Teorema Bayes adalah salah satu konsep fundamental dalam teori probabilitas yang berfungsi untuk menghitung probabilitas bersyarat (conditional probability). Secara sederhana, Teorema Bayes memungkinkan kita untuk memperbarui keyakinan atau hipotesis awal kita berdasarkan informasi atau bukti baru yang kita peroleh.
Dinamakan dari matematikawan Thomas Bayes, teorema ini memiliki aplikasi yang sangat luas, mulai dari diagnosis medis, penyaringan spam email, hingga kecerdasan buatan (AI). Memahami Teorema Bayes adalah kunci untuk mengasah kemampuan penalaran logis dan analitis dalam menghadapi masalah probabilitas yang kompleks.
Artikel ini akan mengupas tuntas struktur Teorema Bayes dan menyajikan tiga contoh soal kasus yang representatif, lengkap dengan langkah-langkah penyelesaiannya.
Baca juga:Rahasia Angka yang Fleksibel Menguasai Sifat Komutatif dan Contoh Soalnya
I. Konsep Dasar Teorema Bayes
Teorema Bayes berfokus pada hubungan antara dua peristiwa, $A$ dan $B$. Formula dasarnya adalah:
$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$
Di mana:
- $P(A|B)$: Probabilitas Posterior—Probabilitas peristiwa $A$ terjadi, setelah peristiwa $B$ diamati. Ini adalah hasil yang ingin kita cari.
- $P(B|A)$: Probabilitas Likelihood—Probabilitas peristiwa $B$ terjadi, jika peristiwa $A$ sudah terjadi.
- $P(A)$: Probabilitas Prior—Probabilitas awal peristiwa $A$ terjadi, sebelum ada bukti baru.
- $P(B)$: Probabilitas Bukti (Evidence)—Probabilitas peristiwa $B$ terjadi. Ini seringkali dihitung menggunakan Hukum Probabilitas Total.
Probabilitas Bukti, $P(B)$, dihitung dengan mempertimbangkan semua skenario di mana $B$ bisa terjadi. Jika kita hanya memiliki $A$ dan komplemennya ($A^c$), maka:
$$P(B) = P(B|A) \cdot P(A) + P(B|A^c) \cdot P(A^c)$$\
II. Contoh Soal Kasus 1: Diagnosis Medis (Probabilitas Sederhana)
Soal Kasus
Di suatu wilayah, diketahui bahwa 1% dari populasi menderita penyakit langka (P). Terdapat alat tes diagnostik yang sangat akurat:
- Jika seseorang benar-benar sakit, tes tersebut memberikan hasil positif (sensitivitas) sebesar 95%.
- Jika seseorang sehat, tes tersebut memberikan hasil negatif (spesifisitas) sebesar 90% (berarti, tes memberikan hasil positif palsu sebesar $100\% - 90\% = 10\%$).
Jika seorang pasien diuji, dan hasil tesnya positif, berapakah probabilitas pasien tersebut benar-benar menderita penyakit (P)?
Langkah Penyelesaian
1. Tentukan Notasi dan Probabilitas Prior:
- $P$: Pasien menderita penyakit.
- $P^c$: Pasien sehat (tidak menderita penyakit).
- $T$: Hasil tes positif.
- $T^c$: Hasil tes negatif.
Probabilitas Prior:
- $P(P) = 0.01$ (1%)
- $P(P^c) = 1 - 0.01 = 0.99$ (99%)
2. Tentukan Probabilitas Likelihood:
- $P(T|P) = 0.95$ (Sensitivitas: Tes positif jika sakit)
- $P(T|P^c) = 0.10$ (Kesalahan Tipe I: Tes positif jika sehat/positif palsu)
3. Hitung Probabilitas Bukti ($P(T)$):
Probabilitas mendapatkan hasil tes positif $P(T)$ adalah jumlah dari tes positif benar (sakit) dan tes positif palsu (sehat):
$$P(T) = P(T|P) \cdot P(P) + P(T|P^c) \cdot P(P^c)$$
$$P(T) = (0.95 \cdot 0.01) + (0.10 \cdot 0.99)$$
$$P(T) = 0.0095 + 0.099$$
$$P(T) = 0.1085$$
4. Hitung Probabilitas Posterior ($P(P|T)$):
Menggunakan Teorema Bayes:
$$P(P|T) = \frac{P(T|P) \cdot P(P)}{P(T)}$$
$$P(P|T) = \frac{0.0095}{0.1085}$$
$$P(P|T) \approx 0.0875$$
Jawaban
Probabilitas bahwa pasien tersebut benar-benar menderita penyakit, meskipun hasil tesnya positif, hanya sekitar 8.75%.
Analisis: Meskipun tes tersebut sangat akurat, karena penyakitnya sangat langka (probabilitas prior rendah), sebagian besar hasil positif yang muncul sebenarnya adalah positif palsu dari populasi yang sehat. Ini menunjukkan betapa kuatnya pengaruh probabilitas prior dalam Teorema Bayes.
III. Contoh Soal Kasus 2: Klasifikasi Email (Prior yang Kompleks)
Soal Kasus
Sebuah perusahaan menggunakan filter untuk mendeteksi spam email. Data menunjukkan:
- 70% dari semua email yang diterima adalah Spam ($S$).
- 90% dari email Spam mengandung kata "Diskon Gratis" ($K$).
- 15% dari email Non-Spam ($S^c$) juga mengandung kata "Diskon Gratis" ($K$).
Jika sebuah email baru datang dan mengandung kata "Diskon Gratis", berapakah probabilitas email tersebut bukan Spam ($P(S^c|K)$)?
Langkah Penyelesaian
1. Tentukan Notasi dan Probabilitas Prior:
- $S$: Email adalah Spam.
- $S^c$: Email adalah Non-Spam.
- $K$: Email mengandung kata "Diskon Gratis".
Probabilitas Prior:
- $P(S) = 0.70$
- $P(S^c) = 1 - 0.70 = 0.30$
2. Tentukan Probabilitas Likelihood:
- $P(K|S) = 0.90$ (Probabilitas mengandung kata jika Spam)
- $P(K|S^c) = 0.15$ (Probabilitas mengandung kata jika Non-Spam)
3. Hitung Probabilitas Bukti ($P(K)$):
$$P(K) = P(K|S) \cdot P(S) + P(K|S^c) \cdot P(S^c)$$
$$P(K) = (0.90 \cdot 0.70) + (0.15 \cdot 0.30)$$
$$P(K) = 0.63 + 0.045$$
$$P(K) = 0.675$$
4. Hitung Probabilitas Posterior ($P(S^c|K)$):
Kita ingin mencari probabilitas email tersebut bukan Spam ($S^c$) setelah mengandung kata ($K$).
$$P(S^c|K) = \frac{P(K|S^c) \cdot P(S^c)}{P(K)}$$
$$P(S^c|K) = \frac{0.15 \cdot 0.30}{0.675}$$
$$P(S^c|K) = \frac{0.045}{0.675}$$
$$P(S^c|K) \approx 0.0667$$
Jawaban
Probabilitas bahwa email yang mengandung kata "Diskon Gratis" tersebut bukan Spam adalah sekitar 6.67%.
Analisis: Karena probabilitas prior bahwa email adalah Spam sangat tinggi ($70\%$), bahkan dengan adanya kata tersebut pada email Non-Spam ($15\%$), filter Bayes masih mengklasifikasikan sebagian besar email dengan kata tersebut sebagai Spam.
IV. Contoh Soal Kasus 3: Koin Curang (Probabilitas Ganda)
Soal Kasus
Anda memiliki dua jenis koin:
- Koin 1 (K1): Koin seimbang, probabilitas keluar Kepala ($Kepala$) adalah $P(Kepala|K1) = 0.5$.
- Koin 2 (K2): Koin curang, probabilitas keluar Kepala ($Kepala$) adalah $P(Kepala|K2) = 0.8$.
Anda mengambil sebuah koin secara acak. Asumsikan $P(K1) = P(K2) = 0.5$. Anda melempar koin tersebut dan hasilnya adalah Kepala.
Jika Anda melempar koin tersebut sekali lagi dan hasilnya juga Kepala, berapakah probabilitas koin yang Anda pegang adalah Koin Curang (K2)?
Langkah Penyelesaian
Soal ini memerlukan dua tahap penggunaan Teorema Bayes secara berurutan, memperbarui probabilitas setelah setiap lemparan.
Tahap 1: Memperbarui Probabilitas Setelah Lemparan Pertama (Kepala)
A. Probabilitas Sebelum Lemparan Kedua:
Kita harus hitung $P(K2|Kepala_1)$ (Probabilitas koin curang setelah satu kali Kepala).
- $P(K1) = 0.5$, $P(K2) = 0.5$ (Prior awal)
- $P(Kepala_1|K1) = 0.5$, $P(Kepala_1|K2) = 0.8$
Hitung $P(Kepala_1)$:
$$P(Kepala_1) = P(Kepala_1|K1) \cdot P(K1) + P(Kepala_1|K2) \cdot P(K2)$$
$$P(Kepala_1) = (0.5 \cdot 0.5) + (0.8 \cdot 0.5) = 0.25 + 0.40 = 0.65$$
Hitung $P(K2|Kepala_1)$:
$$P(K2|Kepala_1) = \frac{P(Kepala_1|K2) \cdot P(K2)}{P(Kepala_1)} = \frac{0.8 \cdot 0.5}{0.65} = \frac{0.40}{0.65} \approx 0.6154$$
Probabilitas baru setelah lemparan pertama:
- $P(K2)_{baru} = 0.6154$
- $P(K1)_{baru} = 1 - 0.6154 = 0.3846$
Baca juga:Ketua Aptisi M Budi Djatmiko Paparkan Kunci Bangun Peradaban, Nasrullah Yusuf Moderator
Tahap 2: Memperbarui Probabilitas Setelah Lemparan Kedua (Kepala)
Kita gunakan probabilitas baru dari Tahap 1 sebagai Probabilitas Prior untuk lemparan kedua. Kita ingin menghitung $P(K2|Kepala_2)$ setelah kedua lemparan.
B. Probabilitas Setelah Lemparan Kedua:
- $P(K1)_{prior} = 0.3846$, $P(K2)_{prior} = 0.6154$
- $P(Kepala_2|K1) = 0.5$, $P(Kepala_2|K2) = 0.8$
Hitung $P(Kepala_2)$ (Probabilitas mendapatkan Kepala pada lemparan kedua):
$$P(Kepala_2) = P(Kepala_2|K1) \cdot P(K1)_{prior} + P(Kepala_2|K2) \cdot P(K2)_{prior}$$
$$P(Kepala_2) = (0.5 \cdot 0.3846) + (0.8 \cdot 0.6154)$$
$$P(Kepala_2) = 0.1923 + 0.49232 \approx 0.6846$$
Hitung $P(K2|Kepala_2)$:
$$P(K2|Kepala_2) = \frac{P(Kepala_2|K2) \cdot P(K2)_{prior}}{P(Kepala_2)} = \frac{0.8 \cdot 0.6154}{0.6846}$$
$$P(K2|Kepala_2) = \frac{0.49232}{0.6846} \approx 0.7192$$
Jawaban
Setelah dua kali lemparan menghasilkan Kepala, probabilitas koin yang Anda pegang adalah Koin Curang (K2) telah meningkat menjadi sekitar 71.92%.
Penulis:Zaskia amelia
