ti-201-02-tepro

2 

�Pengertian probabilitas 

�Kejadian, ruang sample dan probabilitas 

�Aturan dasar probabilitas 

�Probabilitas bersyarat 

�Independensi 

�Konsepsi kombinatorial 

Teori Probabilitas 

�Probabilitas total dan teorema Bayes 

10/7/2004 TI-2131 Teori Probabilitas - DI 1 

2-1 Probabilitas adalah: 

� Sebuah ukuran ketidak-pastian. 

� Sebuah ukuran tingkat keyakinan terjadinya 

sebuah kejadian yang tidak pasti (uncertain 

event). 

� Sebuah ukuran tingkat peluang (likelihood of 

occurrence) dari sebuah kejadian yang tidak 

pasti (uncertain event). 

� Diukur dengan nilai antara 0 dan 1 (atau antara 

0% dan 100%). 

10/7/2004 TI-2131 Teori Probabilitas - DI 2

Type Probabilitas (1) 

� Objektif atau Probabilitas Klasik 

� Berlandaskan pada kejadian yang sama 

(equally-likely) dan logis. 

� Berdasarkan frekuensi relatif kejadian dalam 

waktu yang lama. 

� Tidak memperhatikan keyakinan perorangan. 

� Dianggap sama untuk setiap peneliti (objektif). 

� Contoh: pelemparan koin atau dadu. 


Type Probabilitas (2) 

� Probabilitas Subjektif 

� Berlandaskan pada keyakinan individu, 

pengalaman, intuisi, dan justifikasi personal. 

� Ada perbedaan untuk setiap peneliti (subjektif). 

� Contoh: pemasaran produk baru, ramalan 

cuaca, hasil pertandingan olah raga. 


2-2 Kejadian, Ruang sample dan 

Probabilitas (1) 

� Set – sebuah kumpulan dari elemen 

atau objek yang menjadi perhatian 

� Set Kosong (∅) 

� Sebuah set yang tidak memiliki anggota elemen 

� Set Universal (S) 

� Sebuah set yang mencakup seluruh elemen yang 

mungkin ada 

( A) 

� Komplemen (Not). Komplemen A adalah 

sebuah set yang mencakup semua elemen S 

kecuali elemen A 


Kejadian, Ruang sample dan 


�Subset (⊂) 

-Adalahsebuahset bagiandariset S 

�Irisan (And) A∩B 

- adalah set yang mencakup semua elemen A 

dan B 

�Gabungan (Or) A∪B 

- adalah sebuah set yang mencakup semua 

elemen A atau B atau keduanya 


Beberapa Teorema (1) 

Teorema: P ( φ) 

= 0 

Bukti: 

Tuliskan hubungan berikut S = S ∪φ 

dan juga diperoleh 

hubungan S ∩φ 

= φ . Dengan aksioma di atas, diperoleh 

P ( S) 

= P( 

S) 

+ P( 

φ) 

. Karena P(S) = 1, maka P ( φ) 

= 0. 

Teorema: P( A) 

= 1− 

P( 

A), 

dimana A adalah komplemen dari A 


Dari definisi komplemen, untuk setiap A ⊂ S maka diperoleh 

S = A ∪ A . Karena A ∩ A = φ , maka dengan aksioma di atas 

diperoleh P ( S) 

= P( 

A) 

+ P( 

A) 

. 

Karena P(S) = 1, dengan demikian P( A) 

= 1− 

P( 

A) 

. 


Beberapa Teorema (1) 

Teorema: Untuk dua kejadian A dan B, sedemikian 

sehingga A ⊂ B , maka P( A) 

≤ P( 

B) 

. 


Kejadian B dapat ditulis sebagai B = A ∪ ( A ∩ B) 

, dimana 

A ∩ ( A ∩ B) 

= φ , maka dengan aksioma di atas diperoleh 

P( B) 

= P( 

A) 

+ P( 

A ∩ B) 

. Karena ( A ∩ B) 

⊂ S adalah suatu 

kejadian maka P ( A ∩ B) 

≥ 0, 

dengan demikian P( A) 

≤ P( 

B) 

. 


Kejadian, Ruang sample dan 


•Mutually exclusive atau disjoint 

–dua set tidak memiliki elemen bersama, 

tidak memiliki irisan, atau irisannya adalah 

set kosong. 

•Partisi 

–adalah sekumpulan set yang mutually 

exclusive yang secara bersama-sama 

mencakup semua elemen, atau 

gabungannya membentuk set universal S. 


Diagram set 

A 

A 

Komplemen 

A 1 

A I B A B 

A2 

A ∩ B 

A4 

Partisi 

A ∪ B 


A3 

A5 

A 

B

Percobaan - Experiments 

• Sebuah proses yang menghasilkan satu dari 

beberapa hasil yang mungkin terjadi*, contoh: 

� Coin toss: Heads,Tails 

� Throw die: 1, 2, 3, 4, 5, 6 

�Pengenalan produk baru: sukses, gagal 

• Setiap percobaan memiliki hasil observasi 

tunggal. 

• Hasil pasti dari percobaan random tidak dapat 

diketahui sebelum dilakukan. 

* Juga dikenal sebagai hasil dasar ( basic outcome), kejadian dasar atau kejadian sederhana 


Kejadian 

� Ruang sample atau set kejadian 

� adalah set dari semua hasil yang mungkin ada dari 

sebuah percobaan 

� contoh: pelemparan dadu S = (1,2,3,4,5,6) 

� Kejadian 

� Kumpulan dari hasil dengan karakteristik yang sama 

� Contoh: muncul sisi genap A = (2,4,6) 

� Kejadian A terjadi jika sebuah hasil dalam set A terjadi 

Probabilitas sebuah kejadian 

� Jumlah probabilitas dari setiap hasil yang muncul 

� P(A) = P(2) + P(4) + P(6) 


Percobaan Ideal 

• Perhatikan contoh berikut: 

� Percobaan pelemparan sebuah dadu seimbang 

• Ada 6 hasil yang mungkin (1,2,3,4,5,6) 

• Jika setiap hasil seimbang (equally-likely), probabilitas setiap 

hasil adalah 1/6 = .1667 = 16.67% 

1 

� P( e) 

= 

nS ( ) 

� Kejadian A (muncul sisi genap) 

• P(A) = P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 = 1/2 

• PA ( ) = ∑ Pe ( ) untuk setiap e dalam A 

nA ( ) 3 1 

= = = 

nS ( ) 6 2 


Pengambilan Kartu 

Gabungan 

kejadian ‘Heart’ 

dan ‘Ace’ 

P( Heart U Ace) 

= 

n( Heart U Ace) 

= 

n( S ) 

16 4 

= 

52 13 

Hearts Diamonds Clubs Spades 

A A A A 

K K K K 

Q Q Q Q 

J J J J 

10 10 10 10 

9 9 9 9 

8 8 8 8 

7 7 7 7 

6 6 6 6 

5 5 5 5 

4 4 4 4 

3 3 3 3 

2 2 2 2 

Kejadian ‘Heart’ 

n( Heart) 

13 1 

P( Heart) 

= = = 

n( S ) 52 4 

Kejadian ‘Ace’ 

n( Ace) 

4 1 

P( Ace) 

= = = 

n( S ) 52 13 

Irisan kejadian ‘Heart’ dan ‘Ace’ 

Adalah titik yang dilingkari 

dua kali: the ace of hearts 

n( Heart I Ace) 

1 

P( Heart I Ace) 

= = 

n( S ) 52 


2-3 Aturan Dasar Probabilitas (1) 

� 

� Rentang nilai 

0 ≤ P ( A ) ≤ 1 

� 

� Komplement - Probabilitas bukan A 

P( A) = 1− 

P( A) 

� 

� Irisan - Probabilitasy A dan B 

P( A∩ B) 

= 

n( A ∩ B ) 

n( S) 

� 

� Kejadian mutually exclusive (A (A dan C) C) : 

P ( A ∩ C ) = 0 


Aturan Dasar Probabilitas (2) 

• Gabungan - Probabilitas A atau B atau keduanya 

P( A ∪ B) 

= 

n( A ∪ B ) 

= P( A) + P( B) − P( A ∩ B) 

n( S) 

�� Kejadian mutually exclusive : : 

P ( A ∩ C ) = 0 so P ( A ∪ C ) = P ( A ) + P ( C ) 

Probabilitas Bersyarat - Probabilitas A pada(given) B 

�� Kejadian independen: 

P( A B) 

= 

P ( A ∩ B ) 

P( B) 

P( A B) = P( A) 

PBA ( ) = PB ( ) 


2-4 Probabilitas Bersyarat 

Aturan probabilitas bersyarat: 

Aturan probabilitas bersyarat: 

P( AB) 

= 

P( A ∩ B) 

maka P( A ∩ B) = P( A B) P( B) 

P( B) 

= P( B A) P( A) 

Jika kejadian A dan D saling independen secara statistik: 

PAD ( ) = PA ( ) 

PDA ( ) = PD ( ) 

maka 

P( A ∩ D) = P( A) P( D) 


Tabel Contingency 

Frekuensi 

Acer IBM Total 

Telekomunikasi 40 10 50 

Komputer 20 30 50 

Total 60 40 100 

Telekomunikasi 

Komputer 

Probabilitas 

Acer IBM Total 

.40 .10 .50 

.20 .30 .50 

Total .60 .40 1.00 

Probabilitas bahwa sebuah 

proyek yang dikerjakan 

IBM adalah (given) proyek 

telekomunikasi adalah: 

P( IBM I T ) 

P( IBM T) 

= 

P( T) 

. 10 

= = . 2 

. 50 


2-5 Independensi Kejadian (1) 

Syarat independensi secara statistik dari kejadian A dan B 

adalah: 

P( A B) = P( A) 

PBA ( ) = PB ( ) 

and 

PA ( I B) = PAPB ( ) ( ) 

P( Ace Heart) 

= 

P ( A ce I Heart ) 

P( Heart) 

1 

P( Heart Ace) 

= 

P ( HeartI A ce) 

P( Ace) 

1 

= 

52 

13 

1 

= = 

13 

P( Ace) 

= 

52 

4 

= 

1 

4 

= P( Heart) 

52 

52 

4 13 1 

P( AceI Heart) = = = P( Ace) P( Heart) 

52 52 52 


Independensi Kejadian (1) 

Kejadian T (prob. 0,04) dan B (prob. 0,06) diasumsikan 

independen 

a) P( TIB) = P( T) P( B) 

= 0. 04 * 0. 06 = 0. 0024 

b) PT ( UUB) = PT ( ) + PB ( ) − PT ( IB) 

= 0. 04 + 0. 06 − 0. 0024 = 0. 0976 


Perkalian Kejadian Independen 

Probabilitas irisan dari beberapa kejadian independen adalah 

perkalian dari probabilitas masing-masing: 

P( A ∩ A ∩ A ∩L∩ A 

n 

) = P( A ) P( A ) P( A ) LP( 

A 

n 

) 

1 2 3 1 2 3 

Probabilitas gabungan dari beberapa kejadian independen 

adalah 1 dikurangi perkalian probabilitas komplemen 

masing-masing: 

P( A ∪ A ∪ A ∪L∪ A 

n 

) = 1− 

P( A ) P( A ) P( A ) LP( 

A 

n 

) 

1 2 3 

1 2 3 


Hukum Probabilitas 

Identity laws (A∪∅=A, A∩∅=∅), 

Idempotent law (A∪A=A, A∩A=A) 

Complement law (A∪A=S, A∩A=∅) 

Commutative law (A∪B=B∪A, A∩B=B∩A) 

De morgan’s law (A∪B=B∩A, A∩B=B∪A) 

Associative law A∩(B∩C)=(A∩B)∩C, 

A∪(B∪C)=(A∪B)∪C 

Distributive law A∩(B∪C)= (A∩B)∪(A∩C) 


2-6 Konsep Kombinatorial (1) 

Percobaan sebuah dadu 6 sisi, ada 6 hasil yang mungkin dari 

pelemparan pertama, yaitu (1,2,3,4,5,6) dan 6 hasil yang mungkin 

dari pelemparan kedua (1,2,3,4,5,6). Secara bersama-sama ada 

6*6=36 hasil yang mungkin dari dua kali pelemparan. 

Umumnya, jika ada n kejadian dan kejadian i dapat terjadi dalam 

Ni cara yang mungkin, maka jumlah caradimana urutan dari 

n kejadian akan muncul adalah N1N ... 

2 Nn . 

� Ambil5 kartudaritumpukan 

lengkap – dengan 

pengembalian 

� 52*52*52*52*52=52 5 

380,204,032 hasil yang mungkin 

� Ambil5 kartudaritumpukan 

lengkap – tanpa 

pengembalian 

� 52*51*50*49*48 = 311,875,200 

hasil yang mungkin 


Konsep Kombinatorial (2) 

(Diagram pohon / Tree Diagram) 

Urutan tiga huruf: A, B, dan C 

. 

A 

B 

C 

. 

. . 

B 

C 

A 

B 

. . 

. 

. 

. 

A C 

C A 


C 

B 

B 

A 

.ABC 

. . 

ACB 

BAC 

BCA 

CAB 

CBA

Faktorial 

Ada berapa cara untuk mengurutkan 3 huruf A, B, dan C? 

Ada 3 pilihan untuk huruf pertama, 2 untuk huruf kedua dan 1 

Untuk huruf terakhir, sehingga ada 3*2*1 = 6 cara yang mungkin. 

Ada berapa cara untuk mengurutkan 6 huruf A, B, C, D, E, 

dan F? (6*5*4*3*2*1 = 720) 

Faktorial: Untuk setiap integer positif n, n faktorial didefinisikan: 

n(n-1)(n-2)...(1). n faktorial ditulis dengan n!. 

Jumlah n! adalah jumlah cara dimana n objek dapat diurutkan. 

Didefinisikan bahwa 1! = 1. 


Permutasi 

Bagaimana jika hanya 3 dari 6 huruf A, B, C, D, E, dan 

F yang dipilih? 

Ada 6 cara untuk huruf pertama, 5 cara untuk huruf kedua 

dan 4 cara untuk huruf terakhir, sehingga ada 6*5*4=120 

urutan yang mungkin atau permutasi. 

Permutasi adalah pilihan urutan yang mungkin dari r objek dari 

total n objek. Jumlah permutasi dari n objek setiap kali diambil r 

objek dituliskan dengan nPr. 

= 

n−r n P ! 

n r ( )! 

Sebagai contoh 

6! 

6! 

6* 

5* 

4* 

3* 

2* 

1 

6 P3 

= = = 

= 6* 

5* 

4 = 120 

( 6 − 3)! 

3! 

3* 

2* 

1 


:

Kombinasi 

Jika diambil 3 dari 6 huruf A, B, C, D, E, dan F, mungkin diperoleh 

BCD, BDC, CBD, CDB, DBC, atau DCB (merupakan pemutasi 

dari B, C, dan D) yang pada dasarnya kombinasi dari 3 huruf. 

Berapa banyak kombinasi dari 6 huruf setiap kali diambil 3 huruf? 

Kombinasi adalah pemilihan yang mungkin dari r item dari sejumlah n item 

⎛ n 

Tanpa memperhatikan urutan. Jumlah kombinasi dinyatakan dengan⎜ 

⎝ r 

atau nCr dan dibaca kombinasi r dari n, secara matematis diformulasikan 

sebagai: 

⎛n⎞ 

n! 

⎜ ⎟= 

nCr 

= 

⎝r 

⎠ r! (n−r)! 

Contoh: 

⎛n⎞ 

6! 

6! 

6* 

5* 

4* 

3* 

2* 

1 6* 

5* 

4 120 

⎜ ⎟= 

6 C3 

= = = 

= = = 20 

⎝r 

⎠ 3! 

( 6−3)! 

3! 

3! 

( 3* 

2* 

1)( 

3* 

2* 

1) 

3* 

2* 

1 6 

⎞ 

⎟ 

⎠ 


Permutasi dan Kombinasi dengan 

Excel 

n=10 (Total Number of Objects Available) 

Total Number of # of Probability of # of Probability of 

Objects Selected r Permutations Particular Permutation Combinations Particular Combination 

1 10 0.1 10 0.1 

2 90 0.011111111 45 0.022222222 

3 720 0.001388889 120 0.008333333 

4 5040 0.000198413 210 0.004761905 

5 30240 3.31E-05 252 0.003958254 

6 151200 6.61E-06 210 0.004761905 

7 604800 1.65E-06 120 0.008333333 

8 1814400 5.51E-07 45 0.022222222 

9 3628800 2.76E-07 10 0.1 

10 3628800 2.76E-07 1 1 


2-7 Probabilitas Total dan Teorema 

Bayes 

P( A) = P( A ∩ B) + P( A ∩ B ) 

Dalam bentuk probabilitas bersyarat: 

P( A) = P( A ∩ B) + P( A ∩ B ) 

= P( AB) P( B) + P( AB) P( B) 

Secara umum (dimana B i membentuk partisi): 

P( A) = ∑ P( A ∩ B ) 

i 

= ∑ P( AB ) P( B ) 

i i 


Probabilitas Total 

Kejadian U: pasar saham tumbuh tahun depan 

Kejadian W: kondisi ekonomi membaik tahun depan 

P( U W ) = . 75 

P( U W ) = 30 

P( W ) = . 80⇒ P( W ) = 1− . 8 = . 2 

P( U ) = P( U ∩ W ) + P( U ∩ W ) 

= P( U W ) P( W ) + P( U W 

= (. 75)(. 80) + (. 30)(. 20) 

= . 60+ . 06 = . 66 

) P( W ) 


Teorema Bayes 

• Teorema Bayes memungkinkan untuk mengetahui 

probabilitas B bersyarat A jika diketahui 

probabilitas A bersyarat B. 

• Menggunakan definisi probabilitas bersyarat dan 

hukum probabilitas total. 

P ( A I B ) 

P( B A) 

= 

P( A) 

P( A I B) 

= 

P( A I B) + P( A I B ) 

P( A B) P( B) 

= 

P( A B) P( B) + P( A B ) P( B ) 

Menggunakan probabilitas 

total pada penyebut 

Menggunakan probabilitas 

bersyarat 


Contoh Teorema Bayes (1) 

• Sebuah pengaruh treatment logam (berdampak 0.1% 

terhadap populasi [ P ( I ) = 0001 . ]) tidak sempurna: 

�Jika dilakukan pada logam non-standar, perlakukan dinilai 

sukses dengan probabilitas 0.92 [ PZI ( ) = . 92 ⇒ PZI ( ) = . 08 ] 

� Kejadian ( ZI) 

disebut false negative 

�Jika dilakukan pada logam standar, perlakukan akan menyimpang 

(false positive) dengan probabilitas 0.04 

[ PZI ( ) = 004 . ⇒ PZI ( ) = 096 . ] 

� Kejadian ( ZI) 

disebut false positive. . 



P( I ) = 0. 001 

P( I) 

= 0. 999 

P( Z I) 

= 092 . 

P( Z I) 

= 004 . 

P( I I Z) 

P( I Z) 

= 

PZ ( ) 

P( IIZ) = 

PI ( IZ) + PI ( IZ) 

PZI ( ) PI ( ) 

= 

PZI ( ) PI ( ) + PZI ( ) PI ( ) 

(. 92)( 0001 . ) 

= 

(. 92)( 0001 . ) + ( 004 . )(. 999) 

0. 00092 0. 00092 

= 

= 

000092 . + 003996 . . 04088 

= . 0225 



Probabilitas 

prior 

P( I ) = 0001 . 

Probabilitas 

bersyarat 

P( Z I) 

= 008 . 

P( I ) = 0999 . 

P( Z I) 

= 004 . 

P( Z I) 

= 092 . P( Z I I ) = ( 0. 001)( 0. 92) = . 00092 

PZI ( ) = 096 . 

Probabilitas 

gabungan 

P( Z I I ) = ( 0. 001)( 0. 08) = . 00008 

P( Z I I ) = ( 0. 999)( 0. 04) = . 03996 

P( Z I I ) = ( 0. 999)( 0. 96) = . 95904 


Perluasan Teorema Bayes (1) 

• Diberikan partisi B 1,B 2 ,...,B n: 

P( A∩ B) 

1 

PBA ( ) = 

1 

PA ( ) 

PA ( ∩B) 

1 = 

∑PA 

( ∩B) 

i 

PAB ( ) PB ( ) 

1 1 

= 

∑PABPB 

( ) ( ) 

i i 

Gunakan probabilitas 

total pada penyebut 

Terapkan probabilitas 

bersyarat 



� Pada saat kondisi mesin sangat baik, diperkirakan sebuah industri akan 

menhasilkan produk yang baik dengan probabilitas 0,70; dalam kondisi 

biasa probabilitasnya 0,40; dan pada kondisi buruk probabilitas 

menghasilkan produk yang baik hanya 0,20. 

� Dalam suatu perioda, probabilitas bahwa kondisi mesin sangat baik adalah 

0,30, moderat 0,50, dan buruk 0,50. 

� Jika selama perioda tersebut dihasilkan produk yang baik, bepara 

kemungkinan bahwa kondisi mesin sangat baik? 

Partisi Kejadian A (produk baik) 

H – Mesin sangat baik P(H) = 0,30 P(A|H)=0,70 

M – Mesin moderat P(M) = 0,50 P(A|M)=0,40 

L – Mesin buruk P(L) = 0,20 P(A|L)=0,20 



P( H I A) 

PHA ( ) = 

P( A) 

PH ( I A) 

= 

PH ( I A) + PM ( I A) + PL ( I A) 

P( AH) P( H) 

= 

P( AH) P( H) + P( AM) P( M) + P( AL) P( L) 

( 070 . )( 030 . ) 

= 

( 070 . )( 030 . ) + ( 040 . )( 050 . ) + ( 020 . )( 020 . ) 

021 . 021 . 

= 

= 

021 . + 020 . + 004 . 045 . 

= 0. 467 



Probabilitas 

prior 

P ( H ) = 030 . 

P ( M ) = 050 . 

P( L) 

= 020 . 

Probabilitas 

bersyarat 

P( A H) 

= 070 . 

P( A H) 

= 030 . 

P( A M ) = 040 . 

P( A M ) = 060 . 

P( A L) 

= 020 . 

P( A L) 

= 080 . 

Probabilitas 

gabungan 

P ( A I H ) = ( 030 . )( 070 . ) = 021 . 

P( A I H) 

= ( 030 . )( 030 . ) = 009 . 

P ( A I M ) = ( 050 . )( 040 . ) = 020 . 

P( A I M ) = ( 050 . )( 060 . ) = 030 . 

P( A I L) 

= ( 020 . )( 020 . ) = 004 . 

P( A I L) 

= ( 020 . )( 080 . ) = 016 . 


Teorema Bayes – Distribusi (1) 

Teorema Bayes dalam aplikasinya dapat digunakan dalam 

proses perbaikan distribusi kemungkinan berdasarkan 

informasi yang terbaru 

Prior probability distribution 

additional information 

(sampling distribution) 

Posterior or revised distribution 



Contoh : 

Proporsi “pencemar/polutant” (didefinisikan sebagai 

terdapatnya bahan-bahan lain yang tidak diinginkan) pada 

sebuah kemasan bahan baku yang diterima oleh sebuah 

perusahaan diketahui sebagai berikut: 

Proporsi pencemar P Probabilitas* 

0.05 0.21 

0.10 0.23 

0.15 0.45 

0.20 0.09 

0.25 0.01 

0.30 0.01 

* diperoleh dari pengamatan untuk jangka waktu yang panjang. 



Sebuah informasi penelitian terakhir dari 50 kemasan yang 

diperiksa diperoleh data bahwa 8 delapan kemasan dinilai 

“tercemar/tidak murni”. Distribusi informasi tersebut 

adalah: 

Proporsi keberhasilan P Probabilitas * P( x| θ ) = P( X =850 | , p) 

0.05 0.002 

0.10 0.064 

0.15 0.091 

0.20 0.117 

0.25 0.064 

0.30 0.011 

0.349 

*mengikuti distribusi binomial. 



Berdasarkan data terbaru, dilakukan revisi distribusi 

probabilitas: 

P Awal Sampel Joint* Baru** 

0.05 0.21 0.002 0.00042 0.007 

0.10 0.23 0.064 0.01472 0.218 

0.15 0.45 0.091 0.04095 0.608 

0.20 0.09 0.117 0.01053 0.156 

0.25 0.01 0.064 0.00064 0.009 

0.30 0.01 0.011 0.00011 0.002 

0.349 0.06737 1.000 



Kesimpulan: 

� Ekspektasi awal (0.1245) lebih kecil dari 

ekspektasi baru (0.1474). 

� Artinya, ada indikasi bahwa rata-rata proporsi 

pencemar dalam setiap kemasan bahan baku 

telah mengalami peningkatan sekitar 2,3 %.

ti-201-02-tepro

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?