Memperbarui Apa yang Anda Yakini
Di pelajaran terakhir, kita melihat bagaimana informasi baru mengubah probabilitas. Probabilitas bersyarat menjawab pertanyaan: "Mengingat sesuatu terjadi, berapa peluang barunya?" Teorema Bayes mengambil ini satu langkah lebih jauh dengan memberi kita cara sistematis untuk memperbarui keyakinan kita ketika kita mendapat bukti baru.
Dinamai menurut Pendeta Thomas Bayes, seorang pendeta dan matematikawan abad ke-18, teorema ini adalah salah satu ide paling kuat dalam seluruh statistik. Dan meskipun reputasinya, ide intinya ternyata cukup sederhana.
Ide Besar dalam Bahasa Sederhana
Berikut Teorema Bayes dalam bahasa sehari-hari:
Keyakinan Anda yang diperbarui = Keyakinan awal Anda x Seberapa cocok buktinya : Seberapa umum bukti itu secara keseluruhan
Atau lebih tepatnya:
- Mulai dengan apa yang Anda yakini sebelumnya (probabilitas "prior").
- Lihat bukti baru dan tanyakan: "Seberapa mungkin bukti ini muncul jika keyakinan saya benar?"
- Pertimbangkan juga: "Seberapa mungkin bukti ini secara umum — entah keyakinan saya benar atau tidak?"
- Gabungkan ketiganya untuk mendapat keyakinan yang diperbarui (probabilitas "posterior").
Rumusnya
Bagi yang suka rumus, berikut:
P(A | B) = P(B | A) x P(A) : P(B)
Di mana:
- P(A | B) = probabilitas A setelah melihat bukti B (yang ingin Anda temukan)
- P(B | A) = probabilitas melihat bukti B jika A benar
- P(A) = probabilitas A sebelum bukti baru (keyakinan awal Anda)
- P(B) = probabilitas keseluruhan melihat bukti B
Jangan khawatir jika rumusnya terasa abstrak sekarang. Contoh-contoh di bawah akan membuatnya konkret.
Contoh: Tes Penyakit Ditinjau Ulang
Ini adalah contoh klasik Teorema Bayes, dan melanjutkan tepat dari pelajaran probabilitas bersyarat kita.
Sebuah penyakit menyerang 1 dari 200 orang (0,5%). Tes darah mendeteksi penyakit 95% dari waktu ketika seseorang memilikinya (ini disebut "sensitivitas"). Tapi 3% orang sehat juga mendapat hasil positif palsu.
Anda dites positif. Berapa probabilitas Anda benar-benar punya penyakitnya?
Langkah 1: Tulis apa yang Anda ketahui.
- P(penyakit) = 0,005 (prior Anda — 1 dari 200)
- P(positif | penyakit) = 0,95 (tes menangkap 95% orang sakit)
- P(positif | tidak sakit) = 0,03 (3% tingkat positif palsu)
Langkah 2: Cari P(positif) — peluang keseluruhan dites positif.
P(positif) = P(positif | penyakit) x P(penyakit) + P(positif | tidak sakit) x P(tidak sakit)
= (0,95 x 0,005) + (0,03 x 0,995)
= 0,00475 + 0,02985 = 0,03460
Langkah 3: Terapkan Teorema Bayes.
P(penyakit | positif) = P(positif | penyakit) x P(penyakit) : P(positif)
= (0,95 x 0,005) : 0,03460
= 0,00475 : 0,03460 = 0,137, atau sekitar 13,7%.
Bahkan dengan tes akurat 95%, hasil positif hanya berarti sekitar 14% kemungkinan benar-benar punya penyakit. Tingkat dasar yang rendah (hanya 0,5% orang yang sakit) berarti kebanyakan hasil positif adalah alarm palsu.
Inilah mengapa dokter sering memerintahkan tes kedua setelah hasil positif. Jika tes kedua juga positif, probabilitasnya melonjak drastis — karena sekarang "prior" Anda adalah 13,7% bukan 0,5%.
Berpikir dalam Jumlah Orang (Pendekatan Frekuensi Alami)
Banyak orang merasa Teorema Bayes lebih mudah dipahami menggunakan jumlah orang nyata daripada probabilitas. Mari kita ulangi contoh di atas dengan 10.000 orang:
Dari 10.000 orang:
- 50 orang punya penyakit (0,5% dari 10.000).
- 9.950 TIDAK punya penyakit.
Tes 50 orang sakit: 95% positif → 47,5 (sekitar 48) hasil positif.
Tes 9.950 orang sehat: 3% positif → 298,5 (sekitar 299) positif palsu.
Total hasil positif: 48 + 299 = 347.
Dari 347 hasil positif, hanya 48 yang benar-benar punya penyakit.
48 : 347 = 0,138, atau sekitar 13,8%. (Perbedaan kecil dari 13,7% hanya pembulatan.)
Pendekatan ini — menghitung orang nyata — sering terasa lebih intuitif daripada memasukkan angka ke rumus.
Contoh: Apakah Chat Itu Penipuan Online?
Penipuan online adalah salah satu masalah nyata di Indonesia di mana Teorema Bayes sangat relevan.
Misalkan 20% pesan WhatsApp dari nomor tidak dikenal yang Anda terima adalah penipuan. Kata "GRATIS" muncul di 85% pesan penipuan tapi hanya 5% pesan yang sah. Sebuah pesan dari nomor tidak dikenal masuk dan berisi kata "GRATIS." Berapa probabilitas ini penipuan?
Yang kita ketahui:
- P(penipuan) = 0,20
- P("GRATIS" | penipuan) = 0,85
- P("GRATIS" | bukan penipuan) = 0,05
P("GRATIS") keseluruhan:
= (0,85 x 0,20) + (0,05 x 0,80) = 0,17 + 0,04 = 0,21
Terapkan Teorema Bayes:
P(penipuan | "GRATIS") = (0,85 x 0,20) : 0,21 = 0,17 : 0,21 = 0,810, atau sekitar 81%.
Pesan dengan kata "GRATIS" dari nomor tidak dikenal punya sekitar 81% kemungkinan penipuan. Satu kata saja sudah sangat mengubah probabilitas.
Contoh: Alarm Kebakaran dan Masak Ikan Bakar
Alarm asap di apartemen Anda berbunyi. Anda tahu dari pengalaman:
- Kebakaran nyata di apartemen Anda terjadi sekitar sekali setiap 10 tahun, atau kira-kira 0,03% kemungkinan pada hari tertentu.
- Ketika ADA kebakaran, alarm berbunyi 99% dari waktu.
- Ketika TIDAK ada kebakaran, alarm masih berbunyi sekitar 2% dari waktu (ikan bakar gosong, uap dari kamar mandi, dll.).
Alarm baru saja berbunyi. Apakah ada kebakaran?
P(kebakaran | alarm) = (0,99 x 0,0003) : [(0,99 x 0,0003) + (0,02 x 0,9997)]
= 0,000297 : (0,000297 + 0,019994) = 0,000297 : 0,020291 = 0,0146, atau sekitar 1,5%.
Ada sekitar 1,5% kemungkinan kebakaran nyata. Itu rendah — tapi bukan nol. Anda tetap harus memeriksa! Intinya kebanyakan alarm adalah alarm palsu, karena kebakaran nyata sangat jarang dibandingkan ikan bakar gosong.
Mengapa Tingkat Dasar Sangat Penting
Di semua contoh ini, satu tema terus muncul: tingkat dasar — seberapa umum sesuatu sebelum ada bukti — punya dampak yang sangat besar pada jawaban akhir.
Ketika hal yang Anda uji itu langka (penyakit yang menyerang 0,5% orang, atau kebakaran yang terjadi sekali satu dekade), bahkan tes yang sangat akurat menghasilkan kebanyakan alarm palsu. Ini bukan kegagalan tes; ini matematika dasar.
Sebaliknya, ketika sesuatu umum (penipuan yang membentuk 20% pesan), bahkan bukti yang moderat bisa mendorong probabilitas menjadi sangat tinggi.
Pelajaran praktisnya: selalu tanyakan "seberapa umum ini sebelumnya?" sebelum menginterpretasikan hasil tes, peringatan, atau indikator apa pun.
Teorema Bayes sebagai Cara Berpikir
Di luar matematika, Teorema Bayes menawarkan cara berpikir yang berharga tentang dunia:
- Mulai dengan apa yang Anda ketahui. Sebelum mendapat bukti baru, apa perkiraan terbaik Anda? Ini prior Anda.
- Timbang bukti baru dengan hati-hati. Seberapa kuat bukti ini menunjuk ke satu arah atau yang lain?
- Perbarui secara proporsional. Bukti kuat harus menggeser keyakinan Anda banyak. Bukti lemah harus menggesernya sedikit.
- Bersedia memperbarui lagi. Setiap bukti baru adalah kesempatan untuk memperhalus keyakinan Anda lebih lanjut.
Pendekatan ini — mulai dengan keyakinan, kumpulkan bukti, dan perbarui — adalah tulang punggung pemikiran ilmiah, diagnosis medis, investigasi kriminal, dan pengambilan keputusan yang baik secara umum.
Jebakan Umum
- Mengabaikan prior. Tes "akurat 99%" kedengarannya mengesankan, tapi jika kondisinya satu dari sejuta, kebanyakan positif tetap palsu.
- Mencampuradukkan P(B | A) dengan P(A | B). Probabilitas tes positif jika Anda sakit BUKAN sama dengan probabilitas Anda sakit jika tes positif.
- Tidak cukup memperbarui — atau terlalu banyak. Satu bukti lemah seharusnya tidak sepenuhnya membatalkan prior yang kuat. Tapi bukti yang sangat kuat seharusnya menyebabkan perubahan besar, bahkan jika bertentangan dengan keyakinan awal.
Teorema Bayes menyediakan cara logis untuk memperbarui keyakinan Anda ketika bukti baru datang. Rumus P(A | B) = P(B | A) x P(A) : P(B) menggabungkan keyakinan awal Anda dengan kekuatan bukti untuk menghasilkan probabilitas yang diperbarui. Tingkat dasar — seberapa umum sesuatu sebelumnya — sangat penting dan sering diabaikan. Baik Anda menginterpretasikan hasil tes medis, menilai pesan mencurigakan, atau membuat keputusan sehari-hari, berpikir seperti Bayes berarti mulai dengan apa yang Anda ketahui, menimbang bukti, dan memperbarui keyakinan Anda langkah demi langkah.