Anda berdiri di teras, langit mulai mendung. Bawa payung atau tidak? Keputusan itu sebenarnya sebuah taruhan kecil: seberapa besar kemungkinan hujan, mengingat langit sudah kelabu. Tanpa sadar, Anda sedang menimbang peluang.
Sepanjang hari kita melakukannya terus-menerus — menebak antrean mana yang lebih cepat, menaksir apakah jalan akan macet, menduga apakah lawan main menyimpan kartu bagus. Semua itu penalaran tentang sesuatu yang belum pasti. Probabilitas hanyalah cara membuat penalaran semacam itu rapi dan bisa dihitung, bukan sekadar firasat.
Kabar baiknya: hampir semua perhitungan peluang yang akan Anda temui bertumpu pada segelintir aturan sederhana. Sekali aturan-aturan ini terpasang, soal yang tampak rumit pun bisa dipecah menjadi langkah-langkah kecil yang jinak.
Mulai dari Intuisi
Bayangkan sebuah dadu enam sisi yang seimbang. Saat dilempar, ada enam hasil yang sama-sama mungkin: angka 1 sampai 6. Kalau yang Anda incar adalah angka 6, hanya satu dari enam hasil itu yang menguntungkan. Maka wajar bila kita katakan peluang dapat angka 6 adalah satu berbanding enam.
Itulah seluruh inti gagasan klasik tentang peluang: bandingkan banyaknya hasil yang Anda inginkan dengan banyaknya hasil yang mungkin terjadi sama sekali — dengan syarat semua hasil punya kesempatan yang setara. Tidak ada rumus rumit dulu di sini, hanya pencacahan dan pembagian.
Sebelum masuk ke notasi, mari kenali dua istilah yang akan dipakai terus:
- Ruang sampel — daftar lengkap semua hasil yang mungkin dari sebuah percobaan. Untuk satu dadu, ruang sampelnya adalah {1, 2, 3, 4, 5, 6}.
- Kejadian — sekumpulan hasil yang menjadi perhatian kita, yaitu sebagian dari ruang sampel. “Dapat angka genap” adalah kejadian {2, 4, 6}.
Peluang sebuah kejadian, pada dasarnya, mengukur seberapa besar potongan ruang sampel yang ditempati kejadian itu.
Definisi Peluang
Untuk sebuah kejadian $A$ yang semua hasilnya sama-sama mungkin:
$$P(A) = \frac{\text{banyak hasil yang menguntungkan } A}{\text{banyak seluruh hasil yang mungkin}}$$Mari bedah tiap lambang:
- $P(A)$ dibaca “peluang kejadian $A$”. Nilainya selalu sebuah bilangan antara 0 dan 1.
- Hasil yang menguntungkan = hasil-hasil di dalam $A$. Untuk kejadian “dapat genap” pada dadu, ada 3 hasil menguntungkan: 2, 4, dan 6.
- Seluruh hasil yang mungkin = banyak anggota ruang sampel. Untuk dadu, ada 6.
Maka $P(\text{genap}) = \tfrac{3}{6} = \tfrac{1}{2}$. Setengah dari hasil dadu adalah genap, jadi peluangnya setengah — masuk akal.
Beberapa sifat dasar yang selalu berlaku, dengan $\Omega$ (dibaca “omega”) sebagai lambang ruang sampel:
- $0 \le P(A) \le 1$ — peluang tidak pernah negatif dan tidak pernah lebih dari 1.
- $P(\Omega) = 1$ — sesuatu di ruang sampel pasti terjadi; peluangnya penuh.
- $P(\varnothing) = 0$ — kejadian kosong (himpunan tanpa hasil) mustahil; peluangnya nol.
Catatan penting: syarat “sama-sama mungkin” itu nyata. Rumus pembagian sederhana ini sahih untuk dadu seimbang atau koin adil, tetapi tidak untuk hal yang hasilnya timpang (mahasiswa lulus atau tidak jelas tidak fifty-fifty). Untuk kasus timpang, kita pakai peluang yang sudah diketahui per hasil — yang akan muncul di bagian peluang bersyarat.
Contoh ruang sampel
Satu dadu. $\Omega = \{1, 2, 3, 4, 5, 6\}$, enam hasil. $P(\text{dapat } 6) = \tfrac{1}{6}$.
Dua koin sekaligus. $\Omega = \{AA, AG, GA, GG\}$ dengan A = angka dan G = gambar — empat hasil. $P(\text{kedua-duanya angka}) = \tfrac{1}{4}$, karena hanya satu hasil (AA) yang cocok.
Dua dadu. Setiap dadu punya 6 hasil, jadi ruang sampelnya $6 \times 6 = 36$ pasangan. Kejadian “jumlah mata = 7” terjadi pada pasangan (1,6), (2,5), (3,4), (4,3), (5,2), (6,1) — enam hasil. Maka $P(\text{jumlah} = 7) = \tfrac{6}{36} = \tfrac{1}{6}$.
Komplemen: Kebalikan Sebuah Kejadian
Kadang menghitung “yang tidak terjadi” jauh lebih mudah daripada “yang terjadi”. Di sinilah komplemen berguna. Komplemen kejadian $A$, ditulis $A^c$, adalah semua hasil yang bukan $A$. Karena sebuah kejadian entah terjadi atau tidak, kedua peluangnya pasti berjumlah satu:
$$P(A^c) = 1 - P(A)$$Di sini $A^c$ dibaca “komplemen $A$” atau “bukan $A$”. Contoh sederhana: kalau $P(\text{hujan}) = 0{,}3$, maka $P(\text{tidak hujan}) = 1 - 0{,}3 = 0{,}7$.
Kekuatan komplemen terlihat pada soal bertipe “minimal satu”. Lempar dua dadu, berapa peluang muncul minimal satu angka 6? Menghitung langsung berarti mendaftar banyak kasus. Jauh lebih ringkas lewat kebalikannya — peluang tidak ada angka 6 sama sekali:
$$P(\text{tidak ada } 6) = \frac{5}{6} \times \frac{5}{6} = \frac{25}{36}$$(Tiap dadu punya 5 dari 6 muka yang bukan 6, dan kedua dadu berdiri sendiri.) Maka:
$$P(\text{minimal satu } 6) = 1 - \frac{25}{36} = \frac{11}{36}$$Gabungan dan Irisan: Dua Kejadian Sekaligus
Begitu ada dua kejadian, dua pertanyaan baru muncul: peluang salah satu terjadi, dan peluang kedua-duanya terjadi. Diagram Venn adalah cara terbaik melihatnya — dua kejadian sebagai dua lingkaran di dalam kotak ruang sampel.
- Irisan $A \cap B$ (dibaca “$A$ irisan $B$”) = hasil yang masuk $A$ dan $B$ sekaligus. Inilah wilayah tumpang-tindih dua lingkaran.
- Gabungan $A \cup B$ (dibaca “$A$ gabungan $B$”) = hasil yang masuk $A$, atau $B$, atau kedua-duanya. Inilah seluruh luas yang tertutup dua lingkaran.
Rumus untuk gabungan disebut aturan inklusi-eksklusi:
$$P(A \cup B) = P(A) + P(B) - P(A \cap B)$$Kenapa harus dikurangi $P(A \cap B)$? Kalau kita menjumlahkan $P(A) + P(B)$ saja, wilayah tumpang-tindih ikut terhitung dua kali — sekali sebagai bagian $A$, sekali sebagai bagian $B$. Mengurangi irisannya satu kali mengembalikannya ke hitungan yang benar.
Contoh kartu remi. Satu set 52 kartu. Berapa $P(\text{Raja atau Hati})$?
- $P(\text{Raja}) = \tfrac{4}{52}$ (ada 4 kartu Raja).
- $P(\text{Hati}) = \tfrac{13}{52}$ (ada 13 kartu Hati).
- $P(\text{Raja dan Hati}) = \tfrac{1}{52}$ (hanya satu kartu Raja Hati).
Tanpa mengurangi irisan, kita akan keliru menjawab $\tfrac{17}{52}$ — karena Raja Hati terhitung dua kali.
Kasus khusus: kejadian saling lepas
Kalau dua kejadian tidak mungkin terjadi bersamaan, irisannya kosong: $P(A \cap B) = 0$. Kejadian seperti ini disebut saling lepas (atau mutually exclusive). Contohnya pada satu dadu: kejadian “genap” dan “ganjil” tidak bisa terjadi serentak. Untuk kejadian saling lepas, rumus gabungan menyusut:
$$P(A \cup B) = P(A) + P(B) \qquad \text{(karena } P(A \cap B) = 0\text{)}$$Jadi saling lepas bukan aturan baru — hanya aturan inklusi-eksklusi dengan suku irisan yang nol.
Contoh Hitung dari Nol
Mari kerjakan satu kasus utuh, dari data mentah sampai semua peluang. Inilah pola yang akan Anda pakai berulang kali.
Data mentah. Sebuah kelas berisi 40 mahasiswa. Mereka ditanya mata kuliah favorit. Hasilnya: 24 orang suka Statistika (sebut kejadian $S$), 18 orang suka Ekonometrika (kejadian $E$), dan 10 orang menyukai kedua-duanya.
Langkah 1 — pecah jadi empat wilayah Venn. Dari 24 penyuka Statistika, 10 juga suka Ekonometrika, sisanya $24 - 10 = 14$ hanya suka Statistika. Begitu pula $18 - 10 = 8$ hanya suka Ekonometrika. Yang suka kedua-duanya: 10. Sisanya tidak suka keduanya: $40 - (14 + 8 + 10) = 8$.
| Wilayah | Jumlah mahasiswa |
|---|---|
| Hanya Statistika | 14 |
| Hanya Ekonometrika | 8 |
| Suka kedua-duanya ($S \cap E$) | 10 |
| Tidak suka keduanya | 8 |
| Jumlah | 40 |
Langkah 2 — peluang masing-masing kejadian. Bagi tiap hitungan dengan total 40:
$$P(S) = \frac{24}{40} = 0{,}6 \qquad P(E) = \frac{18}{40} = 0{,}45 \qquad P(S \cap E) = \frac{10}{40} = 0{,}25$$Langkah 3 — peluang gabungan. Berapa peluang seorang mahasiswa suka Statistika atau Ekonometrika (atau dua-duanya)? Pakai inklusi-eksklusi:
$$P(S \cup E) = 0{,}6 + 0{,}45 - 0{,}25 = 0{,}8$$Periksa silang dengan pencacahan langsung: yang suka minimal satu = $14 + 8 + 10 = 32$ orang, dan $\tfrac{32}{40} = 0{,}8$. Cocok.
Langkah 4 — komplemen. Peluang seorang mahasiswa tidak suka Statistika:
$$P(S^c) = 1 - 0{,}6 = 0{,}4$$Periksa: yang tidak suka Statistika = $40 - 24 = 16$ orang, dan $\tfrac{16}{40} = 0{,}4$. Cocok.
Empat angka ini — $P(S)$, $P(E)$, $P(S \cap E)$, $P(S \cup E)$ — adalah modal untuk langkah berikutnya: peluang bersyarat.
Peluang Bersyarat: Saat Ada Informasi Tambahan
Sekarang ubah pertanyaannya. Kita sudah tahu seorang mahasiswa suka Statistika. Dengan informasi itu, berapa peluang dia juga suka Ekonometrika? Ini disebut peluang bersyarat, ditulis $P(E \mid S)$ dan dibaca “peluang $E$ jika diketahui $S$”.
Idenya: informasi “$S$ terjadi” mempersempit dunia kita. Kita tidak lagi memandang seluruh 40 mahasiswa, hanya 24 penyuka Statistika. Di antara 24 itu, berapa yang juga suka Ekonometrika? Sebanyak 10. Maka:
$$P(E \mid S) = \frac{10}{24} = \frac{5}{12} \approx 0{,}417$$Dituliskan sebagai rumus umum, peluang bersyarat membagi peluang irisan dengan peluang syaratnya:
$$P(B \mid A) = \frac{P(A \cap B)}{P(A)}$$Tiap lambang:
- $P(B \mid A)$ = peluang $B$ dengan syarat $A$ sudah pasti terjadi.
- $P(A \cap B)$ = peluang kedua kejadian terjadi bersamaan (irisan).
- $P(A)$ = peluang kejadian syarat; harus lebih dari nol (kalau $A$ mustahil, “jika $A$ terjadi” tidak bermakna).
Cek dengan angka kelas tadi: $P(E \mid S) = \dfrac{P(S \cap E)}{P(S)} = \dfrac{0{,}25}{0{,}6} = 0{,}41\overline{6} \approx 0{,}417$. Persis sama dengan hitungan pencacahan $\tfrac{10}{24}$.
Dari rumus yang sama, dengan mengalikan silang, lahir aturan perkalian untuk irisan:
$$P(A \cap B) = P(A) \times P(B \mid A)$$Aturan ini berguna pada pengambilan berurutan. Contoh: ambil 2 kartu tanpa pengembalian, berapa $P(\text{kedua-duanya Raja})$? Kartu pertama: $P(\text{Raja}_1) = \tfrac{4}{52}$. Setelah satu Raja terambil, tersisa 51 kartu dengan 3 Raja, jadi $P(\text{Raja}_2 \mid \text{Raja}_1) = \tfrac{3}{51}$. Maka:
$$P(\text{kedua Raja}) = \frac{4}{52} \times \frac{3}{51} = \frac{12}{2652} = \frac{1}{221}$$Independen vs Saling Lepas: Dua Hal yang Sering Tertukar
Dua istilah ini terdengar mirip tetapi maknanya berlawanan. Bedakan baik-baik.
Independen berarti satu kejadian tidak mengubah peluang kejadian lain. Secara formal:
$$P(B \mid A) = P(B) \qquad \text{dan setara dengan} \qquad P(A \cap B) = P(A) \times P(B)$$Artinya: mengetahui $A$ terjadi tidak menambah maupun mengurangi keyakinan kita tentang $B$. Contoh: lempar dadu dua kali — hasil lemparan pertama tidak memengaruhi yang kedua.
Saling lepas berarti dua kejadian tidak bisa terjadi bersamaan: $P(A \cap B) = 0$. Contoh: pada satu dadu, “genap” dan “ganjil”.
Inilah jebakannya: dua kejadian saling lepas yang masing-masing mungkin terjadi justru tidak independen. Kalau Anda tahu dadu jatuh genap, Anda langsung tahu pasti dadu itu tidak ganjil — informasi tentang yang satu mengubah total peluang yang lain (dari $\tfrac{1}{2}$ jadi 0). Jadi keduanya saling memengaruhi, kebalikan dari independen.
Mari uji dengan kelas mahasiswa tadi. Apakah suka Statistika ($S$) dan suka Ekonometrika ($E$) independen?
- $P(S) \times P(E) = 0{,}6 \times 0{,}45 = 0{,}27$
- $P(S \cap E) = 0{,}25$
Karena $0{,}25 \ne 0{,}27$, kedua kejadian tidak independen — selera dua mata kuliah ini sedikit saling terkait. (Seandainya hasilnya persis $0{,}27$, barulah keduanya independen.) Inilah uji independensi yang paling praktis: hitung $P(A) \times P(B)$, bandingkan dengan $P(A \cap B)$ — sama berarti independen, beda berarti dependen.
| Sifat | Definisi | Akibat | Contoh |
|---|---|---|---|
| Saling lepas | $P(A \cap B) = 0$ | tidak bisa serentak; pasti dependen | genap vs ganjil di satu dadu |
| Independen | $P(A \cap B) = P(A)P(B)$ | satu tak memengaruhi yang lain | dua lemparan dadu |
Merangkai Beberapa Tahap: Pohon Peluang
Banyak situasi nyata berlangsung bertahap: cuaca dulu, baru kondisi lalu lintas; sehat dulu, baru hasil tes; dan seterusnya. Pohon peluang memetakan tahap-tahap ini. Tiap cabang diberi peluang, dan peluang sebuah jalur lengkap adalah hasil kali peluang di sepanjang cabangnya — persis aturan perkalian yang kita pakai tadi.
Pohon ini juga menjawab pertanyaan menyeluruh seperti “berapa peluang macet, apa pun cuacanya?”. Kita kumpulkan semua jalur yang berakhir macet dan jumlahkan: jalur Hujan-Macet ($0{,}24$) ditambah jalur Cerah-Macet ($0{,}21$), hasilnya $0{,}45$. Cara berpikir “jumlahkan semua jalur menuju hasil yang sama” ini disebut aturan peluang total — fondasi yang akan dipakai penuh di Teorema Bayes.
Coba sendiri lewat widget di bawah: ubah peluang tiap cabang dan amati bagaimana peluang gabungan tiap daun ikut berubah, sambil totalnya tetap $1$.
Cek Pemahaman
1. Sebuah dadu seimbang dilempar sekali. Kejadian $A$ = “dapat angka lebih dari 4” dan kejadian $B$ = “dapat angka genap”. Hitung $P(A)$, $P(B)$, $P(A \cap B)$, dan $P(A \cup B)$ dari nol.
Lihat jawaban
Ruang sampel $\{1,2,3,4,5,6\}$, enam hasil sama-sama mungkin.
- $A$ = {5, 6} → $P(A) = \tfrac{2}{6} = \tfrac{1}{3}$.
- $B$ = {2, 4, 6} → $P(B) = \tfrac{3}{6} = \tfrac{1}{2}$.
- $A \cap B$ = hasil yang lebih dari 4 dan genap = {6} → $P(A \cap B) = \tfrac{1}{6}$.
- Gabungan dengan inklusi-eksklusi: $P(A \cup B) = \tfrac{2}{6} + \tfrac{3}{6} - \tfrac{1}{6} = \tfrac{4}{6} = \tfrac{2}{3}$.
Periksa dengan pencacahan: $A \cup B$ = {2, 4, 5, 6} = empat hasil → $\tfrac{4}{6} = \tfrac{2}{3}$. Cocok.
2. (Transfer.) Tiga buah lampu di sebuah ruangan menyala sendiri-sendiri (independen). Tiap lampu punya peluang mati $0{,}1$ pada malam tertentu. Berapa peluang minimal satu lampu mati malam itu?
Lihat jawaban
Hitung langsung “minimal satu” merepotkan (bisa 1, 2, atau 3 lampu mati). Pakai komplemen: kebalikan dari “minimal satu mati” adalah “semua menyala”.
Peluang satu lampu menyala = $1 - 0{,}1 = 0{,}9$. Karena ketiganya independen, peluang ketiganya menyala = $0{,}9 \times 0{,}9 \times 0{,}9 = 0{,}9^3 = 0{,}729$.
Maka $P(\text{minimal satu mati}) = 1 - 0{,}729 = 0{,}271$, atau sekitar $27{,}1\%$.
3. (Transfer.) Dari kelas 40 mahasiswa di contoh tadi (24 suka Statistika, 18 suka Ekonometrika, 10 suka kedua-duanya), seorang mahasiswa diketahui suka Ekonometrika. Berapa peluang dia juga suka Statistika, yaitu $P(S \mid E)$? Bandingkan dengan $P(E \mid S)$ — apakah sama?
Lihat jawaban
Syaratnya kini $E$, jadi dunia kita menyusut ke 18 penyuka Ekonometrika. Di antara mereka, 10 juga suka Statistika:
$$P(S \mid E) = \frac{10}{18} = \frac{5}{9} \approx 0{,}556$$Bandingkan: $P(E \mid S) = \tfrac{10}{24} \approx 0{,}417$. Tidak sama — peluang bersyarat tidak simetris. $P(S \mid E)$ memakai pembagi 18, $P(E \mid S)$ memakai pembagi 24. Menukar arah syarat mengubah jawaban; mencampuradukkan keduanya adalah salah satu kekeliruan paling umum dalam probabilitas.
Kesalahan Umum
Mengira semua hasil sama-sama mungkin tanpa memeriksa. Rumus pembagi sederhana hanya sahih bila tiap hasil setara. Kelahiran bayi laki-laki dan perempuan mendekati 50:50 tetapi tidak persis; cuaca “hujan” dan “cerah” jelas tidak fifty-fifty. Untuk hasil yang timpang, pakai peluang yang sudah diketahui, bukan sekadar membagi rata.
Mengalikan peluang dependen seolah independen. $P(A \cap B) = P(A) \times P(B)$ hanya berlaku saat kedua kejadian independen. Pada pengambilan tanpa pengembalian (kartu kedua bergantung pada kartu pertama), Anda wajib memakai bentuk bersyarat $P(A) \times P(B \mid A)$.
Menukar $P(A \mid B)$ dengan $P(B \mid A)$. Keduanya berbeda karena pembaginya berbeda — seperti soal nomor 3 di atas. Tertukar di konteks medis atau hukum melahirkan kekeliruan serius (sesat pikir jaksa). Pengupasannya ada di Teorema Bayes.
Lupa mengurangi irisan pada gabungan. Untuk kejadian yang bisa terjadi bersamaan, $P(A \cup B) = P(A) + P(B) - P(A \cap B)$. Menjumlahkan tanpa mengurangi irisan menghitung wilayah tumpang-tindih dua kali.
Mencampur “saling lepas” dengan “independen”. Saling lepas = tidak bisa serentak ($P(A \cap B) = 0$). Independen = satu tak memengaruhi yang lain ($P(A \cap B) = P(A)P(B)$). Dua kejadian yang sama-sama mungkin tidak bisa keduanya sekaligus.
Menghitung “minimal satu” secara langsung. Hampir selalu lebih ringkas lewat komplemen: $P(\text{minimal satu}) = 1 - P(\text{tidak ada satu pun})$.
Dipakai di Dunia Nyata
- Manajemen risiko asuransi. Premi disusun dari peluang klaim dikalikan rata-rata nilai klaim. Peluang bersyarat menyesuaikan tarif berdasarkan profil (usia, riwayat) — pada dasarnya $P(\text{klaim} \mid \text{profil})$.
- Diversifikasi portofolio investasi. Menggabungkan aset yang imbal hasilnya saling independen menurunkan risiko total; korelasi (dependensi) antaraset itulah yang membuat krisis menular ke mana-mana.
- Tes diagnostik medis. Sensitivitas sebuah tes adalah $P(\text{positif} \mid \text{sakit})$. Yang sering dibutuhkan dokter justru kebalikannya, $P(\text{sakit} \mid \text{positif})$ — dan menyamakan keduanya adalah kekeliruan klasik yang diluruskan Teorema Bayes.
- Keandalan rekayasa. Sebuah sistem rangkaian seri gagal bila salah satu komponen gagal; rangkaian paralel gagal hanya bila semua komponen gagal. Aturan komplemen dan perkalian dipakai langsung untuk menaksir keandalan keseluruhan.
Lanjutan
Tiga gagasan inti dari materi ini — komplemen, gabungan-irisan, dan peluang bersyarat — adalah tata bahasa dari semua yang menyusul. Begitu Anda nyaman memecah soal menjadi kejadian-kejadian dan merangkainya dengan tiga aturan ini, sisa materi probabilitas tinggal penerapan.
- Sebelumnya: Apa itu statistika — tempat data dan ketidakpastian pertama kali bertemu.
- Lanjut ke Teorema Bayes — membalik arah peluang bersyarat: dari $P(\text{bukti} \mid \text{sebab})$ menjadi $P(\text{sebab} \mid \text{bukti})$.
- Berikutnya, peluang bertemu pencacahan berulang di Distribusi Binomial dan kejadian langka di Distribusi Poisson.
Rumus di Excel
Untuk pencacahan dan distribusi peluang, Excel menyediakan beberapa fungsi yang sering dipakai:
=COMBIN(n; k) → banyak kombinasi C(n,k) — memilih k dari n tanpa urutan
=PERMUT(n; k) → banyak permutasi P(n,k) — memilih k dari n dengan urutan
=BINOM.DIST(k; n; p; FALSE) → P(X = k) untuk distribusi binomial
=BINOM.DIST(k; n; p; TRUE) → P(X ≤ k) untuk distribusi binomial
=NORM.DIST(x; rata; sd; TRUE) → P(X ≤ x) untuk distribusi normal
⬇ Unduh 15-probabilitas-dasar.xlsx
Berkas pendamping berisi lembar aturan dasar, contoh dadu dan kartu, pohon peluang, serta peluang bersyarat — tiap angka dihitung dengan formula hidup dari data mentah agar bisa Anda telusuri langkahnya.