Distribusi Probabilitas: Binomial, Poisson dan Normal

🎥 Video Kuliah: Distribusi Probabilitas

Sebelum membaca materi di bawah, tonton video kuliah ini. Di dalamnya saya jelaskan bertahap — dari konsep dasar distribusi diskrit (Binomial, Poisson) sampai distribusi kontinu (Normal). Video ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.

💡 Catatan: Video ini mencakup seluruh materi Sesi 05. Konsep distribusi probabilitas memang butuh beberapa kali pengulangan — itu wajar, karena ini fondasi untuk inferensi statistik.

🎯 Bagian 1: Apa Itu Distribusi Probabilitas?

🤔 Apa Itu “Distribusi”?

Distribusi probabilitas = daftar atau rumus yang menunjukkan semua kemungkinan nilai suatu variabel acak, beserta probabilitasnya masing-masing. Sederhananya: kalau probabilitas biasa menjawab “berapa peluang kejadian A?”, distribusi probabilitas menjawab “bagaimana probabilitas tersebar di SEMUA kemungkinan?”

🎰 Analogi Mesin Slot:
Bayangkan mesin slot dengan 3 simbol: 🍒 🍋 🔔

Probabilitas biasa: “Peluang dapat 🍒 = 30%”
Distribusi probabilitas: Daftar lengkap: 🍒 = 30%, 🍋 = 50%, 🔔 = 20% → total 100%

Distribusi memberi peta lengkap — bukan cuma satu titik.

📊 Dua Jenis Utama Distribusi

📊 Distribusi DISKRIT
Variabel yang nilainya bisa dihitung (bilangan bulat).

Jumlah pelanggan yang datang
Jumlah produk cacat
Jumlah komplain per hari

Contoh: Binomial, Poisson

📈 Distribusi KONTINU
Variabel yang nilainya bisa diukur (bilangan desimal, ada rentang).

Omzet (Rp)
Waktu tunggu (menit)
Tinggi badan (cm)

Contoh: Normal, Uniform, Exponential

💡 Prinsip LEAN:
“Kenali distribusinya, maka kamu kenal datanya.”
Setiap distribusi punya “kepribadian” — bentuk, mean, varians. Kalau Anda tahu data mengikuti distribusi tertentu, Anda bisa pakai rumus khusus untuk analisis yang lebih efisien.

🎲 Bagian 2: Distribusi Binomial — “Sukses/Gagal” dalam n Percobaan

🤔 Kapan Pakai Binomial?

Distribusi Binomial dipakai kalau situasi Anda memenuhi 4 syarat:

Fixed number of trials (n): Ada jumlah percobaan yang tetap
Two outcomes: Setiap percobaan cuma punya 2 hasil: “sukses” atau “gagal”
Constant probability (p): Probabilitas “sukses” sama di setiap percobaan
Independent trials: Hasil satu percobaan tidak memengaruhi percobaan lain

📊 Rumus Binomial

P(X = k) = C(n,k) × p^k × (1-p)^(n-k)

Mean (μ) = n × p | Varians (σ²) = n × p × (1-p)

🛒 Contoh: Konversi Pelanggan E-commerce
Toko online tahu 20% pengunjung beli (p = 0,20). Hari ini ada 15 pengunjung (n = 15).
Pertanyaan: Berapa peluang tepat 3 yang beli?
Jawab: P(X = 3) = C(15,3) × 0,20³ × 0,80¹² = 455 × 0,008 × 0,0687 = 0,250 (25%)
Mean: 15 × 0,20 = 3 orang (rata-rata yang beli).

⚠️ Syarat Harus Dipenuhi!
Kalau trial tidak independen (misal: word-of-mouth) atau probabilitas berubah-ubah, Binomial tidak valid. Pakai distribusi lain (misal: Hypergeometric).

📞 Bagian 3: Distribusi Poisson — “Kejadian Langka” dalam Selang Waktu

🤔 Kapan Pakai Poisson?

Distribusi Poisson dipakai untuk menghitung jumlah kejadian yang terjadi dalam selang waktu, ruang, atau area tertentu, kalau kejadiannya langka, independen, dan ada rata-rata (λ) yang diketahui.

📊 Rumus Poisson

P(X = k) = (e^(-λ) × λ^k) / k!

Uniknya: di Poisson, Mean (μ) = Varians (σ²) = λ.

🛒 Contoh: Komplain Pelanggan per Hari
Toko online menerima rata-rata 4 komplain per hari (λ = 4).
Pertanyaan: Berapa peluang tepat 6 komplain besok?
Jawab: P(X = 6) = (e^(-4) × 4⁶) / 6! = (0,0183 × 4096) / 720 = 0,104 (10,4%).

💡 Binomial vs Poisson:
Binomial: Ada jumlah trial tetap (n), hitung jumlah “sukses”.
Poisson: Tidak ada n, cuma ada rata-rata (λ) per selang waktu/ruang. Kalau n besar dan p kecil, Binomial bisa didekati dengan Poisson (λ = n×p).

📊 Bagian 4: Distribusi Normal — “Kurva Lonceng” yang Ada di Mana-mana

🤔 Mengapa Normal Sangat Populer?

Distribusi Normal adalah distribusi paling penting dalam statistika karena Central Limit Theorem (akan dibahas di Sesi 06): rata-rata sampel dari distribusi apapun akan mendekati Normal kalau n besar.

📊 Empirical Rule (68-95-99,7)

±1σ dari mean mencakup 68% data
±2σ dari mean mencakup 95% data
±3σ dari mean mencakup 99,7% data

📊 Standard Normal Distribution (Z)

Untuk memudahkan perhitungan, kita standarisasi distribusi Normal ke bentuk Z:

Z = (X − μ) / σ

🛒 Contoh: Omzet UMKM per Bulan
Omzet UMKM mengikuti distribusi Normal dengan mean = Rp10 juta dan σ = Rp2 juta.
UMKM A omzetnya Rp15 juta. Berapa Z-score-nya?
Z = (15 − 10) / 2 = 2,5.
Artinya: omzet UMKM A 2,5 standar deviasi di atas mean. Dari tabel Z: P(Z < 2,5) = 0,9938 → UMKM A masuk top 0,62%!

⚠️ Jangan Asumsi Semua Data Normal!
Banyak data bisnis tidak Normal (misal: Pendapatan biasanya right-skewed). Selalu cek normalitas dulu (pakai histogram atau uji Shapiro-Wilk) sebelum pakai metode yang asumsikan Normal.

✅ Bagian 5: Ringkasan & Peta Jalan Distribusi Probabilitas

🗺️ Peta Konsep Sesi 05

Distribusi	Jenis	Kapan Dipakai	Parameter
Binomial	Diskrit	n trial tetap, 2 outcome, p konstan	n, p
Poisson	Diskrit	Kejadian langka per selang waktu/ruang	λ (rata-rata)
Normal	Kontinu	Data simetris, fenomena alam/bisnis	μ, σ

📋 Checklist: Pilih Distribusi yang Tepat

☑️ Apakah variabelnya diskrit (count) atau kontinu (measurement)?
☑️ Kalau diskrit: apakah ada n tetap dan 2 outcome? → Binomial
☑️ Kalau diskrit: apakah kejadian langka per selang? → Poisson
☑️ Kalau kontinu: apakah data simetris/bell-shaped? → Normal
☑️ Sudah cek asumsi masing-masing distribusi?

💡 Prinsip LEAN untuk Distribusi:
“Kenali distribusinya, maka kamu kenal datanya.”
Tapi jangan paksa data masuk ke distribusi yang tidak cocok — selalu cek asumsi!

📚 Persiapan Sesi Berikutnya

Di sesi berikutnya, kita akan masuk ke distribusi sampling — distribusi dari statistik sampel (seperti mean sampel). Ini adalah jembatan dari statistika deskriptif ke inferensi statistik.

📖 Mau versi lebih ringkas & teknis?
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas — mencakup rumus Excel dan contoh tambahan.

↓ Gulir ke bawah untuk materi pelengkap ↓

Sesi 05 – Distribusi Probabilitas (Learning Guide)

Sesi ini membahas distribusi probabilitas yang sering digunakan dalam analisis bisnis, meliputi distribusi diskrit (binomial, Poisson, hypergeometric) dan distribusi kontinu (normal distribution).

Learning Objectives

Menghitung probabilitas menggunakan distribusi binomial, Poisson, dan hypergeometric
Menggunakan distribusi probabilitas diskrit untuk menyelesaikan masalah bisnis
Menghitung probabilitas menggunakan distribusi normal
Menginterpretasikan distribusi normal dalam konteks pengambilan keputusan

5.1 Discrete Probability Distributions

Distribusi probabilitas diskrit digunakan ketika variabel acak hanya dapat mengambil nilai tertentu (seperti jumlah kejadian atau jumlah sukses).

a. Binomial Distribution

Contoh Bisnis: Peluang transaksi berhasil adalah 0,8. Jika dilakukan 5 transaksi, berapa probabilitas tepat 4 transaksi berhasil?

P(X = 4) = C(5,4) × (0,8)⁴ × (0,2)¹

=BINOM.DIST(4, 5, 0.8, FALSE)

b. Poisson Distribution

Contoh Bisnis: Rata-rata komplain pelanggan adalah 3 per hari. Berapa probabilitas terdapat tepat 5 komplain dalam satu hari?

P(X = 5) = (e⁻³ × 3⁵) / 5!

=POISSON.DIST(5, 3, FALSE)

c. Hypergeometric Distribution

Digunakan ketika pengambilan sampel dilakukan tanpa pengembalian dari populasi terbatas.

Contoh Bisnis: Dari 20 produk, 5 cacat. Jika diambil 4 produk secara acak, berapa probabilitas tepat 1 produk cacat?

=HYPGEOM.DIST(1, 4, 5, 20, FALSE)

5.2 Normal Probability Distribution

Distribusi normal adalah distribusi kontinu yang paling banyak digunakan dalam analisis bisnis.

Contoh Bisnis – Normal Distribution

Waktu pengiriman rata-rata adalah 5 hari dengan standar deviasi 1 hari. Berapa probabilitas pengiriman selesai dalam waktu kurang dari 6 hari?

=NORM.DIST(6, 5, 1, TRUE)

Interpretasi Bisnis: Probabilitas yang tinggi menunjukkan bahwa target waktu pengiriman relatif realistis dan dapat dijadikan standar layanan.

Pertanyaan Reflektif

Kapan distribusi binomial lebih tepat dibanding Poisson?
Mengapa distribusi hypergeometric relevan dalam quality control?
Mengapa distribusi normal sangat penting dalam analisis bisnis?

Sumber: Levine et al. (2017), Chapter 5 & 6

Materi Sebelumnya

← Sesi 04: Konsep Probabilitas

Lanjut ke Materi Berikutnya

Sesi 06: Distribusi Sampling →

Progress: Sesi 05 dari 14

📈 Sesi 05: Distribusi Probabilitas