Informasi Baru Mengubah Segalanya
Bayangkan Anda hendak keluar rumah. Anda cek aplikasi cuaca: kemungkinan hujan 30%. Lalu Anda melihat keluar jendela dan melihat awan hitam menggumpal. Apakah itu mengubah seberapa besar menurut Anda kemungkinan hujan? Tentu saja.
Itulah inti dari probabilitas bersyarat: kemungkinan sesuatu terjadi berubah ketika Anda mendapat informasi baru. Probabilitas hujan mengingat Anda melihat awan hitam berbeda dari probabilitas hujan pada hari biasa mana pun.
Frasa Kunci: "Mengingat Bahwa"
Dalam probabilitas, frasa "mengingat bahwa" atau "diketahui bahwa" adalah sinyal bahwa Anda berurusan dengan probabilitas bersyarat. Artinya Anda sudah tahu sesuatu terjadi, dan Anda ingin mencari tahu bagaimana itu mengubah probabilitas sesuatu yang lain.
Ahli matematika menulisnya seperti ini:
P(A | B) — dibaca "probabilitas A, mengingat B telah terjadi."
Garis vertikal "|" hanya singkatan untuk "mengingat bahwa." Anda tidak perlu menghafal notasi mewah — cukup ingat bahwa probabilitas bersyarat menjawab pertanyaan: "Sekarang setelah saya tahu satu hal ini, bagaimana pengaruhnya terhadap peluang hal lain?"
Contoh Sederhana: Kelereng Berwarna
Sebuah toples berisi 4 kelereng merah dan 6 kelereng biru (10 total). Anda mengambil satu kelereng tanpa melihat. Probabilitas mengambil merah adalah 4/10 = 0,40.
Sekarang seseorang mengintip dan memberitahu Anda: "Kelereng yang Anda ambil BUKAN biru." Dengan informasi ini, Anda tahu kelerengnya pasti merah. Probabilitas merah, mengingat "bukan biru," sekarang 1,00 — pasti.
Itulah probabilitas bersyarat bekerja. Informasi baru ("bukan biru") sepenuhnya mengubah probabilitas.
Kebanyakan kasus dunia nyata kurang ekstrem dari itu, tapi prinsipnya sama. Informasi baru mempersempit kemungkinan, yang mengubah probabilitas.
Rumusnya (Dalam Bahasa Sederhana)
Rumus probabilitas bersyarat adalah:
P(A | B) = P(A dan B) : P(B)
Dalam kata-kata: untuk menemukan probabilitas A mengingat B terjadi, ambil probabilitas bahwa A dan B keduanya terjadi, lalu bagi dengan probabilitas B terjadi.
Mengapa ini berhasil? Ketika Anda tahu B terjadi, Anda tidak lagi melihat semua hasil yang mungkin — Anda hanya melihat yang di mana B terjadi. Membagi dengan P(B) "memperbesar" ke dunia yang lebih kecil itu.
Di sebuah universitas, 60% mahasiswa aktif berolahraga. Dari semua mahasiswa, 24% aktif berolahraga DAN mendapat IPK di atas 3,5. Berapa probabilitas mahasiswa mendapat IPK di atas 3,5, mengingat dia aktif berolahraga?
P(IPK tinggi | olahraga) = P(IPK tinggi dan olahraga) : P(olahraga)
= 0,24 : 0,60 = 0,40, atau 40%.
Jadi di antara mahasiswa yang aktif berolahraga, 40% juga mendapat IPK di atas 3,5.
Contoh Dunia Nyata: Tes Medis
Tes medis adalah salah satu aplikasi probabilitas bersyarat yang paling penting — dan paling sering disalahpahami. Berikut skenario yang membingungkan bahkan dokter sekalipun:
Sebuah penyakit menyerang 1% populasi. Tes untuk penyakit ini akurat 90%, artinya:
- Jika Anda MEMILIKI penyakit, tes dengan benar mengatakan "positif" 90% dari waktu.
- Jika Anda TIDAK memiliki penyakit, tes dengan benar mengatakan "negatif" 90% dari waktu (tapi memberi "positif" palsu 10% dari waktu).
Anda dites, dan hasilnya positif. Berapa probabilitas Anda benar-benar memiliki penyakitnya?
Kebanyakan orang menebak sekitar 90%. Jawaban sebenarnya jauh lebih rendah. Mari kita hitung dengan 1.000 orang imajiner:
- 10 orang benar-benar memiliki penyakit (1% dari 1.000).
- Dari 10 orang itu, tes dengan benar mengidentifikasi 9 sebagai positif (akurasi 90%).
- 990 orang TIDAK memiliki penyakit.
- Dari 990 orang itu, tes salah mengatakan 99 orang positif (tingkat positif palsu 10%).
Total hasil positif: 9 + 99 = 108. Tapi hanya 9 dari 108 yang benar-benar punya penyakit.
P(penyakit | tes positif) = 9 : 108 = 0,083, atau sekitar 8,3%.
Bahkan dengan tes "akurat 90%," hasil positif hanya berarti sekitar 8% kemungkinan Anda memiliki penyakit. Ini karena penyakitnya langka, sehingga positif palsu dari kelompok sehat yang besar melebihi positif benar dari kelompok sakit yang kecil.
Ini bukan cacat pada tes — ini cara kerja probabilitas bersyarat ketika tingkat dasar (seberapa umum penyakitnya) rendah. Memahami ini bisa menyelamatkan Anda dari kepanikan yang tidak perlu setelah tes skrining.
Contoh Dunia Nyata: Kemacetan Jakarta
Di Jakarta, kemacetan parah terjadi pada 40% hari kerja secara keseluruhan. Pada hari ketika ada acara besar di Senayan, kemacetan parah terjadi 85% dari waktu. Pada hari tanpa acara besar, kemacetan parah terjadi 30% dari waktu.
Anda dengar ada konser besar di Senayan malam ini. Berapa probabilitas kemacetan parah?
Dengan informasi baru (ada acara besar), probabilitas naik dari 40% menjadi 85%. Informasi tentang acara di Senayan mengubah prediksi Anda secara dramatis. Mungkin lebih baik naik MRT atau KRL.
Kejadian Independen vs. Dependen — Ditinjau Ulang
Di pelajaran sebelumnya, kita menyebutkan bahwa beberapa kejadian independen (satu tidak mempengaruhi yang lain) dan beberapa dependen (satu mengubah probabilitas yang lain). Probabilitas bersyarat memberi kita cara tepat untuk menguji ini:
Jika P(A | B) = P(A), maka A dan B independen.
Dengan kata lain, jika mengetahui B terjadi tidak mengubah probabilitas A sama sekali, kejadian-kejadian itu tidak saling mempengaruhi. Jika mengetahui B memang mengubah probabilitas A, mereka dependen.
Misalnya 50% pelanggan di warung kopi memesan kopi. Di antara pelanggan yang datang sebelum jam 9 pagi, 75% memesan kopi. Karena P(kopi | sebelum jam 9) = 0,75 berbeda dari P(kopi) = 0,50, waktu kedatangan dan memesan kopi adalah kejadian dependen. Pelanggan pagi lebih mungkin ingin kopi.
Mengapa Probabilitas Bersyarat Membingungkan Orang
Otak manusia secara alami tidak terhubung untuk probabilitas bersyarat. Kita cenderung membuat dua kesalahan umum:
- Mengabaikan tingkat dasar. Dalam contoh tes medis, orang fokus pada akurasi 90% dan lupa bahwa penyakitnya langka. Kelangkaan penyakit adalah informasi krusial.
- Mencampuradukkan arah. P(tes positif | penyakit) TIDAK sama dengan P(penyakit | tes positif). Probabilitas tes positif jika Anda sakit adalah 90%. Tapi probabilitas Anda sakit jika tes positif hanya 8%. Arahnya sangat berpengaruh.
Kesalahan kedua ini sangat umum sampai punya nama: kekeliruan jaksa (prosecutor's fallacy). Ini muncul di ruang sidang, kantor dokter, dan berita utama. Menyadarinya membuat Anda menjadi pemikir yang lebih tajam.
Tips Praktis untuk Berpikir Tentang Probabilitas Bersyarat
- Gunakan angka konkret. Alih-alih bekerja dengan persentase abstrak, bayangkan 100 atau 1.000 orang. Ini membuat matematikanya lebih jelas dan hasilnya lebih intuitif.
- Tanyakan "apa yang berubah?" Setiap kali Anda mendapat informasi baru, tanyakan: "Apakah ini mengubah peluangnya?" Jika ya, Anda berada di wilayah probabilitas bersyarat.
- Perhatikan arahnya. Selalu jelas tentang kejadian mana yang "diketahui." P(A | B) dan P(B | A) biasanya angka yang sangat berbeda.
Probabilitas bersyarat mengukur bagaimana kemungkinan suatu kejadian berubah ketika Anda mendapat informasi baru. Rumus P(A | B) = P(A dan B) : P(B) menangkap ini, tapi wawasan terpenting bersifat praktis: selalu pertimbangkan tingkat dasar (seberapa umum sesuatu sebelumnya), dan jangan pernah mencampuradukkan P(A | B) dengan P(B | A). Menggunakan angka konkret — seperti membayangkan 1.000 orang — membuat probabilitas bersyarat jauh lebih mudah dipahami dan diterapkan.