MATERI KULIAH 03 September 2026 4 menit baca 3

Statistika dan Probabilitas: Distribusi Probabilitas Diskrit

Distribusi probabilitas diskrit adalah dasar penting dalam statistika dan probabilitas, terutama ketika hasil pengamatan hanya mengambil nilai bilangan bulat. Dalam artikel ini, mahasiswa Informatika Universitas Siber Asia akan mempelajari tiga distribusi yang paling sering digunakan, yaitu distribusi Binomial, Hipergeometris, dan Poisson. Pembahasan mencakup pengertian, ciri utama, rumus, serta contoh perhitungan sederhana agar konsepnya lebih mudah dipahami. Artikel ini juga menekankan cara memilih distribusi yang tepat sesuai karakteristik masalah, misalnya percobaan dengan dua hasil, pengambilan tanpa pengembalian, atau kejadian yang muncul dalam interval waktu tertentu.

Dalam statistika dan probabilitas, **distribusi probabilitas diskrit** digunakan untuk memodelkan kejadian yang hasilnya dapat dihitung satu per satu, seperti jumlah sukses, banyaknya item cacat, atau jumlah panggilan masuk dalam satu jam. Bagi mahasiswa Informatika, konsep ini penting karena sering muncul dalam analisis data, simulasi, pengujian sistem, hingga perancangan algoritma yang melibatkan ketidakpastian.

Distribusi diskrit berbeda dari distribusi kontinu karena nilai variabel acaknya tidak membentuk rentang tak hingga yang mulus, melainkan kumpulan nilai tertentu. Tiga distribusi yang paling sering dipelajari adalah **Binomial**, **Hipergeometris**, dan **Poisson**. Ketiganya memiliki karakteristik berbeda, sehingga pemilihan distribusi harus sesuai dengan konteks masalah.

## Distribusi Binomial

Distribusi Binomial digunakan ketika suatu percobaan dilakukan sebanyak $n$ kali, setiap percobaan hanya memiliki dua kemungkinan hasil, misalnya sukses atau gagal. Selain itu, peluang sukses pada setiap percobaan harus tetap sama, dan antarpercobaan saling bebas.

Fungsi massa probabilitas distribusi Binomial adalah:

$$P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}$$

dengan:
- $n$ = jumlah percobaan
- $k$ = jumlah sukses yang diinginkan
- $p$ = peluang sukses pada satu percobaan
- $\binom{n}{k}$ = banyak cara memilih $k$ sukses dari $n$ percobaan

**Contoh:** sebuah sistem memiliki peluang berhasil $0{,}8$ pada setiap uji. Jika dilakukan 5 uji, peluang tepat 4 uji berhasil adalah:

$$P(X=4)=\binom{5}{4}(0{,}8)^4(0{,}2)^1$$
$$=5 \times 0{,}4096 \times 0{,}2=0{,}4096$$

Artinya, peluangnya adalah 40,96 persen. Distribusi ini sering dipakai untuk memodelkan keberhasilan pengiriman paket data, hasil tes perangkat lunak, atau keputusan ya/tidak dalam sistem digital.

## Distribusi Hipergeometris

Distribusi Hipergeometris mirip dengan Binomial, tetapi digunakan ketika pengambilan dilakukan **tanpa pengembalian**. Karena tidak ada pengembalian, peluang pada setiap pengambilan berubah. Distribusi ini cocok untuk kasus populasi terbatas, misalnya mengambil sampel dari kotak berisi komponen baik dan rusak.

Rumusnya adalah:

$$P(X=k)=\frac{\binom{K}{k}\binom{N-K}{n-k}}{\binom{N}{n}}$$

dengan:
- $N$ = ukuran populasi
- $K$ = jumlah elemen sukses dalam populasi
- $n$ = ukuran sampel
- $k$ = jumlah sukses dalam sampel

**Contoh:** sebuah kotak berisi 10 komponen, 3 di antaranya rusak. Jika diambil 4 komponen tanpa pengembalian, peluang tepat 1 komponen rusak adalah:

$$P(X=1)=\frac{\binom{3}{1}\binom{7}{3}}{\binom{10}{4}}$$
$$=\frac{3 \times 35}{210}=\frac{105}{210}=0{,}5$$

Jadi, peluangnya 50 persen. Distribusi ini sangat berguna saat memeriksa kualitas perangkat keras, audit data, atau pengambilan sampel dari basis data terbatas.

## Distribusi Poisson

Distribusi Poisson digunakan untuk menghitung banyaknya kejadian yang muncul dalam interval waktu atau ruang tertentu, dengan asumsi kejadian terjadi secara acak dan rata-ratanya diketahui. Contohnya adalah jumlah error per menit, jumlah email masuk per jam, atau jumlah request ke server dalam satu detik.

Rumus distribusi Poisson adalah:

$$P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!}$$

dengan:
- $\lambda$ = rata-rata kejadian dalam interval tertentu
- $k$ = jumlah kejadian yang diamati
- $e$ = bilangan natural

**Contoh:** jika rata-rata ada 2 error per jam, peluang tepat 3 error dalam satu jam adalah:

$$P(X=3)=\frac{e^{-2}2^3}{3!}$$
$$=\frac{e^{-2}8}{6}$$

Nilainya sekitar 0,1804 atau 18,04 persen. Distribusi Poisson sangat relevan untuk analisis trafik jaringan, kegagalan sistem, dan pemantauan kejadian langka dalam aplikasi.

## Cara Memilih Distribusi yang Tepat

Agar tidak keliru, mahasiswa perlu mengenali ciri utama tiap distribusi:

- **Binomial**: jumlah percobaan tetap, dua hasil, peluang konstan, dan saling bebas.
- **Hipergeometris**: pengambilan tanpa pengembalian dari populasi terbatas.
- **Poisson**: menghitung jumlah kejadian dalam interval waktu atau ruang dengan rata-rata tertentu.

Jika suatu soal menyebutkan pengambilan sampel tanpa pengembalian, cenderung gunakan Hipergeometris. Jika soal membahas banyaknya kejadian per waktu, Poisson biasanya lebih tepat. Jika percobaannya berulang dengan hasil sukses-gagal, Binomial adalah pilihan utama.

## Kesimpulan

Distribusi probabilitas diskrit membantu kita memahami pola kejadian yang bersifat hitung satu per satu. Dalam materi ini, Binomial, Hipergeometris, dan Poisson menjadi tiga model utama yang paling sering digunakan dalam statistika terapan. Dengan memahami syarat penggunaan, rumus, dan contoh perhitungannya, mahasiswa Informatika dapat memilih model yang tepat untuk menyelesaikan persoalan analisis data, sistem, maupun simulasi.

Penguasaan konsep ini tidak hanya penting untuk ujian, tetapi juga berguna saat menghadapi kasus nyata di bidang komputasi. Semakin sering berlatih mengidentifikasi jenis distribusi dari sebuah soal, semakin mudah pula menerapkannya secara tepat dan efisien.

#statistika #mahasiswa informatika #universitas siber asia #distribusi probabilitas diskrit #distribusi binomial #distribusi poisson #distribusi hipergeometris #probability mass function

Statistika dan Probabilitas: Distribusi Probabilitas Diskrit

Komentar (0)

Tulis Komentar

Artikel Terkait

Estetika Humanisme: Psikologi Humanistik

Estetika Humanisme: Leadership

Estetika Humanisme: Manajemen Konflik