Statistika Bisnis Sesi 05

Leave a Comment / Statistika Bisnis / By

πŸ“ˆ Sesi 05: Probability Distributions

Di sesi sebelumnya (Sesi 04), kita belajar menghitung probabilitas kejadian tunggal dan gabungan. Sekarang kita naik level: belajar distribusi probabilitas β€” pola matematis yang menggambarkan bagaimana probabilitas tersebar di seluruh kemungkinan nilai. Ini adalah “mesin” di balik banyak analisis statistik: dari memprediksi jumlah pelanggan yang datang, sampai menghitung risiko investasi. Kita mulai!

πŸŽ₯ Video Kuliah: Probability Distributions

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

πŸ’‘ Catatan: Video ini mencakup seluruh materi Sesi 05. Tonton sampai selesai sebelum lanjut baca section di bawah. Kalau ada bagian yang belum paham, tonton ulang β€” materi distribusi memang butuh beberapa kali pengulangan.
🎯 Bagian 1: Apa Itu Distribusi Probabilitas?

πŸ€” 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: πŸ’ πŸ‹ πŸ””
  • Probabilitas biasa: “Peluang dapat πŸ’ = 30%”
  • Distribusi probabilitas: Daftar lengkap: πŸ’ = 30%, πŸ‹ = 50%, πŸ”” = 20% β†’ total 100%
Distribusi memberi peta lengkap β€” bukan cuma satu titik.

πŸ“Š Dua Jenis Utama Distribusi

Ada dua kategori besar, tergantung jenis variabelnya:

πŸ“Š Distribusi DISKRIT

Variabel yang nilainya bisa dihitung (bilangan bulat).

  • Jumlah pelanggan yang datang
  • Jumlah produk cacat
  • Jumlah komplain per hari

Contoh distribusi: Binomial, Poisson

πŸ“ˆ Distribusi KONTINU

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

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

Contoh distribusi: Normal, Uniform, Exponential

🎯 Mengapa Distribusi Penting?

Distribusi adalah pondasi inferensi statistik. Dengan tahu distribusi data, kita bisa:

  • Memprediksi peluang kejadian masa depan
  • Menghitung risiko (Value at Risk, probabilitas default)
  • Menentukan stok optimal (inventory management)
  • Menguji hipotesis (apakah sampel berasal dari populasi tertentu?)
πŸ’‘ Prinsip LEAN:
“Kenali distribusinya, maka kamu kenal datanya.”
Setiap distribusi punya “kepribadian” β€” bentuk, mean, varians. Kalau Anda tahu data mengikuti distribusi tertentu, Anda bisa pakai rumus khusus untuk analisis yang lebih efisien.
🎲 Bagian 2: Distribusi Binomial β€” “Sukses/Gagal” dalam n Percobaan

πŸ€” Kapan Pakai Binomial?

Distribusi Binomial dipakai kalau situasi Anda memenuhi 4 syarat:

  1. Fixed number of trials (n): Ada jumlah percobaan yang tetap (misal: 10 pelanggan)
  2. Two outcomes: Setiap percobaan cuma punya 2 hasil: “sukses” atau “gagal”
  3. Constant probability (p): Probabilitas “sukses” sama di setiap percobaan
  4. Independent trials: Hasil satu percobaan tidak memengaruhi percobaan lain
πŸͺ™ Analogi Lempar Koin:
Lempar koin 10 kali. Setiap lemparan:
  • Cuma 2 hasil: Angka atau Gambar
  • P(Angka) = 0,5 (konstan)
  • Lemparan ke-3 tidak memengaruhi lemparan ke-4
Pertanyaan: “Berapa peluang dapat tepat 7 Angka dari 10 lemparan?” β†’ Binomial!

πŸ“Š Rumus Binomial

P(X = k) = C(n,k) Γ— p^k Γ— (1-p)^(n-k)

Dimana:

  • n = jumlah percobaan
  • k = jumlah “sukses” yang diinginkan
  • p = probabilitas “sukses” per percobaan
  • C(n,k) = kombinasi = n! / (k! Γ— (n-k)!)

Mean dan Varians Binomial

Mean (ΞΌ) = n Γ— p
Varians (σ²) = n Γ— p Γ— (1-p)
Standar Deviasi (Οƒ) = √(n Γ— p Γ— (1-p))
πŸ›’ Contoh: Konversi Pelanggan E-commerce
Sebuah toko online tahu bahwa 20% pengunjung yang lihat produk akhirnya beli (p = 0,20). Hari ini ada 15 pengunjung yang lihat produk (n = 15).
  • Pertanyaan 1: Berapa peluang tepat 3 yang beli?
  • Pertanyaan 2: Berapa rata-rata jumlah yang beli?
Jawab:
  • P(X = 3) = C(15,3) Γ— 0,20Β³ Γ— 0,80ΒΉΒ² = 455 Γ— 0,008 Γ— 0,0687 = 0,250 (25%)
  • Mean = 15 Γ— 0,20 = 3 orang (rata-rata yang beli)
  • Std Dev = √(15 Γ— 0,20 Γ— 0,80) = √2,4 = 1,55 orang
Insight: Rata-rata 3 dari 15 pengunjung beli. Tapi bisa bervariasi Β±1,55 orang (antara 1-5 orang).

🎯 Aplikasi Bisnis Binomial

  • Quality Control: Dari 100 produk, berapa yang cacat kalau tingkat cacat = 2%?
  • Marketing: Dari 1.000 email campaign, berapa yang buka kalau open rate = 15%?
  • Sales: Dari 20 prospek, berapa yang close kalau conversion rate = 30%?
⚠️ Syarat Harus Dipenuhi!
Kalau salah satu syarat dilanggar, Binomial tidak valid. Contoh pelanggaran:
  • Probabilitas berubah-ubah (misal: pelanggan pertama lebih sulit dikonversi dari yang kedua)
  • Trial tidak independen (misal: kalau satu pelanggan beli, temannya ikut beli β†’ word-of-mouth)
Kalau syarat tidak terpenuhi, pakai distribusi lain (misal: Hypergeometric).
πŸ“ž Bagian 3: Distribusi Poisson β€” “Kejadian Langka” dalam Selang Waktu/Ruang

πŸ€” Kapan Pakai Poisson?

Distribusi Poisson dipakai untuk menghitung jumlah kejadian yang terjadi dalam selang waktu, ruang, atau area tertentu, kalau:

  • Kejadian langka (probabilitas kecil)
  • Kejadian independen satu sama lain
  • Ada rata-rata kejadian per selang (Ξ») yang diketahui
☎️ Analogi Call Center:
Call center menerima rata-rata 5 telepon per jam (Ξ» = 5). Pertanyaan:
  • “Berapa peluang dapat tepat 8 telepon dalam 1 jam?”
  • “Berapa peluang dapat <3 telepon dalam 30 menit?”
Ini cocok untuk Poisson β€” kejadian (telepon) langka, independen, ada rata-rata yang diketahui.

πŸ“Š Rumus Poisson

P(X = k) = (e^(-Ξ») Γ— Ξ»^k) / k!

Dimana:

  • Ξ» = rata-rata kejadian per selang
  • k = jumlah kejadian yang diinginkan
  • e = konstanta Euler β‰ˆ 2,71828

Mean dan Varians Poisson

Mean (ΞΌ) = Ξ»
Varians (σ²) = Ξ»
Standar Deviasi (Οƒ) = √λ

Uniknya: di Poisson, mean = varians. Ini ciri khas distribusi Poisson.

πŸ›’ Contoh: Komplain Pelanggan per Hari
Sebuah toko online menerima rata-rata 4 komplain per hari (Ξ» = 4).
  • Pertanyaan 1: Berapa peluang tepat 6 komplain besok?
  • Pertanyaan 2: Berapa peluang <2 komplain besok?
Jawab:
  • P(X = 6) = (e^(-4) Γ— 4⁢) / 6! = (0,0183 Γ— 4096) / 720 = 0,104 (10,4%)
  • P(X < 2) = P(X=0) + P(X=1) = 0,0183 + 0,0733 = 0,0916 (9,2%)
Insight: Peluang dapat 6 komplain = 10,4%. Peluang dapat <2 komplain = 9,2%. Artinya: sebagian besar hari dapat 2-6 komplain.

🎯 Aplikasi Bisnis Poisson

  • Customer Service: Jumlah komplain per hari, jumlah chat masuk per jam
  • Inventory: Jumlah produk terjual per hari (untuk barang slow-moving)
  • Risk Management: Jumlah klaim asuransi per bulan, jumlah kecelakaan kerja per tahun
  • Operations: Jumlah mesin rusak per minggu, jumlah cacat produksi per batch
πŸ’‘ Binomial vs Poisson:
  • Binomial: Ada jumlah trial tetap (n), hitung jumlah “sukses”
  • Poisson: Tidak ada n, cuma ada rata-rata (Ξ») per selang waktu/ruang
Kalau n besar dan p kecil, Binomial bisa didekati dengan Poisson (Ξ» = nΓ—p).
πŸ“Š Bagian 4: Distribusi Normal β€” “Kurva Lonceng” yang Ada di Mana-mana

πŸ€” Mengapa Normal Sangat Populer?

Distribusi Normal adalah distribusi paling penting dalam statistika. Kenapa? Karena:

  • Banyak fenomena alam dan bisnis mengikuti pola Normal (tinggi badan, IQ, kesalahan pengukuran)
  • Central Limit Theorem: rata-rata sampel dari distribusi apapun akan mendekati Normal kalau n besar
  • Banyak uji statistik (t-test, ANOVA, regresi) mengasumsikan data Normal
🎯 Analogi Tinggi Badan:
Kalau Anda ukur tinggi badan 1.000 orang dewasa Indonesia, hasilnya akan membentuk kurva lonceng:
  • Mayoritas di tengah (sekitar 160-170 cm)
  • Sedikit yang sangat pendek (<150 cm)
  • Sedikit yang sangat tinggi (>180 cm)
Inilah distribusi Normal β€” simetris, mean = median = modus, ekor di kiri dan kanan sama panjang.

πŸ“Š Ciri-ciri Distribusi Normal

  • Bentuk: Simetris, seperti lonceng (bell-shaped)
  • Mean = Median = Modus: Semua di tengah
  • Asimtotik: Ekor mendekati sumbu X tapi tidak pernah menyentuh
  • Total area di bawah kurva = 1 (100% probabilitas)
  • Ditentukan oleh 2 parameter: Mean (ΞΌ) dan Standar Deviasi (Οƒ)

πŸ“Š Empirical Rule (68-95-99,7)

Untuk distribusi Normal:

  • Β±1Οƒ dari mean mencakup 68% data
  • Β±2Οƒ dari mean mencakup 95% data
  • Β±3Οƒ dari mean mencakup 99,7% data
πŸ›’ Contoh: Omzet UMKM per Bulan
Omzet UMKM mengikuti distribusi Normal dengan mean = Rp10 juta dan Οƒ = Rp2 juta.
  • 68% UMKM omzetnya di kisaran 10 Β± 2 = Rp8-12 juta
  • 95% UMKM omzetnya di kisaran 10 Β± 4 = Rp6-14 juta
  • 99,7% UMKM omzetnya di kisaran 10 Β± 6 = Rp4-16 juta
Insight: Kalau ada UMKM omzetnya Rp20 juta, itu >5Οƒ dari mean β†’ sangat langka (outlier!).

πŸ“Š Standard Normal Distribution (Z)

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

Z = (X βˆ’ ΞΌ) / Οƒ

Dimana:

  • X = nilai yang ingin dikonversi
  • ΞΌ = mean distribusi
  • Οƒ = standar deviasi
  • Z = nilai terstandarisasi (mean = 0, Οƒ = 1)
πŸ›’ Lanjutan Contoh UMKM:
UmA omzetnya Rp15 juta. Berapa Z-score-nya?
  • Z = (15 βˆ’ 10) / 2 = 2,5
Artinya: omzet UMKM A 2,5 standar deviasi di atas mean.
Dari tabel Z: P(Z < 2,5) = 0,9938 β†’ 99,38% UMKM omzetnya di bawah Rp15 juta. UMKM A masuk top 0,62%!

🎯 Aplikasi Bisnis Normal

  • Quality Control: Tentukan batas spesifikasi (Β±3Οƒ dari target)
  • Finance: Hitung Value at Risk (VaR) β€” kerugian maksimum dengan confidence level tertentu
  • HR: Tentukan threshold penilaian kinerja (misal: top 10% = Z > 1,28)
  • Marketing: Tentukan target penjualan realistis berdasarkan data historis
⚠️ Jangan Asumsi Semua Data Normal!
Banyak data bisnis tidak Normal:
  • Pendapatan: biasanya right-skewed (mayoritas rendah,ε°‘ζ•° sangat tinggi)
  • Waktu tunggu: biasanya right-skewed (mayoritas cepat,ε°‘ζ•° sangat lama)
  • Count data: biasanya Poisson, bukan Normal
Selalu cek normalitas dulu (pakai histogram, Q-Q plot, atau uji Shapiro-Wilk) sebelum pakai metode yang asumsikan Normal.
βœ… Bagian 5: Ringkasan & Peta Jalan Distribusi Probabilitas

πŸ—ΊοΈ 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 Ξ» (rata-rata)
Normal Kontinu Data simetris, fenomena alam/bisnis ΞΌ, Οƒ

πŸ“‹ Checklist: Pilih Distribusi yang Tepat

  1. β˜‘οΈ Apakah variabelnya diskrit (count) atau kontinu (measurement)?
  2. β˜‘οΈ Kalau diskrit: apakah ada n tetap dan 2 outcome? β†’ Binomial
  3. β˜‘οΈ Kalau diskrit: apakah kejadian langka per selang? β†’ Poisson
  4. β˜‘οΈ Kalau kontinu: apakah data simetris/bell-shaped? β†’ Normal
  5. β˜‘οΈ Sudah cek asumsi masing-masing distribusi?

🎯 Pertanyaan Reflektif

  1. Mengapa distribusi probabilitas penting dalam pengambilan keputusan bisnis?
  2. Apa perbedaan mendasar antara distribusi diskrit dan kontinu?
  3. Bagaimana Anda menentukan distribusi mana yang cocok untuk data Anda?
πŸ’‘ Prinsip LEAN untuk Distribusi:
“Kenali distribusinya, maka kamu kenal datanya.”
Setiap distribusi punya “kepribadian” β€” bentuk, mean, varians. Kalau Anda tahu data mengikuti distribusi tertentu, Anda bisa pakai rumus khusus untuk analisis yang lebih efisien. Tapi jangan paksa data masuk ke distribusi yang tidak cocok β€” selalu cek asumsi!

πŸŽ₯ Lanjutkan dengan Video

Untuk penjelasan lebih detail tentang cara menghitung dan interpretasi, tonton video di bagian atas. Video ini mencakup contoh-contoh kasus bisnis yang relevan.

πŸ“š Persiapan Sesi Berikutnya

Di sesi berikutnya, kita akan masuk ke sampling distributions β€” distribusi dari statistik sampel (seperti mean sampel). Ini adalah jembatan dari statistika deskriptif ke inferensi statistik. Pastikan Anda sudah paham konsep distribusi di sesi ini sebelum lanjut!

πŸ“– Mau versi lebih ringkas & teknis?
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas β€” mencakup definisi formal, rumus lengkap, dan contoh tambahan. Silakan dibaca sebagai pelengkap.

↓ Gulir ke bawah untuk materi pelengkap ↓

Sesi 05 – Discrete and Continuous Probability Distributions

Learning Guide

Sesi ini membahas distribusi probabilitas yang sering digunakan dalam analisis bisnis, meliputi distribusi diskrit (binomial, Poisson, hypergeometric) dan distribusi kontinu (normal distribution). Mahasiswa akan mempelajari cara menghitung probabilitas serta menggunakannya untuk menyelesaikan permasalahan bisnis.

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

Learning Path

  1. Memahami konsep distribusi probabilitas
  2. Menganalisis distribusi diskrit
  3. Menganalisis distribusi normal
  4. Menerapkan konsep pada kasus bisnis

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

Distribusi binomial digunakan ketika:

  • Hanya ada dua kemungkinan hasil (sukses/gagal)
  • Jumlah percobaan tetap
  • Probabilitas sukses konstan

Contoh Bisnis:
Sebuah perusahaan mencatat bahwa peluang transaksi berhasil adalah 0,8. Jika dilakukan 5 transaksi, berapa probabilitas tepat 4 transaksi berhasil?

P(X = 4) = C(5,4) Γ— (0,8)4 Γ— (0,2)

Praktik Excel – Binomial

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

b. Poisson Distribution

Distribusi Poisson digunakan untuk memodelkan jumlah kejadian dalam suatu interval waktu atau ruang ketika kejadian terjadi secara acak.

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

P(X = 5) = (e-3 Γ— 35) / 5!

Praktik Excel – Poisson

=POISSON.DIST(5,3,FALSE)

c. Hypergeometric Distribution

Distribusi hypergeometric 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?

Praktik Excel – Hypergeometric

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

5.2 Normal Probability Distribution

Distribusi normal adalah distribusi kontinu yang paling banyak digunakan dalam analisis bisnis, karena banyak variabel alamiah dan ekonomi mengikuti pola mendekati normal.

Karakteristik Distribusi Normal:

  • Bentuk simetris (lonceng)
  • Mean = Median = Mode
  • Ditentukan oleh mean dan standard deviation

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?

Praktik Excel – Normal

=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

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

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

Statistika Bisnis Sesi 04
Stat Bis
Statistika Bisnis Sesi 06

Leave a Comment

Your email address will not be published. Required fields are marked *