan dengan lebih ketat dalam matematika, dan kemudian digunakan
secara lebih luas tidak hanya dalam matematika atau statistika, tetapi juga
keuangan, sains dan filsafat. Konsep probailitas merupakan salah satu alat
analisis yang mempunyai peran sangat penting untuk memecahkan masalah
dalam kehidupan sehari- hari mulai dari bidang ilmiah sampai pada masalah-
masalah kecil, seperti masuk kantor atau tidak, karena awan tebal kemungkinan
akan hujan deras dan banjir, dan sebagainya. Meskipun kejadian-kejadian tersebut
tidak pasti, tetapi kita bisa melihat fakta-fakta yang ada untuk menuju derajat
kepastian atau derajat keyakinan bahwa sesuatu akan terjadi. Derajat atau tingkat
kepastian atau keyakinan dari munculnya hasil percobaan statistik disebut
Probabilitas (Peluang), yang dinyatakan dengan P. Probabilitas sering
diterjemahkan sebagai peluang atau kejadian, yaitu peristiwa yang didefinisikan
sebagai peluang proses terjadinya sesuatu, baik disengaja (eksperimentasi)
atau tidak. Teori probabilitas termasuk ke dalam ilmu statistika, dimana statistika
ini adalah ilmu yang mempelajari tentang cara-cara menentukan suatu penduga bagi
suatu parameter, serta kemudian bertugas mengambil kesimpulan mengenai nilai
parameter tersebut berdasarkan nilai penduga yang didapat.
Probabilitas merupakan suatu nilai yang dipergunakan untuk mengukur
kemungkinan suatu peristiwa yang akan terjadi di masa mendatang yang bersifat
belum pasti. Distribusi binomial merupakan distribusi teoritis yang menggunakan
variabel random diskrit yang bersifat bebas, dimana setiap percobaan hanya
menghasilkan dua hasil yang berbeda. Distribusi hipergeometrik adalah distribusi
teoritis yang menggunakan variabel random diskrit yang terdiri dari dua kejadian
yang berkomplemen dan pada pengambilan sample dilakukan tanpa

I-1
 I-2

pengembalian. Distribusi poisson adalah penyebaran nilai-nilai terhadap suatu

variabel random diskrit yang dimana itu merupakan hasil dari percobaan di suatu
interval tertentu dan daerah tertentu yang sangat jarang terjadi. Distribusi normal
adalah distribusi teoritis yang menggunakan variabel random kontinu yang dimana
variabel random kontinu ini bermaksud bahwa hasi dari perobaan tersebut diukur
secara kontinu.

Praktikum Teori Probabilitas

 Praktikum Teori Probabilitas

BAB II
PROBABILITAS

2.1 Landasan Teori

Landasan teori adalah alur jangkauan pikir (nalar) yang merupakan
serangkaian konsep, definisi, serta rasio yang dirangkai dengan terstruktur
(Sugiyono, 2010:54). Landasan teori digunakan untuk menjadi petunjuk agar
penelitian fokus sesuai dengan kenyataan yang ada. Selain itu manfaat dari landasan
teori adalah untuk mendapatkan gambaran umum mengenai latar belakang
penelitian dan menjadi bahan untuk pembahasan dari hasil penelitian.

2.1.1 Pengertian Probabilitas

Probabilitas atau sering disebut dengan peluang dan kemungkinan yang
berasal dari kata probability dalam bahasa inggris yang artinya peluang sebuah
peristiwa akan terjadi. Probabilitas merupakan kemungkinan yang dapat dalam
sebuah peristiwa tertentu (Hasan, 2006). Probabilitas adalah sebuah alat penting
dikarenakan sering digunakan untuk memperkirakan derajat ketidakpastian dan
dengan demikian mengurangi risiko.
Probabilitas adalah sebuah ukuran mengenai kemungkinan dari suatu
peristiwa yang akan terjadi di masa yang akan datang (Lind, 2002). Berikut adalah
bentuk umum dari nilai probabilitas.
X
P (E) =
N
Keterangan:
P = Probabilitas
E = Kejadian yang diharapkan
X = Banyaknya cara kerjadian akan terjadi
N = Total kejadian yang mungkin terjadi

II-3
 Praktikum Teori Probabilitas

2.1.2 Percobaan, Ruang Sampel, Titik Sampel dan Peristiwa

Kata percobaan digunakan dalam statistik untuk sebuah proses dalam
menghasilkan data, baik data dengan jumlah kecil maupun data dengan jumlah yang
besar (Wahyudi, 2017). Percobaan didefinisikan sebagai sebuah prosedur yang
sedang dilakukan pada peristiwa tertentu yang dapat dilakukan berulang dalam
jumlah tertentu pada peristiwa yang sama dan hasilnya dapat diobservasi (Wahyudi,
2017). Contoh sederhana untuk percobaan yaitu ketika sebuah dadu dilambungkan
dengan memiliki enam buah sisi yang berbeda, maka akan diperoleh hasil
kemungkinan dari setiap sisi yang sama besar. Kegiatan tersebut disebut dengan
percobaan, sedangkan hasil dari salah satu sisi dinamakan hasil percobaan.
Ruang sampel adalah sekumpulan dari kejadian atau peristiwa yang
mungkin terjadi dari sebuah percobaan (Wahyudi, 2017). Ruang sampel dapat
didefinisikan dengan himpunan semesta dari seluruh percobaan. Pada umumnya
ruang sampel dilambangkan dengan S. Contoh ruang sampel dalam percobaan
lempar dadu yaitu semua angka yang terdapat pada dadu dinamakan ruang sampel.
Contoh lain dari ruang sampel adalah pelemparan dua buah mata uang logam yang
setimbang, jika sisi uang logam dimisalkan dengan A atau angka dan G atau
gambar, maka semua hal yang mungkin terjadi seperti (A,A), (A,G), (G,A), (G,G)
dinamakan ruang sampel. Titik sampel adalah anggota-angota dari suang sampel.
Peristiwa atau kejadian adalah sekumpulan bagian dari ruang sampel pada sebuah
percobaan atau hasil dari percobaan tersebut (Wahyudi, 2017).

2.1.3 Probabilitas Beberapa Peristiwa

Probabilitas memiliki sejumlah peristiwa atau kejadian yang akan terjadi.
Berikut adalah empat probabilitas beberapa peristiwa (Wahyuning, 2021).
1) Peristiwa Saling Lepas (Mutually Exclusive)
Peristiwa saling lepas adalah dua peristiwa yang mana apabila terjadinya satu
peristiwa menyebabkan satu peristiwa lainnya tidak terjadi. Kedua peristiwa
tersebut tidak dapat terjadi dalam waktu yang bersamaan. Probabilitas
terjadinya peristiwa A dan B saling lepas adalah sebagai berikut.
P (A B) = P(A) + P(B)

III-8
 Praktikum Teori Probabilitas

2) Peristiwa Tidak Saling Lepas (Non-Exclusive)

Peristiwa tidak saling lepas atau dapat disebut sebagai non exclusive, jika
terdapat dua peristiwa yang tidak saling lepas atau kedua peristiwa atau lebih
tersebut dapat terjadi dalam waktu yang bersamaan.
P (A B) = P(A) + P(B) – P(A∩B)
3) Peristiwa Bebas (Independent)
)
Peristiwa dapat terjadi atau tidak terjadi tidak mempengaruhi maupun tidak
dipengaruhi oleh peristiwa lainnya. Peristiwa A dan B adalah dua peristiwa
yang bebas (independent), maka probabilitas bahwa kedua peristiwa tersebut
akan terjadi secara bersamaan dapat dirumuskan sebagai berikut.
P(A∩B) = P(A) x P(B)
4) Peristiwa Bersyarat (Dependent)
Peristiwa bersyarat terjadi apabila satu peristiwa mempengaruhi atau syarat
terjadi peristiwa lainnya. Probabilitas bahwa peristiwa B akan terjadi jika
diketahui bahwa peristiwa A telah terjadi ditulis sebagai berikut.
P(B/A)
Probabilitas bahwa peristiwa A dan B akan terjadi dapat dirumuskan sebagai
berikut.
P(A∩B) = P(A) x P(B/A)
Probabilitas peristiwa A akan terjadi apabila diketahui bahwa peristiwa B
telah terjadi dapat ditulis sebagai berikut.
P(A/B)
Maka, probabilitas peristiwa B dan A akan terjadi dapat dirumuskan sebagai
berikut.
P(A∩B) = P(B) x P(A/B)

III-9
 Praktikum Teori Probabilitas

2.1.4 Harapan Matematika

Konsep ekspektasi matematis (harapan matematika), nilai ekspektasi dari
sebuah variabel acak adalah satu konsep yang sangat penting dalam probabilitas
atau peluang dan statistik. Suatu variabel random diskrit X yang mempunyai nilai-
nilai yang mungkin xi, …., xn , dan probabilitas variabel random adalah P(X) serta
probabilitas setiap harga adalah P(X1), P(X2), P(Xn), maka ekspektasi dari X
didefinisikan sebagai berikut (Spiegel, 2000):
E(X)= ? X..P(X)

E(X) = x1. P(x1) + x2. P(x2) + … + xn . P(xn)

2.1.5 Teori Bayes

Teori Bayes dikembangkan oleh seorang ilmuwan bernama Thomas Bayes
pada tahun 1763. Teorema bayes adalah teori yang menjelaskan mengenai
hubungan antara probabilitas bersyarat dari dua peristiwa atau kejadian dan
mempunyai aplikasi yang cukup penting terutama dalam bidang statistik. Pada
dasarnya, teorema ini menyebutkan bahwa kejadian atau peristiwa di masa depan
dapat diprediksi dengan syarat peristiwa sebelumnya telah terjadi. Teorema Bayes
memiliki syarat-syarat yang dapat digunakan untuk menentukan pengambilan
keputusan, antara lain (Darmanto, dkk, 2017):
1. Berada pada kondisi ketidakpastian atau terdapat alternatif tindakan.
2. Peluang Prior diketahui dan peluang Posterior dapat ditentukan.
3. Peluangnya memiliki nilai antara nol dan satu.
Teorema Bayes memiliki kelebihan yaitu mudah untuk dipahami, hanya
memerlukan pengkodean yang sederhana, lebih cepat dalam penghitungan. Selain
memiliki kelebihan, teori bayes terdapat kekurangan yaitu satu probabilitas saja
tidak dapat mengukur seberapa dalam tingkat keakuratannya atau kurang bukti
dalam membuktikan kebenaran jawaban yang diperoleh dari teori ini (Darmanto,
dkk, 2017). Secara umum, bentuk dasar dari teori Bayes dapat ditulis dalam bentuk:
P(B|Ai ).P(Ai)
P(A i |B)=
?j P(B|Aj)P(Aj)

III-10
 Praktikum Teori Probabilitas

BAB III
DISTRIBUSI BINOMIAL

3.1. Landasan Teori

Landasan teori merupakan suatu bentuk definisi dari konsep yang sudah
tersusun secara rapi dan sistematis yang berisi tentang informasi dari variabel-
variabel yang digunakan pada penelitian. Landasan teori memiliki fungsi untuk
melakukan pemecahan masalah pada suatu penelitian. Berikut ini merupakan
landasan teori yang berkaitan dengan distribusi binomial.

3.1.1. Pengertian Distribusi Binomial

Distribusi Binomial adalah suatu distribusi probabilitas yang dapat
digunakan bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses
Bernoulli (Walpole, 1995). Distribusi binomial ditemukan oleh James Bernoulli
sehingga distribusi ini sering juga disebut distribusi Bernoulli. Distribusi binomial
ini merupakan ukuran penyebaran data dalam n kali percobaan dan hasilnya sesuai
dengan percobaan Bernoulli diulang sebanyak n kali, dimana pada setiap
pengulangan hanya akan ada 2 kemungkinan yaitu sukses atau gagal. Misalkan p
adalah probabilitas sukses maka 1-p adalah probabilitas gagal. Ada 2 prinsip dalam
distribusi binomial yaitu bahwa setiap percobaan pada distribusi binomial hanya
menghasilkan 2 kejadian yang berkomplemen seperti gagal/sukses, ya/tidak,
berhasil/tidak berhasil dan setiap pengulangan bebas terhadap pengulangan
berikutnya.
Distribusi binomial adalah distribusi probabilitas diskrit dengan jumlah
keberhasilan dalam n percobaan sukses atau gagal yang saling bebas, dimana setiap
hasil eksperimen memiliki probabilitas p . Variabel acak X disebut variabel acak
binomial jika mewakili jumlah total keberhasilan dalam percobaan Bernoulli
independen (Sugiyarto, 2021).
Distribusi Binomial digunakan untuk data diskrit (bukan data kontinu) yang
dihasilkan dari eksperimen Bernouli, mengacu kepada matematikawan

III-11
 IV-9

JacobBernouli. Peristiwa pelemparan mata uang (koin) yang dilakukan beberapa

kali adalah contoh dari proses bernouli, dan hasil (outcomes) dari tiap-tiap
pengocokan dapat dinyatakan sebagai distribusi probabilitas binomial. Kejadian
sukses atau gagal calon pegawai dalam psikotest merupakan contoh lain dari proses
Bernouli. Sebaliknya distribusi frekuensi hidupnya lampu neon di pabrik harus
diukur dengan skala kontinu dan bukan dianggap sebagai distribusi binomial.
Secara formal, suatu eksperimen dapat dikatakan eksperimen binomial jika
memenuhi empat persyaratan (Sudjana, 2002):
a. Banyaknya eksperimen merupakan bilangan tetap (fixed number of trial)
b. Setiap ekperimen selalu mempunyai dua hasil ”Sukses” dan ”Gagal”. Tidak
ada ‟daerah abu-abu‟.
c. Probabilitas sukses harus sama pada setiap eksperimen.
d. Eksperimen tersebut harus bebas satu sama lain, artinya satu eksperimen tidak
boleh berpengaruh pada hasil eksperimen lainnya.

3.1.2. Ciri-ciri Distribusi Binomial

Distribusi binomial adalah distribusi probabilitas diskrit dengan jumlah
keberhasilan dalam n percobaan sukses atau gagal yang saling bebas, dimana setiap
hasil eksperimen memiliki probabilitas p. Distribusi binomial memiliki beberapa
ciri-ciri, berikut merupakan ciri-ciri dari distribusi binomial (Sudjana,2002):
1. Jika jumlah n tetap dan p kecil maka distribusi yang dihasilkan akan miring ke
kanan dan jika p makin besar maka kemiringan akan berkurang dan jika p
mencapai 0,5 maka distribusi akan menjadi simetris. Jika p lebih besar dari 0,5
maka distribusi yang dihasilkan akan miring ke kiri.
2. Jika p tetap dengan jumlah n yang semakin besar, maka akan dihasilkan
distribusi yang mendekati distribusi simetris.
3. Percobaan diulang sebanyak n kali.
4. Hasil setiap pengulangan dapat dikategorikan ke dalam 2 kelas, misal
“Berhasil” atau “Gagal”; “Ya” atau “Tidak”; “Success” or “Failed”.
5. Peluang berhasil/ sukses dinyatakan dengan p dan dalam setiap pengulangan
nilai p tetap. Peluang gagal dinyatakan dengan q, dimana q = 1-p.

Praktikum Teori Probabilitas

 IV-10

6. Setiap pengulangan bersifat bebas (independen) satu dengan lainnya.

3.1.3. Rumus Distribusi Binomial

Distribusi binomial hanya menghasilkan 2 kejadian yang berkomplemen
seperti gagal/sukses, ya/tidak, berhasil/tidak berhasil dan setiap pengulangan bebas
terhadap pengulangan berikutnya. Peluang berhasil/ sukses dinyatakan dengan p
dan dalam setiap pengulangan nilai p akan selalu tetap, sedangkan peluang gagal
dinyatakan dalam q, dimana q = p-1. Berikut merupakan rumus distribusi binomial:

Keterangan:
P(x) = peluang variabel acak;
n = banyaknya percobaan;
x = jumlah kejadian yang diharapkan (x = 0, 1, 2, 3, dst);
p = peluang kejadian sukses atau yang diharapkan; dan
q = peluang kejadian gagal atau yang tidak diharapkan.

Praktikum Teori Probabilitas

 IV-11

BAB IV
DISTRIBUSI POISSON

4.1. Landasan Teori

Landasan teori berguna sebagai acuan dan landasan pemecahan masalah-
masalah. Ladasan teori distribusi poisson membahas mengenai pengertian
distribusi poisson, parameter, ciri-ciri distribusi poisson, rumus distribusi poisson,
serta rumus rata-rata, varians, dan simpangan baku. Berikut landasan teori
mengenai distribusi poisson.

4.1.1. Pengertian Distribusi Poisson

Distribusi poisson merupakan suatu distribusi yang dipergunakan untuk
peristiwa yang memiliki probabilitas kejadiannya kecil, dimana kejadian tersebut
tergantung pada interval waktu tertentu atau disuatu daerah tertentu dengan hasil
pengamatan yang berupa variabel diskrit (Rachmah dan Purhadi, 2014). Distribusi
poisson disebut juga distribusi peristiwa yang jarang terjadi, ditemukan oleh S.D.
Poisson (1781–1841), seorang ahli matematika berkebangsaan Perancis. Distribusi
Poisson termasuk distribusi teoritis yang memakai variabel random diskrit.
Distribusi poisson adalah distribusi nilai-nilai bagi suatu variabel random X (X
diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu
tertentu atau di suatu daerah tertentu (Hasan, 2016).
Parameter distribusi poisson merupakan pengembangan dari distribusi
binomial yang mampu mengakulasikan distribusi probabilitas dengan
kemungkinan sukses (p) sangat kecil dan jumlah eksperimen (n) sangat besar (misal
100 atau lebih), karena distribusi poisson biasanya melibatkan jumlah n besar (n ≥
30), dengan p kecil (p < 0,1), distribusi ini biasanya digunakan untuk menghitung
nilai probabilitas suatu kejadian dalam suatu selang waktu dan daerah tertentu.
Hasil percobaan atau jumlah sukses dapat menentukan probabilitas dengan hanya
satu nilai pada proses poisson, yaitu jumlah rata-rata sukses, yang dilambangkan
atau (Subiyakto, 1994).

Praktikum Teori Probabilitas

 IV-12

4.1.2. Ciri-ciri Distribusi Poisson

Distribusi poisson dapat digunakan untuk menghitung probabilitas
terjadinya peristiwa menurut satuan waktu, ruang, atau isi, luas, dan panjang
tertentu sehingga didapatkan tiga ciri dari distribusi poisson. Berikut merupakan
ciri-ciri distribusi poisson (Hasan, 2016).
1. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu
daerah tertentu tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada interval waktu atau daerah lain yang terpisah.
2. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang
singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang interval
waktu atau besarnya daerah tersebut dan tidak bergantung pada banyaknya hasil
percobaan yang terjadi di luar interval waktu atau daerah tersebut.
3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu
yang singkat atau dalam daerah yang kecil dapat diabaikan.
Berdasarkan ciri-ciri di atas, hal tersebut dapat dijadikan gambaran untuk
sebuah contoh. Berikut merupakan contoh distribusi poisson (Hasan, 2016).
Peristiwa datangnya kendaraan yang lewat dalam suatu interval waktu di suatu ruas
jalan. Dari peristiwa tersebut, dapat diamati hal-hal berikut:
a. Tingkat kedatangan rata-rata kendaraan dapat dihitung berdasarkan data masa
lalu.
b. Tingkat kedatangan rata-rata kendaraan per satuan waktu adalah konstan.
c. Banyaknya kedatangan kendaraan dalam suatu interval waktu tertentu
merupakan peristiwa independen (bebas).
d. Probabilitas kedatangan kendaraan-kendaraan itu dalam suatu interval waktu
adalah sangat kecil dan dapat dikatakan mendekati nol.

4.1.3. Rumus Distribusi Poisson

Distribusi poisson terdiri dari tiga rumus diantaranya yaitu, probabilitas
poisson suatu peristiwa, poisson kumulatif, dan pendekatan distribusi binomial
(Hasan, 2016). Berikut merupakan rumus distribusi poisson.

Praktikum Teori Probabilitas

 IV-13

1. Rumus Probabilitas Poisson Suatu Peristiwa

Terdapat dua rumus untuk bagian probabilitas poisson pada suatu peristiwa.
Berikut rumus probabilitas poisson suatu peristiwa.

Keterangan:
P(X = x) = probabilitas terjadinya suatu kejadian
e = bilangan konstan (2,71828)
= rata-rata terjadinya suatu distribusi
X = 0, 1, 2, 3, …. (X menuju tak hingga)
Probabilitas terjadinya suatu kedatangan yang mengikuti proses poisson.

Keterangan:
t = banyaknya satuan waktu
= tingkat kedatangan rata-rata per satuan waktu
= banyaknya kedatangan dalam t satuan waktu
2. Probabilitas Distribusi Poisson Kumulatif
Probabilitas poisson kumulatif adalah probabilitas dari peristiwa poisson lebih
dari satu. Berikut merupakan rumus probabilitas distribusi poisson kumulatif.

3. Distribusi Poisson sebagai Pendekatan Distribusi Binomial

Pendekatan peluang poisson untuk peluang binomial dilakukan untuk
mendekatkan probabilitas dari kelas sukses (x) dari (n) percobaan binomial
dalam situasi di mana sampel sangat besar dan probabilitas kelas

Praktikum Teori Probabilitas

 IV-14

sukses sangat kecil. Berikut rumus distribusi poisson sebagai pendekatan

distribusi binomial.

Keterangan:
np = rata-rata distribusi binomial

4.1.4. Rata-rata, Varians, dan Simpangan Baku

Secara umum nilai rata-rata, varians, dan simpangan baku dapat dicari
berdasarkan distribusi probabilitasnya (Hasan, 2016). Berikut merupakan ketiga
rumus tersebut.
1. Rata-rata

2. Varians

3. Simpangan Baku

4.1.5. Kemencengan Kurva

Kemencengan merupakan tingkat ketidaksimetrisan atau kejauhan simetri
dari sebuah distribusi. Sebuah distribusi yang tidak simetris akan memiliki rata-
rata, median, dan modus yang tidak sama besarnya sehingga distribusi akan
terkonsentrasi pada salah satu sisi dan kurvanya akan menceng. Nilai kemiringan
(ukuran) menunjukkan data normal ketika nilai-nilai tersebut berada di antara
rentang nilai -2 sampai dengan 2. Kurva positif apabila rata-rata hitung > modus
atau median. Kurva negatif apabila rata-rata hitung < modus atau median. Hasil
distribusi yang miring ke kanan memiliki kemencengan positif dan yang hasilnya
ke kiri memiliki kemencengan negatif (Ghozali, 2016). Berikut merupakan Gambar
4.1 Kurva Kemencengan.

Praktikum Teori Probabilitas

 IV-15

Gambar 4.1 Kurva Kemencengan

Berdasarkan gambar di atas terdapat kriteria untuk mengetahui model distribusi dari
koefisien kemencengan, diantaranya:
1. Jika koefisien kemiringan < 0, maka bentuk distribusinya negatif.
2. Jika koefisien kemiringan = 0, maka bentuk distribusinya simetri.
3. Jika koefisien kemiringan > 0, maka bentuk distribusinya positif.

Praktikum Teori Probabilitas

 Praktikum Teori Probabilitas

BAB V
DISTRIBUSI NORMAL

5.1. Landasan Teori

Landasan teori merupakan salah satu bagian dari penelitian yang
didalamnya termuat teori-teori dan hasil-hasil penelitian yang berasal dari studi
kepustakaan yang memiliki fungsi untuk menyelesaikan permasalahan penelitian.
Landasan teori distribusi normal membahas pengertian distribusi normal, ciri-ciri
distribusi normal, kurva normal, sifat-sifat kurva normal dan persamaan distribusi
normal. Berikut merupakan landasan teori distribusi normal.

5.1.1. Pengertian Distribusi Normal

Distribusi Normal merupakan distribusi yang simetris dan berbentuk
lonceng. Distribusi normal merupakan distribusi dengan variabel acak yang
perhitungan probabilitasnya dilakukan dengan menentukan luas daerah dibawah
kurva. Variansi dan nilai harapan sangat berpengaruh pada distribusi normal,
semakin besar variansi berakibat pada kurva normal yang semakin rendah dan
distribusinya semakin lebar (Walpole, 2011). Menurut Hasan (2016), distribusi
normal merupakan distribusi teoritis dari variabel random kontinu. Distribusi
normal juga sering disebut sebagai Distribusi Gauss, sesuai dengan nama
pengembangnya Karl Gauss seorang ahli matematika dan astronomi.

5.1.2. Ciri-ciri Distribusi Normal

Distribusi normal atau disebut sebagai distribusi gauss merupakan salah
satu distribusi yang sering digunakan dalam statistika. Menurut Walpole (2011),
terdapat beberapa ciri-ciri distribusi normal sebagai berikut.
1. Distribusi normal memiliki bentuk simetris disekitar nilai rata-ratanya, yang
berarti bahwa nilai-nilai disebelah kiri dan kanan rata-rata memiliki bentuk
yang mirip.

V-16
 V-17

2. Rata-rata, median dan modus pada distribusi normal memiliki nilai yang sama,
dengan tiga nilai tersebut jatuh pada titik pusat distribusi.
3. Distribusi normal memiliki bentuk kurva lonceng dengan puncak dinilai rata-
ratanya.
4. Distribusi normal ditentukan oleh dua parameter, yakni rata-rata yang
menunjukkan nilai puncak kurva dan standar deviasi yang mengontrol seberapa
lebar serta kerapatan kurva.

5.1.3. Kurva Normal

Menurut Taylor (2013), distribusi normal merupakan distribusi yang
memiliki kurva yang simetris dengan bentuk genta atau lonceng. Bentuk kurva
distribusi normal dipengaruhi oleh nilai rata-rata dan simpangan baku. Nilai rata-
rata berfungsi menentukan pusat kurva, sedangkan simpangan baku berfungsi
menentukan tingkat sebaran data disekitar nilai rata-rata (Sagala dan Rahmawati,
2021). Berikut merupakan Gambar 5.1 Kurva Normal.

Gambar 5.1 Kurva Normal

Perhitungan rata-rata dan simpangan baku pada distribusi normal dapat dilakukan
dengan menggunakan rumus sebagai berikut.
a. Rata-rata

b. Simpangan baku
Data Sampel Besar (n > 30) Data Sampel Kecil (n ≤ 30)

Praktikum Teori Probabilitas

 V-18

5.1.4. Sifat-sifat Kurva Normal

Kurva distribusi normal memiliki bentuk yang simetris dan berbentuk genta
dan simetris. Berdasarkan bentuk tersebut, dapat diketahui sifat-sifat distribusi
normal. Sifat-sifat distribusi normal adalah sebagai berikut (Hasan, 2016).
1. Bentuk distribusi normal adalah bentuk genta atau lonceng dengan satu puncak
(unimodal).
2. Rata-rata (µ) terletak ditengah-tengah.
3. Nilai rata-rata sama dengan median sama dengan modus yang memberikan
pola simetris.
4. Ujung-ujung sisi kurva sejajar dengan sumbu horizontal (sb-X) dan tidak akan
pernah memotong sumbu tersebut.
5. Data sebagian besar ada ditengah-tengah dan sebagian kecil ada ditepi, yaitu:
a. Jarak ± 1σ menampung 68% atau 68,26% data;
b. Jarak ± 2σ menampung 95% atau 95,46% data;
c. Jarak ± 3σ menampung 99% atau 99,74% data;

5.1.5. Persamaan Distribusi Normal

Distribusi normal merupakan salah satu distribusi yang dikembangkan oleh
Karl Gauss pada abad ke-18. Distribusi normal memiliki ciri khusus, yakni simetris
dan berbentuk genta atau lonceng. Bentuk tersebut menunjukkan hubungan ordinat
pada rata-rata dengan berbagai ordinat pada berbagai jarak simpangan baku yang
diukur dari rata-rata. Distribusi normal dapat ditentukan dengan menggunakan
rumus fungsi sebagai berikut (Hasan, 2016).

Keterangan:
χ = nilai data
= 3,14
= simpangan baku
= rata-rata x
= 2,71828 2,72

Praktikum Teori Probabilitas

 V-19

Daftar Pustaka

Andriani, D. P. (2016). Aplikasi Komputer dan Pengolahan Data Pengantar

Statistika Industri. Universitas Brawijaya Press.
Ghozali. 2016. Aplikasi Analisis Multivariete dengan Program IBM SPSS 23 Edisi
8. Semarang: Badan Penerbit Universitas Diponegoro.
Darmanto, Tony, Kartono, dan Dharma. 2017. Penerapan Bayesian Probability
Pada Sistem Pakar Pendiagnosis Penyakit. Pontianak: STMIK Widya
Dharma
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability & Statistics
for Engineers & Scientists (9th ed.). Pearson Prentice Hall.
Hasan, Iqbal. (2006). Analisis Data Penelitian dengan Statistik.
Jakarta: Bumi Aksara.
Hasan, M. Iqbal. 2016. Pokok-Pokok Materi Statistik 1 (Statistik Deskriptif). Edisi
2. Jakarta: PT Bumi Aksara.
Hasan, M. Iqbal. (2016). Pokok-Pokok Materi Statistik 2 (Statistik Inferensif).
Jakarta. PT Bumi Aksara.
Rachmah, dan Purhadi. 2014. Pemodelan Jumlah Kematian Bayi dan Jumlah
Kematian Ibu di Provinsi Jawa Timur dengan Menggunakan Bivariate
Poisson Regression. Jurnal Sains dan Seni POM ITS 3(2).
Spiegel, Murray R, R. Alu Srinivasan, John J. Schiller.2000. Schaum’s Outline of
Theory and Problems of Probability and Statistics. London: McGraw Hill.
Subiyakto, Haryono. 1994. Statistika 2. Jakarta: Gunadarma.
Sudaryono. (2021). Statistika Probabilitas Bidang Teknik dan Komputer. Penerbit
Andi.
Sudjana, 2002. Metode Statistik. Bandung: Tarsito
Sugiyarto, 2021. Pengantar Statistika Matematika 1. Yogyakarta:
Magnum Pustaka Utama
Sugiyono. 2010. Metode Penelitian Kuantitatif dan Kualitatif dan R&D. Bandung:
Alfabeth.

Praktikum Teori Probabilitas

 V-20

Sulandari, W., & Sudibyo, N. A. (2014). Metode Statistika untuk Kimia: Analisis
Data dengan Excel. BIPTEK INDONESIA.
Wahyudi, Setyo Tri. 2017. Statistika Ekonomi: Konsep, Teori, dan Penerapan.
Universitas Brawijaya Press.
Wahyuning, Sri. 2021. Dasar-dasar Statistik. Semarang: Yayasan Prima Agus
Teknik. Gaya Chicago.
Wardani, D. K. (2020). Pengujian Hipotesis (Deskriptif, Komparatif dan
Asosiatif). LPPM Universitas KH. A. Wahab Hasbullah.

Praktikum Teori Probabilitas