Konsep Probabilitas

Sejauh ini kita membaca data yang sudah terkumpul: distribusi empiris pada chapter sebelumnya memetakan sebaran nilai sembilan siswa yang sudah ada di tangan. Statistika juga menanyakan arah sebaliknya: sebelum data terkumpul, seberapa besar keyakinan kita bahwa sebuah kejadian akan terjadi? Pertanyaan seperti itu muncul setiap hari — apakah hujan turun sebelum jam pulang sekolah, apakah kartu teratas tumpukan adalah kartu As, apakah calon pembeli benar-benar menyelesaikan pesanan. Konsep probabilitas memberi kerangka untuk menjawab semua pertanyaan itu dengan satu angka terukur antara 0 dan 1.

Probabilitas sebagai Ukuran Ketidakpastian #

Probabilitas adalah angka yang mengukur seberapa besar kemungkinan sebuah kejadian terjadi, dengan rentang nilai 0 sampai 1. Nilai 0 berarti kejadian pasti tidak terjadi, nilai 1 berarti kejadian pasti terjadi, dan nilai 0.5 berarti kejadian sama mungkin terjadi maupun tidak terjadi. Angka ini sering dilaporkan sebagai persentase — peluang 0.25 dibaca “25 persen” — dan keduanya menyampaikan informasi yang sama, sesuai pembahasan pecahan pada chapter Pecahan dan Persentase.

Sebelum bicara angka, kita perlu dua istilah dasar. Eksperimen acak adalah proses yang hasilnya tidak bisa dipastikan sebelum prosesnya dijalankan — melempar dadu, mengambil kartu dari tumpukan tercampur, memilih sampel penduduk. Hasil (outcome) adalah satu kemungkinan akhir dari eksperimen acak tersebut; himpunan seluruh hasil yang mungkin dibahas tuntas sebagai ruang sampel pada chapter berikutnya. Kita menulis P(A) untuk probabilitas kejadian A, sehingga P(mata dadu 6) = 1/6 pada satu lemparan dadu seimbang.

Tiga Pendekatan Menentukan Probabilitas #

Tidak ada satu jalur tunggal untuk memperoleh angka probabilitas. Tiga pendekatan yang dipakai secara luas — klasik, frekuentis, dan subjektif — punya cara kerja dan syarat berlaku yang berbeda, lalu ketiganya saling melengkapi pada praktik statistika modern.

Pendekatan Klasik #

Kalau seluruh hasil eksperimen sama mungkin terjadi, probabilitas kejadian A adalah rasio banyaknya hasil yang menguntungkan terhadap banyaknya seluruh hasil:

P(A) = banyaknya hasil yang menguntungkan / banyaknya seluruh hasil

Satu setelan kartu bridge memuat 52 kartu — empat setelan (hati, wajik, kerucut, sekop) dikali 13 jenis (As, angka 2 sampai 10, Jack, Queen, King). Dari tumpukan tercampur, semua kartu sama mungkin terambil, sehingga P(As) = 4/52 = 1/13 ≈ 0.0769 (dibulatkan ke empat desimal) dan P(hati) = 13/52 = 1/4 = 0.25. Pendekatan klasik cepat dan bersih, tetapi hanya berlaku bila asumsi “sama mungkin” terpenuhi: dadu yang miring atau kartu yang tertandai melanggar asumsi itu, dan hitungan rasio tidak lagi berlaku.

Pendekatan Frekuentis #

Bila eksperimen bisa diulang berkali-kali, probabilitas didefinisikan sebagai batas frekuensi relatif ketika jumlah pengulangan membesar:

P(A) = batas [ banyaknya A terjadi / banyaknya pengulangan ]  saat n membesar

Simulasi lemparan koin berikut memperlihatkan perilaku itu. Frekuensi relatif sisi gambar bergoyang pada pengulangan sedikit, lalu menetap di sekitar 0.5 ketika jumlah lemparan mencapai puluhan ribu:

import random

random.seed(42)  # benih tetap agar hasil bisa direproduksi
lemparan = [random.random() < 0.5 for _ in range(10000)]

for n in (10, 100, 1000, 10000):
    gambar = sum(lemparan[:n])
    print(f"n = {n:5d}  sisi gambar = {gambar:4d}  frekuensi relatif = {gambar / n:.3f}")

Output yang Dihasilkan:

n =    10  sisi gambar =    6  frekuensi relatif = 0.600
n =   100  sisi gambar =   50  frekuensi relatif = 0.500
n =  1000  sisi gambar =  480  frekuensi relatif = 0.480
n = 10000  sisi gambar = 4990  frekuensi relatif = 0.499

Mari kita bedah kode di atas:

1. Baris 3: random.seed(42) menambat benih generator acak supaya urutan hasil sama setiap kali kode dijalankan — tanpa benih, angka frekuensi berubah tiap eksekusi dan contoh tidak bisa diperiksa ulang.
2. Baris 4: daftar lemparan menyimpan 10.000 hasil; tiap elemen bernilai True bila random.random() menghasilkan angka di bawah 0.5, yang kita artikan sebagai sisi gambar.
3. Baris 6-8: loop memotong daftar untuk n = 10, 100, 1000, 10000, menjumlahkan sisi gambar (True terhitung sebagai 1), lalu mencetak frekuensi relatifnya dengan tiga desimal.

Perilaku menetapnya frekuensi relatif disebut hukum besar angka (law of large numbers): frekuensi relatif mendekati probabilitas sejati ketika jumlah pengulangan membesar. Justru karena hukum inilah simulasi dengan sangat banyak pengulangan menjadi alat estimasi yang andal — kita akan memakainya berulang kali pada bagian akhir course.

Pendekatan Subjektif #

Probabilitas juga dapat berupa derajat keyakinan: seberapa yakin kita bahwa sebuah kejadian terjadi berdasar informasi yang tersedia saat itu. Prakiraan cuaca menulis “peluang hujan 70 persen”; analis menetapkan peluang harga komoditas naik sebelum laporan pasokan terbit. Nilai antar penilai bisa berbeda dan berubah ketika informasi baru datang. Pendekatan subjektif justru diperlukan pada keputusan sekali jalan yang tidak bisa diulang — peluang proyek rampung sesuai jadwal tidak punya “frekuensi” untuk dihitung, tetapi tetap layak diberi angka.

Properti Dasar Probabilitas #

Apa pun pendekatan yang dipakai, sekali angka probabilitas tersedia, angka itu mematuhi tiga properti dasar:

0 <= P(A) <= 1
P(S) = 1            (S = seluruh hasil yang mungkin)
P(A^c) = 1 - P(A)   (A^c = kejadian A tidak terjadi)

Notasi A^c dibaca A-komplemen: kejadian yang terjadi justru bila A tidak terjadi. Karena kejadian dan komplemennya membagi seluruh kemungkinan tanpa tumpang-tindih, keduanya selalu berjumlah tepat 1. Properti komplemen ini sering mempercepat hitungan: menghitung “minimal satu” biasanya lebih ribet daripada menghitung komplemennya “tidak ada sama sekali”.

Contoh pada kartu: P(As) = 4/52 = 1/13, sehingga P(bukan As) = 1 - 4/52 = 48/52 = 12/13 ≈ 0.9231. Dari 52 kartu, 48 kartu bukan As — rasio 48/52 persis komplemen 4/52, dan tidak ada hasil lain yang tersisa. Properti pertama sekaligus menjadi alat pemeriksa kewajaran: laporan yang menyebut “peluang 130 persen” pasti keliru, karena probabilitas tidak pernah melewati 1.

Peluang dan Odds #

Peluang dan rasio peluang (odds) memuat informasi yang sama dalam bentuk berbeda; odds dibahas rinci pada chapter Rasio dan Proporsi. Odds kejadian A adalah P(A) dibagi peluang komplemennya: kejadian berpeluang 1/13 memiliki odds 1:12 — satu kejadian terjadi dibanding dua belas kali tidak terjadi. Media dan praktik penetapan harga sering melaporkan odds, jadi pastikan bentuk mana yang sedang dibaca sebelum mengambil angkanya sebagai proporsi.

Memeriksa Hitungan dengan Python #

Modul fractions menjaga pecahan tetap eksak — penyebut dan pembilang tidak pernah kehilangan ketelitian seperti pembulatan desimal:

from fractions import Fraction as F

p_as = F(4, 52)
p_bukan_as = 1 - p_as
odds = p_as / p_bukan_as

print(f"P(As)       = {p_as} = {float(p_as):.4f}")
print(f"P(bukan As) = {p_bukan_as} = {float(p_bukan_as):.4f}")
print(f"odds As     = {odds} = {float(odds):.4f}")

Output yang Dihasilkan:

P(As)       = 1/13 = 0.0769
P(bukan As) = 12/13 = 0.9231
odds As     = 1/12 = 0.0833

Mari kita bedah kode di atas:

1. Baris 1 dan 3: Fraction(4, 52) otomatis menyederhanakan pecahan menjadi 1/13 — objek Fraction selalu menyimpan bentuk paling sederhana.
2. Baris 4 dan 5: pengurangan 1 - p_as dilakukan eksak di dunia pecahan, menghasilkan 12/13 tanpa pembulatan; odds dihitung sebagai pembagian pecahan dan menghasilkan 1/12.
3. Baris 7-9: f-string mencetak bentuk pecahan dan bentuk desimal empat angka — dua penyajian dari angka yang sama, seperti proporsi dan persentase.

Dari Probabilitas ke Keputusan #

Angka probabilitas menjadi berguna ketika dipasangkan dengan ambang keputusan. Prakiraan “peluang hujan 0.3” cukup bagi sebagian orang untuk membawa payung, sementara peluang 0.05 mungkin diabaikan — angka yang sama bisa menuntun tindakan berbeda karena kerugian tiap orang berbeda. Tim mutu pabrik menahan lulus produk ketika peluang unit cacat melampaui ambang yang ditetapkan, misalnya 1 persen; perusahaan asuransi menetapkan premi dari peluang klaim. Probabilitas menyediakan angka; ambang dan tindakannya dipilih oleh pengambil keputusan berdasar biaya dan manfaat. Pengantar berikutnya dari Khan Academy memperluas intuisi ini dengan banyak contoh interaktif, dan OpenIntro Statistics menyajikan bab probabilitas dengan kerangka formal yang serupa (https://www.khanacademy.org/math/statistics-probability , https://www.openintro.org/book/os/ ).

Semua contoh pada chapter ini menghitung probabilitas dengan cara menghitung hasil yang menguntungkan dari daftar hasil yang sama mungkin. Langkah itu menuntut satu bahan yang belum kita bangun secara sistematis: daftar lengkap seluruh hasil yang mungkin beserta bentuk kejadiannya. Chapter berikutnya membangun daftar itu melalui ruang sampel, kejadian, dan operasi himpunan.