🎥 Playlist Kuliah: Basic Probability (3 Video)
Playlist ini berisi penjelasan lengkap untuk seluruh materi Sesi 04. Tonton berurutan dari atas — mulai dari konsep dasar probabilitas, aturan penjumlahan & perkalian, sampai probabilitas bersyarat. Playlist ini adalah “rekaman kuliah” dari materi yang akan kita baca bersama.
🎯 Bagian 1: Basic Probability — Ruang Sampel, Kejadian, dan Probabilitas Dasar
🤔 Apa Itu Probabilitas?
Probabilitas = ukuran numerik kemungkinan terjadinya suatu kejadian. Nilainya selalu antara 0 sampai 1:
- 0 = mustahil terjadi (probabilitas 0%)
- 0,5 = peluang 50-50
- 1 = pasti terjadi (probabilitas 100%)
Ketika prakiraan cuaca bilang “probabilitas hujan 70%”, artinya: dari 100 hari dengan kondisi serupa, sekitar 70 hari benar-benar hujan. Probabilitas bukan ramalan pasti — tapi ukuran keyakinan berdasarkan data/pola.
📚 Konsep Dasar: Ruang Sampel & Kejadian
Ruang Sampel (Sample Space, S)
Definisi: Himpunan semua hasil yang mungkin dari suatu eksperimen/proses.
- Lempar koin: S = {Angka, Gambar}
- Metode pembayaran toko online: S = {Tunai, QRIS, Transfer, COD, PayLater}
- Respons pelanggan terhadap produk baru: S = {Sangat Puas, Puas, Biasa, Kecewa, Sangat Kecewa}
Kejadian (Event)
Definisi: Subset dari ruang sampel — hasil tertentu yang kita minati.
Dari ruang sampel metode pembayaran S = {Tunai, QRIS, Transfer, COD, PayLater}:
- Kejadian A: “Pembayaran digital” = {QRIS, Transfer, PayLater}
- Kejadian B: “Pembayaran non-tunai” = {QRIS, Transfer, COD, PayLater}
- Kejadian C: “Pembayaran instan” = {QRIS, PayLater}
📊 Menghitung Probabilitas Dasar
Rumus paling fundamental:
Dari 100 transaksi terakhir:
- Tunai: 20 transaksi
- QRIS: 35 transaksi
- Transfer: 25 transaksi
- COD: 10 transaksi
- PayLater: 10 transaksi
- P(QRIS) = 35/100 = 0,35 (35%)
- P(Digital) = P(QRIS) + P(Transfer) + P(PayLater) = 35+25+10 = 70/100 = 0,70
- P(Tunai) = 20/100 = 0,20
🎯 3 Pendekatan Probabilitas
| Pendekatan | Cara Hitung | Kapan Dipakai | Contoh |
|---|---|---|---|
| Klasik | Asumsi semua hasil equally likely | Situasi simetris (dadu, koin, undian) | |
| Empiris (Relative Frequency) | Berdasarkan data historis | Ada data masa lalu | |
| Subjektif | Penilaian pribadi/ahli | Tidak ada data, situasi unik |
Pendekatan empiris paling sering dipakai karena kita punya data historis (penjualan, keluhan, dll). Pendekatan subjektif dipakai untuk situasi baru (launching produk pertama kali). Pendekatan klasik jarang dipakai di bisnis nyata.
📐 Bagian 2: Rules of Probability — Addition & Multiplication Rules
🤔 Mengapa Perlu “Aturan”?
Kadang kita ingin tahu probabilitas kejadian gabungan: “Apa peluang A atau B terjadi?” atau “Apa peluang A dan B terjadi bersama?” Aturan probabilitas memberi cara sistematis untuk menghitung ini.
Bayangkan Anda beli 2 tiket lotere: tiket A dan tiket B.
- “A atau B menang” = salah satu atau keduanya menang (Addition Rule)
- “A dan B menang” = keduanya harus menang (Multiplication Rule)
📊 1. Addition Rule (Aturan Penjumlahan)
Untuk menghitung P(A atau B):
Kasus A: Mutually Exclusive (Saling Lepas)
Dua kejadian tidak bisa terjadi bersamaan.
Satu transaksi hanya bisa pakai satu metode. Tidak mungkin bayar pakai QRIS dan tunai sekaligus.
- P(QRIS) = 0,35
- P(Tunai) = 0,20
- P(QRIS atau Tunai) = 0,35 + 0,20 = 0,55
Kasus B: Not Mutually Exclusive (Tidak Saling Lepas)
Dua kejadian bisa terjadi bersamaan. Harus kurangi overlap-nya.
Dari survei 200 pelanggan:
- 120 pelanggan puas (P(Puas) = 0,60)
- 100 pelanggan loyal (P(Loyal) = 0,50)
- 80 pelanggan puas dan loyal (P(Puas dan Loyal) = 0,40)
Artinya: 70% pelanggan setidaknya puas atau loyal (atau keduanya).
Menjumlahkan P(A) + P(B) tanpa cek apakah mutually exclusive. Kalau ada overlap, hasilnya overestimated. Selalu tanya: “Bisa nggak A dan B terjadi bareng?”
📊 2. Multiplication Rule (Aturan Perkalian)
Untuk menghitung P(A dan B):
Kasus A: Independent (Saling Bebas)
Kejadian A tidak memengaruhi probabilitas B.
Probabilitas Toko A ramai = 0,60. Probabilitas Toko B ramai = 0,50. Keduanya independen (lokasi berbeda, pelanggan berbeda).
- P(Keduanya ramai) = 0,60 × 0,50 = 0,30 (30%)
Kasus B: Dependent (Tidak Saling Bebas)
Kejadian A memengaruhi probabilitas B. Harus pakai conditional probability (akan dibahas di Bagian 3).
Probabilitas pelanggan lihat iklan = 0,40. Kalau sudah lihat iklan, probabilitas beli = 0,70 (dependent!).
- P(Lihat iklan dan Beli) = 0,40 × 0,70 = 0,28 (28%)
🎯 Cara Cek Independence
Dua kejadian A dan B independent jika:
Artinya: mengetahui B terjadi tidak mengubah probabilitas A.
Dalam bisnis, banyak kejadian yang sepertinya independen tapi sebenarnya tidak. Contoh: “Cuaca panas” dan “penjualan es krim” — terlihat independen, tapi sebenarnya sangat dependent. Selalu pikirkan konteks logisnya.
🔀 Bagian 3: Conditional Probability — Probabilitas dengan Syarat
🤔 Apa Itu Conditional Probability?
Conditional probability = probabilitas suatu kejadian dengan syarat kejadian lain sudah terjadi. Notasinya: P(A|B) = “probabilitas A diberikan B”.
Probabilitas mahasiswa lulus ujian = 70%. Tapi kalau kita tahu dia sudah belajar 10 jam, probabilitas lulusnya naik jadi 95%. Itulah conditional probability: P(Lulus | Belajar 10 jam) = 0,95.
📊 Rumus Conditional Probability
Syarat: P(B) > 0 (kejadian B harus mungkin terjadi)
Dari 100 transaksi:
- 50 transaksi terjadi di jam sibuk (11:00-13:00)
- 20 transaksi adalah QRIS dan terjadi di jam sibuk
= (20/100) / (50/100) = 0,20 / 0,50 = 0,40
Interpretasi: Jika transaksi terjadi di jam sibuk, peluang pakai QRIS = 40%.
🔍 Perbedaan P(A|B) vs P(B|A)
Ini sering membingungkan. Perhatikan:
- P(QRIS | Jam Sibuk) = dari semua transaksi jam sibuk, berapa % yang QRIS?
- P(Jam Sibuk | QRIS) = dari semua transaksi QRIS, berapa % yang di jam sibuk?
Keduanya beda! Jangan tertukar.
Dari 100 transaksi:
- Total QRIS = 35 transaksi
- QRIS di jam sibuk = 20 transaksi
Interpretasi: Jika transaksi pakai QRIS, peluangnya di jam sibuk = 57%.
🎯 Aplikasi Bisnis: Segmentasi Pelanggan
Conditional probability sangat berguna untuk segmentasi:
Tokopedia ingin tahu: “Kalau pelanggan sudah beli smartphone, berapa peluang dia beli aksesoris dalam 30 hari?”
- Data: dari 1.000 pembeli smartphone, 300 beli aksesoris dalam 30 hari
- P(Aksesoris | Smartphone) = 300/1.000 = 0,30
📊 Tabel Kontingensi untuk Conditional Probability
Tabel kontingensi (dari Sesi 02) sangat berguna untuk menghitung conditional probability:
| Metode ↓ / Waktu → | Jam Sibuk | Jam Sepi | Total |
|---|---|---|---|
| QRIS | 20 | 15 | 35 |
| Tunai | 10 | 10 | 20 |
| Transfer | 15 | 10 | 25 |
| COD | 5 | 15 | 20 |
| Total | 50 | 50 | 100 |
- P(QRIS | Jam Sibuk) = 20/50 = 0,40
- P(COD | Jam Sepi) = 15/50 = 0,30
- P(Transfer | Jam Sibuk) = 15/50 = 0,30
Jangan tertukar P(A|B) dengan P(B|A). Contoh klasik: “95% teroris adalah Muslim” ≠ “95% Muslim adalah teroris”. Dalam bisnis: “80% pelanggan puas adalah repeat buyer” ≠ “80% repeat buyer pasti puas”. Selalu cek arahnya.
🔗 Bagian 4: Independence vs Dependence — Apakah Kejadian Saling Memengaruhi?
🤔 Mengapa Penting Bedakan?
Keputusan apakah dua kejadian independen atau dependent menentukan rumus mana yang dipakai. Salah asumsi = salah hitung = keputusan bisnis salah.
- Lempar dadu 2x: Hasil lemparan pertama tidak memengaruhi lemparan kedua → independent
- Ambil kartu 2x tanpa pengembalian: Kartu pertama mengubah komposisi deck → dependent
📊 Definisi Formal
Dua kejadian A dan B independent jika:
Jika salah satu kondisi di atas tidak terpenuhi, maka A dan B dependent.
🎯 Cara Menguji Independence
Langkah-langkah praktis:
- Hitung P(A) dan P(A|B)
- Bandingkan: apakah sama?
- Jika sama → independent. Jika beda → dependent.
Dari survei 200 pelanggan:
| Gender ↓ / Metode → | QRIS | Tunai | Total |
|---|---|---|---|
| Pria | 40 | 20 | 60 |
| Wanita | 50 | 90 | 140 |
| Total | 90 | 110 | 200 |
- P(QRIS) = 90/200 = 0,45
- P(QRIS | Pria) = 40/60 = 0,67
- P(QRIS | Wanita) = 50/140 = 0,36
📊 Implikasi Bisnis
Jika dua variabel dependent, artinya ada pola/hubungan yang bisa dieksploitasi:
- Marketing: Targetkan iklan berdasarkan segmen (gender, usia, lokasi)
- Operations: Sesuaikan stok/staf berdasarkan pola waktu
- Risk Management: Identifikasi faktor risiko yang saling terkait
Dalam bisnis, hampir semua kejadian itu dependent — ada hubungan sebab-akibat atau korelasi. Asumsi independence hanya valid kalau secara logika memang tidak ada hubungan (misal: hasil lemparan dadu, atau transaksi dari pelanggan yang benar-benar acak). Kalau ragu, uji dulu.
✅ Bagian 5: Ringkasan & Checklist Praktis Sesi 04
🗺️ Peta Konsep Sesi 04
| Konsep | Rumus Utama | Kapan Dipakai |
|---|---|---|
| Probabilitas Dasar | P(A) = hasil yang diinginkan / total hasil | Probabilitas kejadian tunggal |
| Addition Rule | P(A or B) = P(A) + P(B) − P(A and B) | “A atau B atau keduanya” |
| Multiplication Rule | P(A and B) = P(A) × P(B|A) | “A dan B bersamaan” |
| Conditional Probability | P(A|B) = P(A and B) / P(B) | “Probabilitas A dengan syarat B” |
| Independence | P(A|B) = P(A) | Cek apakah dua kejadian saling memengaruhi |
📋 Checklist Sebelum Hitung Probabilitas
- ☑️ Sudah definisikan ruang sampel dengan jelas?
- ☑️ Sudah identifikasi kejadian yang diminati?
- ☑️ Sudah cek apakah mutually exclusive (untuk Addition Rule)?
- ☑️ Sudah cek apakah independent (untuk Multiplication Rule)?
- ☑️ Sudah tentukan arah conditional probability (P(A|B) atau P(B|A))?
- ☑️ Sudah interpretasi hasil dalam konteks bisnis?
🎯 Pertanyaan Reflektif
Setelah mempelajari sesi ini, coba jawab:
- Mengapa probabilitas penting dalam pengambilan keputusan bisnis?
- Apa perbedaan probabilitas sederhana dan probabilitas bersyarat?
- Bagaimana conditional probability membantu strategi pemasaran?
“Probabilitas bukan ramalan masa depan — tapi alat untuk mengukur ketidakpastian.”
Dalam bisnis, kita tidak bisa menghilangkan ketidakpastian. Tapi dengan probabilitas, kita bisa mengkuantifikasi risiko dan buat keputusan yang lebih informed.
🎥 Lanjutkan dengan Video
Untuk penjelasan lebih detail, tonton playlist di bagian atas. Video Part 3 khususnya membahas banyak contoh kasus bisnis yang relevan.
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas — mencakup definisi formal, rumus lengkap, dan contoh tambahan. Silakan dibaca sebagai pelengkap.
↓ Gulir ke bawah untuk materi pelengkap ↓
Sesi 04 – Probability Concepts
Learning Guide
Sesi ini membahas konsep dasar probabilitas yang digunakan untuk mengukur ketidakpastian dalam pengambilan keputusan bisnis. Mahasiswa akan mempelajari probabilitas kejadian tunggal, kejadian gabungan, serta probabilitas bersyarat.
Learning Objectives
- Menghitung probabilitas kejadian menggunakan konsep dasar probabilitas
- Menggunakan aturan penjumlahan dan perkalian probabilitas
- Menghitung probabilitas bersyarat (conditional probability)
- Menafsirkan probabilitas dalam konteks bisnis
Learning Path
- Memahami ruang sampel dan kejadian
- Menghitung probabilitas dasar
- Menerapkan aturan probabilitas
- Menganalisis probabilitas bersyarat
4.1 Basic Probability Concepts
Probabilitas adalah ukuran numerik yang menunjukkan kemungkinan terjadinya suatu kejadian. Nilai probabilitas berada pada rentang 0 sampai 1.
Definisi Dasar:
Probabilitas suatu kejadian A dinyatakan sebagai:
P(A) = jumlah hasil yang diinginkan / jumlah seluruh hasil yang mungkin
Contoh 1 – Probabilitas Kejadian Tunggal
Sebuah toko mencatat bahwa dari 100 transaksi:
- 40 transaksi menggunakan pembayaran tunai
- 60 transaksi menggunakan pembayaran non-tunai
Probabilitas seorang pelanggan menggunakan pembayaran non-tunai adalah:
P(Non-Tunai) = 60 / 100 = 0,60
Interpretasi Bisnis:
Nilai probabilitas 0,60 menunjukkan bahwa transaksi non-tunai lebih dominan dan perlu diprioritaskan dalam strategi pembayaran digital.
4.2 Rules of Probability
a. Addition Rule
Jika dua kejadian A dan B saling lepas (mutually exclusive), maka probabilitas terjadinya A atau B adalah:
P(A or B) = P(A) + P(B)
Contoh 2 – Addition Rule
Probabilitas pelanggan membayar dengan:
- Tunai = 0,40
- QRIS = 0,35
Karena satu transaksi hanya menggunakan satu metode pembayaran:
P(Tunai atau QRIS) = 0,40 + 0,35 = 0,75
b. Multiplication Rule
Jika dua kejadian A dan B saling bebas (independent), maka probabilitas terjadinya A dan B adalah:
P(A and B) = P(A) × P(B)
Contoh 3 – Multiplication Rule
Probabilitas seorang pelanggan:
- Menggunakan QRIS = 0,30
- Bertransaksi pada jam sibuk = 0,40
P(QRIS dan Jam Sibuk) = 0,30 × 0,40 = 0,12
4.3 Conditional Probability
Probabilitas bersyarat mengukur kemungkinan terjadinya suatu kejadian dengan syarat kejadian lain telah terjadi.
Rumus Conditional Probability:
P(A | B) = P(A and B) / P(B)
Contoh 4 – Conditional Probability
Dari 100 transaksi:
- 50 transaksi terjadi pada jam sibuk
- 20 transaksi adalah QRIS dan terjadi pada jam sibuk
Probabilitas transaksi menggunakan QRIS dengan syarat terjadi pada jam sibuk adalah:
P(QRIS | Jam Sibuk) = 20 / 50 = 0,40
Makna Bisnis:
Jika pelanggan berada pada jam sibuk, peluang penggunaan QRIS meningkat, sehingga promosi QRIS sebaiknya difokuskan pada jam tersebut.
Pertanyaan Reflektif
- Mengapa probabilitas penting dalam pengambilan keputusan bisnis?
- Apa perbedaan probabilitas sederhana dan probabilitas bersyarat?
- Bagaimana conditional probability membantu strategi pemasaran?
Sumber: Levine et al. (2017), Chapter 4