Sabtu, 18 November 2017

# Probabilitas

PROBABILITAS (Peluang)

di-D7O2

A. Pengertian Probabilitas
Probabilitas atau Peluang adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi di masa mendatang. Probabilitas dapat juga diartikan sebagai harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa terjadi, di antara keseluruhan peristiwa yang mungkin terjadi. Probabilitas dilambangkan dengan P.
  • Contoh 1: Sebuah mata uang logam mempunyai sisi dua (H & T) kalau mata uang tersebut dilambungkan satu kali, peluang untuk keluar sisi H adalah ½.
  • Contoh 2: Sebuah dadu untuk keluar mata ‘lima’ saat pelemparan dadu tersebut satu kali adalah 1/6 (karena banyaknya permukaan dadu adalah 6).
Rumus :
P (E) = X/N
P: Probabilitas
E: Event (Kejadian)
X: Jumlah kejadian yang diinginkan (peristiwa)
N: Keseluruhan kejadian yang mungkin terjadi
Probabilitas yang rendah menunjukkan kecilnya kemungkinan suatu peristiwa akan terjadi. Suatu probabilitas dinyatakan antara 0 sampai 1 atau dalam presentase.  Probabilitas 0 menunjukkan peristiwa yang tidak mungkin terjadi, sedangkan probabilitas 1 menunjukkan peristiwa yang pasti terjadi.
Ada tiga hal penting dalam probabilitas, yaitu:
  1. Percobaan adalah pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan timbulnya paling sedikit 2 peristiwa tanpa memperhatikan peristiwa mana yang akan terjadi.
  2. Hasil adalah suatu hasil dari sebuah percobaan.
  3. Peristiwa adalah kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau kegiatan.

B. Manfaat Probabilitas dalam Peneitian
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.
  • Dengan teori probabilitas kita dapat menarik kesimpulan secara tepat atas hipotesis yang terkait tentang karakteristik populasi.
  • Mengukur derajat ketidakpastian dari analisis sampel hasil  penelitian dari suatu populasi.

C. Pendekatan Probabilitas
Ada 3 (tiga) pendekatan konsep untuk mendefinisikan probabilitas dan menentukan nilai-nilai probabilitas, yaitu : (1). Pendekatan Klasik, (2). Pendekatan Frekuensi Relatif, dan (3). Pendekatan Subyektif.
1. Pendekatan Klasik
Pendekatan klasik didasarkan pada sebuah peristiwa mempunyai kesempatan untuk terjadi sama besar (equally likely). Probabilitas suatu peristiwa kemudian dinyatakan sebagai suatu rasio antara jumlah kemungkinan hasil dengan total kemungkinan hasil (rasio peristiwa terhadap hasil).
Probabilitas suatu peristiwa = Jumlah kemungkinan hasil / Jumlah total kemungkinan hasil
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
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. Pendekatan Relatif
Besarnya probabilitas suatu peristiwa tidak dianggap sama, tetapi tergantung pada berapa banyak suatu peristiwa terjadi dari keseluruhan percobaan atau kegiatan yang dilakukan. probabilitas dapat dinyatakan sebagai berikut :


Probabilitas kejadian relatif = Jumlah peristiwa yang terjadi / Jumlah total percobaan atau kegiatan
Jika pada data sebanyak N terdapat a kejadian yang bersifat A, maka probabilitas/peluang akan terjadi A untuk N data adalah: P (A) = a/N
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
3. Pendekatan Subjektif
Besarnya suatu probabilitas didasarkan pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan. Penilaian subjektif diberikan terlalu sedikit atau tidak ada informasi yang diperoleh dan berdasarkan keyakinan.



D. Konsep Dasar dan Hukum Probabilitas
Dalam mempelajari hukum dasar probabilitas berturut-turut akan dibahas hukum penjumlahan dan hukum perkalian.
1. Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa saling lepas (mutually exclusive) dan peristiwa/kejadian bersama (non mutually exclusive).
  • Saling meniadakan (mutually exclusive)
Apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada saat bersamaan.
Rumus penjumlahan untuk kejadian-kejadian yang saling meniadakan:
P (A U B) = P (A atau B)= P (A) + P (B)
1
Contoh:
Probabilitas untuk keluar mata 2 atau mata 5 pada pelemparan satu kali sebuah dadu adalah:
P(2 U 5) = P (2) + P (5) = 1/6 + 1/6 = 2/6
  • Kejadian Bersama (Non Mutually Exclusive)
Peristiwa Non Mutually Exclusive (Joint) dua peristiwa atau lebih dapat terjadi bersama-sama (tetapi tidak selalu bersama).
Rumus penjumlahan untuk kejadian-kejadian yang tidak saling meniadakan:


Dua Kejadian
P (A U B) =P(A) + P (B) – P(A ∩ B)
Tiga Kejadian
P(A U B U C) = P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(B ∩ C) + P(A ∩ B ∩ C)
2
Peristiwa terjadinya A dan B merupakan gabungan antara peristiwa A dan peristiwa B. Akan tetapi karena ada elemen yang sama dalam peristiwa A dan B, Gabungan peristiwa A dan B perlu dikurangi peristiwa di mana A dan B memiliki elemen yang sama. Dengan demikian, probabilitas pada keadaan di mana terdapat elemen yang sama antara peristiwa A dan B maka probabilitas A atau B adalah probabilitas A ditambah probabilitas B dan dikurangi probabilitas elemen yang sama dalam peristiwa A dan B.
  • Peristiwa Pelengkap (Complementary Event)
Apabila peristiwa A dan B saling melengkapi, sehingga jika peristiwa A tidak terjadi, maka peristiwa B pasti terjadi.  Peristiwa A dan B         dikatakan sebagai peristiwa komplemen.
Rumus untuk kejadian-kejadian yang saling melengkapi :
P(A)+P(B) = 1 atau P(A) = 1 – P(B)

2. Hukum Perkalian
  • Hukum Bebas (independent)
    Hukum perkalian menghendaki setiap peristiwa adalah independen, yaitu  suatu peristiwa terjadi tanpa harus menghalangi peristiwa lain terjadi. Peristiwa A dan B independen, apabila peristiwa A terjadi tidak menghalangi terjadinya peristiwa B.
P(A ∩ B) = P (A dan B) = P(A) x P(B)

Contoh soal 1:
Sebuah dadu dilambungkan dua kali, peluang keluarnya mata 5 untuk kedua kalinya adalah:
P (5 ∩ 5) = 1/6 x 1/6 = 1/36
Contoh soal 2:
Sebuah dadu dan koin dilambungkan bersama-sama, peluang keluarnya hasil lambungan berupa sisi H pada koin dan sisi 3 pada dadu adalah:
P (H) = ½, P (3) = 1/6
P (H ∩ 3) = ½ x 1/6 = 1/12
  • Peristiwa Bersyarat (Tidak Bebas) / (Conditional Probability)
    Probabilitas bersyarat adalah probabilitas suatu peristiwa akan terjadi dengan ketentuan peristiwa yang lain telah terjadi. Peristiwa B terjadi dengan syarat peristiwa A telah terjadi.
P(A dan B) = P(A x P(B|A) atau P(B dan A) = P(B) x P(A|B)

Contoh :
Dua kartu ditarik dari satu set kartu bridge, peluang untuk yang tertarik keduanya kartu as adalah sebagai berikut: Peluang as I adalah 4/52 -> P (as I) = 4/52
Peluang as II dengan syarat as I sudah tertarik adalah 3/51
P (as II │as I) = 3/51
P (as I ∩ as II) = P (as I) x P (as II│ as I) = 4/52 x 3/51 = 12/2652 =1/221


3. Teorema Hukum Bayes

Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes. Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:
P(A | B) =P(B | AP(A)
P(B)
or
P(A | B) =P(B | AP(A)
P(B | A)P(A) + P(B | A)P(A)
Contoh aplikasi dari Teorema Bayes
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang salah.
Jika sembarang orang dari negara itu mengambil test dan mendapat hasil positif, berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?
Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang itu memang benar-benar menderita penyakit langka itu. Karena kita tahu bahwa hasil test klinik yang cukup akurat (97%). Tetapi apakah benar demikian? Marilah kita lihat perhitungan matematikanya.
Marilah kita lambangkan informasi di atas sebagai berikut:
  • B = Kejadian tes memberikan hasil positif.
  • B = Kejadian tes memberikan hasil negatif.
  • A = Kejadian seseorang menderita penyakit langka itu.
  • A = Kejadian seseorang tidak menderita penyakit langkat itu.
Kita ketahui juga peluang dari kejadian-kejadian berikut:
  • P (A) = 2%
  • P (A) = 98%
  • P (B | A) = 97%
  • P (B | A) = 9%
Dengan menggunakan rumus untuk peluang bersyarat, dapat kita simpulkan peluang dari kejadian-kejadian yang mungkin terjadi dalam tabel di bawah ini:
A (2%)A (98%)
BPositif yang benar
P (B ∩ A) = P (A) × P (B | A) = 2% × 97% = 0,0194
Positif yang salah
P (B ∩ A) = P (A) × P (B | A) = 98% × 9% = 0,0882
BNegatif yang salah
P (B ∩ A) = P (A) × P (B | A) = 2% × 3% = 0,0006
Negatif yang benar
P (B ∩ A) = P (A) × P (B | A) = 98% × 91% = 0,8918
Misalnya seseorang menjalani tes klinik tersebut dan mendapatkan hasil positif, berapakah peluang bahwa ia benar-benar menderita penyakit langka tersebut? 

Dengan kata lain, kita mencoba untuk mencari peluang dari A, dimana B atau P (A | B).

Dari tabel di atas, dapat kita lihat bahwa P (A | B) adalah peluang dari positif yang benar dibagi dengan peluang positif (benar maupun salah), yaitu 0,0194 / (0,0194 + 0,0882) = 0,1803.
Kita dapat juga mendapatkan hasil yang sama dengan menggunakan rumus teorema Bayes di atas:

P(A | B) =P(B ∩ A)
P(B)
=P(B | A) × P(A)
P(B | A)P(A) + P(B | A)P(A)
=97% × 2%
(97% × 2%) + (9% × 98%)
=0.0194
0.0194 + 0.0882
=0.0194
0.1076
P(A | B) =0.1803

Hasil perhitungan ini sangat berbeda dengan intuisi kita di atas. Peluang bahwa orang yang mendapat hasil tes positif itu benar-benar menderita penyakit langka tidak sebesar yang kita bayangkan. Cuma ada sekitar 18% kemungkinan bahwa dia benar-benar menderita penyakit itu.
Mengapakah demikian?
Ketika mengira-ngira peluangnya, seringkali kita lupa bahwa dari seluruh populasi negara itu, hanya 2% yang benar-benar menderita penyakit langka itu. Jadi, walaupun hasil tes adalah positif, peluang bahwa seseorang menderita penyakit langka itu tidaklah sebesar yang kita bayangkan.
Kita bisa juga meninjau situasi di atas sebagai berikut. Misalnya populasi negara tersebut adalah 1000 orang. Hanya 20 orang yang menderita penyakit langka itu (2%). 19 orang dari antaranya akan mendapat hasil tes yang positif (97% hasil positif yang benar). Dari 980 orang yang tidak menderita penyakit itu, sekitar 88 orang juga akan mendapat hasil tes positif (9% hasil positif yang salah).
Jadi, 1000 orang di negara itu dapat kita kelompokkan sebagai berikut:
  • 19 orang mendapat hasil tes positif yang benar
  • 1 orang mendapat hasil tes negatif yang salah
  • 88 orang mendapat hasil tes positif yang salah
  • 892 orang mendapat hasil tes negatif yang benar


Bisa kita lihat dari informasi di atas, bahwa ada (88 + 19) = 107 orang yang akan mendapatkan hasil tes positif (tidak perduli bahwa dia benar-benar menderita penyakit langka itu atau tidak). Dari 107 orang ini, berapakah yang benar-benar menderita penyakit? Hanya 19 orang dari 107, atau sekitar 18%.

E. Diagram Pohon Probabilitas
Diagram pohon merupakan suatu diagram yang menyerupai pohon dimulai dari batang kemudian menuju ranting dan daun. diagram pohon dimaksudkan untuk membantu menggambarkan probabilitas atau probabilitas bersyarat dan probabilitas bersama. diagram pohon sangat berguna untuk menganalisis keputusan-keputusan bisnis dimana terdapat tahapan-tahapan pekerjaan.
Contoh:
Probability_tree_diagram.svg

F. Ruang Sampel dan Titik Sampel
Ruang sampel adalah himpunan dari semua hasil yang mungkin pada suatu percobaan/kejadian. Ruang Sampel suatu percobaan dapat dinyatakan dalam bentuk diagram pohon atau tabel.
Titik Sampel adalah anggota-anggota dari ruang sampel atau kemungkinan-kemungkinan yang muncul.
Contoh:
Pada percobaan melempar dua buah mata uang logam (koin) homogen yang berisi angka (A) dan gambar (G) sebanyak satu kali. Tentukan ruang sampel percobaan tersebut.
a. Dengan Diagram Pohon
fee81-diagram-pohon
Kejadian yang mungkin:
AA : Muncul sisi angka pada kedua koin
AG : Muncul sisi angka pada koin 1 dan sisi gambar pada koin 2
b. Dengan Tabel
aa836-tabel-titik-sampel
Ruang sampel = {(A,A), (A,G), (G,A), (G,G)}
Banyak titik sampel ada 4 yaitu (A,A), (A,G), (G,A), dan (G,G)


G. Prinsip Menghitung
1. Faktorial
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam mengatur sesuatu. Hasil perkalian semua bilangan bulat positif secara berurutan dari 1 sampai dengan n disebut n faktorial. Dari definisi faktorial tersebut, maka dapat dituliskan prinsip menghitung faktorial sebagai berikut :
n ! = n x (n-1) x (n-2) x (n-3) x … 3 x 2 x 1
n ! dibaca n faktorial
nb: 0! = 1dan 1! = 1
Contoh:
3! = 3 x 2 x 1 = 6
5! = 5 x 4 x 3 x 2 x 1 = 120
2. Permutasi
Permutasi digunakan untuk mengetahui jumlah kemungkinan susunan (arrangement) jika terdapat satu kelompok objek. pada permutasi berkepentingan dengan susunan atau urutan dari objek. Permutasi dirumuskan sebagai berikut :
Pemutasi
atau
rumus-permutasi-matematika1
dimana :
P = Jumlah permutasi atau cara objek disusun
n = jumlah total objek yang disusun
r/k = jumlah objek yang digunakan pada saat bersamaan, jumlah r/k dapat sama dengan  n atau lebih kecil
! = tanda dari faktorial
Contoh:
Di kantor pusat DJBC Ada 3 orang staff yang dicalonkan untuk menjadi mengisi kekosongan 2 kursi pejabat eselon IV. Tentukan banyak cara yang bisa dipakai untuk mengisi jabatan tersebut?
jawab : Permutasi P (3,2), dengan n =3 (banyaknya staff) dan k =2 (jumlah posisi yang akan diisi)
contoh-soal-permutasi
Permutasi Unsur-unsur  yang sama
rumus-permutasi-dengan-unsur-yang-sama
Contoh:
Tentukan permutasi atas semua unsur yang dibuat dari kata MATEMATIKA!
Jawab: pada kata MATEMATIKA terdapat 2 buah M, 3 buah A, dan 2 buah T yang sama, sehingga permutasinya adalah:
permutasi-kata-matematika-2942013
Permutasi Siklis
permutasi siklis
RUMUS: banyaknya permutasi = (n-1)!
Contoh:
Suatu keluarga yang terdiri atas 6 orang duduk mengelilingi sebuah meja makan yang berbentuk lingkaran. Berapa banyak cara agar mereka dapat duduk mengelilingi meja makan dengan cara yang berbeda?
Jawab :
Banyaknya cara agar 6 orang dapat duduk mengelilingi meja makan dengan urutan yang berbeda sama dengan banyak permutasi siklis (melingkar) 6 unsur yaitu :
siklis
3. Kombinasi
Kombinasi digunakan apabila ingin mengetahui berapa cara sesuatu diambil dari keseluruhan objek tanpa memperhatikan urutannya. Jumlah kombinasi dirumuskan sebagai berikut:
rumus-kombinasi
Contoh:
Saat akan menjamu Bayern Munchen di Allianz arena, Antonio Conte (Pelatih Juventus) punya 20 pemain yang akan dipilih 11 diantaranya untuk jadi starter. Berapa banyak cara pemilihan starter tim juventus? (tidak memperhatikan posisi pemain).
contoh-ssoal-kombinasi-matematika-dan-pembahasannya

Tidak ada komentar:

Posting Komentar

Follow Us @soratemplates