KETIDAKPASTIAN –

CERTAINTY FACTOR – NAÏVE BAYES

SEMESTER GASAL 2022 2023
 TUJUAN

Memahami konsep ketidakpastian dalam system

cerdas

Dapat memahami sifat-sifat ketidakpastian dalam

system cerdas dan teknik penyelesaiannya

Dapat menerapkan probabilitas bayes dalam

melakukan penyelesaian masalah ketidakpastian
KETIDAKPASTIAN

 Dengan representasi pengetahuan, kita dapat menulis AB, yang berarti jika A benar
maka B benar, tetapi pertimbangkan situasi di mana kita tidak yakin tentang apakah
A benar atau tidak, maka kita tidak dapat mengungkapkan pernyataan ini, situasi ini
disebut dengan Ketidakpastian
 Jadi untuk mewakili pengetahuan yang tidak pasti, dimana tidak yakin tentang logika
proposisi, kita membutuhkan penalaran yang tidak pasti atau penalaran probabilitas
 PENALARAN PROBABILISTIK
 Penalaran probabilistic adalah cara representasi pengetahuan dimana kita menerapkan
konsep probabilitas. Untuk menunjukkan ketidakpastian dalam pengetahuan. Dalam
penalaran probabilistic, kita menggabungkan teori probabilitas dengan logika untuk
menangani ketidakpastian.
 Kita menggunakan probabilitas dalam penalaran probabilistic karena memberikan cara
untuk menangani ketidakpastian yang merupakan hasil dari ketidaktahuan seseorang
atau kurang lengkapnya pengetahuan seseorang.
Seberapa besar kemungkinan sesuatu akan terjadi
 Banyak peristiwa yang tidak dapat diprediksi dengan pasti. Yang terbaik yang bisa kita
katakan adalah seberapa besar kemungkinannya terjadi , menggunakan ide probabilitas.
PEMANASAN INTUISI : BEBERAPA CONTOH
 Umumnya kita sudah sering membuat kesimpulan cerdas pada aktivitas sehari hari dari
informasi yang tidak pasti.
 Contoh 1: Menyeberang jalan di lalu lintas. Kita semua pernah melakukan ini: anda
sedang terburu-buru, jadi alih-alih menunggu lampu hijau tanda “berjalan”. Anda justru
melihat ke dua arah (kiri kanan) dan melihat bahwa mobil terdekat cukup jauh sehingga
anda dapat menyeberang dengan aman sebelum mobil tiba di dekat anda. Anda mulai
berjalan dan (saya kira) anda berhasil melewatinya (Nasslli, 2012)
 Q1 : apakah anda tahu (dengan kepastian mutlak) bahwa mobil yang anda lihat di kejauhan
tidak bergerak cukup cepat untuk menabrak? Jika demikian, bagaimana anda mengetahui
hal ini? Jika tidak, bagaimana mungkin anda membenarkan membuat keputusan seperti itu,
mengingat taruhannya sangat tinggi? Anda memang begitu benar-benar mempertaruhkan
nyawa anda.
PEMANASAN INTUISI : BEBERAPA CONTOH

 Q2 : Dapatkah logika membantu memahami bagaimana orang yang rasional dapat

membuat keputusan yang beresiko seperti itu, meski tidak memiliki pengetahuan
sempurna tentang semua faktor yang relevan?
 Sebagian kita hampir tidak pernah tahu dengan pasti apa konsekuensi dari tindakan
nantinya, tetapi biasanya tetap membuat keputusan yang cukup percaya diri dan
berani – dan sebagian besar waktu yang pilih adalah benar.
 Pernahkah anda berfikir bahwa bagaimana kita mampu melakukan tindakan ini
walaupaun kita tahu resiko dibalik itu. Hal ini perlu penjelasan!!
PEMANASAN INTUISI : BEBERAPA CONTOH

 Contoh 2 : Polisi dan pria di jendela. Anda adalah seorang petugas polisi yang
sedang berpatroli larut malam. Anda mendengar alarm berbunyi dan mengikuti suara
ke toko perhiasan. Ketika anda tiba. Anda melihat jendela yang rusak dan seorang
pria merangkak keluar dengan mengenakan pakaian hitam dan topeng, membawa
karung yang ternyata penuh dengan perhiasan (Jaynes,2003).
 Q1. Apa yang akan anda simpulkan?
 Q2. Dapatkah anda menemukan cara untuk membenarkan kesimpulan ini
menggunakan logika (tanpa berpura-pura memiliki pengetahuan tertentu yang
sebenarnya tidak anda miliki)?
PEMANASAN INTUISI : BEBERAPA CONTOH
 Q3. Pria itu mengatakan dia pemilik toko perhiasan tersebut dan baru saja kembali
dari pesta kostum dimana dia berpakaian sebagai pencuri, dia tidak bisa menemukan
kuncinya ketika dia sampai di toko, lalu memecahkan jendela untuk masuk. Pria ini
kemudian menyadari dia lebih baik mengumpulkan isi toko (berupa
perhiasan)sehingga orang lain tidak merangkak masuk melalui jendela yang rusak tadi
dan mengambil isi tokonya. Apakah ini masuk akal? Mengapa atau mengapa tidak?
Apa yang akan anda (polisi) lakukan pada keadaan ini?
 Misalkan menginginkan logika yang akan menjelaskan bagaimana menjustifikasi
keputusan rasional untuk menyeberang jalan atau penilaian polisi tentang kejujuran
pria di jendela. Seperti apakah logika itu? Dengan kata lain, alat formal apa yang
dibutuhkan untuk memahami inferensi rasional dan pengambilan keputusan rasional
diatas ketidakpastian?
 PEMANASAN INTUISI : BEBERAPA CONTOH
 Contoh 3 : Diagnosis medis #1. Misalkan mengamati seseorang batuk, dan menganggap
ada tiga kemungkinan : orang tersebut menderita Covid19(h1), penyakit paru-paru (h2),
atau mulas (h3). (Tanembaum, Kemp, Griffiths & Goodman 2011)
 Q1. Manakah dari hipotesis ini yang paling masuk akal?
 Q2. Bisakah anda menjelaskan dasar intuisi dari penilaian ini?
 Q3. pertimbangkan teori sederhana berikut: informasi direpresentasikan sebagai
sekumpulan kemungkinan. Kesimpulan dari perolehan informasi dilanjutkan dengan
menghilangkan kemungkinan yang tidak sesuai dengan bukti yang anda miliki, dan
menarik kesimpulan yang mengikuti secara logis dari keadaan informasi yang diperbarui
(mis. Kesimpulan yang benar dalam setiap kemungkinan yang tersisa). Apa yang akan
diprediksi oleh teori inferensi tentang status h1 – h3? Asumsi seperti apa yang perlu anda
tambahkan ke teori untuk mendapatkan hasil yang benar secara intuisi?
 PEMANASAN INTUISI : BEBERAPA CONTOH
 Contoh 4 : Warna rambut di Australia
a. Anda baru saja tiba di ibu kota Negara yang jauh, Australia, yang Anda tidak tahu banyak
tentangnya. Orang pertama yang Anda lihat memiliki rambut merah. Seberapa besar
kemungkinan orang kedua yang anda lihat memiliki rambut merah?
b. Orang kedua, ketiga, dan keempat yang anda lihat memiliki rambut merah juga. Seberapa
besar kemungkinan orang kelima juga akan memiliki rambut warna merah?
c. Anda membuat catatan, dari 84 orang yang anda lihat di hari pertama anda di Australia,
70 orang memiliki rambut merah. Jika anda harus menebak angka, berapa proporsi warga
Australia yang anda katakan memiliki rambut merah? Dapatkah anda memikirkan
serangkaian proporsi untuk seluruh populasi yang mungkin masuk akal, mengingat apa
yang anda amati?  70/84 = 83% kemungkinan memiliki rambut berwarna merah
 PEMANASAN INTUISI : BEBERAPA CONTOH

d) Anda tinggal di ibukota sepanjang perjalanan anda. Dari 1012 orang yang anda lihat disana, 923
memiliki rambut merah. Berapa proporsi orang Australia sekarang yang anda kira memiliki
rambut merah? Berapa kisaran proporsi yang dapat dipercaya yang mungkin masuk akal,
berikan kemungkinan dari apa yang anda amati?  923/1012 = keyakinan meningkat 91,2%
penduduk memiliki rambut berwarna merah
e) Andaikan, sekembalinya anda, anda membaca bahwa warna rambut tidak konsisten diberbagai
bagian Australia; di beberapa bagian kebanyakan orang memiliki rambut hitam, dibeberapa
bagian sebagian besar memiliki warna merah, dan di beberapa bagian besar berwarna cokelat.
Apakah anda akan merevisi perkiraan anda tentang proporsi orang Australia yang memiliki
rambut merah? Jika demikian, apa prediksi baru anda? Jika tidak, apakah ada hal lain yang
berubah tentang prediksi anda?
MELAKUKAN ILMU PENGETAHUAN MEMBUTUHKAN
KEMAMPUAN UNTUK MENGATASI KETIDAKPASTIAN

 Ilmu pengetahuan secara umum : membutuhkan prosedur yang baik untuk inferensi
yang tidak pasti karena ingin merumuskan dan membenarkan teori teori ilmiah
walaupun data hampir selalu tidak lengkap.
 Logika deduktif sangat bagus untuk menalar tentang hal-hal yang diketahui benar atau
salah, tetapi tidak secara langsung berlaku untuk informasi yang sifatnya masih mungkin atau
masuk akal
 Untuk membentuk pengetahuan, perlu prosedur untuk menentukan kesimpulan yang diambil
(meskipun sementara) dari data yang tidak lengkap dan bagaimana serta kapan menarik
kesimpulan lama ketika mendapatkan bukti baru. Untuk kasus seperti ini maka logika induktif
paling tepat digunakan.
CONTOH 6

 Angsa
 Para peneliti mengamati sekelompok orang yang mengetahui dengan pasti bahwa pernyataan
universal (semua) yang bergantung secara logis itu benar.
 Dalam filsafat modern awal di eropa, pengetahuan yang dimiliki ketika itu adalah “Semua angsa
berwarna putih”, merupakan sebuah generalisasi universal yang kebenarannya ditegakan dengan
mengamati bahwa semua angsa di Eropa berwarna putih dan tidak ada angsa selain warna putih. Ini
sebelum orang Eropa pergi ke Australia.
 Ketika mereka sampai disana, mereka menemukan bahwa angsa Australia berwarna hitam. OMG !!!
 Artinya kesimpulan yang sudah dibentuk angsa berwarna putih menjadi gugur dengan penemuan
fakta baru (adanya angsa berwarna hitam)
ILMU KOGNITIF ( MISALNYA LINGUISTIK, PSIKOLOGI, AI,
FILSAFAT PIKIRAN DAN EPISTEMOLOGI)

 Memerlukan teori penalaran ketidakpastian karena mencoba memahami kecerdasan

manusia, dan sebagian besar kecerdasan manusia adalah tentang menggunakan
informasi yang tidak pasti untuk membuat kesimpulan wajar yang membantu dalam
pengambilan keputusan.
 Bahkan dapat menaikkan kemungkinan dengan menggabungkan dua motivasi :
membutuhkan teori penalaran tidak pasti yang akan membantu para ilmuwan mencari
tahu teori penalaran mana yang paling menggambarkan bagaimana manusia membuat
kesimpulan cerdas menggunakan informasi yang tidak lengkap dan tidak pasti.
PERLUNYA PENALARAN PROBABILITAS DALAM
KECERDASAN BUATAN

a. Ketika ada hasil yang tidak terduga

b. Ketika spesifikasi atau kemungkinan predikat menjadi terlalu besar untuk
ditangani
c. Ketika kesalahan yang tidak diketahui terjadi selama percobaan
 ISTILAH UMUM DALAM PENALARAN PROBABILITAS
 Karena penalaran probabilistic menggunakan probabilitas dan istilah terkait, maka
sebelum memahami penalaran probabilitas, mari kita memahami beberapa istilah
umum:
 Probabilitas : probabilitas dapat didefinisikan sebagai peluang atau kemungkinan
suatu kejadian, suatu ukuran tentang kemungkinan atau derajat ketidakpastian suatu
peristiwa (event) yang akan terjadi di masa mendatang. Rentangan probabilitas
Antara 0 sampai dengan 1
dimana adalah probabilitas dari peristiwa A.
menunjukkan ketidakpastian total dari peristiwa A (peristiwa A tidak mungkin terjadi)
menunjukkan kepastian total peristiwa A (peristiwa A pasti terjadi)
= probabilitas suatu peristiwa yang tidak terjadi,
 ISTILAH UMUM DALAM PENALARAN PROBABILITAS

 Peristiwa : setiap hasil yang mungkin dari suatu variable disebut peristiwa
 Ruang sampel : kumpulan semua peristiwa yang mungkin disebut ruang sampel
 Variabel acak : variable acak digunakan untuk mewakili peristiwa dan objek di dunia
nyata.
 Probabilitas sebelumnya : probabilitas sebelumnya dari suatu peristiwa adalah
probabilitas yang dihitung sebelum mengamati informasi baru.
 Posterior probability : probabilitas yang dihitung setelah semua bukti atau informasi telah
diperhitungkan. Ini adalah kombinasi dari probabilitas sebelumnya dan informasi baru
MENGHITUNG PROBABILITAS/PELUANG SUATU
KEJADIAN

 = banyaknya kejadian;
 = kejadian seluruhnya/ peristiwa yang mungkin terjadi
A. PROBABILITAS 2 KEJADIAN

 Contoh : Pelemparan Uang Koin. Suatu mata uang logam yang masing-masing sisinya berisi
gambar dan angka dilemparkan secara bebas sebanyak 1 kali. Berapakah probabilitas munculnya
gambar atau angka?

 Jawab : n = 1, N = 2, P (angka atau gambar) = ½ = 50%.

 Dapat disimpulkan peluang munculnya gambar atau angka adalah sama besar.
B. PROBABILITAS BANYAK KEJADIAN
 Contoh 1 : Pelemparan Dadu.
 Berapa peluang munculnya dadu mata satu pada satu kali pelemparan? Jika kita
tinjau pada sebuah dadu hanya memiliki 1 buah mata dadu bermata 1, sedangkan
pada dadu terdapat 6 mata yaitu mata 1 sampai mata 6.

 Jawab : n = 1, N = 6, P (dadu mata 1) = 1/6 = 16,7%.

 Dapat disimpulkan peluang munculnya dadu mata 1 adalah 1/6 atau sebesar 16.7%
B. PROBABILITAS BANYAK KEJADIAN
 Contoh 2 . Kumpulan Kelereng
 Dalam sebuah kotak terdapat 8 buah bola terdiri dari 5 buah bola
berwarna merah dan 3 bola berwarna putih. Dari dalam kotak diambil
satu buah bola secara acak. Tentukan peluang terambilnya satu bola
berwarna merah!
 Jawab :
• Jumlah bola semua = 8  N
• Jumlah bola warna merah = 5  n
• Peluang terambilnya satu bola warna merah adalah : P(1 bola merah) = 5/8
• Dapat disimpulkan peluang munculnya satu bola warna merah adalah 5/8 atau sebesar 62,5%
 PROBABILITAS BERSYARAT (CONDITIONAL
PROBABILITY)

 Jika kejadian yang satu menjadi syarat terjadinya kejadian yang lain di tulis , kita
tulis untuk menyatakan peristiwa A terjadi dengan didahului terjadinya peristiwa B.
Peluangnya ditulis dengan dan disebut dengan conditional probability (probabilitas
bersyarat). Untuk probabilitas bersyarat dihubungkan dengan kata dan, sehingga
berlaku hubungan :

 Peluangnya ditulis dengan dan disebut Conditional probability

MEMAHAMI
PROBABILITAS BERSYARAT
PENGANTAR

 PROBABILITAS BERSYARAT dikenal dengan sebutan CONDITIONAL

PROBABILITY atau DEPENDENT PROBABILITY
 Lalu,
 BAGAIMANA MENANGANI CONDITIONAL PROBABILITY?
EVENT ATAU KEJADIAN

 terbagi menjadi 2:

Independent Dependent
event event
INDEPENDENT EVENTS
 Dua kejadian atau lebih dinamakan independent events, jika kejadian yang
satu tidak mempengaruhi kejadian yang lain.
 Conton :
melempar uang koin

 Setiap lemparan koin memiliki peluang yang sama, apa yang dilakukan di masa
lalu akan mempengaruhi lemparan saat ini.
 Kesempatan hanya ½, atau 50% sama seperti lemparan koin APA PUN,
 Jadi setiap lemparan adalah independent event
DEPENDENT EVENTS
 Tetapi peristiwa juga bisa “dependent” … yang berarto mereka dapat dipengaruhi oleh
peristiwa sebelumnya …
 Contoh : Dalam Kotak,
 Terdapat 2 kelereng warna biru dan 3 kelereng warna merah.
 Bagaimana peluang mendapatkan kelereng warna biru?

 Peluangnya adalah 2/5

 Tetapi setelah mengambil satu kelereng keluar, maka peluang akan berubah!
 Berikutnya :
 Jika kita mendapat merah sebelumnya, maka peluang biru berikutnya 2/4

 Jika kita mendapat biru sebelumnya, maka peluang biru berikutnya 1/4

 Peluang berubah karena kita mengeluarkan keleren dari dalam kotak

 Jadi kejadian selanjutnya tergantung pada apa yang terjadi pada kejadian sebelumnya,
yang disebut dependent.
DIAGRAM POHON

 Diagram pohon adalah cara luar biasa untuk menggambarkan apa yang sedang
terjadi, jadi mari kita buat satu contoh.
 Ada peluang 2/5 untuk mengeluarkan kelereng biru dan peluang 3/5 untuk kelereng
merah :
 Kita bisa melangkah lebih jauh dan melihat apa yang terjadi ketika kita mengambil
kelereng kedua:

 Jika kelereng biru dipilih terlebih dahulu, sekarang ada peluang 1/4 untuk
mendapatkan kelereng biru dan peluang 3/4 untuk mendapatkan kelereng merah
 Jika kelereng merah dipilih terlebih dahulu, sekarang ada peluang 2/4 untuk
mendapatkan kelereng biru dan peluarng 2/4 untuk mendapatkan kelereng merah/
SEKARANG KITA DAPAT MENJAWAB PERTANYAAN SEPERTI :
“BAGAIMANA PELUANG MENDAPATKAN 2 KELERENG BIRU?”

 Jawabnya : peluangnya 2/5 diikuti dengan peluang ¼

2 1 2 1
¿ × = =
5 4 20 10

 Dari diagram jalur yang terbentuk, apakah anda melihat bagaimana cara
mengalikan peluang? Dan mendapat 1/10 sebagai hasilnya?
 Peluang memperoleh 2 kelereng biru adalah 1/10
 NOTASI
 P(A) berarti “Probabilitas Peristiwa A”
 Dalam contoh kelereng, Peristiwa A adalah “dapatkan kelereng Biru terlebih dahulu”
dengan probabilitas 2/5 ----- P(A) = 2/5
 Peristiwa B adalah “dapatkan kelereng Biru kedua” … tetapi untuk itu kita memiliki 2
pilihan.
 Jika kita mendapat kelereng Biru duluan, peluangnya sekarang 1/4
 Jika kita mendapat kelereng Merah duluan, peluangnya sekarang 2/4
 Jadi kita harus mengatakan yang mana yang kita inginkan, dan menggunakan symbol
“|” berarti “diberikan” :
 P(B|A) berarti “peristiwa B yang diberikan Peristiwa A”
 Dengan kata lain, peristiwa A sudah terjadi, sekarang apa peluang peristiwa B?
 P(B|A) juga disebut “Probabilitas Bersyarat” dari B yang diberikan A
 Dan dalam kasus kita : P(B|A) = 1/4
JADI KEMUNGKINAN MENDAPATKAN 2 KELERENG BIRU
ADALAH:

 Dan ditulis sebagai :

“Probability Of” “Given”

𝑃 ( 𝐴 𝑎𝑛𝑑 𝐵 ) =𝑃 ( 𝐴 ) × 𝑃 ( 𝐵| 𝐴 )

“Event A” “Event B”
 Probabilitas peristiwa A dan peristiwa B sama dengan probabitiltas peristiwa A dikali probabilitas
peristiwa B diberikan peristiwa A
MARI KITA LAKUKAN CONTOH BERIKUT HANYA
MENGGUNAKAN NOTASI :
 Contoh : Penarikan 2 kartu Raja dari Kartu Remi

 Peristiwa A penarikan Raja pertama, dan Peristiwa B penarikan Raja Kedua.

 Untuk kartu pertama, kesempatan mengundi kartu Raja adalah 4 dari 52 (ada 4 Raja
di setumpuk 52 kartu): P(A) = 4/52
 Tetapi setelah mengeluarkan 1 kartu Raja, kemungkinan kartu ke 2 yang ditarik lebih
kecil kemungkinannya kartu Raja kembali (hanya 3 dari 51 kartu yang tersisa adalah
Raja) : P(B|A) = 3/51
 Dan seterusnya :
 P(A dan B) = P(A) x P(B|A) = (4/52) x (3/51) = 12/2652 = 1/221
 Jadi peluang mendapatkan 2 raja adalah 1 berbanding 221, atau sekitar 0,5% atau
0,005
MENEMUKAN FORMULA TERSEMBUNYI

 Dengan menggunakan aljabar kita juga dapat “mengubah subjek” dari rumus,
seperti ini:
 Mulai dengan : P(A dan B) = P(A) x P(B|A)
 Tukar posisi : P(A) x P(B|A) = P(A dan B)
 Bagi dengan P(A) : P(B|A ) = P(A dan B) / P(A)
 Dan hasilnya kita memiliki formula lain yang bermanfaat :

 Probabilitas peristiwa B yang diberikan peristiwa A sama dengan probabilitas

peristiwa A dan probabilitas peristiwa B dibagi dengan probabilitas peristiwa A
CONTOH : ES KRIM

 70% teman anda suka coklat, dan 35% suka coklat dan suka strawberry.
 Berapa persen dari mereka yang suka coklat juga suka strawberry?


 50% teman anda yang suka coklat juga suka strawberry
CONTOH LEBIH LUAS
:

GAME SEPAK BOLA

 Anda pergi latihan sepak bola, dan ingin menjadi kipper, tetapi itu
tergantung siapa pelatih hari ini:
 Dengan pelatih sam, probabilitas menjadi kipper adalah 0,5
 Dengan pelatih alex, probabilitas menjadi kipper adalah 0,3
 Sam adalah pelatih yang lebih sering … sekitar 6 dari setiap 10
pertandingan (probabilitas 0,6).
 Jadi berapa probabilitas anda menjadi kipper hari ini?
 MARI KITA MEMBANGUN DIAGRAM POHON. PERTAMA KITA
TUNJUKKAN DUA KEMUNGKINAN PELATIH : SAM ATAU ALEX :

0,6 Sam
 Probabilitas mendapatkan Sam adalah
0,6, sehingga probabilitas Alex harus
0,4 (kedua probabilitas jumlahnya
0,4 Alex
harus 1)
0,5 Yes
 Sekarang, jika Anda mendapatkan
Sam, ada 0,5, kemungkinan menjadi
0,6 Sam
Kiper (dan 0,5 tidak menjadi Kiper) : 0,5 No
0,4 Alex
 Jika anda mendapatkan Alex, ada kemungkinana 0,3 menjadi Kiper (dan 0,7 tidak) :

 Diagram pohon selesai, sekarang mari kita hitung probabilitas keseluruhan. Ingat bahwa :
 P(A dan B) = P(A) x P(B|A)
 Berikut adalah cara melakukannya untuk cabang “Sam, Ya” :
 (ketika kita mengambil 0,6 peluang ketika Sam menjadi pelatih dikali 0,5 peluang bahwa
Sam akan membiarkanmu menjadi Kiper, kita berakhir dengan peluang 0,3)
 Tapi kita belum selesai! Kita belum memasukkan Alex sebagai pelatih :

 Peluang ketika Alex sebagai pelatih 0,4, diikuti oleh peluang 0,3 menghasilkan 0,12
 Dan dua cabang pohon “Ya” bersama-sama menghasilkan : 0,3+0,12 = 0,42
 (probabilitas Anda menjadi kipper hari ini adalah sebesar 42%)
MEMERIKSA

 Satu langkah terakhir : selesaikan perhitungan dan pastikan semuanya berjumlah 1 :

 0,3 + 0,3 + 0,12 + 0,28 = 1

CONTOH LAIN : TEMAN DAN ANGKA ACAK

 Berikut adalah contoh lain yang sangat berbeda dari Probabilitas bersyarat.

 4 teman (Asih, Budi, Cindy dan Dude) masing-masing memilih nomor acak
Antara 1 dan 5. Bagaimana kemungkinan mereka memilih nomor yang sama?

 Mari kita tambahkan teman satu per satu …

PERTAMA, BERAPA PELUANG ASIH DAN BUDI MEMILIKI NOMOR
YANG SAMA?

 Budi membandingkan nomornya dengan nomor Asih. Ada peluang 1 dari 5

pencocokan.
 Ilustrasi diagram pohon :

 Catatan : “Ya” dan “Tidak” bersama-sama menghasilkan 1

 (1/5 + 4/5 = 5/5 = 1)
 Sekarang, mari kita sertakan Cindy …
 Tetapi sekarang ada dua kasus untuk dipertimbangkan :
 Jika Asih dan Budi cocok, maka Cindy hanya memiliki satu nomor untuk dibandingkan.
 Tetapi jika Asih dan Budi tidak cocok, maka Cindy memiliki dua angka untuk
dibandingkan.
 Ilustri seperti gambar dibawah :
 Untuk baris teratas (Asih dan Budi cocok) kita sudah memiliki kecocokan (peluang 1/5)
 Tetapi untuk “Asih dan Budi tidak cocok” sekarang ada peluang 2/5 untuk pencocokan Cindy
(karena Cindy dapat mencocokkan nomornya melawan Asih dan Budi)
 Dan kita dapat menghitung peluang gabungan dengan mengalikan peluang yang dibutuhkan untuk
sampai ke tahap tersebut.
 Mengikuti jalur “tidak, ya” … ada peluang 4/5 dari Tidak, diikuti oleh peluang 2/5 dari Ya : (4/5) x (2/5) =
8/25
 Mengikuti jalur “tidak,tidak” … ada peluang 4/5 dari tidak, diikuti oleh peluang 3/5 dari tidak : (4/5) x (3/5)
= 12/25
 Perhatikan juga bahwa ketika kita menambahkan semua peluang, kita masih mendapatkan 1 (cek
terlebih dahulu bahwa kita tidak melakukan kesalahan) :
 (5/25) + (8/25) + (12/25) = 25/25 = 1
 Sekarang apa yang terjadi ketika kita memasukkan Dude?
 Ikuti langkah yang sama dengan pembentukan pohon yang lebih luas

 OK, itu semua untuk 4 teman, dan peluang “ya” bersama menghasilkan
101/125:
 So, jawabannya 101/125
 Tetapi disini ada sesuatu yang menarik … jika kira mengikuti jalan “Tidak” kita dapat
melewati semua perhitungan lain dan membuat cara kita lebih mudah :

 Kemungkinan tidak cocok adalah : (4/5) x (3/5) x (2/5) = 24/125

 Jadi kemungkinan pencocokan adalah 1 – (24/125) = 101/125
 (dan kita tidak benar-benar membutuhkan diagram pohon untuk itu!)
 DAN ITU ADALAH TRIK POPULAR
DALAM PROBABILITAS
SERINGKALI LEBIH MUDAH UNTUK
MENYELESAIKAN KASUS “TIDAK”
CERTAINTY FACTOR
PENGANTAR

ö Teori probabilitas telah dipercaya oleh para ahli matematika sebagai

teori ketidakpastian yang dapat direproduksi, contohnya teorema
bayes.
ö Selain teori probabilitas, teori-teori alternative secara khusus
dikembangkan untuk hal-hal yang berkaitan dengan kepercayaan
manusia daripada interprestasi frekuensi klasik probabilitas
ö Salah satu teori teori alternative tersebut adalah certainty factor
FAKTOR KEPASTIAN

ö Faktor kepastian (Certainty Factor – CF) menunjukkan ukuran kepastian

terhadap suatu fakta atau aturan
ö Shortlife dan Buchanan (1975) mengembangkan CF model pertengahan
tahun 1970 untuk MYCIN, yaitu sebuah system pakar (expert system)
untuk mendiagnosa penyakit meningitis dan infeksi darah
ö Sejak itu, CF model menjadi standar pendekatan untuk mengatur
kepastian dalam system berbasis aturan
CERTAINTY FACTOR (CF)
 Notasi Faktor Kepastian :

 Dengan :
 CF[h,e] = faktor kepastian
 MB[h,e] = ukuran kepercayaan/ tingkat keyakinan terhadap
hipotesis h, jika diberikan/ dipengaruhi evidence e (Antara 0 dan 1)
 MD[h,e] = ukuran ketidakpercayaan/ tingkat ketidakyakinan
terhadap hipotesis h, jika diberikan / dipengaruhi evidence e
(Antara 0 dan 1)
3 HAL YANG MUNGKIN TERJADI
A
e1

h h1 ∧ h2 B

e2
Gambar 1. Kombinasi Aturan Ketidakpastian C

1. Ada beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis

2. CF dihitung dari kombinasi beberapa hipotesis
3. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi
input untuk aturan yang lainnya
1. BEBERAPA EVIDENCE DI KOMBINASIKAN UNTUK
MENENTUKAN CF DARI SUATU HIPOTESIS

e1

h  Jika e1 dan e2 adalah observasi, maka

e2 𝑀𝐵[h , 𝑒1 ∧𝑒 2]=
{ 0
𝑀𝐵 [ h , 𝑒1 ] +𝑀𝐵 [ h , 𝑒2 ] × ( 1− 𝑀𝐵 [ h , 𝑒1 ] )
, 𝑗𝑖𝑘𝑎 𝑀𝐷 [h ,𝑒 1∧ 𝑒2]=1
𝑙𝑎𝑖𝑛𝑛𝑦𝑎

𝑀𝐷 [h ,𝑒 1∧ 𝑒2]=
{ 0
𝑀𝐷 [ h , 𝑒1 ] + 𝑀𝐷 [ h , 𝑒2 ] × ( 1− 𝑀𝐷 [ h , 𝑒1 ] )
, 𝑗𝑖𝑘𝑎 𝑀𝐵 [h ,𝑒 1∧ 𝑒2]=1
𝑙𝑎𝑖𝑛𝑛𝑦𝑎
 CONTOH
 Misal suatu observasi memberikan kepercayaan terhadap h dengan MB[h,e1] = 0,3 dan MD[h,e1] = 0,
maka :

 Jika ada observasi baru dengan MB[h,e2] = 0,2 dan MD[h,e2] = 0, maka :
CONTOH

 Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Ani terkena cacar

dengan kepercayaan, dan , Maka:

 Jika ada observasi baru bahwa Ani juga panas badan dengan kepercayaan, dan ;
maka:
2. CF DIHITUNG DARI KOMBINASI BEBERAPA HIPOTESIS

 Jika h1 dan h2 adalah hipotesis,

h1 ∧ h2
maka:
𝑀𝐵 [ h1 ∧h 2 , 𝑒 ] =𝐦𝐢𝐧 ⁡( 𝑀𝐵 [ h1 , 𝑒 ] , 𝑀𝐵 [ h 2 , 𝑒 ] )
𝑀𝐵 [ h1 ∨h 2 , 𝑒 ] =𝐦𝐚𝐱 ⁡( 𝑀𝐵 [ h1 ,𝑒 ] , 𝑀𝐵 [ h2 , 𝑒 ] )

𝑀𝐷 [ h 1 ∧ h2 ,𝑒 ] =𝐦𝐢𝐧 ⁡( 𝑀𝐷 [ h1 ,𝑒 ] , 𝑀𝐷 [ h2 , 𝑒 ] )
𝑀𝐷 [ h 1 ∨ h2 ,𝑒 ] =𝐦𝐚𝐱 ⁡( 𝑀𝐷 [ h 1 , 𝑒 ] , 𝑀𝐷 [ h2 , 𝑒 ] )
 CONTOH
 Andaikan suatu observasi memberikan kepercayaan terhadap h 1 dengan MB[h1,e] = 0,5 dan MD[h1,e] = 0,2. Maka:

 Jika observasi tersebut juga memberikan kepercayaan terhadap h 2 dengan MB[h2,e] = 0,8 dan MD[h2,e] = 0,1. Maka:

 Untuk mencari CF[h1  h2,e] dapat diperoleh dari:

 MB[h1  h2,e] = min(0,5; 0,8) = 0,5

 MD[h1  h2,e] = min(0,2; 0,1) = 0,1
 CF[h1  h2,e] = 0,5 – 0,1 = 0,4
 Untuk mencari CF[h1  h2,e] dapat diperoleh dari:
 MB[h1  h2,e] = max(0,5; 0,8) = 0,8
 MD[h1  h2,e] = max(0,2; 0,1) = 0,2
 CF[h1  h2,e] = 0,8 – 0,2 = 0,6
 CONTOH
 Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan kepercayaan, MB[Cacar,Bintik2]
= 0,80 dan MD[Cacar,Bintik2] = 0,01. Maka:
 CF[Cacar,Bintik2] = 0,80 – 0,01 = 0,79.
 Jika observasi tersebut juga memberikan kepercayaan bahwa Asih mungkin juga terkena alergi dengan kepercayaan,
MB[Alergi,Bintik2] = 0,4 dan MD[Alergi,Bintik2] = 0,3; maka:
 CF[Alergi,Bintik2] = 0,4 – 0,3 = 0,1.
 Untuk mencari CF[Cacar  Alergi, Bintik2] dapat diperoleh dari:
 MB[Cacar  Alergi, Bintik2] = min(0,8; 0,4) = 0,4
 MD[Cacar  Alergi, Bintik2] = min(0,01; 0,3) = 0,01
 CF[Cacar  Alergi, Bintik2] = 0,4 – 0,01 = 0,39

 Untuk mencari CF[Cacar  Alergi, Bintik2] dapat diperoleh dari:

 MB[Cacar  Alergi, Bintik2] = max(0,8; 0,4) = 0,8
 MD[Cacar  Alergi, Bintik2] = max(0,01; 0,3) = 0,3
 CF[Cacar  Alergi, Bintik2] = 0,8 – 0,3 = 0,5
DARI CONTOH, DAPAT DILIHAT BAHWA

 Semula faktor kepercayaan bahwa Asih terkena cacar dari gejala munculnya bintik-
bintik di wajah adalah 0,79. demikian pula faktor kepercayaan bahwa Asih terkena
alergi dari gejala munculnya bintik-bintik di wajah adalah 0,1.
 Dengan adanya gejala yang sama mempengaruhi 2 hipotesis yang berbeda ini,
memberikan faktor kepercayaan bahwa:
 Asih menderita cacar dan alergi = 0,39.
 Asih menderita cacar atau alergi = 0,5
3. BEBERAPA ATURAN SALING BERGANDENGAN, KETIDAKPASTIAN DARI SUATU
ATURAN MENJADI INPUT UNTUK ATURAN YANG LAINNYA

A
MB[h,s] = MB’[h,s] * max(0,CF[s,e])
B  Dengan MB’[h,s] adalah ukuran kepercayaan h
berdasarkan keyakinan penuh terhadap validitas s.
C
 CONTOH
 PHK = terjadi PHK
 Pengangguran = muncul banyak pengangguran
 Gelandangan = muncul banyak gelandangan
 
 Aturan:
 /1/
 IF terjadi PHK
 THEN muncul banyak pengangguran
 (CF[Pengangguran,PHK]=0,9)
Maka:
MB[Gelandangan,Pengangguran] = (0,7)x(0,9)= 0,63
 /2/
 IF muncul banyak pengangguran
 THEN muncul banyak gelandangan
 (MB[Gelandangan,Pengangguran]=0,7)
TEOREMA BAYES
PENGANTAR
 Dalam teori probabilitas dan statistic, teorema Bayes (atau hokum Bayes
atau aturan Bayes) menggambarkan kemungkinan suatu peristiwa,
berdasarkan pengetahuan sebelumnya tentang kondisi yang mungkin
terkait dengan peristiwa tersebut.
 Misalnya, jika probabilitas seseorang terkena kanker berhubungan dengan
usia mereka, maka dengan menggunakan teorema Bayes, usia dapat
digunakan untuk menilai kemungkinan kanker secara lebih akurat
daripada yang dapat dilakukan tanpa mempertimbankan usia (joyce,
james, 2003)
 Dinamai sesuai dengan nama penemunya Thomas Bayes.
 Teorema Bayes, merupakan rumus matematika sederhana yang digunakan untuk
menyederhanakan Probabilitas Bersyarat

Mobil Self Driving Google, Pengurutan spam email,

mengunakan perangkat menilai medis dan
lunak Bayesian untuk
resiko keamanannya,
membantu mesin
mengenali pola dan serta memecahkan kode
membuat keputusan DNA
Penggunaan Teorema Bayes

Mengembangkan model
Teorema Bayes juga klasifikasi pemodelan
banyak digunakan untuk masalah prediksi
dalam bidang Machine seperti Bayes Optimal
Learning Classifier dan Naïve
Bayes
 𝑷 ( 𝑨 )× 𝑷 ( 𝑩| 𝑨 )
𝑷 ( 𝑨| 𝑩 )=
RUMUS TEOREMA BAYES: 𝑷 (𝑩)
 Yang memberitahu kita :
 seberapa sering A terjadi setelah B terjadi, ditulis P(A|B),
 Ketika kita tahu :
 seberapa sering B terjadi setelah A terjadi, ditulis P(B|A) dan
 seberapa besar kemungkinan A adalah benar, ditulis P(A) dan
 seberapa besar kemungkinan B adalah benar, ditulis P(B)
 Katakanlah P(Api) berarti seberapa sering ada api, dan P(Asap) berarti seberapa sering
kita melihat asap, maka:
 P(Api|Asap) berarti seberapa sering ada api ketika kita melihat asap
 P(Asap|Api) berarti seberapa sering kita melihat asap ketika ada api
 CONTOH :
 Kebakaran berbahaya karena ada api jarang terjadi (1%); missal orang lain memasak
 Munculnya asap cukup umum terjadi (10%); missal orang lagi memanggang ikan atau
membakar sampah dll;
 Kebakaran berbahaya menghasilkan Asap (90%)
Kita dapat menghitung kemungkinan Api berbahaya ketika ada Asap :
𝑃 ( 𝐴)× 𝑃 ( 𝐵| 𝐴 )
𝑃 ( 𝐴|𝐵 )=
𝑃 ( 𝐵)
𝑃 ( 𝐴𝑝𝑖) × 𝑃 ( 𝐴𝑠𝑎𝑝| 𝐴𝑝𝑖 ) (1 %  ×90 % )
𝑃 ( 𝐴𝑝𝑖| 𝐴𝑠𝑎𝑝 )= = =9 %
𝑃 ( 𝐴𝑠𝑎𝑝 ) 10 %

Jadi, masih perlu memeriksa asap lainnya untuk lebih memastikan kemungkinan adanya api
 CONTOH : PERGI PIKNIK
ANDA MERENCANAKAN PERGI PIKNIK HARI INI, TETAPI PAGI HARI
TERLIHAT BERAWAN (MENDUNG)
 Data : 50% hari hujan dimulai dengan hari mendung/ berawan, namun pagi hari berawan sering terjadi
(40%), dan bulan ini bukan bulan penghujan (hanya 3 dari 30 hari cenderung turun hujan – 10%). Berapa
peluang hujan siang hari ini?
 Kita akan menggunakan kata “Hujan” yang berarti hujan di siang hari dan kata “Awan” yang berarti pagi
yang berawan.
 Peluang hujan diberikan karena adanya awan ditulis P(Hujan|Awan)
 Mari kita masukan dalam rumus :
𝑃 (𝐻𝑢𝑗𝑎𝑛)× 𝑃 ( 𝐴𝑤𝑎𝑛|𝐻𝑢𝑗𝑎𝑛 )
𝑃 ( 𝐻𝑢𝑗𝑎𝑛| 𝐴𝑤𝑎𝑛 )=
𝑃 ( 𝐴𝑤𝑎𝑛)
𝑃 ( 𝐻𝑢𝑗𝑎𝑛 ) 𝑎𝑑𝑎𝑙𝑎h 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 h𝑢𝑗𝑎𝑛=10 %=0,1
= 0,5
= 0,4
0,1 ×0,5
𝑃 ( 𝐻𝑢𝑗𝑎𝑛| 𝐴𝑤𝑎𝑛 )= =0,125
0,4
Atau kemungkinan hujan 12,5%
HANYA 4 ANGKA
 Terdapat 100 orang dalam sebuah pesta. Anda akan menghitung berapa banyak
orang yang memakai baju pink dan bukan pink, dan apakah pria atau bukan
berdasarkan angka berikut: Pink notPink
Man 5 35
notMan 20 40

 Kita akan menggunakan Teorema Bayes didasarkan hanya pada 4 angka itu!
 Mari kita lakukan perhitungan total :
Pink notPink
Man 5 35 40
notMan 20 40 60
25 75 100
 HITUNG BEBERAPA PROBABILITAS
 Probabilitas Pria : P(Pria) = 40/100 = 0,4
 Probabilitas orang memakai baju warna Pink : P(Pink) = 25/100 = 0,25
 Probabilitas Pria memakai baju warna Pink : P(Pink|Pria) = 5/40 = 0,125
 Probabilitas orang yang memakai baju warna Pink adalah Pria : P(Pria|Pink) ?
Pink notPink
Man 5 35 40
notMan 20 40 60
25 75 100
𝑃 (𝑃𝑟𝑖𝑎)× 𝑃 ( 𝑃𝑖𝑛𝑘|𝑃𝑟𝑖𝑎 )
𝑃 ( 𝑃𝑟𝑖𝑎| 𝑃𝑖𝑛𝑘 )=
𝑃 ( 𝑃𝑖𝑛𝑘)
 P(Pria) = 0,4
0,4 × 0,125
 P(Pink) = 0,25 𝑃 ( 𝑃𝑟𝑖𝑎| 𝑃𝑖𝑛𝑘 )= =0,2
0,25
 P(Pink|Pria) = 0,125
MENGINGAT RUMUS TEOREMA BAYES

𝑃 ( 𝐴)× 𝑃 ( 𝐵| 𝐴 )
𝑃 ( 𝐴|𝐵 )=
𝑃 ( 𝐵)
 Pertama-tama ingat susunan “AB AB AB” lalu kelompokkan seperti “ AB = A BA/ B”
“A” DENGAN TIGA ( ATAU LEBIH) KASUS

 Kita sudah membahas “A” dengan 2 kasus yaitu (A dan bukan A). Ketika “A”
memiliki 3 kasus atau lebih, kita harus sertakan semuanya dalam garis penyebut.

𝑃 ( 𝐴 1)× 𝑃 ( 𝐵| 𝐴 1 )
𝑃 ( 𝐴 1|𝐵 )=
𝑃 ( 𝐴 1 ) × 𝑃 ( 𝐵| 𝐴 1 ) + 𝑃 ( 𝐴 2 ) × 𝑃 ( 𝐵| 𝐴 2 )+ 𝑃 ( 𝐴 3 ) × 𝑃 ( 𝐵| 𝐴 3 )+ … 𝑑𝑠𝑡
CONTOH :

 Kompetisi Seni diikuti oleh tiga pelukis : Adi, Dea, Roy.

 Adi memasukkan 15 lukisan, 4% karyanya telah menenangkan Hadiah pertama.
 Dea memasukkan 5 lukisan, 6% dari karyanya telah memenangkan Hadiah Pertama.
 Roy memasukkan 10 lukisan, 3% dari karyanya telah memenangkan Hadiah Pertama.

 Berpa peluang Adi memenangkan Hadiah PErtama?

Dikalikan semua dengan 30, (untuk memudahkan perhitungan)

Kesempatan Adi Cukup Bagus, yaitu 50%

SKENARIO TEST DIAGNOSIS

 Contoh yang sangat baik dan banyak digunakan tentang manfaat teorema bayes
adalah dalam analisis uji diagnosis medis.
 Skenario pertimbangkan sejumlah wanita yang mungkin atau tidak mungkin
menderita penyakit kanker ( kanker benar atau salah) dan tes medis yang memberikan
hasil positif atau negative untuk mendeteksi kanker (tes positif atau tes negative).
Misal seperti mammogram untuk mendeteksi kanker payudara

Masalah : jika pasien yang dipilih secara acak menjalani tes dan hasilnya positif,
berapakah probabilitas pasien terebut menderita kanker?
 SKENARIO
 1% wanita menderita kanker payudara (berarti 99% tidak)
 80% mammogram mampu mendeteksi kanker payudara atas semua pasien penderita kanker
payudara (berarti 20% terlewatkan oleh mammogram)
 9,6% mammogram menderteksi kanker payudara ketika pasien sebenarnya tidak menderita
kanker payudara ( berarti 90,4% mammogram mendeteksi pasien yang tidak menderita
kanker payudara dengan benar dengan hasil negative)
 Letakkan data dalam table, maka probabilitas akan terlihat seperti ini:

Kanker (1%) Tidak Kanker (99%)

Test Positif 80% 9,6%
Test Negatif 20% 90,4%
BAGAIMANA KITA MEMBACANYA?
Kanker (1%) Tidak Kanker (99%)
Test Positif 80% 9,6%
Test Negatif 20% 90,4%

 1% orang menderita kanker

 Jika anda sudah menderita kanker, anda berada pada kolom pertama. Ada
kemungkinan 80% hasil test anda adalah positif. Ada kemungkinan 20% hasil
test anda negative.
 Jika anda tidak menderita kanker, anda berada di kolom kedua. Ada
kemungkinan 9,6% hasil test anda positif dan 90,4% kemungkinan hasil test
anda negatif
 SEBERAPA AKURAT TESTNYA?

 Sekarang anggaplah anda mendapatkan hasil tes positif. Berapa peluang anda terkena kanker? 80% ? 99% ?1% ?
 Berikut cara kita menghitungnya:
 Ok. Kita mendapat hasil positif. Itu berarti kita berada di baris pertama table kita. Jangan berasumsi apapun – itu bisa menjadi positif benar
atau positif salah.
Kanker (1%) Tidak Kanker (99%)
Test Positif 80% 9,6%
Test Negatif 20% 90,4%
 Peluang positif benar = kemungkinan anda terserang kanker x kemungkinan test terdeteksi = 1% x 80% = 0,008
 Peluang positif salah = kemungkinan anda tidak terserang kanker x kemungkinan test terdeteksi = 99% x 9,6% = 0,09504
 Tabelnya terlihat seperti ini :
Kanker (1%) Tidak Kanker (99%)
Test Positif Positif Benar = 1% x 80% = 0,008 Positif Salah = 99% x 9,6%= 0,09504
Test Negatif Negatif salah = 1% x 20% = 0,002 Negatif Benar = 99% x 90,4%= 0,89496
 PERTANYAAN BERIKUTNYA : BERAPA KEMUNGKINAN ANDA BENAR-BENAR MENDERITA
KANKER JIKA ANDA MENDAPATKAN HASIL YANG POSITIF? PELUANG (PROBABILITASNYA)
SEBAGAI BERIKUT :

𝑠𝑒𝑏𝑒𝑟𝑎𝑝𝑎 𝑏𝑎𝑛𝑦𝑎𝑘 𝑝𝑒𝑟𝑖𝑠𝑡𝑖𝑤𝑎/𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑖𝑖𝑛𝑔𝑖𝑛𝑘𝑎𝑛

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠=
𝑗𝑢𝑚𝑙𝑎h 𝑠𝑒𝑙𝑢𝑟𝑢h 𝑘𝑒𝑚𝑢𝑛𝑔𝑘𝑖𝑛𝑎𝑛 𝑦𝑎𝑛𝑔 𝑎𝑘𝑎𝑛𝑡𝑒𝑟𝑗𝑎𝑑𝑖

Kanker (1%) Tidak Kanker (99%)

Test Positif Positif Benar = 1%x80% = 0,008 Positif Salah = 99%x9,6%=0,09504
Test Negatif Negatif salah = 1%x20% = 0,002 Negatif Benar = 99%x90,4%=0,89496
 Peluang untuk mendapatkan hasil yang real dan test positif adalah 0,008.
 Peluang mendapatkan semua hasil tes positif adalah peluang positif benar + peluang positif salah yaitu (0,008 +
0,09504 = 0,10304).
 Jika peluang kanker anda adalah 0,008/0,10304 = 0,0776 atau sekitar 7,8%
 Hal menarik – mammogram positif (test positif) berarti anda memiliki kemungkinan menderita kanker 7,8% bukan
80% (akurasi tes seharusnya) . Mungkin kelihatan aneh pada awalnya tetapi masuk akal : tes memberikan positif
salah 9,6% (cukup tinggi) sehingga akan ada banyak positif salah dalam sejumlah data tertentu
MARI KITA UJI INTUISI KITA DENGAN MENARIK
KESIMPULAN HANYA DENGAN MELIHAT TABLE!

 Jika kita menggunakan 100 orang, hanya 1 orang yang menderita kanker (1%), dan
kemungkinan besar mereka akan dinyatakan positif (kemungkinan 80%).
 Dari 99 orang yang tersisa (tidak kanker) sekitar 10% di tes positif, jadi kita akan
mendapatkan 9,9 atau dibulatkan menjadi 10 orang hasil testnya positif salah.
 Mempertimbangkan semua tes positif, hanya 1 dari 11 yang benar ( 11 berasal dari 1 + 10),
sehingga kemungkinan 1/11 setara 9,1% terkena kanker berdasarkan tes positif.
 Angka sebenarnya adalah 7,8 % (lebih dekat dengan 1/13), dihitung pada slide
sebelumnya),dan kita menemukan perkiraan yang masuk akal tanpa menggunakan
kalkulator.
SILAHKAN DIBUKTIKAN MENGGUNAKAN
CALCULATOR TEOREMA BAYES BERIKUT
SELESAI