Teorema Bayes

Teorema Bayes menggambarkan hubungan antara peluang bersyarat dari dua kejadian dan
memiliki penerapan yang cukup penting terutama dalam statistika.

Teorema Bayes diambil dari nama penemunya yakni Nama teorema Bayes diambil dari
nama penemu teorema tersebut, yaitu Reverend Thomas Bayes (1702 – 1761) yang merupakan
seorang ahli statistik, filsuf dan pendeta Inggris. Teorema ini menggambarkan hubungan antara
peluang bersyarat dari dua kejadian dan memiliki penerapan yang cukup penting terutama dalam
statistika.
Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa,
berdasarkan pengaruh yang didapat dari hasil observasi peristiwa sebelumya. Teorema Bayes
menyempurnakan teorema probabilitas bersyarat yang hanya dibatasi oleh 2 buah kejadian
sehingga dapat diperluas untuk n buah kejadian. Dikembangkan secara luas dalam statistika
inferensia / induktif.
Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua
penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat
kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran
frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini
merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu
ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan
teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes.
Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas
kereta api. Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah
50%. Sekarang misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut
panjang. Dari keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap
dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat
digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang
wanita, bila diketahui berapa peluang seorang wanita berambut panjang.

Misalkan:

W adalah kejadian percakapan dilakukan dengan seorang wanita.

L adalah kejadian percakapan dilakukan dengan seorang berambut panjang

M adalah kejadian percakapan dilakukan dengan seorang pria

Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang

kawan Anda berbicara dengan wanita, P(W) = 0,5

 Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini berarti bila kita

mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah 0,75. Kita

melambangkannya sebagai: P(L|W) = 0,75

Sebagai keterangan tambahan kita juga mengetahui bahwa peluang seorang pria

berambut panjang adalah 0,3. Dengan kata lain: P(L|M) = 0,3

Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 -

P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen dari W. Tujuan kita adalah

menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut panjang, atau dalam

notasi yang kita gunakan, P(W|L).

Formula Teorema Bayes

Secara umum formula teorema Bayes adalah sebagai berikut :

a. Peluang Posterior adalah prediksi peluang munculnya satu kejadian berdasarkan

informasi dari kejadian yang lain.
b. Peluang Prior adalah peluang munculnya suatu kejadian yang sudah kita yakini
sebelumnya dan bisa jadi kejadian ini dipengaruhi kejadian yang lain.
c. Peluang Likelihood adalah peluang yang menyatakan derajat kemungkinan pengaruh
suatu informasi kejadian terhadap kejadian yang lain.
d. Peluang Evidence adalah sebuah ukuran pembanding konstan berdasarkan peluang suatu
informasi kejadian.

TEOREMA 1
Misalkan kejadian B1 , B2 , … , Bk merupakan suatu sekatan (partisi) dari ruang sampel S dengan
P( Bi )≠ 0 untuk i=1 , 2, … , k, maka untuk setiap kejadian A anggota S,

Bukti :
Perhatikan diagram Venn di bawah ini. Terlihat bahwa kejadian A merupakan gabungan dari
sejumlah kejadian yang saling terpisah

yaitu,

Peluang A kemudian dapat dihitung melalui:

Contoh 1 :
Dalam sebuah pabrik perakitan tertentu, terdapat tiga mesin yaitu mesin B1 , B 2 ,dan B3 yang
masing-masing membuat 30 % , 45 % dan 25 % dari produk yang dihasilkan. Berdasarkan
pengalaman yang lalu bahwa sebanyak 2 % , 3 % dan 2 %dari produks yang dihasilkan masing-
masing mesin mengalami cacat. Sekarang, misalnya bahwa sebuah produk yang telah selesai
dipilih secara acak. Berapa peluang bahwa produk tersebut cacat?
Pembahasan :
Perhatikan event berikut.
A : produknya cacat
B1 : produk yang dibuat mesin B1

B2 : produk yang dibuat mesin B2

B3 : produk yang dibuat mesin B3

Dengan menerapkan aturan eliminasi (rule of elimination), kita bisa menuliskan

Guna memudahkan pemahaman buatlah sebuah diagram pohon seperti pada gambar berikut.

Berdasarkan diagram pohon di atas, kita menemukan bahwa ketiga cabang tersebut memberikan
peluang:

dan oleh karena itu,

Contoh 2 :
Tiga anggota koperasi dicalonkan menjadi ketua. Peluang Pak Ali terpilih 0,3, peluang Pak Badu
terpilih 0,5, sedangkan peluang Pak Cokro 0,2. Kalau Pak Ali terpilih maka peluang kenaikan
iuran koperasi adalah 0,8. Bila Pak Badu atau Pak Cokro yang terpilih maka peluang kenaikan
iuran adalah masing-masing 0,1dan 0,4. Berapakah peluang iuran akan naik?
Pembahasan :
Perhatikan kejadian berikut.
A : orang yang terpilih menaikan iuran
B1 : Pak Ali yang terpilih

B2 : Pak Badu yang terpilih

B3 : Pak Cokro yang terpilih

Berdasarkan aturan penghapusan maka dapat ditulis

Dengan melihat ke diagram pohon di Gambar 3, terlihat bahwa ketiga cabang mempunyai
peluang:

Jadi,
TEOREMA 2
Misalkan kejadian B1 , B2 , … , Bk merupakan suatu sekatan ruang sampel S dengan P( Bi )≠ 0
untuk i=1 , 2, … , k. Misalkan A suatu kejadian sembarang dalam S dengan P( A)≠0.
Maka,

Bukti :
Menurut definisi peluang bersyarat

dan dengan menyubstitusikan nilai P( A)yang diperoleh pada Teorema 1 pada penyebut, kita
peroleh

Dengan demikian, kita peroleh bentuk

Contoh 3 :
Kembali ke Contoh 2, bila seseorang merencanakan masuk jadi anggota koperasi tersebut tapi
menundanya beberapa minggu dan kemudian mengetahui bahwa iuran telah naik, berapakan
peluang Pak Cokro terpilih jadi ketua?
Pembahasan :
Dengan menggunakan aturan Bayes dapat ditulis

Dan kemudian masukkan peluang yang telah dihitung di Contoh 2, diperoleh

Berdasarkan kenyataan bahwa iuran telah naik, hasil ini menunjukkan bahwa kemungkinan besar
bukan Pak Cokro yang sekarang jadi ketua koperasi tersebut.

Sumber :
Walpole, R.E., et al. (2012). Probability & Statistics for Engineers & Scientists, 9th ed. Boston:
Pearson Education, Inc.
Vidiasmoro, B. W. (2016). Peluang Bersyarat dan Teorema Bayes.
http://bagaswhy.blogspot.com/2016/11/peluang-bersyarat-dan-teorema-bayes pada Sabtu, 25
September 2021.
Brata, Adam Hendra. (2015). Probabilitas dan Statistika “Teorema Bayes”.
https://adamhendrabrata.files.wordpress.com/2015/03/probstat-3-2-adam.pdf pada Sabtu, 25
September 2021.