II-1

BAB II
STUDI LITERATUR

Studi literatur adalah teori atau bahan-bahan dari berbagai sumber yang
dijadikan sebagai pedoman untuk pengolahan data pada masing-masing modul.
Masing-masing modul memiliki teori dan rumus yang berbeda-beda. Studi
literatur dari masing-masing modul adalah sebagai berikut.

2.1 Distribusi Frekuensi

Distribusi frekuensi sering disebut pula sebagai tabel frekuensi. Bentuk
penyajian ini, data yang semula masih mentah disusun dalam kelompok–
kelompok data atau kelas–kelas data tertentu. Data kuantitatif umumnya diperoleh
dari hasil pengukuran atau observasi sampel yang dipilih secara random dari
populasi tertentu. Data sedemikian itu umumnya disederhanakan ke dalam bentuk
yang mudah dimengerti serta berguna bagi tujuan pengukuran statistik sampel
sebelum dapat digunakan sebagai dasar penarikan kesimpulan (Dajan, 1986).
Sebelum sampai pada cara menyusun sebuah table frekuensi, perhatikan
terlebih dahulu contoh tabel frekuensi berikut.
Tabel 2.1 Distribusi Frekuensi Usia 50 Karyawan PT . American Express

Usia Frekuensi
20 – 24 3
25 – 29 8
30 – 34 17
35 – 39 13
40 – 44 7
45 – 49 2
Jumlah 50
Sumber (Dajan, 1986)

2.1.1 Kelas atau Kelompok Data

Penentuan jumlah kelas tergantung pada pertimbangan-pertimbangan
praktis yang masuk akal dan kegunaan distribusi itu sendiri. Contoh yang
 II-2

disajikan pada tabel di atas dapat dilihat pada jumlah kelasnya adalah 6 kelas atau
6 kelompok data. Penentuan jumlah kelas diserahkan sepenuhnya pada penyusun
distribusi frekuensi. Sebagai gambaran, jumlah kelas yang dibutuhkan biasanya
berkisar dari 5 hingga 15 kelas. Untuk memudahkannya dapat digunakan
perumusan Sturges seperti berikut ini.

j
uml
ah k
el
as =
1+3,3
22 l
og n
………………….(2.1)
Keterangan:
n = Jumlah data observasi.
Hasil perhitungan dengan perumusan tersebut tidak harus digunakan
secara kaku, misalnya hasil perhitungan adalah 6,89. Lazimnya, angka 6,89 harus
dibulatkan ke atas menjadi 7. Akan tetapi, pembulatan ke bawah pun dapat
dilakukan, sehingga jumlah kelasnya bukan 7 melainkan 6 kelas.

2.1.2 Interval Kelas

Interval kelas adalah jangkauan atau jarak antara kelas yang satu dengan
kelas yang lainnya secara berurutan. Besarnya interval kelas bagi tiap-tiap kelas
bertalian erat dengan penentuan jumlah kelas dan sebaliknya diusahakan agar
sama semua serta dalam bilangan-bilangan yang praktis. Bilangan yang praktis
ialah bilangan yang mudah digunakan untuk menghitung atau sebagai pedoman
guna menentukan batas kelas maupun tepi kelas (Dajan, 1986).

Interval kelas tersebut ditentukan dengan menentukan beda antara batas

kelas bawah suatu kelas (jika menggunakan tabel di atas) dengan batas kelas
bawah kelas sebelumnya atau sesudahnya. Ada juga yang menyebutkan interval
kelas dengan lebar kelas, yaitu jarak antara tepi batas kelas bawah dengan tepi
batas kelas atas suatu kelas.

Hampir setiap distribusi frekuensi memiliki interval atau lebar kelas yang
sama seperti yang terlihat pada tabel di atas. Namun demikian, pada situasi
tertentu , dimungkinkan adanya interval atau lembar kelas yang tidak sama.
Kedua contoh di atas, memiliki interval atau lebar kelasnya adalah 5.
 II-3

Menentukan interval kelas, perlu diketahui terlebih dahulu jangkauan atau

beda antara angka data terkecil. Selanjutnya dapat digunakan perumusan
sederhana seperti berikut ini.

Jangkauan
Interval Kelas =
Jumlah kelas
..................................(2.2)

2.1.3 Batas Kelas dan Tepi Batas Kelas

Batas–batas kelas adalah dua angka yang dijadikan sebagai pembatas
kelas, yang terdiri dari batas kelas atas dan batas kelas bawah. Tepi–tepi batas
kelas dikatakan juga sebagai batas kelas nyata (Muttaqin, 1996)

2.1.4 Titik Tengah

Titik tengah setiap kelas dapat dijadikan sebagai penaksir data asli yang
sudah hilang sebagai akibat proses pengelompokan. Titik tengah ini sebenarnya
merupakan rata–rata hitung suatu kelas yang dihitung dengan membagi hasil
jumlah kelas bawah dan batas kelas atas dengan angka 2 (Muttaqin, 1996)

Distribusi frekuensi dengan kelas tertutup adalah distribusi frekuensi yang

secara jelas memiliki batas kelas terkecil dan batas kelas terbesar. Seperti kasus
pada distribusi frekuensi yang memiliki interval kelas yang tidak sama, sebuah
distribusi frekuensi tidak harus memiliki kelas–kelas yang tertutup.

Ada kemungkinan bahwa serangkaian data memiliki sejumlah kecil angka data
(awal atau terakhir jika sudah diurutkan) yang besarnya tergolong ekstrim,
misalnya jauh lebih kecil atau jauh lebih besar dari sebagian besar angka–angka
data yang ada.

2.1.5 Histogram Frekuensi

Histogram frekuensi merupakan sekumpulan empat persegi-panjang yang

digambar dalam suatu bagan salib-sumbu. Sumbu tegak histogram
 II-4

menggambarkan frekuensi data dan sumbu mendatarnya menggambarkan

bilangan–bilangan data yang dinyatakan dalam kelas–kelas data. Adapun masing–
masing bidang persegi–panjang tersebut memiliki sisi–sisi (Muttaqin, 1996)

1) Sisi tegak menggambarkan frekuensi kelas.

2) Sisi lebar bidang menggambarkan interval kelas atau lebar kelas.

Hal yang perlu diperhatikan dalam membuat skala pada sumbu datar pada
kasus–kasus tertentu juga pada sumbu tegaknya antara titik pusat hingga angka
skala pertama untuk kelas harus diberi tanda potong yang dalam diagram di atas
diberi tanda “//”. Hal ini dimaksudkan untuk membedakan skala antar titik yang
menggambarkan batas kelas dengan titik pusat dengan titik yang menandakan
batas kelas terkecil.

2.1.6 Poligon Frekuensi

Diagram yang dapat menggambarkan sebuah distribusi frekuensi tidak saja
dapat digambarkan melalui histogram frekuensi, melainkan dapat juga
digambarkan melalui poligon frekuensi. Seperti pada histogram frekuensi, poligon
frekuensi digambar pula dalam suatu bagan salib–sumbu dengan angka–angka
ordinat dan absis yang sama. Masing–masing kelas berikut frekuensinya tidak
dilukiskan dalam bentuk empat persegi–panjang, melainkan dalam bentuk garis
yang menghubungkan tiap titik tengah masing–masing kelas.

2.1.7 Kurva Frekuensi

Kurva frekuensi digambarkan dalam bentuk garis yang menghubungkan
tiap titik tengah untuk masing–masing kelas seperti poligon frekuensi. Hanya saja,
jika pada poligon frekuensi disajikan dalam bentuk garis–garis patah, maka pada
kurva frekuensi, garis digambarkan secara halus. Dengan demikian, frekuensi data
masing–masing kelas tidak lagi nampak secara jelas. Tujuan penyajian distribusi
frekuensi dalam bentuk kurva frekuensi sekedar untuk memperlihatkan bagaimana
bentuk distribusi data tersebut. Di samping itu, dari sebuah kurva frekuensi dapat
diperoleh kecenderungan memusatnya data.
 II-5

2.1.8 Frekuensi Kumulatif

Frekuensi tidak lagi disajikan untuk tiap kelas dalam distribusi frekuensi
kumulatif, namun disajikan secara kumulatif ke belakang atau ke depan.
Misalnya, frekuensi pada kelas ketiga, tidak lagi disajikan hanya untuk frekuensi
kelas tersebut, namun meliputi kelas–kelas sebelumnya atau meliputi kelas–kelas
berikutnya. Dengan demikian, distribusi frekuensi kumulatif dibedakan menjadi
dua, yaitu distribusi frekuensi kumulatif “kurang dari” dan distribusi frekuensi
kumulatip “atau lebih”.

2.1.9 Ogive
Distribusi frekuensi kumulatif, selain disajikan dalam bentuk tabel–tabel
dapat juga disajikan dalam bentuk diagram yang dinamakan Ogive.
Penggambarannya juga dilakukan di atas bagan salib–sumbu seperi pada poligon
frekuensi.
Selain dapat disajikan dalam bentuk tabel–tabel yang dapat memberikan
informasi rinci, kadang–kadang pihak–pihak tertentu ingin memperoleh informasi
secara sepintas yang tentu saja keakuratan informasi yang diperolehnya memang
tidak diperhatikan. Data yang telah disajikan dalam bentuk tabel–tabel perlu
disajikan dalam bentuk lain yang lebih menarik. Diagram batang adalah salah satu
bentuk yang dimaksud.
Fungsi diagram garis sebenarnya tidak berbeda dengan fungsi diagram
batang yang memberikan informasi mengenai perkembangan sesuatu dari periode
ke periode. Hanya saja seperti namanya, diagram diwujudkan dengan garis–garis
yang menghubungkan puncak–puncak frekuensi tiap periode.

Langkah-langkah membuat distribusi frekuensi bagi segugus data yang

besar dapat diringkaskan sebagai berikut.

1. Menentukan banyaknya selang kelas yang diperlukan.

2. Menentukan wilayah data tersebut.

 II-6

3. Membagi wilayah tersebut dengan menentukan beberapa kelas untuk

memduga lebar selangnya.

4. Menentukan limit bawah kelas bagi selang yang pertama dan kemudian batas
bawah kelasnya. Menambahkan lebar kelas pada batas bawah kelas untuk
mendapatkan batas atas kelasnya.

5. Mendaftarkan semua limit kelas dan batas kelas dengan cara menambahkan
lebar kelas pada limit dan batas selang sebelumnya.

6. Menentukan titik tengah kelas bagi masing-masing selang dengan merata-

ratakan limit kelas atau batas kelasnya.

7. Menentukan frekuensi bagi masing-masing kelas.

Menjumlahkan kolom frekuensi dan periksa apakah hasinya sama dengan

banyaknya total pengamatan (Walpole, 1982).

2.2 Probabilitas
Probabilitas adalah kemungkinan terjadinya suatu peristiwa atau hasil
(yang diharapkan) dari sejumlah peristiwa atau hasil yang diharapkan terjadi
(Setyadji, 2007). Teori probabilitas, menghitung kemungkinan timbulnya gejala
yang diharapkan dari variabel populasinya. Probabililitas menghitung
kemungkinan timbulnya gejala yang diharapkan dari variabel sampelnya. Kata
peluang akan dipakai untuk mewakili kata probability dalam buku-buku teks yang
baku. Peluang berkaitan dengan adanya suatu mekanisme random (random
mechanisme) atau mekanisme alami (natural mechanisme) yang realisasinya tidak
dapat diatur. Peluang yang ditinjau di sini khusus dibatasi pada lingkup bahasan
teori dasar statistika atau statistika matematik. Unsur kerandoman (randomness)
memang datang secara alamiah (natural) seperti misalnya, jenis kelamin bayi
yang ditunggu kelahirannya, sisi mata dadu yang akan muncul pada lemparan
pertama, ukuran curah hujan yang akan turun hari ini, dan sebagainya. Kasus pada
percobaan probabilitas banyak bergantung pada faktor kebetulan, oleh karena itu,
tidak dapat diramalkan dengan pasti. Teori peluang bagi ruang contoh terhingga
 II-7

memberikan segugus bilangan nyata yang disebut pembobot atau peluang, dengan
nilai dari 0 sampai 1 yang memungkinkan menghitung peluang terjadinya suatu
kejadian. Setiap titik contoh dalam ruang contohnya satu nilai peluang diberikan
sedemikian sehingga jumlah semua peluang untuk semua titik contohnya sama
dengan 1. Bila mempunyai alasan untuk percaya bahwa sebuah titik contoh
tertentu sangat besar peluangnya untuk terjadi bila dilaksanakan, maka peluang
yang diberikan pada titik itu hendaknya dekat dengan 1. Dipihak lain, nilai
peluang yang lebih dekat dengan nol hendaknya diberikan pada titik contoh yang
kecil sekali peluangnya untuk terjadi. Banyak percobaan, misalnya pelemparan
mata dadu, semua titik contohnya mempunyai peluang yang sama untuk terjadi,
oleh karena itu, semua diberi nilai peluang yang sama. Kejadian-kejadian
sederhana yang tidak mungkin terjadi untuk titik-titik di luar. Bila suatu
percobaan mempunyai N hasil percobaan yang berbeda dan masing-masing
mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat n di antara hasil
percobaan itu menyusun kejadian A, maka peluang kejadian A adalah sebagai
berikut.
P ( A) =N / n
...................................................(2.3)
Keterangan:
P(A) = Peluang kejadian A
N = Hasil kejadian yang muncul
n = Jumlah percobaan
Probabilitas klasik adalah outcome yang sama atau mirip (Equally Likely
Outcomes), dua atau lebih outcome yang memiliki probabilitas kemunculan sama.
Metode mendapatkan peluang secara rasio, misalnya rasio banyaknya sisi gambar
dan rasio banyaknya sisi angka relatif terhadap berapa kali pelemparan dilakukan
disebut frekuensi relatif. Penggunaan intuisi, keyakinan diri, dan informasi tidak
langsung lain dalam menentukan peluang disebut frekuensi subjektif (Setyadji,
2007).
Peubah acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang contoh. Fungsi yang mendefinisikan
titik-titik contoh dalam ruang contoh sehingga memiliki nilai berupa bilangan
 II-8

nyata disebut Peubah acak atau Variabel acak atau Random variable (beberapa
buku juga menyebutnya sebagai Stochastic variable). X dan x pada peubah acak
biasanya dinotasikan sebagai X (X kapital), nilai dalam X dinyatakan sebagai x
(huruf kecil x). Peubah acak yang didefinisikan di atas ruang contoh yang diskret
dan kontinu masing-masing disebut peubah acak diskret dan peubah acak kontinu.
Pada prakteknya, peubah acak diskret digunakan untuk data yang berupa cacahan,
sedangkan peubah acak kontinu digunakan untuk data yang diukur.
Peubah Acak Diskrit yaitu nilainya berupa bilangan cacah, dapat dihitung
dan terhingga. Suatu ruang contoh yang mengandung jumlah titik contoh yang
terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi sama
banyaknya dengan bilangan cacah disebut ruang contoh diskrit. Sebaran peluang
diskret adalah sebuah tabel atau rumus yang mencantumkan semua kemungkinan
nilai suatu peubah acak diskret berikut peluangnya. Jika x adalah variabel acak
diskrit, distribusi probabilitas dari x menggambarkan bagimana probabilitas
terdistribusi untuk seluruh nilai x yang mungkin. Karakteristik distribusi
Probabilitas.
1) 0 ≤ P(X) ≤ 1,untuk setiap nilai X.
2) ∑P(X) = 1
Fungsi kumulatif probabilitas (Probability Cummulative) adalah jumlah
total probabilitas untuk nilai sampai batas atas setiap kelas frekuensi. Nilai
menengah (nilai ekspektasi) variabel acak diskrit x.

µ=E ( X ) =∑XP (X ) .......................................(2.4)

Grafik sangat membantu untuk menggambarkan sebaran peluang agar

lebih mudah membacanya, garfik yang biasa digunakan adalah grafik histogram
peluang (Setyadji, 2007).
Peubah Acak Kontinu yaitu nilainya berupa selang bilangan, tidak dapat di
hitung dan tidak terhingga (memungkinkan pernyataan dalam bilangan pecahan)
dan untuk hal-hal yang diukur (jarak, waktu, berat, volume). Suatu ruang contoh
mengandung tak hingga banyaknya titik contoh yang sama dengan banyaknya
 II-9

titik pada sebuah ruas garis disebut ruang contoh kontinu. Sebaran peluang pada
peubah acak kontinu tidak bisa disajikan dalam bentuk tabel, tetapi sebaran ini
dapat dinyatakan dalam bentuk rumus. Rumus itu merupakan fungsi nilai-nilai
peubah acak kontinu X, sehingga dapat digambarkan sebagai suatu kurva kontinu.
Fungsi peluang yang digambarkan oleh kurva ini disebut fungsi kepekatan
peluang. Fungsi f disebut fungsi kepekatan peluang bagi peubah acak kontinu X
bila luas daerah di bawah kurva dan di atas sumbu-x sama dengan 1, dan bila luas
daerah di bawah kurva antara x = a dan x = b menyatakan peluang X terletak
antara a dan b.
Bila X dan Y adalah dua peubah acak diskret, sebaran peluang bersamanya
dapat dinyatakan sebagai sebuah fungsi f(x,y) bagi sembarang pasangan nilai (x,y)
yang dapat diambil oleh peubah acak x dan y. fungsi ini biasa disebut sebaran
peluang bersama bagi x dan y. Artinya nilai f(x,y) menyatakan bahwa x dan y
terjadi secara bersamaan. Rumus peubah acak diskret adalah.

f ( x, y ) =P( X =x, Y =y)

;
..................................(2.5)

Bila X dan Y keduanya merupakan peubah acak kontinu, fungsi kepekatan

bersamanya f(x,y) merupakan sebuah permukaan yang terletak diatas bidang xy,
dan P[(X,Y)Є A] sama dengan volume silinder tegak yang di sebelah bawah
dibatasi oleh A dan di sebelah atas dibatasi oleh bidang f(x,y), bila A adalah
senbarang daerah di bidang xy. Sebaran bersyarat bagi peubah acak diskret Y,
untuk X = x, diberikan menurut rumus:

f ( x, y )
f ( y, x) =
g ( x) , g(x) < 0 .........................(2.6)

Begitu pula, sebaran bersyarat bagi peubah acak diskret X, untuk Y = y,

diberikan rumus:
f ( x, y )
f ( x, y ) =
h( y ) , h(y) > 0 .........................(2.7)
 II-10

Dua peubah acak yang bebas, peubah acak X dan Y dikatakan bebas jika
F(x,y) = g(x)h(y) untuk semua kemungkinan nilai-nilai X dan Y. Nilai tengah
suatu peubah acak, misalkan X adalah peubah acak diskret dengan sembarang
peluang (Walpole, 1982).

2.2.1 Peristiwa dan Ruang Sampel

Setiap hasil yang terkhayalkan dari sebuah percobaan konseptual yang
dapat diulang dalam kondisi serupa akan disebut sebuah titik sampel atau hasil
elementer atau peristiwa elementer (Walpole, 1982). Totalitas dari hasil-hasil
terangankan (titik sampel, peristiwa elementer) disebut ruang sampel. Sebuah
himpunan bagian sebarang dari ruang sampel dengan titik-titik sampel sebagai
unsur-unsurnya disebut sebuah peristiwa. Himpunan S dari semua peristiwa
elementer (hasil yang mungkin) dalam suatu percobaan tertentu disebut ruang
sampel untuk percobaan itu. Suatu peristiwa itu sebuah himpunan dari beberapa
hasil yang mungkin dari suatu percobaan, yaitu suatu himpunan bagian dari S
(termasuk S sendiri). Himpunan semua kemungkinan hasil suatu percobaan
disebut ruang contoh dan dilambangkan dengan huruf S. Setiap kemungkinan
hasil dalam suatu ruang contoh disebut unsur atau anggota ruang contoh tersebut
atau lebih singkat lagi titik contoh. Seandainya banyaknya unsur ruang contoh
tersebut terhingga, dapat didaftarkan unsur-unsut tersebut dengan menggunakan
koma untuk memisahkan setiap unsur, dan menutupnya dengan dua kurung
kurawal. Jadi, ruang contoh S bagi percobaan pelemparan sekeping uang logam,
dapat ditulis S = {G,A}. Titik-titik contoh di dalam Ruang Sampel (S) dapat
disajikan dalam bentuk numerik atau bilangan (Walpole, 1982).
2.2.2 Permutasi dan Kombinasi
Permutasi adalah suatu susunan yang dibentuk oleh keseluruhan atau
sebagian dari sekumpulan benda (Walpole, 1976). Suatu permutasi itu adalah
pengaturan beberapa obyek secara berurutan. Permutasi dari n objek seluruhnya,
bila n menyatakan bilangan bulat positif, maka hasil penggandaan bilangan
tersebut dari 1 sampai dengan n dinamakan n faktorial dan diberi tanda n!.
 II-11

Permutasi dari keseluruhan n objek yang berbeda, jumlah permutasi dari

suatu himpunan yang terdiri dari n objek yang berbeda, secara keseluruhan
menjadi n! dan dinyatakan sebagai berikut.

n Pn =n!
..................................................(2.8)

Keterangan:
P = permutasi.
n = banyak data.
Permutasi sebanyak r dari n objek yang berbeda. Jumlah permutasi dari
suatu himpunan yang terdiri dari n objek yang berbeda dan yang diambil sekaligus
sebanyak r serta tanpa pengembalian ialah.

n!
n Pr =
( n −r )! .............................................(2.9)

Keterangan:
r = syarat data.
Kombinasi adalah cara pemilihan objek yang bersangkutan tanpa
menghiraukan urutan objek itu sendiri (Walpole, 1976). Suatu himpunan yang
terdiri dari r objek yang dipilih dari suatu himpunan yang terdiri dari n objek yang
berbeda tanpa memperhatikan urutan pemilihannya. Kombinasi demikian
dinyatakan sebagai berikut.

( ) =r!( nn−
n
r
!
r )! ........................................(2.10)

2.3 Distribusi Poisson

Salah satu sebaran atau distribusi diskrit yang sangat bermanfaat adalah
sebaran poisson. Sebaran ini dapat dipandang sebagai penghampir sebaran
binomial atau bentuk batas dari sebaran binomial. Poisson dapat juga didekati
sesuai dengan sebaran itu sendiri dengan pertimbangan proses poisson.
Distribusi poisson merupakan distribusi diskrit yang mengestimasi
probabilitas munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak
x kali. Rata-rata kemunculan keluaran tersebut per unitnya konstan sebesar
 II-12

standar unit ini dapat berupa interval waktu (menit, detik, hari, dan bulan) atau
luas daerah tertentu (walpole, 1982). Contoh penerapannya adalah jumlah
deringan telepon per jam di suatu kantor, jumlah goresan atau cacat dari suatu
permukaan produk, jumlah bakteri dalam suatu kultur, dan kesalahan sambung
pada nomor telepon.
Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang
saling bebas. Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil
saja yang dijadikan titik pengamatan, probabilitas terjadinya suatu hasil sukses
konstan untuk setiap percobaan dan besarnya proposional terhadap selang waktu
atau luas daerahnya, dan probabilitas terjadinya keluaran lebih dari satu dalam
suatu selang waktu atau interval yang sangat sempit dapat diabaikan.
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi,
distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson
(1781-1841), seorang ahli matematika bangsa Perancis. Distribusi poisson
termasuk distribusi teoritis yang memakai variabel random (variabel acak) diskret.

Distibusi poisson merupakan distribusi probabilitas untuk variabel diskret acak

yang mempunyai nilai 0,1, 2, 3 dan seterusnya. Distribusi poisson adalah
distribusi nilai-nilai bagi suatu variabel random X (X diskret), yaitu banyaknya
hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau disuatu
daerah tertentu. Fungsi probabilitas diskret yang sangat penting dalam beberapa
aplikasi praktis. Poisson memperhatikan bahwa distribusi binomial sangat
bermanfaat dan dapat menjelaskan dengan sangat memuaskan terhadap
probabilitas binomial b(X│n.p) untuk X= 1,2,3 …n. Suatu kejadian dimana n
sangat besar (lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil
seperti 0,1 atau kurang, maka nilai binomialnya sangat sulit dicari. Suatu bentuk
dari distribusi ini adalah rumus pendekatan distribusi poisson untuk peluang
binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam
situasi tertentu.
Ciri-ciri percobaan poisson adalah sebagai berikut.
 II-13

1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
2) Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut, dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah
tersebut.
3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah kecil tersebut, dapat diabaikan.
Distribusi poisson banyak digunakan dalam hal sebagai berikut.
1) Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang
atau isi, luas, panjang tertentu, saeperti menghitung probabilitas dari
kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh
bank. Jumlah pelanggan yang harus antri pada pelayanan rumah sakit,
restaurant cepat saji atau antrian yang panjang bila ke ancol. Semua contoh ini
merupakan beberapa hal yang menggambarkan tentang suatu distribusi
poisson.
2) Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p kecil
(p<0,1). Jika kita menghitung sejumlah benda acak dalam suatu daerah
tertentu T, maka proses penghitungan ini dilakukan sebagai berikut.
a. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S,
yaitu ECount(S)= λ S, di sini melambangkan ukuran S, yaitu panjang,
luas, volume, dan lain-lain. Parameter λ > 0 menggambarkankan intensitas
proses.
b. Menghitung di daerah terpisah adalah bebas.
c. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah
kecil adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran
menjadi kecil.
Rumus Poisson dapat digunakan untuk menghitung probabilitas dari
jumlah kedatangan, misalnya probabilitas jumlah kedatangan nasabah pada suatu
 II-14

bank pada jam kantor. Distribusi poisson ini digunakan untuk menghitung
probabilitas menurut satuan waktu. Rumus probabilitas poisson suatu peristiwa
yang berdistribusi Poisson dirumuskan sebagai berikut.

µx −µ
p( x ) =
X!
………..............................…(2.11)

Keterangan:
P(x) = Nilai probabilitas distribusi poisson.
µ = Rata-rata hitung dan jumlah nilai sukses, dimana µ = n*p.
e = Bilangan konstan = 2,71828.
X = Jumlah nilai sukses.
P = Probabilitas sukses suatu kejadian.
! = Lambang faktorial.

Distribusi poisson sebagai pendekatan dari distribusi binomial.

Uraian ini akan diarahkan pada pembuktian bahwa distribusi poisson sebagai
pendekatan dari distribusi binomial. Distribusi poisson kumulatif adalah
probabilitas dari peristiwa poisson lebih dari satu.
Menggunakan tabel untuk distribusi poisson yaitu untuk membantu
memperoleh dengan cepat nilai probabilitas distribusi poisson, tabel hasil
distribusi poisson akan sangat membantu. Penggunaan tabel distribusi poisson
menghendaki pengetahuan nilai tengah rata-rata hitung (µ= n.p) dan jumlah
sukses X. Pada baris dapat dilihat nilai µ dan pada kolom dapat dilihat nilai X.
Nilai rata-rata harapan (expected value) dan varian dari suatu fungsi distribusi
poisson adalah sama, yaitu.

E ( X ) = n.π
V ( X ) = nπ(1 −π) ............................................(2.12)
µ = n.π

Percobaan distribusi poisson adalah percobaan yang menghasilkan peubah

acak X yang bernilai numerik, yaitu banyaknya sukses selama selang waktu
tertentu atau dalam daerah tertentu. Selang waktu tertentu dapat berupa sedetik,
 II-15

semenit, sejam, sehari, seminggu maupun sebulan. Daerah tertentu dapat berupa
satu meter, satu kilometer persegi dan lain-lain.
Distribusi peluang peubah acak poisson X yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh
x = 0,1,2, … µ menyatakan rata-rata banyaknya sukses yang terjadi dalam selang
waktu atau daerah tertentu tersebut dan e = 2,71828
Persoalan menyelesaikan distribusi poisson kita dapat menggunakan tabel
statistik dengan jumlah peluang poisson untuk beberapa nilai tertentu dengan µ
dari 0, 1 sampai 18.
1) Rataan dan variansi distribusi poisson p(x; µ) keduanya sama dengan µ.
2) Bila n besar dan p dekat dengan nol, distribusi poisson dapat digunakan,
dengan µ = np, untuk menghampiri peluang binomial.
3) Bila p dekat dengan 1, distribusi poisson masih dapat dipakai untuk
menghampiri peluang binomial dengan mempertukarkan apa uang telah
dinamai dengan sukses dan gagal, jadi dengan mengganti p dengan suatu nilai
yang dekat dengan nol.
Pendekatan Peluang poisson untuk peluang binomial, dilakukan jika n
besar (n > 20) dan p sangat kecil (p < 0.01) dengan terlebih dahulu menetapkan p
dan kemudian menetapkan μ = n * p. Distribusi poisson juga untuk menghitung
probabilitas timbulnya gejala yang diharapkan (gejala “sukses”) dari sejumlah n
kejadian atau sampel, tetapi untuk kasus yang ”n”-nya besar dan ”π”-nya sangat
kecil.
Perhitungan distribusi binomial dapat didekati dengan menggunakan
distribusi poisson. Distribusi binomial dengan populasi yang cutup besar (N) dan
peluang terjadinya suatu kejadian yang dimaksud p cukup kecil, sehingga q = 1-p
mendekati 1, maka kejadian itu disebut suatu kejadian langka ( rare event ).
Fungsi kepekatan peluangnya,

eµ µ
P( X = r ) = ................................................(2.13)
r!
Keterangan:
 II-16

µ = np, yaitu nilai harapan peluang binomial.

e = Bilangan asli, 2,71828.

2.4 Distribusi Hipergeometrik

Percobaan hipergeometrik adalah peluang terambilnya x keberhasilan dari
k benda yang diberi label “berhasil” dan n-x kegagalan dari N-k benda yang diberi
label “gagal”, bila suatu contoh berukuran n diambil dari sebuah populasi
terhingga berukuran N. Cara paling mudah untuk melihat perbedaan antara
distribusi binomial terletak pada cara pengembalian. Macam penggunaan
distribusi hipergeometrik amat mirip dengan binomial, yaitu sama-sama
menghitung peluang untuk banyaknya pengamatan yang jatuh pada kelompok
tertentu. Perbedaan dari distribusi binomial dengan distribusi hipergeometrik
sebagai berikut.

Tabel 2.2 Perbedaan Peluang Binomial dengan Hipergeometrik

Binomial
Hanya untuk peluang berhasil
Tidak ada penyekatan dan pemilihan
objek ( berhasil atau gagal)
Untuk pengambilan contoh dengan
pemulihan (dengan pengembalian)
Hipergeometrik
Peluang berhasil berhubungan dengan
peluang gagal
Ada penyekatan dan pemilihan objek
(berhasil atau gagal)
Untuk pengambilan contoh tanpa
pemulihan (tanpa pengembalian)

Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai

berikut.
1. Contoh acak berukuran n diambil dari populasi berukuran N.
2. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan N-k
diklasifikasikan sebagai "GAGAL".
Distribusi Hipergeometrik diterapkan pada kasus-kasus penarikan sampel,
dimana sampelnya tidak dikembalikan lagi ke populasi. Distribusi hipergeometris
suatu populasi yang berisi sejumlah N obyek dapat dibagi menjadi 2 kelompok
(sub-populasi), yaitu sub populasi “sukses” dan sub populasi “gagal”, yang
 II-17

sifatnya saling berlainan atau berlawanan. Pengertian “sukses” dan “gagal”

maknanya tidak selalu sama dengan pengertian sehari-hari, tetapi sekedar
menunjukkan adanya 2 kategori yang berbeda. Distribusi hipergeometrik
dipergunakan untuk memecahkan masalah penarikan sampel tanpa pengembalian,
ciri-cirinya.
1. Ada n benda.
2. k benda diberi nama sukses.
3. Sisanya n-k benda gagal. Dicari peluang memilih x sukses dari sebanyak k
yang tersedia , bila sampel acak ukuran n diambil dari N benda.
Banyaknya sukses X dalam percobaan hipergeometrik disebut peubah
acak hipergeometrik. Distribusi peluang peubah acak hipergeometrik X, yaitu
banyaknya sukses dalam sampel acak ukuran n yang diambil dari N benda yang
mengandung k bernama sukses dan N-k gagal. Bila dalam populasi N obyek, k
benda termasuk kelas "BERHASIL" dan N-k (sisanya) termasuk kelas "GAGAL",
maka distribusi hipergeometrik peubah Acak X yg menyatakan banyaknya
keberhasilan dalam contoh acak berukuran n adalah.

C xk CnN−−x k
h ( x; N , n , k ) = …..………………2.14)
CnN
untuk x = 0,1,2,3...,k

Jika x adalah sampel variabel random hipergeometrik, maka probabilitas

fungsi dari x adalah.

 C xN 1CnN−2x 
P ( x) =  N
 ....................................2.15)
 Cn 
Keterangan:

X = 0, 1, 2, 3 . . . . . . . , n

N1 = Sub populasi “gagal”.

N2 = sub populasi “sukses”.

N = populasi = N1 + N2.
 II-18

n = jumlah pengambilan dari populasi.

X = jumlah timbulnya gejala “sukses” dari populasi.

C = rumus kombinasi.

Nilai rata-rata harapan (expected value) dan varians dari suatu

fungsi distribusi hipergeometrik adalah.

N 
E ( x ) = n 1 
N  ........................(2.16)

V ( x) =
( N − n ) n( N )1 − N1 
1
 
( N −1)  N  N 
Bila n relatif kecil dibandingkan dengan N, maka peluang pada setiap
pengambilan akan berubah kecil sekali, sehingga praktis dapat dikatakan bahwa
distribusi ini berhadapan dengan distribusi binomial. Jadi pada dasarnya distribusi
hipergeometrik dapat dihampiri dengan distribusi binomial dengan p = k/N. Rata-
rata dan ragam bagi distribusi hipergeometrik h(x; N, n, k) adalah

nk
Rata-rata = µ = ......................................(2.17)
N
N −n k k
Ragam = σ 2 = × n × (1 − ) ……....………(2.18)
N −1 N N

Rumus 2.17 dan 2.18 jika dibandingkan dengan rumus 2.16 maka terlihat bahwa
rataannya sama sedangkan variansinya berbeda sebesar faktor koreksi (N-n)/(N-
1). Besaran ini dapat diabaikan bila n cukup kecil dibandingkan N.
Perluasan distribusi hipergeometrik jika terdapat lebih dari 2 kelas.
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa
kelas. Bila N benda dapat dikelompokan dalam k sel A1, A2, …, Ak masing-
masing berisi a1, a2, …, ak benda, maka distribusi peluang peubah acak X1, X2,
…, Xk yang menyatakan banyaknya benda (anggota) yang terambil dari A1, A2,
…, Ak dalam suatu sampel acak ukuran n ialah.
 II-19

a a a
C x11 × C x22 ×× C xkk
f ( x1 , x 2 ,..., x k ; a1 , a 2 ,..., a k , N , n) = .…...(2.19)
CnN

Berdasarkan rumus diatas yang perlu diperhatikan adalah.

k
n = ∑ xi ........................................(2.20)
i =1

k
N = ∑ ai ........................................(2.21)
i =1

Keterangan:
N = ukuran populasi atau ruang contoh.
n = ukuran contoh acak.
k = banyaknya penyekatan atau kelas.
xi = banyaknya keberhasilan kelas ke-i dalam contoh.

ai = banyaknya keberhasilan kelas ke-i dalam populasi.

Pandang sebuah kontainer berisi N buah item objek bernoulli, M item

(M ≤ N) berwarna merah dan sisanya (N-M) berwarna putih. Jika objek-objek
teracak dengan rata, maka kegiatan pengambilan satu item objek secara acak
merupakan percobaan Bernoulli dengan probabilitas sukses mendapatkan item
merah p = M/N. Jika pengmbilan dilakukan sebanyaknya n kali item objek dengan
pengambilan (with replacement) setiap selesai satu item terambil, maka jumlah
item merah diperoleh dalam n pengambilan adalah variabel acak binomial,
masalahnya menjadi berbeda saat item objek yang terambil tidak dikembalikan
(without replacement) ke dalam kontainer sehingga probabilitas berubah p sesuai
dengan warna item yang terambil. Untuk n pengambilan tanpa pengembalian,
probabilitas k buah item pertama (k ≤ n) berwarna merah adalah sebagai berikut.
1. pengambilan pertama, dengan probabilitas M/N.
2. pengambilan kedua, dengan probabilitas (M-1)/(N-1).
3. pengambilan ke k, dengan probabilitas (M-k)/(N-k).
Selanjutnya pada (n-k) pengembalian (setiap pengembalian berwarna
putih) berikutnya.
 II-20

1. pengambilan ke k+1, dengan probabilitas (N-M)/(N-k-1).

2. pengembalian ke n, dengan probabilitas ((N-M)-(n-k))/(N-n).
Probabilitas untuk semua pengambilan tersebut adalah.

N ( M −1)..( M − k )( N − M )( N − M −1)..( N − M − n + k )
P1P 2.. Pn =
N ( N −1)..( N − k )( N − k −1)..( N − n)
M! ( N − M )!
N −M
( )( ) ...
( M − k )! ( N − M − n + k )! M
= − k Nnn −k
N! nk
( N − n)!

(2.22)

Dapat ditunjukan pula untuk urutan pengmbilan yang lain menghasilkan

probabilitas yang sama. Untuk pengambilan n item yang menghasilkan k item
merah terdapat ( ) urutan pengambilan berlainan maka semua kemungkinan itu
n
k

( k , N , M , n) =
( )(
M
)
N− M

memberikan PMF Phipergeome trik

k
( )N
n−k
....................
n

(2.23)
Dengan p = M/N, maka m
ean =n. p
................................................
(2.24)
N −n
variansi =n. p.q
N −1 ......................................

(2.25)
Mengingat bahwa untuk jumlah N yang sangat besar relatif terhadap n maka
walaupun tanpa pengembalian, probabilitas item merah didalam kontainer bisa
dikatakan tidak berubah. Dalam hal tersebut maka variabel acak ini dapat
diproksimasi oleh variabel acak binomial dengan selisih yang tidak berarti.
Jika untuk masalah pengambilan tanpa pengembalian n item dari total N
item objek di dalam kontainer tersebut di atas, pernyataan diganti dengan jumlah
pengambilan yang perlu dilakukan untuk mencapai k item berwarna merah maka
ini adalah variabel acak hipergeometrik negatif. Penyederhanaan formulasi
 II-21

dilakukan mirip seperti pada pembahasan binomial negatif, yaitu memandang

sebagai dua variabel acak.
1. VA hipergeometrik untuk jumlah (k-1) item merah di dalam (n-1) item.
2. VA bernoulli untuk menghasilkan sukses (pada percobaan ke n) dengan
probabilitas (M-k+1)/(N-n+1).
Berikut ini adalah rumus untuk mencari variabel acak.

(k − 1; N , M , n − 1)(M − k + 1) /(N − n + 1) =
Pneghipergeo
( )( ) M − k + 1
M
k −1
N−M
n− k

( ) N − n+1
N
n−1

....(2.26)

=
( )( )
n−1
k −1
N−n
M −k

( ) N
M

2.5 Distribusi Normal

Distribusi normal merupakan distribusi teoritis dari variabel random yang
kontinu. Pengalaman telah membuktikan bahwa sebagian besar dari variabel
random yang kontinu di berbagai bidang aplikasi yang beraneka ragam umumnya
memiliki distribusi yang dapat didekati dengan distribusi normal atau dapat
menggunakannya sebagai model teoritis. Distribusi normal demikian merupakan
distribusi yang simetris, berbentuk genta dan kontinu serta memiliki fungsi
frekuensi. Fungsi f(x) di atas juga dinamakan fungsi kepekatan normal (normal
density function). Distribusi normal tergantung pada 2 parameternya yaitu rata-
rata µX dan varians σ2X. Bila X suatu variabel random normal dengan nilai
tengah µ , dan standar deviasi σ , maka persamaan kurva normalnya adalah
sebagai berikut.
1
N ( X ; µ, σ) = e −1 / 2[( x −µ) / σ]
2

2σπ2 .......................(2.30)

untuk nilai x : -∞ < x < ∞ e = 2.71828..... π = 3.14159...

Keterangan:
μ : Rata-rata populasi.
 II-22

σ : Simpangan baku populasi.

σ² : ragam populasi.
Nilai peluang peubah acak dalam distribusi peluang normal dinyatakan
dalam luas dari di bawah kurva berbentuk genta atau lonceng (bell shaped curve).
Kurva maupun persamaan normal melibatkan nilai x, μ dan σ. Keseluruhan kurva
akan bernilai 1, ini mengambarkan sifat peluang yang tidak pernah negatif dan
maksimal bernilai satu. Probabilitas kontinu yang terpenting di bidang statistik
adalah distribusi normal. Grafiknya disebut kurva normal, berbentuk lonceng
seperti gambar 2.1. Distribusi ini ditemukan Karl Friedrich (1777-1855) yang
juga disebut distribusi Gauss. Pada gambar (2.2) melukiskan dua kurva normal
dengan simpangan baku yang sama tapi rata-rata berbeda, gambar (2.3)
melukiskan beberapa kurva yang mempunyai mean sama tetapi standart deviasi
bebeda. Gambar (2.4) melukiskan kurva normal dengan mean dan standart
deviasi yang berbeda.

a µ b
x
Gambar 2.1 Kurva Normal

b
P ( a ≤ X ≤ b ) = ∫ f ( x ) dx ...................................(2.31)
a

Macam-macam kurva.
1. Kurva berbentuk genta (µ = Md= Mo)
2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
 II-23

4. Kurva mencapai puncak pada saat X= µ . Luas daerah di bawah kurva

adalah 1, ½ di sisi kanan nilai tengah dan ½ di sisi kiri.
Sifat-sifat distribusi normal.
1. Grafiknya selalu ada diatas sumbu datar x.
2. Bentuknya simetrik terhadap x = µ.
3. Mempunyai satu modus, jadi kurva unimodal, tercapai pada x = µ sebesar
0,3989/σ.
4. Grafiknya mendekati (berasimtootkan) sumbu datar x, mulai dari x = µ + 3 σ
ke kanan dan x = µ + 3 σ kekiri.
5. Luas daerah grafik selalu sama dengan satu unit persegi.
Setiap pasang µ dan σ, sifat-sifat diatas selalu terpenuhi, hanya bentuk
kuvanya saja yang berlainan. Jika σ makin besar kurvanya makin rendah dan
sebaliknya. Distribusi normal bersifat kontinu maka cara perhitungan
probabilitasnya dilakukan dengan jalan menentukan luas dibawah kurva, tetapi
karena fungsi frekuensi normal tidak memiliki integral yang sederhana sehingga
probabilitasnya dihitung dengan menggunakan distribusi normal standar dimana
variabel randomnya ialah Z dengan rata-rata µ = 0 dan simpangan baku σ = 1.

Gambar 2.2 Kurva Distribusi Normal Standar

Jenis-jenis kurva distribusi normal.
1) Distribusi kurva normal dengan µ sama dan σ berbeda.
Terlihat kedua kurva mempunyai titik tengah yang sama pada sumbu
datar, tapi kurva dengan simpangan baku yang lebih besar tampak lebih
1
0

rendah
9
8
dan lebih melebar. Perhatikan bahwa luas dibawah kurva-peluang
7
6
5
4
3
2
1
0
m

M
eso
kurtic P
latyk
urtic Le
ptok
u rtic
 II-24

harus sama dengan 1 sehingga bila kumpulan data makin berbeda maka makin
rendah dan melebar pula kurvanya.

Gambar 2.3 Kurva Normal dengan µ Sama dan σ Berbeda

2) Distribusi kurva normal dengan µ berbeda dan σ sama.

Terlihat kedua kurva bentuknya persis sama tapi titik tengahnya terletak di
tempat yang berbeda di sepanjang sumbu datar.
0

0
15

45
30

Gambar 2.4 Kurva Normal dengan µ Berbeda dan σ Sama

3) Distribusi kurva normal dengan µ dan σ berbeda.

Jelas keduanya mempunyai letak titik tengah yang berlainan pada sumbu
datar dan bentuknya mencerminkan 2 nilai σ yang berlainan.

85 850
 II-25

Gambar 2.5 Kurva Normal dengan µ dan σ Berbeda

Hal yang perlu diperhatikan dalam perhitungan menggunakan tabel.
1. Nilai yang dicantumkan adalah nilai z.
2. Luas kurva yang dicantumkan dalam tabel = 0.50 (setengah bagian kurva
normal).
3. Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai
dengan nilai z.

Tabel 2.6 Transformasi dari Nilai X ke Z

Transformasi untuk sebarang variabel acak normal X menjadi suatu nilai
variabel acak normal z, di mana nilai Z.
X −µ
Z =
σ .......................................................(2.32)

Z > 0 jika x > µ

Z < 0 jika x < µ
Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0)

 µ −µ X −µ X 1 −µ 
p( µ ≤ X ≤ X 1) = P ≤ ≤  = P (0 ≤ Z ≤ b ) ............(2.34)
 σ σ σ 

Hubungan distribusi normal dengan distribusi binomial dilihat dari segi

teori banyak distribusi konvergen ke normal sebagaimana parameternya menuju
 II-26

ke limit tertentu. Distribusi normal merupakan distribusi yang memudahkan

karena fungsi distribusi kumulatifnya mudah ditabelkan. Distribusi binomial
dihampiri dengan baik oleh distribusi normal dalam praktek bila digunakan fungsi
kumulatif. Distribusi normal dengan µ = n.p dan σ 2
= n.p(1-p) mendekati
distribusi binomial bila n besar dan p dekat dengan 0 atau bila n kecil dan p
mendekati ½ .