Pengantar

Dalam kehidupan sehari-hari, banyak peristiwa terjadi secara acak dan sulit diprediksi secara pasti. Contohnya adalah jumlah pelanggan yang datang ke sebuah toko dalam satu jam, jumlah kendaraan yang melewati suatu jalan dalam waktu tertentu, jumlah panggilan yang masuk ke pusat layanan, atau jumlah kesalahan yang terjadi pada sebuah sistem komputer.

Meskipun kejadian tersebut bersifat acak, statistika menyediakan berbagai metode untuk mempelajari dan memperkirakan pola kemunculannya. Salah satu metode yang sering digunakan adalah distribusi Poisson.

Distribusi Poisson merupakan salah satu distribusi probabilitas diskrit yang digunakan untuk menghitung peluang terjadinya sejumlah kejadian tertentu dalam suatu interval waktu, ruang, atau wilayah tertentu.

Distribusi ini sangat berguna terutama ketika kejadian yang diamati relatif jarang terjadi, tetapi jumlah kemunculannya ingin diprediksi berdasarkan rata-rata kejadian.

Contohnya:

  • berapa peluang sebuah rumah sakit menerima 10 pasien dalam satu jam;
  • berapa peluang sebuah server mengalami gangguan dalam sehari;
  • berapa jumlah pelanggan yang datang ke toko dalam waktu tertentu.

Mengenal Distribusi Poisson

Pengertian Distribusi Poisson

Distribusi Poisson adalah distribusi probabilitas diskrit yang digunakan untuk menghitung peluang jumlah kejadian yang terjadi dalam interval tertentu berdasarkan rata-rata tingkat kejadian yang diketahui.

Dengan kata lain, distribusi Poisson menjawab pertanyaan:

“Berapa peluang suatu kejadian muncul sebanyak jumlah tertentu dalam suatu periode?”

Misalnya:

Sebuah pusat layanan menerima rata-rata 20 telepon setiap jam.

Distribusi Poisson dapat digunakan untuk menghitung:

  • peluang menerima tepat 15 telepon dalam satu jam;
  • peluang menerima lebih dari 25 telepon;
  • peluang menerima kurang dari 10 telepon.

Sejarah Distribusi Poisson

Distribusi Poisson diperkenalkan oleh seorang matematikawan Prancis bernama Siméon Denis Poisson pada tahun 1837 melalui bukunya yang membahas teori probabilitas.

Awalnya, distribusi ini digunakan untuk mempelajari kejadian-kejadian yang jarang terjadi dalam jumlah besar.

Seiring perkembangan ilmu statistika, distribusi Poisson banyak diterapkan dalam berbagai bidang seperti:

  • penelitian ilmiah;
  • industri;
  • ekonomi;
  • kesehatan;
  • teknologi informasi.

Fungsi Distribusi Poisson

Fungsi utama distribusi Poisson adalah:

  1. Menghitung peluang jumlah kejadian tertentu.
  2. Menganalisis kejadian yang muncul secara acak.
  3. Membantu melakukan prediksi berdasarkan data historis.
  4. Memodelkan fenomena yang memiliki tingkat kejadian rata-rata tertentu.

Distribusi Poisson sangat cocok digunakan ketika kita mengetahui rata-rata jumlah kejadian, tetapi tidak mengetahui pola waktu tepat kapan kejadian tersebut muncul.

Karakteristik Distribusi Poisson

Distribusi Poisson memiliki beberapa karakteristik penting.

1. Menghitung Jumlah Kejadian dalam Interval Tertentu

Distribusi Poisson digunakan untuk menghitung jumlah kejadian dalam suatu interval.

Interval dapat berupa:

Interval Waktu

Contoh:

  • jumlah pelanggan per jam;
  • jumlah email masuk per menit.

Interval Ruang

Contoh:

  • jumlah pohon dalam satu hektar;
  • jumlah kendaraan pada suatu ruas jalan.

Interval Wilayah

Contoh:

  • jumlah kasus penyakit dalam suatu daerah.

2. Kejadian Bersifat Independen

Setiap kejadian harus berdiri sendiri.

Artinya, satu kejadian tidak memengaruhi kejadian lainnya.

Contoh:

Jumlah pelanggan yang datang pada pukul 10.00 tidak memengaruhi pelanggan yang datang pukul 11.00.

3. Memiliki Rata-Rata Kejadian Tetap

Distribusi Poisson menggunakan parameter:

λ (lambda)

Lambda menunjukkan jumlah rata-rata kejadian dalam interval tertentu.

Contoh:

Jika rata-rata pelanggan datang:

20 orang/jam

maka:

λ = 20

4. Data Bersifat Diskrit

Distribusi Poisson digunakan untuk data yang dapat dihitung.

Contoh:

  • jumlah pelanggan;
  • jumlah kecelakaan;
  • jumlah kesalahan sistem.

Bukan untuk data pengukuran seperti:

  • tinggi badan;
  • berat badan;
  • suhu.

5. Kejadian Dapat Terjadi Berkali-kali

Dalam satu interval, jumlah kejadian dapat berupa:

0, 1, 2, 3, dan seterusnya.

Syarat Penggunaan Distribusi Poisson

Agar distribusi Poisson dapat digunakan dengan tepat, beberapa kondisi harus terpenuhi.

1. Jumlah Kejadian Dapat Dihitung

Data harus berupa jumlah kejadian.

Contoh:

Jumlah pelanggan, bukan lama pelayanan.

2. Ada Interval Pengamatan

Harus terdapat batas waktu atau ruang.

Contoh:

  • per menit;
  • per jam;
  • per kilometer.

3. Kejadian Relatif Jarang

Distribusi Poisson sering digunakan untuk kejadian yang peluangnya kecil.

Contoh:

  • kecelakaan;
  • kerusakan mesin;
  • kesalahan sistem.

4. Kejadian Saling Independen

Satu kejadian tidak boleh memengaruhi kejadian lain.

5. Rata-Rata Kejadian Konstan

Nilai λ dianggap tetap selama periode pengamatan.

Rumus Distribusi Poisson

Rumus distribusi Poisson adalah:

P(X=x) = (e⁻λ × λˣ) / x!

Keterangan:

  • P(X=x) = peluang terjadi x kejadian.
  • λ (lambda) = rata-rata jumlah kejadian.
  • x = jumlah kejadian yang ingin dihitung.
  • e = bilangan Euler (≈ 2,71828).
  • x! = faktorial dari x.

Parameter dalam Distribusi Poisson

1. Nilai Harapan (Expected Value)

Pada distribusi Poisson:

E(X) = λ

Artinya, rata-rata jumlah kejadian sama dengan nilai lambda.

2. Varians

Varians distribusi Poisson:

Var(X) = λ

3. Standar Deviasi

Standar deviasi:

σ = √λ

Contoh Distribusi Poisson

Contoh 1: Jumlah Pelanggan Toko

Sebuah toko rata-rata menerima 5 pelanggan setiap jam.

Pertanyaan:

Berapa peluang toko menerima tepat 3 pelanggan dalam satu jam?

Kasus ini dapat menggunakan distribusi Poisson karena:

  • jumlah kejadian dihitung;
  • memiliki interval waktu;
  • rata-rata kejadian diketahui.

Contoh 2: Jumlah Kecelakaan

Sebuah jalan memiliki rata-rata 2 kecelakaan per bulan.

Distribusi Poisson dapat digunakan untuk menghitung peluang terjadi:

  • 0 kecelakaan;
  • 1 kecelakaan;
  • lebih dari 3 kecelakaan.

Contoh 3: Kesalahan Sistem Komputer

Sebuah server mengalami rata-rata 4 error per hari.

Distribusi Poisson dapat digunakan untuk memperkirakan kemungkinan jumlah error tertentu.

Contoh 4: Panggilan Pusat Layanan

Sebuah call center menerima rata-rata 50 panggilan per jam.

Distribusi Poisson membantu menentukan kebutuhan jumlah operator.

Contoh 5: Jumlah Pasien Rumah Sakit

Rumah sakit dapat menggunakan distribusi Poisson untuk memperkirakan jumlah pasien yang datang dalam periode tertentu.

Perbedaan Distribusi Poisson dengan Distribusi Lain

Distribusi Karakteristik Contoh
Poisson Jumlah kejadian dalam interval Jumlah pelanggan
Binomial Jumlah keberhasilan dari percobaan tetap Jumlah siswa lulus
Normal Data kontinu berbentuk lonceng Tinggi badan
Eksponensial Waktu antara kejadian Lama menunggu

Hubungan Distribusi Poisson dengan Binomial

Distribusi Poisson sebenarnya dapat dianggap sebagai pendekatan dari distribusi binomial ketika:

  • jumlah percobaan sangat besar;
  • peluang keberhasilan sangat kecil.

Hubungannya:

λ = n × p

dengan:

  • n = jumlah percobaan;
  • p = peluang kejadian.

Contoh:

Jika terdapat 10.000 produk dan peluang cacat hanya 0,001, maka distribusi Poisson dapat digunakan untuk memperkirakan jumlah produk cacat.

Penerapan Distribusi Poisson

1. Bisnis

Digunakan untuk:

  • prediksi jumlah pelanggan;
  • analisis permintaan.

2. Industri

Digunakan untuk:

  • jumlah kerusakan mesin;
  • kontrol kualitas produk.

3. Kesehatan

Digunakan untuk:

  • jumlah pasien;
  • penyebaran penyakit.

4. Telekomunikasi

Digunakan untuk:

  • jumlah panggilan;
  • trafik jaringan.

5. Transportasi

Digunakan untuk:

  • jumlah kendaraan;
  • kecelakaan lalu lintas.

6. Data Science dan Machine Learning

Digunakan dalam:

  • pemodelan data kejadian;
  • analisis frekuensi;
  • prediksi berbasis probabilitas.

Kesalahan Umum dalam Menggunakan Distribusi Poisson

1. Menggunakan untuk Data Kontinu

Distribusi Poisson hanya digunakan untuk data hitungan.

2. Mengabaikan Independensi

Jika kejadian saling memengaruhi, hasil analisis dapat salah.

3. Salah Menentukan Interval

Interval harus sesuai dengan data yang diamati.

4. Menganggap Semua Kejadian Cocok

Tidak semua fenomena mengikuti pola Poisson.

Cara Mudah Memahami Distribusi Poisson

Langkah sederhana:

  1. Tentukan kejadian yang ingin dihitung.
  2. Tentukan interval waktu atau ruang.
  3. Hitung rata-rata kejadian (λ).
  4. Tentukan jumlah kejadian yang ingin diketahui.
  5. Gunakan rumus Poisson.
  6. Interpretasikan hasil probabilitas.

Kesimpulan

Distribusi Poisson merupakan salah satu distribusi probabilitas diskrit yang digunakan untuk menghitung peluang jumlah kejadian dalam suatu interval tertentu. Distribusi ini sangat cocok digunakan untuk kejadian yang terjadi secara acak, relatif jarang, dan memiliki rata-rata kejadian yang tetap.

Konsep utama dalam distribusi Poisson adalah parameter λ (lambda) yang menunjukkan rata-rata jumlah kejadian. Dengan mengetahui nilai tersebut, kita dapat memperkirakan peluang suatu kejadian muncul dalam jumlah tertentu.

Dalam kehidupan nyata, distribusi Poisson banyak digunakan dalam berbagai bidang seperti bisnis, industri, kesehatan, transportasi, telekomunikasi, penelitian, hingga Data Science dan Machine Learning.

Dengan memahami distribusi Poisson, kita dapat menganalisis pola kejadian yang sulit diprediksi dan membuat keputusan yang lebih baik berdasarkan data statistik.

Related Posts: