Distribusi Binomial

Pendahuluan
• Diantara sekian banyak distribusi
barangkali distribusi normal merupakan
distribusi yang secara luas banyak
digunakan dalam berbagai penelitian.
Banyak kejadian yang dapat dinyatakan
dalam data hasil observasi per
eksperimen yang mengikuti distribusi
normal. Misalkan : tinggi badan, berat
badan, isi sebuah botol, nilai hasil ujian
dan lain-lain.
2
 Definisi
• Distribusi Binomial adalah suatu distribusi
probabilitas yang dapat digunakan bilamana
suatu proses sampling dapat diasumsikan
sesuai dengan proses Bernoulli. Misalnya,
dalam perlemparan sekeping uang logam
sebanyak 5 kali, hasil setiap ulangan mungkin
muncul sisi gambar atau sisi angka. Begitu pula,
bila kartu diambil berturut-turut, kita dapat
memberi label "berhasil" bila kartu yang terambil
adalah kartu merah atau ”gagal” bila yang
terambil adalah kartu hitam. Ulangan-ulangan
tersebut bersifat bebas dan peluang
keberhasilan setiap ulangan tetap sama, yaitu
sebesar 0,5..(Ronald E. Walpole)
3
 Ciri-Ciri Distribusi Binomial
• Percobaan diulang sebanyak n kali.
• Hasil setiap ulangan dapat dikategorikan ke
dalam 2 kelas, misal :
– "BERHASIL" atau "GAGAL";
– "YA" atau "TIDAK";
– "SUCCESS" atau "FAILED";
• Peluang berhasil / sukses dinyatakan dengan p
dan dalam setiap ulangan nilai p tetap. peluang
gagal dinyatakan dengan q, dimana q = 1 - p.
• Setiap ulangan bersifat bebas (independent)
satu dengan yang lainnya.
• Percobaannya terdiri dari atas n ulangan
(Ronald E. Walpole).
• Nilai n < 20 dan p > 0.05
4
 Rumus Distribusi Binomial
b(x;n,p) = ncxpxqn-x
dimana :
x = 0,1,2,3,.....,n
n = banyaknya ulangan
x = banyaknya kerberhasilan dalam
peubah acak x
p = Peluang berhasil dalam setiap ulangan
q = Peluang gagal, dimana q = 1 - p dalam
setiap ulangan

5
• Catatan :
Agar anda mudah dalam membedakan p
dengan q, anda harus dapat menetapkan
mana kejadian SUKSES dan mana
kejadian GAGAL. Anda dapat
menetapkan bahwa kejadian yang menjadi
pertanyaan atau ditanyakan adalah =
kejadian SUKSES.

6
Contoh distribusi binomial :
Berdasarkan data biro perjalanan PT Mandala Wisata air, yang
khusus menangani perjalanan wisata turis manca negara, 20%
dari turis menyatakan sangat puas berkunjung ke Indonesia, 40%
menyatakan puas, 25% menyatakan biasa saja dan sisanya
menyatakan kurang puas. Apabila kita bertemu dengan 5 orang
dari peserta wisata turis manca negara yang pernah berkunjung
ke Indonesia, berapakah probabilitas :
– Paling banyak 2 diantaranya menyatakan sangat puas
– Paling sedikit 1 di antara menyatakan kurang puas
– Tepat 2 diantaranya menyatakan biasa saja

7
• Jawab :
X≤2
Lihat tabel dan lakukan penjumlahan sebagai
berikut :
b(x; n, p) = b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5,
0.20) =
0.32768 + 0.40960 + 0.20480 = 0.94208 atau
b(x=0) = 5C0 (0.20)0 (0.80)5 = 0.32768
b(x=1) = 5C1 (0.20)0 (0.80)4 = 0.40960
b(x=2) = 5C2 (0.20)0 (0.80)3 = 0.20480
---------------------------------------------------- +
Maka hasil x = 2 adalah = 0.94208
8
X≥1
Lihat tabel dan lakukan penjumlahan sebagai
berikut :
b(1; 5, 0.15) + b(2; 5, 0.15) + b(3; 5, 0.15) +
b(4; 5, 0.15) + b(5; 5, 0.15) =
0.3915 + 0.1382 + 0.0244 + 0.002 + 0.0001 =
0.5562
X=2
b(2; 5, 0.25) = 0.2637

9
X=2X=4
Lihat tabel dan lakukan penjumlahan
sebagai berikut :
b(2; 5, 0.40) + b(3; 5, 0.40) + b(4; 5,
0.40) = 0.3456 + 0.2304 + 0.0768 =
0.6528

10
• Analisis masing-masing point :
– Sebanyak paling banyak 2 dari 5 orang dengan
jumlah 0.94208 atau 94,28% yang menyatakan
sangat puas adalah sangat besar.
– Paling sedikit 1 dari 5 orang (berarti semuanya)
dengan jumlah 0,5563 atau 55,63% yang
menyatakan kurang puas dapat dikatakan cukup
besar (karena lebih dari 50%).
– Tepat 2 dari 5 orang yang menyatakan biasa saja
dengan jumlah 0,2637 atau 26,37% adalah kecil
(karena dibawah 50%).
• Ada 2 sampai 4 yang menyatakan puas dengan
jumlah 0,6528% atau 65,28% dapat dikatakan
cukup besar. 11
• Analisis keseluruhan :
Presentase
Jika diambil persentase terbesar tanpa
memperhatikan jumlah X, maka
persentase terbesar ada di point pertama
(a) yaitu 94,28% yang menyatakan sangat
puas. Hal tersebut menandakan banyak
turis manca negara yang sangat menyukai
Indonesia.

12
Nilai X
Jika dilihat dari jumlah X, maka perlu
diperhatikan point kedua (b). Jumlah X
adalah paling sedikit 1 dari 5 orang
(berarti X>=1) yaitu 55,63% yang
menyatakan kurang puas. Hal tersebut
berarti kelima (semua) turis manca
negara kurang puas terhadap
kunjungannya ke Indonesia.

13
• Kepala bagian produksi PT SAMSUNG
melaporkan bahwa rata - rata produksi
televisi yang rusak setiap kali produksi
adalah sebesar 15 %. Jika dari total
produksi tersebut diambil secara acak
sebanyak 4 buah televisi, berapakah
perhitungan dengan nilai probabilitas 2 ?

14
• Jawab : p ( rusak ) = 0,15, q ( baik ) =
0,85, x = 2, n = 4

Rumus :

b(x;n;p) = nCx px q n-x

b (x = 2 ; 4 ; 0,12 ) = 4C2 (0,15)2 (0,85)(4 -
2)
= 0,0975

15
• Analisis :

Dengan jumlah 0,0975 atau 9,75% dari

sampel acak sebanyak 4 buah televisi dan
rata - rata produk rusak setiap kali produksi
adalah sebesar 15%, dapat dikatakan kecil.
Namun pada kenyataannya, meskipun
dilihat secara persentase kecil (hanya
9,75%) yang namanya produk rusak harus
tetap dikurangi atau bahkan dihilangkan
untuk mengurangi kerugian.
16
Rata-Rata dan Ragam Distribusi
Binomial
Rata-rata µ = n . p
Ragam ð2 = n . p . q

n : ukuran populasi
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1 - p dalam
setiap ulangan

17
• Contoh Rata - rata dan Ragam Distribusi
Binomial :

Untuk b (5; 5, 20) dimana x = 5, n = 5 dan

p = 0.20
q = 1-p ; q = 1-0.20 = sehingga q = 0.80

maka :

µ = 5 X 0.20 = 1
ð2 = 5 X 0.20 X 0.8 = 0.80
ð = √0.80 = 0.8944
18
19
Metode Bayes
 Mengapa Metode Bayes

• Metode Bayes ini merupakan metode yang baik

di dalam mesin pembelajaran berdasarkan data
training, dengan menggunakan probabilitas
bersyarat sebagai dasarnya.
 Probabilitas Bersyarat
S

X P(XY )
XY P
(X )
|Y
Y P
(Y)

Probabilitas X di dalam Y adalah probabilitas interseksi

X dan Y dari probabilitas Y, atau dengan bahasa lain
P(X|Y) adalah prosentase banyaknya X di dalam Y
 Probabilitas Bersyarat Dalam Data
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya
2 Cerah Normal Pelan Ya
3 Hujan Tinggi Pelan Tidak
4 Cerah Normal Kencang Ya
5 Hujan Tinggi Kencang Tidak
6 Cerah Normal Pelan Ya

Banyaknya data berolah-raga=ya adalah 4 dari 6 data maka dituliskan

P(Olahraga=Ya) = 4/6
Banyaknya data cuaca=cerah dan berolah-raga=ya adalah 4 dari 6
data maka dituliskan
P(cuaca=cerah dan Olahraga=Ya) = 4/6
4/
6
P
( 
cuaca 
cerah
| 
olahrag
ya
) 1
4/
6
 Distribusi Bersama dan Distribusi Marginal
Dari 100 orang mahasiswa menunjukkan 20 orang mahasiswa
menyukai keduanya, 30 orang mahasiswa menyukai bulu tangkis tapi
tidak menyukai bola volley, 40 orang mahasiswa menyukai bola volley
tapi tidak menyukai bulu tangkis, dan 10 orang mahasiswa tidak
menyukai kuduanya. Dari data ini dapat disusun bentuk distribusi
bersama sebagai berikut:

Suka bulu Suka bola volley (Y)

tangkis (X) Ya Tidak P(X)

Ya 0.2 0.3 0.5

Tidak 0.4 0.1 0.5
P(Y) 0.6 0.4 1
Distribusi Bersama
Distribusi Marginal X dan Y
 Probabilitas Bersyarat Dalam Data
# Cuaca Temperatur Berolahraga
1 cerah normal ya
2 cerah tinggi ya
3 hujan tinggi tidak
4 cerah tinggi tidak
5 hujan normal tidak
6 cerah normal ya

Banyaknya data berolah-raga=ya adalah 3 dari 6 data maka dituliskan

P(Olahraga=Ya) = 3/6
Banyaknya data cuaca=cerah, temperatur=normal dan berolah-
raga=ya adalah 4 dari 6 data maka dituliskan
P(cuaca=cerah, temperatur=normal, Olahraga=Ya) = 2/6
2
/
62
P
( 
cuaca
cerah
, 
temper
norm
| 
olah
ya
) 
3
/
63
 Metode Bayes
X1 X2 … Xn
.
P(
Y |X )
P
(X )
k|Y
k

Y P(Y|Xi)
i

Keadaan Posteriror (Probabilitas Xk di dalam Y) dapat

dihitung dari keadaan prior (Probabilitas Y di dalam Xk
dibagi dengan jumlah dari semua probabilitas Y di
dalam semua Xi)
 HMAP
HMAP (Hypothesis Maximum Appropri Probability) menyatakan hipotesa
yang diambil berdasarkan nilai probabilitas berdasarkan kondisi prior yang
diketahui.

argmax P( Y | X ) P(X)
P( S | X ) =
xX P(X )
argmax
= P( Y | X ) P(X)
xX

HMAP adalah model penyederhanaan dari metode bayes yang disebut

dengan Naive Bayes. HMAP inilah yang digunakan di dalam macine
learning sebagai metode untuk mendapatkan hipotesis untuk suatu
keputusan.
 Contoh HMAP
Diketahui hasil survey yang dilakukan sebuah lembaga kesehatan
menyatakan bahwa 30% penduduk di dunia menderita sakit paru-paru.
Dari 90% penduduk yang sakit paru-paru ini 60% adalah perokok, dan dari
penduduk yang tidak menderita sakit paru-paru 20% perokok.
Fakta ini bisa didefinisikan dengan: X=sakit paru-paru dan Y=perokok.
Maka : P(X) = 0.9
P(~X) = 0.1
P(Y|X) = 0.6  P(~Y|X) = 0.4
P(Y|~X) = 0.2  P(~Y|~X) = 0.8
Dengan metode bayes dapat dihitung:
P({Y}|X) = P(Y|X).P(X) = (0.6) . (0.9) = 0.54
P({Y}|~X) = P(Y|~X) P(~X) = (0.2).(0.1) = 0.02
Bila diketahui seseorang merokok, maka dia menderita sakit paru-paru karana
P({Y}|X) lebih besar dari P({Y}|~X). HMAP diartikan mencari probabilitas terbesar
dari semua instance pada attribut target atau semua kemungkinan keputusan.
Pada persoalan keputusan adalah sakit paru-paru atau tidak.
 HMAP Dari Data Training
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya
2 Cerah Normal Pelan Ya
3 Hujan Tinggi Pelan Tidak
4 Cerah Normal Kencang Ya
5 Hujan Tinggi Kencang Tidak
6 Cerah Normal Pelan Ya

Asumsi:
Y = berolahraga,
X1 = cuaca,
X2 = temperatur,
X3 = kecepatan angin.
Fakta menunjukkan:
P(Y=ya) = 4/6  P(Y=tidak) = 2/6
 HMAP Dari Data Training
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya Apakah bila cuaca
2 Cerah Normal Pelan Ya cerah dan
3 Hujan Tinggi Pelan Tidak kecepatan angin
4 Cerah Normal Kencang Ya kencang, orang
5 Hujan Tinggi Kencang Tidak akan berolahraga?
6 Cerah Normal Pelan Ya

Fakta: P(X1=cerah|Y=ya) = 1, P(X1=cerah|Y=tidak) = 0

P(X3=kencang|Y=ya) = 1/4 , P(X3=kencang|Y=tidak) = 1/2
HMAP dari keadaan ini dapat dihitung dengan:
P( X1=cerah,X3=kencang | Y=ya )
= { P(X1=cerah|Y=ya).P(X3=kencang|Y=ya) } . P(Y=ya)
= { (1) . (1/4) } . (4/6) = 1/6
P( X1=cerah,X3=kencang | Y=tidak )
= { P(X1=cerah|Y=tidak).P(X3=kencang|Y=tidak) } . P(Y=tidak)
= { (0) . (1/2) } . (2/6) = 0

KEPUTUSAN ADALAH BEROLAHRAGA = YA

 Kelemahan Metode Bayes

• Metode Bayes hanya bisa digunakan

untuk persoalan klasifikasi dengan
supervised learning dan data-data
kategorikal.
• Metode Bayes memerlukan pengetahuan
awal untuk dapat mengambil suatu
keputusan. Tingkat keberhasilan metode
ini sangat tergantung pada pengetahuan
awal yang diberikan.
 Beberapa Aplikasi Metode Bayes

• Menentukan diagnosa suatu penyakit berdasarkan data-

data gejala (sebagai contoh hipertensi atau sakit
jantung).
• Mengenali buah berdasarkan fitur-fitur buah seperti
warna, bentuk, rasa dan lain-lain
• Mengenali warna berdasarkan fitur indeks warna RGB
• Mendeteksi warna kulit (skin detection) berdarkan fitur
warna chrominant
• Menentukan keputusan aksi (olahraga, art, psikologi)
berdasarkan keadaan.
• Menentukan jenis pakaian yang cocok untuk keadaan-
keadaan tertentu (seperti cuaca, musim, temperatur,
acara, waktu, tempat dan lain-lain)
TABEL BINOMIAL
Binomial Table C
Table C