KONSEP PROBABILITAS,

DALIL BAYES, NILAI

HARAPAN

PROBABILITAS
Probabilitas :
Suatu nilai untuk mengukur tingkat
kemungkinan terjadinya suatu kejadian
yang tidak pasti (uncertain event)
Contoh :
Probabilitas bahwa kejadian A akan
terjadi sebesar 90 %
P(A) = 0.90

RUMUS PROBABILITAS
Probabilitas kejadian A :
P(A) = banyaknya elemen sub himpunan yang
membentuk A
seluruh elemen dalam
himpunan

Contoh :
Pada kejadian melempar dadu,
probabilitas mendapatkan mata dadu
genap :
S = {1, 2, 3, 4, 5, 6}
A = {2, 4, 6}
P(A) = 3/6 = 0.5 = 50 %

Probabilitas majemuk dan

bersyarat

Jika ada 2 kejadian A dan B yang independen :

P(AB) = P(AB) = P(A) * P(B)
Jika A dan B tidak bebas (dependen)
P(AB) = P(A) P(B|A)
= P(B) P(A|B)
P(A|B) dan P(B|A) adalah probabilitas bersyarat
P(A|B) : probabilitas kejadian A terjadi dengan
syarat
kejadian B terjadi
Dengan demikian :
P(A|B) = P(AB)/P(B) dan P(B|A) =
P(AB)/P(A)

Contoh :
Dari 100 mahasiswa ada 20 orang mendapat
nilai A, 30 org mendapat nilai B, 30 orang
mendapat nilai C dan 20 org mendapat nilai
D. Dari ke-100 mhs tersebut 65 orang telah
lunas uang kuliahnya dan 35 orang belum
lunas. Dari yang lunas perincian mendapat
nilai A 20 org, B 15 org, C 25 org dan D 5 org.
a. Berapa probabilitas mhs yang telah
membayar lunas mendapat nilai B ?
b. Berapa probabilitas mhs yang telah
mendapat nilai C belum melunasi uang
kuliahnya ?

Mahasiswa

Lunas

Belum
Lunas

Jumlah

Nilai A

20

20

Nilai B

15

15

30

Nilai C

25

30

Nilai D

15

20

Jumlah

65

35

100

Jawab :
a. P (B Lunas) = P(B Lunas)/P(lunas)
P (lunas) =65/100 = 0.65
P(B Lunas) = 15 orang = 15/100 = 0.15
Jadi :
P (B Lunas) = 0.15/0.65 = 0.23 = 23 %

PROBABILITAS PRIOR dan

POSTERIOR

Probabilitas prior :
Probabilitas yang didapatkan dari
informasi awal
Probabilitas posterior :
Probabilitas yang telah diperbaiki setelah
mendapat informasi tambahan atau
setelah melakukan penelitian.

Contoh :
Pada perusahaan A, diketahui dari informasi awal
bahwa probabilitas set up mesin benar adalah 80
%.
Probabilitas prior :
Probabilitas set up mesin benar = P(B) = 0.8
Probabilitas set up mesin benar dapat diperkuat
dengan penelitian selanjutnya dengan melihat
berapa banyak produk yang tepat ukurannya (P(T)).
Probabilitas posterior :
P(B|T) : probabilitas set up mesin benar jika
produk
yang dihasilkan tepat.
P(B|T) = P(BT)/P(T)

 Untuk menghitung probabilitas posterior dapat

digunakan pohon probabilitas.
Jika diketahui :
- Probabilitas set up mesin benar = P(B) = 0.8
- Probabilitas set up mesin tidak benar =P(BB) =
1-0.8 = 0.2.
- Probabilitas produk tepat jika set up mesin
benar =
P(T|B) = 0.9
- Probabilitas produk tepat jika set up mesin
salah
hanya 40 % atau P(T|B) = 0.4.
Berapa probabilitas set up mesin benar jika
produk yang dihasilkan tepat (P(B|T) ?

Pohon probabilitas
B
P(B) = 0.8

T
P(T|B)=0.9
T
P(T |B) =0.1

T
B
P(B) = 0.2

P(T|B)=0.4
T
P(T|B)=0.6

 P(B|T) = ?
P(B|T) = P(BT)/P(T)
P(BT) = P(B) P(T|B) = 0.8 * 0.9 = 0.72
P(T) = P(TB U TB) = P(TB) + P(TB )
= P(B) P(T|B) + P(B) P(T|B)
= 0.8 * 0.9 + 0.2 * 0.4
Jadi :
P(B|T) = (0.8*0.9)/(0.8*0.9+0.2*0.4) =
0.9.
Probabilitas set up mesin benar jika
produk yang dihasilkan tepat adalah 90 %.

DALIL BAYES
Jika ada A1, A2, . Ak kejadian yang saling
meniadakan (mutually exclusive), dan kemudian
ada kejadian B dimana P(B) 0, maka :
P(Ai|B) = P(BAi) / P(B)
k

= P(Ai) P(B|Ai) / P(Ai) P(B|Ai)

i=1

Jika k=2 :
i = 1 P(A1|B) = P(A1) P(B|A1)/[P(A1) P(B|A1) +P(A2) P(B|A2)]
i = 2 P(A2|B) = P(A2) P(B|A2)/[P(A1) P(B|A1) +P(A2) P(B|A2)]

Probabilitas objektif dan

subjektif
Penghitungan Probabilitas seringkali
berdasarkan frekuensi relatif.
Contoh :
Jika dalam 1000 kali pelemparan mata uang,
gambar angka yang muncul adalah 400 kali,
maka :
P(angka) = 400/1000 = 0.4.
Probabilitas yang didasrkan pada eksperimen
berulang-ulang, atau data yang tersedia
sebelumnya dan didapat dengan menghitung
frekuensi relatif dari suatu kejadian
probabilitas objektif.

Probabilitas objektif dan

subjektif
Probabilitas subjektif : probabilitas suatu
kejadian dimasa yang akan datang, dimana
pengambil keputusan dihadapkan pada situasi
yang belum pernah terjadi sebelumnya dan
informasi terbatas, sehingga besarnya
probabilitas didapat dari pendapat para pakar
(expert judgement) berdasarkan tingkat
keyakinannya.
Probabilitas subjektif didasarkan pada
pandangan yang subjektif. Probabilitas dari
expert 1 bisa tidak sama dengan expert 2 dst.

NILAI HARAPAN(EKSPEKTASI)
Nilai harapan (nilai ekspektasi) adalah :
nilai rata-rata payoff yang diharapkan yaitu
jumlah nilai payoff pada masing-masing kejadian
dikalikan dengan besarnya probabilitas dari
masing-masing kejadian.
Contoh :
Jika di masa yad probabilitas seseorang
mendapat keuntungan 1 juta adalah 0.5,
keuntungan 5 juta adalah 0.3 dan keuntungan 10
juta adalah 0.2. Maka nilai ekspektasi
keuntungannya adalah :
E(X) = P(X) X = 0.5 *1 + 0.3 * 5 + 0.2 * 10 =
4 juta