Panduan Lengkap Bayes Theorem dan Contoh Soal: Cara Menghitung Probabilitas di Dunia Nyata

Dalam dunia statistika dan sains data, Bayes Theorem (Teorema Bayes) adalah salah satu rumus paling fundamental yang pernah ditemukan. Teorema ini bukan sekadar rumus matematika biasa; ia adalah cara berpikir. Teorema Bayes memungkinkan kita untuk memperbarui keyakinan atau probabilitas suatu kejadian setelah kita mendapatkan bukti atau informasi baru.

Dari diagnosis medis hingga penyaringan email spam, Teorema Bayes bekerja di balik layar untuk memberikan prediksi yang lebih akurat. Artikel ini akan membahas tuntas konsep, rumus, hingga Bayes Theorem contoh soal yang akan membantu Anda menguasai materi ini dengan cepat.

Baca Juga : Profil Alumni Sukses Manajemen Universitas Teknokrat Indonesia Kampus Terbaik di Lampung

Apa Itu Bayes Theorem?

Bayes Theorem adalah sebuah formula matematika yang digunakan untuk menentukan probabilitas bersyarat. Probabilitas bersyarat adalah peluang terjadinya suatu peristiwa berdasarkan pengetahuan sebelumnya tentang kondisi yang mungkin terkait dengan peristiwa tersebut.

Teorema ini dinamai sesuai dengan penemunya, Thomas Bayes, seorang pendeta sekaligus ahli statistik pada abad ke-18. Inti dari teori ini adalah: Jika kita memiliki informasi baru, seberapa besar informasi tersebut mengubah peluang terjadinya suatu hal?

Rumus Utama Bayes Theorem

Secara matematis, Teorema Bayes dinyatakan dalam persamaan berikut:

$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$

Penjelasan Komponen:

• $P(A|B)$: Posterior Probability. Peluang terjadinya kejadian $A$ setelah kejadian $B$ terjadi (Ini yang ingin kita cari).
• $P(B|A)$: Likelihood. Peluang terjadinya kejadian $B$ jika diketahui $A$ benar terjadi.
• $P(A)$: Prior Probability. Peluang awal terjadinya $A$ sebelum ada informasi baru dari $B$.
• $P(B)$: Evidence. Peluang total terjadinya kejadian $B$.

Mengapa Bayes Theorem Sangat Penting?

Teorema Bayes sangat berharga karena manusia seringkali buruk dalam mengestimasi peluang jika ada variabel yang tumpang tindih. Berikut adalah beberapa kegunaan praktisnya:

1. Sains Data & Machine Learning: Digunakan dalam algoritma Naive Bayes untuk klasifikasi teks dan prediksi cuaca.
2. Dunia Medis: Menghitung akurasi tes penyakit (misalnya: jika tes positif, berapa peluang sebenarnya seseorang sakit?).
3. Kecerdasan Buatan (AI): Membantu robot mengambil keputusan berdasarkan sensor yang tidak pasti.
4. Keamanan Siber: Mendeteksi serangan siber berdasarkan pola aktivitas yang mencurigakan.

Bayes Theorem Contoh Soal dan Pembahasan

Mari kita masuk ke bagian praktis agar Anda lebih memahami cara kerja rumusnya.

Contoh Soal 1: Diagnosis Medis (Masalah Klasik)

Sebuah penyakit langka menyerang 1% dari populasi. Ada sebuah alat tes medis yang memiliki akurasi sebagai berikut:

• Jika seseorang sakit, tes akan positif (True Positive) sebesar 99%.
• Jika seseorang sehat, tes akan memberikan hasil positif palsu (False Positive) sebesar 5%.

Jika seseorang melakukan tes dan hasilnya positif, berapa probabilitas sebenarnya orang tersebut benar-benar sakit?

Langkah Penyelesaian:

1. Tentukan Kejadian:
   • $A$: Seseorang sakit ($P(A) = 0,01$)
   • $A’$: Seseorang sehat ($P(A’) = 0,99$)
   • $B$: Hasil tes positif
2. Identifikasi Probabilitas yang Diketahui:
   • $P(B|A) = 0,99$ (Peluang positif jika sakit)
   • $P(B|A’) = 0,05$ (Peluang positif jika sehat)
3. Hitung $P(B)$ (Total Peluang Positif):$P(B) = (P(B|A) \cdot P(A)) + (P(B|A’) \cdot P(A’))$$P(B) = (0,99 \cdot 0,01) + (0,05 \cdot 0,99)$$P(B) = 0,0099 + 0,0495 = 0,0594$
4. Masukkan ke Rumus Bayes:$$P(A|B) = \frac{0,99 \cdot 0,01}{0,0594}$$$$P(A|B) = \frac{0,0099}{0,0594} \approx 0,1667$$

Kesimpulan: Meskipun hasil tes positif dan akurasi alat 99%, peluang nyata orang tersebut sakit hanya sekitar 16,67%. Hal ini terjadi karena penyakitnya sangat langka dibandingkan dengan jumlah orang sehat yang mendapat hasil positif palsu.

Contoh Soal 2: Produksi Pabrik

Pabrik memiliki dua mesin, Mesin X dan Mesin Y.

• Mesin X memproduksi 60% total barang dengan tingkat kerusakan 3%.
• Mesin Y memproduksi 40% total barang dengan tingkat kerusakan 7%.

Jika kita mengambil satu barang secara acak dan ternyata rusak, berapa peluang barang tersebut berasal dari Mesin Y?

Langkah Penyelesaian:

• $P(Y) = 0,40$ (Prior Y)
• $P(R|Y) = 0,07$ (Likelihood Rusak di Y)
• $P(R|X) = 0,03$ (Likelihood Rusak di X)
• $P(X) = 0,60$

P(R) Total: $(0,40 \cdot 0,07) + (0,60 \cdot 0,03) = 0,028 + 0,018 = 0,046$

Peluang dari Mesin Y jika rusak:

$$P(Y|R) = \frac{0,07 \cdot 0,40}{0,046} = \frac{0,028}{0,046} \approx 0,6087$$

Kesimpulan: Ada peluang sebesar 60,87% bahwa barang rusak tersebut diproduksi oleh Mesin Y.

Baca Juga : Mahasiswa Sastra Inggris Universitas Teknokrat Indonesia, Kampus Terbaik di Lampung, Terbitkan Antologi Prosa “Whisper from Desa Payungi”

Tabel Ringkasan Istilah Bayes

Kesimpulan

Bayes Theorem memberikan kerangka kerja yang kuat untuk berpikir secara logis di bawah ketidakpastian. Dengan memahami cara kerja prior, likelihood, dan posterior, Anda bisa membuat prediksi yang jauh lebih akurat baik dalam ujian statistik maupun dalam pengambilan keputusan bisnis.

Kunci utama menguasai Bayes Theorem contoh soal adalah dengan sering berlatih mengidentifikasi mana yang menjadi kejadian bersyarat dan mana yang menjadi probabilitas dasar.

Penulis : Nabila