Dengan representasi pengetahuan, kita dapat menulis AB, 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
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)
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?
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 :
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?
Jika kita mendapat biru sebelumnya, maka peluang biru berikutnya 1/4
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?”
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:
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
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 :
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
:
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
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?
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 :
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
e1
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
Jika ada observasi baru bahwa Ani juga panas badan dengan kepercayaan, dan ;
maka:
2. CF DIHITUNG DARI KOMBINASI BEBERAPA HIPOTESIS
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:
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
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 :
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:
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 :
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