Konsep Probabilitas
Konsep dalam Probabilitas
Probabilitas merupakan landasan matematis yang memungkinkan kita mengukur tingkat kemungkinan suatu peristiwa, sehingga ketidakpastian dalam berbagai fenomena dapat dipahami dan dikelola dengan lebih baik. Dalam analisis statistika, konsep probabilitas menjadi fondasi utama untuk menarik kesimpulan yang valid, memprediksi pola tersembunyi dalam data, serta mengambil keputusan yang objektif dan terukur. Dengan demikian, probabilitas tidak hanya sekadar teori, tetapi menjadi alat penting yang menjembatani data dengan insight yang bermakna.
1 Konsep Dasar Probabilitas
1.1 Probabilitas
Menurut Rudolf J. Freund (2003), probabilitas suatu peristiwa adalah proporsi (frekuensi relatif) dari kemunculan peristiwa tersebut yang diharapkan ketika sebuah eksperimen diulang sejumlah besar kali dalam kondisi yang identik. Sementara itu, menurut DR. Boediono (2014), probabilitas atau peluang adalah derajat atau tingkat kepastian atau keyakinan dari munculnya hasil suatu percobaan statistik. Berdasarkan kedua definisi tersebut, dapat disimpulkan bahwa probabilitas pada dasarnya berfungsi untuk mengukur ketidakpastian dan membuat prediksi menjadi lebih masuk akal, dengan memberikan cara terstruktur untuk menilai seberapa besar kemungkinan suatu hasil akan terjadi.
Rumus Probabilitas
\[P(A) = \frac{\text{banyaknya hasil yang muncul}}{\text{banyaknya hasil yang mungkin}}\]
Contoh Penerapan Probabilitas pada Koin (Independent Events)
Probabilitas mendapatkan Angka pada lemparan pertama dan Gambar pada lemparan kedua:
\[P(\text{Angka}) = \frac{1}{2}\] \[P(\text{Gambar}) = \frac{1}{2}\] Karena kedua lemparan bersifat independen:
\[P(A \cap B) = P(A) \times P(B)\] \[P(\text{Angka} \cap \text{Gambar}) = P(\text{A}) \times P(\text{G}) = \frac{1}{2} \times \frac{1}{2} = \frac{1}{4}\]
1.2 Ruang Sampel
Ruang sampel adalah himpunan dari semua hasil yang mungkin pada suatu percobaan/kejadian.
Contoh Penerapan Ruang Sample
Jika satu koin dilempar dua kali, berapa probabilitas mendapatkan paling sedikit satu HEAD?
Ruang Sampel:
\[S = \{HH, HT, TH, TT\}\] \[n(S) = 4\] Kejadian A (paling
sedikit satu HEAD):
\[A = \{HH, HT, TH\}\] \[n(A) = 3\]
Probabilitas:
\[P(A) = \frac{n(A)}{n(S)} = \frac{3}{4} =
0.75\] Jawaban: Probabilitas = \(\frac{3}{4}\) atau 75%
Peraturan Probabilitas
1. Nilai Probabilitas Selalu antara 0 dan 1
Probabilitas 0 = kejadian tidak mungkin terjadi
Probabilitas 1 = kejadian pasti terjadi
Probabilitas 0.5 = kejadian diharapkan terjadi 50% dari waktu
2. Jumlah Total Probabilitas Selalu 1 Jumlah hasil probabilitas dari semua kemungkinan outcome dalam suatu ruang sampel akan selalu berjumlah 1
1.3 Aturan Komplemen
Dalam Aturan Komplemen menyatakan bahwa Probabilitas suatu kejadian Tidak terjadi sama dengan 1 dikurangi probabilitas kejadian tersebut terjadi. Arti atau maksud dari statement tersebut bisa kita pahami dengan analogi ini, Dalam ruang sampel, hanya ada dua kemungkinan untuk suatu kejadianterjadi atau tidak terjadi. Karena total probabilitas harus 1, maka probabilitas tidak terjadi pasti merupakan sisa dari probabilitas terjadi.
Rumus Aturan Komplemen
\[ P(A') = 1 - P(A) \]
SOAL
Jika kita melempar dua koin, berapakah probabilitas tidak mendapatkan dua sisi ekor?
RUMUS
RUANG SAMPEL
CARA PENGERJAAN
2 Kejadian bebas dan Kejadian Terikat
2.1 Kejadian Bebas
Dua kejadian A dan B dikatakan independen jika probabilitas terjadinya A tidak dipengaruhi oleh terjadinya kejadian B, atau sebaliknya (Rudolf. J. Freund, 2003). Atau dengan kata lain, dua peristiwa dikatakan bebas atau independen jika terjadinya atau tidak terjadinya peristiwa yang satu tidak mempengaruhi atau dipengaruhi oleh yang lain (Sudjana, 2004). Jika peristiwa A dan B adalah dua peristiwa saling bebas maka probabilitas peristiwa A dan B didefinisikan sebagai:
\[P(A \cap B) = P(A) \times P(B)\]
Probabilitas Dadu dan Koin
Soal: Jika Anda melempar dadu enam sisi dan koin, berapakah probabilitas mendapatkan angka lima dan sisi kepala?
Ruang Sampel Dadu:
Total: 6 kemungkinan
Ruang Sampel Koin:
Total: 2 kemungkinan
Kejadian A: Mendapatkan angka 5 pada dadu
P(A) = 1/6
Kejadian B: Mendapatkan kepala pada koin
P(B) = 1/2
= 1/6 × 1/2
= 1/12
2.2 Kejadian Terikat
Dua peristiwa yang terjadi berurutan dapat dikatakan dependen jika peristiwa pertama mempengaruhi peristiwa kedua sehingga besar probabilitas peristiwa A dan peristiwa B adalah:
\[P(A \cap B) = P(A) \times P(B|A)\]
Probabilitas 2 Kelereng Pink Berturut-turut
Probabilitas Kuning Lalu Pink (Tanpa Pengembalian)
3 Gabungan Kejadian
3.1 Ruang Sampel
Ruang sampel adalah himpunan dari semua hasil yang mungkin pada suatu percobaan/kejadian.
Ruang Sampel 1 Dadu
S = {1, 2, 3, 4, 5, 6}
Ruang Sampel 2 Dadu
S = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6),
(2,1), (2,2), (2,3), (2,4), (2,5), (2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6),
(4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6),
(6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
3.2 Peluang sederhana
kemungkinan terjadinya satu kejadian tunggal dalam sebuah percobaan. Secara matematis, peluang sederhana dihitung dengan membagi jumlah hasil yang diinginkan dengan jumlah total kemungkinan hasil
\[ P(A) = \frac{\text{Banyak hasil yang diinginkan}}{\text{Banyak hasil dalam ruang sampel}} \]
Soal Probabilitas Dadu
2. Probabilitas minimal satu angka dua?
3. Probabilitas dua angka genap dan minimal satu angka dua?
Pembahasan
1. Dua Angka Genap
(6,2), (6,4), (6,6)
2. Minimal Satu Angka Dua
(1,2), (3,2), (4,2), (5,2), (6,2)
3. Dua Genap dan Minimal Satu Dua
Salah karena kedua kejadian tidak independen!
(6,2), (6,4), (6,6)
3.3 Gabungan Kejadian
Gabungan kejadian adalah kejadian yang memuat semua hasil yang termasuk dalam kejadian A ATAU kejadian B ATAU keduanya.Jadi union/gabungan itu seperti “OR”.
\[P(A \cup B) = P(A) + P(B) - P(A \cap B)\]
Berapa probabilitas mendapatkan dua angka genap ATAU minimal satu angka dua?
Dua Genap
9/36
Minimal Satu 2
11/36
Irisan
5/36
Berikut adalah visualisasi diagram Venn gabungan dari 2 kejadian diatas
4 Kejadian Saling Lepas dan Kejadian Lengkap
4.1 Kejadian Saling Lepas
Kejadian-kejadian yang tidak dapat terjadi pada saat yang bersamaan dalam satu percobaan.Ciri Kejadian Saling Lepas
Tidak bersamaan: Kedua kejadian tidak dapat terjadi pada waktu yang sama, sehingga irisan himpunan A ∩ B = ∅.
Peluang irisan nol: Secara matematis, P(A ∩ B) = 0, artinya peluang kedua kejadian terjadi bersamaan adalah nol.
Rumus peluang gabungan: P(A ∪ B) = P(A) + P(B), karena tidak ada tumpang tindih.
EVENT A: Minimal satu angka 5
Ruang Sampel: 36
(1,5), (2,5), (3,5), (4,5), (6,5)
P(A) = 11/36
EVENT B: Jumlah < 4
Ruang Sampel: 36
P(B) = 3/36 = 1/12
4.2 Kejadian Lengkap
Kejadian Lengkap adalah kumpulan kejadian yang mencakup semua kemungkinan hasil dalam ruang sampel. Ciri Ciri Kejadian Lengkap :
Gabungan semua kejadian mencakup seluruh ruang sampel
Probabilitas total = 1
Tidak ada hasil yang berada di luar gabungan kejadian
EVENT A: Minimal satu angka 6
Ruang Sampel: 36
(1,6), (2,6), (3,6), (4,6), (5,6)
P(A) = 11/36
EVENT B: Total dadu < 11
Ruang Sampel: 36
(5,6), (6,5), (6,6)
P(B) = 33/36 = 11/12
IRISAN A ∩ B
Ruang Sampel: 36
(1,6), (2,6), (3,6), (4,6)
P(A ∩ B) = 8/36
GABUNGAN A ∪ B
P(A ∪ B) = P(A) + P(B) - P(A ∩ B)
= 11/36 + 33/36 - 8/36 = 36/36 = 1
A ∪ B = S (Ruang Sampel Lengkap)
5 Eksperimen Binominal
Dalam distribusi binomial, kita membahas dua kemungkinan hasil dalam setiap percobaan yang dilakukan berulang kali, yaitu sukses atau gagal. Istilah “binomial” sendiri dapat dengan mudah diingat karena awalan “bi-” berarti dua, yang dalam konteks ini merujuk pada dua kemungkinan hasil tersebut, yaitu berhasil atau gagal.Sebelum kita membahas mengeneai contoh soal, kita harus memahami apa Peraturan binominal itu, karena dengan peraturan binominal, kita dapat menyimpulkan cara yag tepat untuk menyelesaikan permasalah peluang.
5.1 Peraturan Binominal
Jumlah percobaan harus sudah ditentukan sebelumnya.
Setiap percobaan hanya memiliki dua kemungkinan hasil, yaitu gagal atau berhasil.
Peluang keberhasilan pada setiap percobaan harus bersifat konstan.
Hasil dari setiap percobaan bersifat independen dan tidak memengaruhi hasil percobaan lainnya.
Studi Kasus 1
Apabila kamu melempar 1 koin sebanyak 3 kali, berapa peluang mendapatkan 1 sisi Angka dan apakah ini termasuk binominal eksperimen?
Sebelum masuk pada perhitungan mari kita cari kebenarannya apakah hal ini sudah sesuai dengan Peraturan Binominal
Jumlah percobaan sudah ditentukan sebelumnya ? Ya, n = 3 lemparan
Setiap percobaan hanya memiliki dua kemungkinan hasil ? Ya,
- Sukses: Mendapat sisi Angka
- Gagal: Tidak Mendapat Sisi Angka
Berapa Peluang keberhasilan konstan ?Ya, p = 0.5 untuk setiap lemparan baik dari sisi Angka dan Sisi Gambar
Apakah hal ini termasuk Percobaan independen ? Ya, hasil lemparan tidak saling mempengaruhi
Peluang Mendapatkan 1 Gambar dalam 3 Kali Pelemparan Koin
Ruang Sampel:
Penyelesaian:
Peluang masing-masing kejadian:
P(GAA) = 0.125
P(AGA) = 0.125
P(AAG) = 0.125
Total Peluang = 0.125 + 0.125 + 0.125 = 0.375
Studi Kasus 2
Di dalam Box terdapat 10 kelereng, yang terdiri dari 5 kelereng berwarna merah muda, 2 kelereng berwarna hijau, dan 5 kelereng berwarna biru, Apa bila ambil 5 kelereng tanpa pengembalian, Bagaimana Kemungkinan mendapat 2 kelereng Hijau, dan Apakah Ini termasuk Binominal Eksperimen
Sebelum masuk pada perhitungan mari kita cari kebenarannya apakah hal ini sudah sesuai dengan Peraturan Binominal
Jumlah percobaan sudah ditentukan sebelumnya ? Ya, n = 5 pengambilan
Setiap percobaan hanya memiliki dua kemungkinan hasil ? Ya,
- Sukses: Mendapat 2 Kelereng Hijau
- Gagal: Tidak Mendapat 2 Kelereng Hijau
Berapa Peluang keberhasilan konstan ?Ya, p = 0.2 untuk setiap pengambilan kelereng hijau
Apakah hal ini termasuk Percobaan independen ? Ya, hasil lemparan tidak saling mempengaruhi
Simbol H = Artinya Mendapat kelereng hijau, dengan probabilitas = 0.2
Simbol - = Aritinya Mendapat kelereng lain, dengan probabilitas = 0.8
Perhitungan Probabilitas
Baris 1 (H, H, -, -, -): 0.2 × 0.2 × 0.8 × 0.8 × 0.8 = 0.02048
Baris 2 (H, -, H, -, -): 0.2 × 0.8 × 0.2 × 0.8 × 0.8 = 0.02048
Baris 3 (H, -, -, H, -): 0.2 × 0.8 × 0.8 × 0.2 × 0.8 = 0.02048
Baris 4 (H, -, -, -, H): 0.2 × 0.8 × 0.8 × 0.8 × 0.2 = 0.02048
Baris 5 (-, H, H, -, -): 0.8 × 0.2 × 0.2 × 0.8 × 0.8 = 0.02048
Baris 6 (-, H, -, H, -): 0.8 × 0.2 × 0.8 × 0.2 × 0.8 = 0.02048
Baris 7 (-, H, -, -, H): 0.8 × 0.2 × 0.8 × 0.8 × 0.2 = 0.02048
Baris 8 (-, -, H, H, -): 0.8 × 0.8 × 0.2 × 0.2 × 0.8 = 0.02048
Baris 9 (-, -, H, -, H): 0.8 × 0.8 × 0.2 × 0.8 × 0.2 = 0.02048
Baris 10 (-, -, -, H, H): 0.8 × 0.8 × 0.8 × 0.2 × 0.2 = 0.02048
Probabilitas Total P(Total) = 10 × 0.02048 = 0.204
5.2 Binominal Formula
\[P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\]
- k = number of successes
- n = number of trial
- p = probability of successes
Studi Kasus 2
Di dalam Box terdapat 10 kelereng, yang terdiri dari 5 kelereng berwarna merah muda, 2 kelereng berwarna hijau, dan 5 kelereng berwarna biru, Apa bila ambil 5 kelereng tanpa pengembalian, Bagaimana Kemungkinan mendapat 2 kelereng Hijau, dan Apakah Ini termasuk Binominal Eksperimen ?
Diketahui :
- n = 5
- k = 2
- p = 0,2
\[ \begin{align*} P(X = 2) &= \binom{5}{2} (0.2)^2 (0.8)^{3} \\ &= \frac{5!}{2!(5-2)!} \times 0.04 \times 0.512 \\ &= 10 \times 0.04 \times 0.512 \\ &= 0.2048 \end{align*} \]
6 Distribusi Binominal
6.1 Binominal Formula
\[P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\]
- k = number of successes
- n = number of trial
- p = probability of successes
Penyelesaian Pelemparan 1 Koin 2 Kali dengan Binominal Formula
Diketahui : - k (0,1,2) - n (2) - p (0,5)
- Jika K = 0
\[ \begin{align*} P(X = 0) &= \binom{2}{0} (0.5)^0 (0.5)^{2} \\ &= 1 \times 1 \times 0.25 \\ &= 0.25 \end{align*} \]
- Jika K = 1
\[ \begin{align*} P(X = 1) &= \binom{2}{1} (0.5)^1 (0.5)^{1} \\ &= 2 \times 0.5 \times 0.5 \\ &= 0.5 \end{align*} \]
- Jika K=2
\[ \begin{align*} P(X = 2) &= \binom{2}{2} (0.5)^2 (0.5)^{0} \\ &= 1 \times 0.25 \times 1 \\ &= 0.25 \end{align*} \]
Setelah menghitung probabilitas untuk setiap kemungkinan jumlah keberhasilan (\(k\)) menggunakan rumus binomial, kita dapat memvisualisasikan menjadi Distribusi Binomial dalam bentuk diagram batang sebagai berikut (bar chart) :
library(ggplot2)
data_n2 <- data.frame(
k = 0:2,
probabilitas = dbinom(0:2, size = 2, prob = 0.5)
)
ggplot(data_n2, aes(x = factor(k), y = probabilitas)) +
geom_bar(stat = "identity",
fill = "#5D8AA8",
width = 0.7,
color = "white",
size = 1.2,
alpha = 0.9) +
geom_text(aes(label = round(probabilitas, 3)),
vjust = 1.4, # teks di dalam bar
size = 6,
fontface = "bold",
color = "white") +
labs(
title = "Probability",
subtitle = "n = 2\np = 0.5",
x = "Number of Successes",
y = "Probability"
) +
theme_minimal() +
theme(
plot.background = element_rect(fill = "#800000", color = NA),
panel.background = element_rect(fill = "#800000", color = NA),
plot.title = element_text(size = 18, face = "bold", hjust = 0.5, color = "white"),
plot.subtitle = element_text(size = 13, hjust = 0.5, color = "white", lineheight = 1.3),
axis.title = element_text(face = "bold", color = "white"),
axis.text = element_text(color = "white"),
panel.grid.major.x = element_blank(),
panel.grid.minor = element_blank(),
legend.position = "none"
) +
ylim(0, 0.8)Peningkatan jumlah percobaan (\(n\)) merupakan faktor kunci yang memengaruhi bentuk Distribusi Binomial. Semakin besar jumlah percobaan (\(n\)) yang dilakukan, Distribusi Binomial akan secara konsisten mendekati bentuk Distribusi Normal (Normal Distribution), yang dicirikan oleh kurva lonceng yang simetris.
6.1.1 Parameter Distribusi Binominal
Parameter dalam Distribusi Binomial memiliki fungsi yang sangat penting, yaitu mendefinisikan dan menentukan secara tepat bentuk serta sifat dari distribusi probabilitas tersebut. Tanpa parameter ini, kita tidak dapat menghitung probabilitas spesifik dalam suatu percobaan.
6.1.2 Pengaruh Probabilitas Keberhasilan (\(p\))
# Load library
library(ggplot2)
library(gridExtra)
# Fungsi untuk membuat plot binomial
plot_binom <- function(p, n = 10) {
x <- 0:n
prob <- dbinom(x, size = n, prob = p)
df <- data.frame(x, prob)
ggplot(df, aes(x = x, y = prob)) +
geom_bar(stat = "identity", fill = "#3A4A5A") +
scale_x_continuous(breaks = 0:n) +
labs(title = paste0("p = ", p, "\nn = ", n),
x = NULL, y = NULL) +
theme_minimal(base_size = 14) +
theme(
plot.background = element_rect(fill = "#B78E6A", color = NA),
panel.background = element_rect(fill = "#B78E6A", color = NA),
panel.grid.major = element_line(color = "white", linewidth = 0.3),
panel.grid.minor = element_blank(),
plot.title = element_text(color = "white", face = "bold", size = 16, hjust = 0.5),
axis.text = element_text(color = "white"),
axis.title = element_text(color = "white")
)
}
# Buat tiga plot
p1 <- plot_binom(0.1)
p2 <- plot_binom(0.5)
p3 <- plot_binom(0.8)
# Gabungkan
grid.arrange(p1, p2, p3, nrow = 1)6.1.3 Pengaruh Probabilitas n
Semakin besar nilai n, distribusi binomial akan terlihat semakin halus, simetris, dan mendekati distribusi normal sesuai Teorema Limit Tengah. Sebaliknya, ketika n lebih kecil, distribusi tampak lebih kasar dan berbentuk batang yang lebih terpisah.
library(ggplot2)
library(gridExtra)
# Fungsi plot tetap sama
plot_binom <- function(n, p = 0.5) {
x <- 0:n
prob <- dbinom(x, size = n, prob = p)
df <- data.frame(x, prob)
ggplot(df, aes(x = x, y = prob)) +
geom_bar(stat = "identity", fill = "#3A4A5A") +
scale_x_continuous(breaks = seq(0, n, by = 2)) +
labs(title = paste0("p = ", p, "\nn = ", n),
x = NULL, y = NULL) +
theme_minimal(base_size = 14) +
theme(
plot.background = element_rect(fill = "#B78E6A", color = NA),
panel.background = element_rect(fill = "#B78E6A", color = NA),
panel.grid.major = element_line(color = "white", linewidth = 0.3),
panel.grid.minor = element_blank(),
plot.title = element_text(color = "white", face = "bold", size = 16, hjust = 0.5),
axis.text = element_text(color = "white")
)
}
p1 <- plot_binom(15, 0.5)
p2 <- plot_binom(30, 0.5)
p3 <- plot_binom(35, 0.5)
grid.arrange(p1, p2, p3, ncol = 3)6.1.4 Rough Guideline (Pedoman)
Untuk distribusi yang miring (\(p \neq 0.5\)), agar bentuknya mendekati Distribusi Normal, nilai \(n\) harus ditingkatkan secara signifikan. Video memberikan pedoman kasar untuk menentukan apakah kita dapat mengasumsikan Distribusi Binomial dapat didekati dengan Distribusi Normal (Normal Approximation of the Binomial Distribution).Kedua kondisi ini harus dipenuhi:
- \(np \geq 10\)
- \(n(1-p) \geq 10\)
7 Refrensi
[1] Simple Learning Pro, “Essentials of Probability – Basic Definitions,” YouTube. Available: https://youtu.be/ynjHKBCiGXY?si=yaWVv2Sq7lqpWCtc, 2023.
[2] Simple Learning Pro, “Independent and Dependent Events,” YouTube. Available: https://youtu.be/LS-_ihDKr2M?si=BL4AJc1-WO58pWk_, 2023.
[3] Simple Learning Pro, “Union of Events,” YouTube. Available: https://youtu.be/vqKAbhCqSTc?si=YmTyDsqXMw0jTe7u, 2023.
[4] Simple Learning Pro, “Mutually Exclusive and Exhaustive Events,” YouTube. Available: https://youtu.be/f7agTv9nA5k?si=1IA30WNrm3nz9OSV, 2023.
[5] Simple Learning Pro, “Binomial Experiments,” YouTube. Available: https://youtu.be/nRuQAtajJYk?si=B10qkaW8-PbLnlUz, 2023.
[6] Simple Learning Pro, “The Binomial Distribution,” YouTube. Available: https://youtu.be/Y2-vSWFmgyI?si=q_a6uQ0-6naQS4Ox, 2023.
[7] DSCienceLabs, Essentials of Probability, in Introductory Statistics with R, Bookdown. Available: https://bookdown.org/dsciencelabs/intro_statistics/06-Essentials_of_Probability.html, 2024.
[8] R. Yanti, R. Rini, I. Suryani, and I. Putri, Buku Ajar Statistik dan Probabilitas Dasar. Serasi Media Teknologi, 2024.