Program Studi Manajemen · FEB UNDIP

Statistika Bisnis I

Pertemuan 6 · Probabilitas Bersyarat, Independensi & Bayes

Bagaimana informasi baru mengubah peluang — dari membaca tabel nasabah sampai menilai apakah sebuah peringatan kredit benar-benar bisa dipercaya.

RPS Minggu 5 · Sub-CPMK 2 · 2 × 50 menit

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menentukan probabilitas bersyarat, mengevaluasi independensi, dan menerapkan aturan Bayes (Sub-CPMK 2). Secara rinci:

Capaian 1 — Bersyarat

P(A|B)

Menghitung P(A|B) dari tabel kontingensi maupun rumus P(A dan B)/P(B), dan memakai aturan perkalian umum.

Capaian 2 — Independensi

Uji

Menguji apakah dua kejadian independen lewat kriteria P(A|B) = P(A) pada kasus konkret.

Capaian 3 — Pohon & Total

🌳

Menggambar pohon probabilitas dan menerapkan hukum probabilitas total untuk soal dua atau tiga cabang.

Capaian 4 — Bayes

Prior→Post

Menerapkan Teorema Bayes untuk merevisi peluang (prior → posterior) pada satu kasus diagnostik/penilaian risiko lengkap.

Empat capaian ini adalah penjabaran langsung dari Sub-CPMK minggu kelima dalam RPS. Capaian pertama adalah fondasi: Anda harus bisa menghitung peluang suatu kejadian dengan syarat kejadian lain sudah diketahui, baik dari membaca tabel maupun dari rumus. Capaian kedua mengajarkan cara memeriksa apakah dua kejadian benar-benar saling memengaruhi atau tidak — ini penting karena banyak keputusan keliru lahir dari asumsi independensi yang salah. Capaian ketiga memberi Anda alat visual, yaitu pohon probabilitas, untuk memetakan kejadian bertahap, lalu menjumlahkannya lewat hukum probabilitas total. Capaian keempat adalah puncaknya: Teorema Bayes, mesin untuk merevisi keyakinan kita secara rasional setiap kali ada bukti baru — dan inilah yang dipakai bank, rumah sakit, sampai sistem deteksi penipuan setiap hari.

Sistem Menandai Anda "Berisiko". Apakah Anda Memang Berisiko?

Sebuah sistem credit scoring sangat akurat: menandai 90% debitur berisiko dengan benar. Anda ditandai berisiko. Tebak: berapa peluang Anda benar-benar berisiko?

Tebakan Intuitif

~90%

Kebanyakan orang menjawab "sekitar 90%" — karena sistemnya kan 90% akurat.

Jawaban Sebenarnya

~32%

Lebih dari dua pertiga yang ditandai justru sehat. Mengejutkan, bukan?

Kenapa intuisi kita meleset sejauh ini? Karena kita lupa: yang benar-benar berisiko itu langka (~4%). Hari ini kita pelajari logika di balik kejutan ini — namanya Teorema Bayes.

Saya selalu membuka topik Bayes dengan teka-teki yang membuat seluruh kelas terdiam, karena jawabannya melawan naluri. Bayangkan sebuah sistem penilaian kredit yang sangat bagus: kalau seseorang memang berisiko, sistem menandainya dengan benar sembilan puluh persen kali. Sekarang Anda ditandai berisiko oleh sistem itu — pertanyaannya, berapa peluang Anda memang benar-benar berisiko? Hampir semua orang, termasuk dokter dan analis berpengalaman, spontan menjawab sekitar sembilan puluh persen, padahal jawaban yang benar hanya sekitar tiga puluh dua persen. Penyebab kekeliruan ini adalah kita melupakan satu fakta penting: orang yang benar-benar berisiko itu sangat sedikit di populasi, hanya sekitar empat persen, sehingga walaupun sistemnya akurat, sebagian besar tanda merah justru jatuh pada orang sehat yang kebetulan salah ditandai — dan seluruh pertemuan ini adalah tentang menghitung kejutan itu secara persis.

Bagian 1 dari 4

Probabilitas Bersyarat

Bagaimana peluang berubah ketika kita sudah tahu sesuatu — membaca dari tabel, lalu aturan perkalian umum.

Probabilitas Bersyarat: Peluang Setelah Tahu Sesuatu

P(A|B) dibaca "peluang A, dengan syarat B sudah terjadi". Kita mempersempit dunia kita hanya ke kasus-kasus di mana B benar.

P(A|B) = P(A dan B) ÷ P(B) , dengan syarat P(B) > 0

P(A dan B) = peluang keduanya terjadi (irisan) · P(B) = peluang syaratnya · garis "|" dibaca "dengan syarat / jika diketahui".

Intuisi: menghitung P(A|B) sama dengan mengganti penyebut. Bukan lagi "dari seluruh orang", tapi "dari orang yang B-nya benar saja".

Cara Termudah: Baca dari Tabel Kontingensi

Sebuah bank mendata 200 nasabah kredit menurut status agunan dan status pembayaran. Inilah tabelnya:

	Macet	Lancar	Total
Tanpa agunan	20	60	80
Dengan agunan	12	108	120
Total	32	168	200

P(A|B) dari tabel = angka di selnya ÷ total barisnya. Contoh: P(macet | tanpa agunan) = 20 ÷ 80 = 0,25. Kita hanya melihat baris "tanpa agunan" (80 orang) — bukan seluruh 200!

Glosarium: macet = kredit gagal/menunggak · agunan = jaminan debitur (sertifikat tanah, dsb.) · sel = satu kotak isian dalam tabel.

Cara paling mudah dan paling jarang salah untuk menghitung probabilitas bersyarat adalah membacanya langsung dari tabel kontingensi, jadi mari kita biasakan. Perhatikan tabel ini: dua ratus nasabah dipilah menurut dua hal, apakah mereka punya agunan dan apakah kreditnya macet atau lancar. Sekarang misalkan saya tanya, berapa peluang seorang nasabah macet jika diketahui ia tidak punya agunan? Kuncinya ada pada kata "jika diketahui": kita tidak lagi melihat seluruh dua ratus orang, melainkan hanya delapan puluh orang di baris "tanpa agunan", lalu dari delapan puluh orang itu kita lihat berapa yang macet, yaitu dua puluh. Maka peluangnya dua puluh dibagi delapan puluh sama dengan nol koma dua lima, dan inti yang harus Anda pegang adalah: syarat itu mengubah penyebut, dari total seluruh tabel menjadi total baris yang relevan saja.

Hitung dari Nol — HDN-1: P(macet | tanpa agunan)

Dari tabel 200 nasabah: hitung P(macet | tanpa agunan) dengan dua cara — baca tabel dan rumus — agar hasilnya saling mengonfirmasi.

Langkah	Perhitungan	Nilai
Cara 1 — baca tabel	sel (macet ∩ tanpa agunan) ÷ total baris = 20 ÷ 80	0,25
Cara 2a — P(macet dan tanpa agunan)	20 ÷ 200	0,10
Cara 2b — P(tanpa agunan)	80 ÷ 200	0,40
Cara 2 — rumus P(A dan B)/P(B)	0,10 ÷ 0,40	0,25

Hasil: P(macet | tanpa agunan) = 0,25 (25%). Kedua cara cocok ✓. Bandingkan: P(macet | dengan agunan) = 12 ÷ 120 = 0,10 (10%) — risiko tanpa agunan 2,5× lebih tinggi.

Sekarang kita kerjakan satu kasus dari nol sampai tuntas, dan saya sengaja pakai dua cara supaya Anda yakin keduanya konsisten. Cara pertama, membaca langsung dari tabel: kita ambil baris "tanpa agunan" yang berisi delapan puluh orang, lalu lihat berapa yang macet, yaitu dua puluh, sehingga peluangnya dua puluh dibagi delapan puluh sama dengan nol koma dua lima. Cara kedua, memakai rumus formal: kita hitung dulu peluang irisan, yaitu peluang seseorang macet dan tanpa agunan sekaligus, yang besarnya dua puluh dibagi dua ratus sama dengan nol koma satu; lalu kita bagi dengan peluang syaratnya, yaitu tanpa agunan, delapan puluh dibagi dua ratus sama dengan nol koma empat; hasilnya nol koma satu dibagi nol koma empat, sama dengan nol koma dua lima — persis sama dengan cara pertama. Yang penting Anda renungkan adalah maknanya bagi bank: peluang macet bagi nasabah tanpa agunan adalah dua puluh lima persen, sedangkan bagi yang punya agunan hanya sepuluh persen, dua setengah kali lebih kecil — inilah alasan ekonomis mengapa bank meminta agunan dan menetapkan bunga lebih tinggi untuk pinjaman tanpa jaminan.

Aturan Perkalian Umum (General Multiplication Rule)

Kalau rumus bersyarat dibalik aljabarnya, kita dapat cara menghitung peluang dua kejadian terjadi bersama:

P(A dan B) = P(B) × P(A|B) = P(A) × P(B|A)

Dipakai saat kejadian terjadi bertahap/berurutan — peluang yang pertama, dikali peluang yang kedua dengan syarat yang pertama sudah terjadi.

Mini-Contoh: Ambil 2 Kartu dari 52 (Tanpa Pengembalian)

P(dua-duanya As) = P(As ke-1) × P(As ke-2 | As ke-1)

= (4/52) × (3/51) = 12/2652 ≈ 0,0045 (1 dari 221)

Catatan penting: kartu kedua memakai 3/51, bukan 4/52 — karena satu As sudah terambil. Penyebut menyusut dari 52 → 51. Inilah jejak "bersyarat" di dalam perkalian.

Rumus probabilitas bersyarat tadi bisa kita balik secara aljabar, dan hasilnya adalah salah satu alat paling berguna: aturan perkalian umum. Idenya begini: kalau Anda ingin tahu peluang dua kejadian terjadi sekaligus, kalikan peluang kejadian pertama dengan peluang kejadian kedua dengan syarat yang pertama sudah terjadi. Contoh klasiknya menarik dua kartu dari satu set tanpa dikembalikan; peluang kartu pertama As adalah empat dari lima puluh dua, tetapi peluang kartu kedua As bukan lagi empat dari lima puluh dua, melainkan tiga dari lima puluh satu, karena satu As sudah hilang dari tumpukan. Perhatikan baik-baik perubahan penyebut dari lima puluh dua ke lima puluh satu itu, karena di situlah letak "syarat" yang sering dilupakan mahasiswa. Aturan ini akan menjadi tulang punggung pohon probabilitas dan Teorema Bayes yang kita pelajari sebentar lagi, jadi pastikan Anda nyaman dengannya.

Bagian 2 dari 4

Independensi Peristiwa

Kapan informasi tentang B sama sekali tidak mengubah peluang A — dan mengapa "independen" tidak sama dengan "saling lepas".

Menguji Independensi Dua Kejadian

Dua kejadian A dan B independen jika mengetahui B tidak mengubah peluang A. Secara rumus, ada tiga kriteria setara:

(1) P(A|B) = P(A) ⟺ (2) P(B|A) = P(B) ⟺ (3) P(A dan B) = P(A) × P(B)

Cukup salah satu terpenuhi → ketiganya otomatis terpenuhi. Kriteria (3) paling praktis untuk dicek dari tabel.

Mini-Contoh: Kartu Remi — Merah vs King

A = merah (26/52) B = King (4/52)

Cek: P(King | merah) = 2/26 = 0,0769 = P(King) = 4/52 = 0,0769 ✓ → INDEPENDEN

Logika uji: hitung kedua sisi, lalu bandingkan. Sama → independen. Beda → tidak independen (saling memengaruhi).

Jangan Tertukar: Independen ≠ Saling Lepas

Saling Lepas (Mutually Exclusive)

P(A∩B)=0

Dua kejadian tidak bisa terjadi bersamaan. Contoh: satu nasabah tidak bisa "macet" dan "lancar" sekaligus. Irisan = kosong.

Independen (Independent)

P(A|B)=P(A)

Mengetahui satu tidak mengubah peluang yang lain. Contoh: hasil lemparan dadu hari ini & besok — satu tidak memengaruhi yang lain.

Justru berlawanan! Kalau A dan B saling lepas dan keduanya mungkin terjadi (P>0), maka mereka TIDAK independen — sebab tahu A terjadi langsung memastikan B tidak terjadi (informasi yang sangat kuat).

Inilah slide yang paling banyak menjebak mahasiswa di ujian, jadi tolong dengarkan baik-baik. Banyak orang mengira "saling lepas" dan "independen" itu sama, padahal artinya justru berlawanan. Saling lepas berarti dua kejadian tidak bisa terjadi bersamaan, seperti satu nasabah tidak mungkin sekaligus berstatus macet dan lancar — irisannya nol. Independen berarti mengetahui satu kejadian tidak mengubah peluang kejadian lain. Sekarang renungkan: kalau A dan B saling lepas dan keduanya sebenarnya mungkin terjadi, lalu saya beri tahu bahwa A terjadi, maka Anda langsung tahu pasti B tidak terjadi — itu informasi yang sangat kuat, yang justru membuktikan keduanya saling memengaruhi, alias tidak independen. Jadi ingat baik-baik: saling lepas yang keduanya mungkin terjadi adalah contoh paling ekstrem dari ketergantungan, bukan kemandirian.

Hitung dari Nol — HDN-2: Apakah Agunan Independen terhadap Macet?

Pakai tabel 200 nasabah. Pertanyaan bank: apakah status agunan independen terhadap gagal bayar?

Langkah	Perhitungan	Nilai
P(macet) — marginal	32 ÷ 200	0,16
P(macet \| tanpa agunan)	20 ÷ 80	0,25
Bandingkan (kriteria 1)	0,25 vs 0,16	BEDA ✗
Cek silang (kriteria 3): P(macet dan TA)	20 ÷ 200	0,10
P(macet) × P(TA)	0,16 × 0,40	0,064
Bandingkan	0,10 vs 0,064	BEDA ✗

Kesimpulan: TIDAK independen. Karena 0,25 ≠ 0,16, mengetahui status agunan mengubah peluang macet. Justru bagus untuk bank — agunan adalah prediktor gagal bayar yang berguna.

Sekarang kita uji independensi dari nol memakai tabel nasabah yang sama, dan pertanyaannya sangat relevan untuk bank: apakah punya-tidaknya agunan itu independen terhadap kemungkinan macet? Langkah pertama, hitung peluang macet secara umum tanpa syarat apa pun, yaitu tiga puluh dua dibagi dua ratus sama dengan nol koma satu enam — ini disebut peluang marginal. Langkah kedua, hitung peluang macet dengan syarat tanpa agunan, yang tadi sudah kita dapat nol koma dua lima. Karena nol koma dua lima jelas berbeda dari nol koma satu enam, kriteria independensi tidak terpenuhi, sehingga kita simpulkan agunan dan macet tidak independen; saya juga tunjukkan cek silang lewat kriteria ketiga, peluang irisan nol koma satu versus hasil kali nol koma nol enam empat, yang juga berbeda, jadi kesimpulannya kokoh. Bagi bank ini justru kabar baik: kalau keduanya independen, agunan tak akan berguna memprediksi macet; karena ternyata tidak independen, status agunan adalah sinyal nyata yang layak dipakai dalam keputusan pemberian kredit.

Bagian 3 dari 4

Pohon, Probabilitas Total & Teorema Bayes

Memetakan kejadian bertahap dengan pohon, menjumlahkan semua jalur (probabilitas total), lalu membalik arah peluang dengan Bayes.

P(A|B) = P(B|A)·P(A) ÷ P(B)

Pohon Probabilitas (Probability Tree)

Untuk kejadian bertahap, gambar pohon. Sepanjang cabang dikalikan; antar-jalur dijumlahkan.

Aturan emas pohon: peluang ujung jalur = perkalian semua cabang yang dilewati. Semua peluang ujung berjumlah 1 (0,012+0,588+0,020+0,380 = 1 ✓).

Hukum Probabilitas Total (Law of Total Probability)

Berapa peluang sebuah produk cacat, tanpa peduli dari pabrik mana? Jumlahkan semua jalur yang menghasilkan cacat.

P(Cacat) = P(A)·P(Cacat|A) + P(B)·P(Cacat|B)

= (0,6 × 0,02) + (0,4 × 0,05) = 0,012 + 0,020 = 0,032 (3,2%)

A dan B harus menutup semua kemungkinan (eksklusif & lengkap) — setiap produk pasti dari A atau B.

Ini sekadar menjumlahkan ujung-ujung jalur cacat di pohon tadi. Probabilitas total = total dari semua rute menuju kejadian yang sama. Angka 0,032 ini akan menjadi penyebut Bayes di slide berikutnya!

Sekarang muncul pertanyaan praktis: berapa sih peluang sebuah produk cacat secara keseluruhan, kalau kita tidak tahu dari pabrik mana asalnya? Di sinilah hukum probabilitas total bekerja, dan logikanya sangat sederhana: ada dua jalur menuju "cacat", yaitu lewat pabrik A atau lewat pabrik B, jadi kita tinggal menjumlahkan peluang kedua jalur itu. Lewat pabrik A peluangnya nol koma enam dikali nol koma nol dua sama dengan nol koma nol satu dua; lewat pabrik B nol koma empat dikali nol koma nol lima sama dengan nol koma nol dua nol; jumlahnya nol koma nol tiga dua atau tiga koma dua persen. Syaratnya cuma satu: pabrik-pabriknya harus mencakup semua kemungkinan dan tidak tumpang-tindih, sehingga setiap produk pasti berasal dari salah satunya. Inti yang harus Anda ingat, probabilitas total hanyalah menjumlahkan semua ujung jalur di pohon yang menuju ke kejadian yang sama — dan angka tiga koma dua persen ini akan menjadi penyebut penting saat kita memakai Teorema Bayes di slide berikutnya.

Teorema Bayes: Membalik Arah Peluang

Pohon memberi P(cacat | pabrik A). Tapi sering kita ingin kebalikannya: produk ini cacat — berapa peluang ia dari pabrik A? Bayes membaliknya.

P(A|B) = [ P(B|A) × P(A) ] ÷ P(B)

P(A|B) = [P(B|A)·P(A)] ÷ [P(B|A)·P(A) + P(B|A')·P(A')]

Contoh: P(pabrik A | cacat)

= (0,02 × 0,6) ÷ 0,032 = 0,012 ÷ 0,032 = 0,375 (37,5%)

Padahal A memproduksi 60% — tapi karena cacatnya rendah, kontribusinya pada produk cacat justru < 60%.

Bayes = aturan perkalian + probabilitas total, disusun ulang. Pembilang = jalur yang kita tanya; penyebut = semua jalur menuju bukti B.

Inilah rumus yang menjadi judul pertemuan kita, dan begitu Anda paham logikanya, ia tidak menakutkan sama sekali. Persoalannya begini: pohon dengan mudah memberi kita peluang cacat jika dari pabrik A, tetapi dalam praktik kita justru sering menghadapi pertanyaan terbalik — sebuah produk sudah ketahuan cacat, lalu berapa peluang ia berasal dari pabrik A? Teorema Bayes adalah alat untuk membalik arah ini, dan rumusnya sebenarnya hanya gabungan dari dua hal yang sudah Anda kuasai: aturan perkalian di pembilang dan hukum probabilitas total di penyebut. Pembilangnya adalah peluang jalur spesifik yang kita tanyakan, yaitu cacat dari pabrik A sebesar nol koma nol satu dua, dan penyebutnya adalah peluang total cacat dari semua pabrik, yaitu nol koma nol tiga dua, sehingga jawabannya nol koma tiga tujuh lima atau tiga puluh tujuh setengah persen. Perhatikan kejutannya: pabrik A memproduksi enam puluh persen barang, tetapi hanya menyumbang tiga puluh tujuh setengah persen dari barang cacat, karena mutunya jauh lebih baik — inilah kekuatan Bayes dalam mengoreksi tebakan kasar kita.

Tiga Pemain dalam Bayes: Prior, Likelihood, Posterior

Prior — Keyakinan Awal

P(H)

Base rate

Peluang sebelum ada bukti. Mis. P(berisiko) = 4% dari data historis bank.

Likelihood — Kecocokan Bukti

P(E|H)

Sensitivitas

Seberapa khas bukti itu jika hipotesis benar. Mis. P(ditandai | berisiko) = 90%.

Posterior — Keyakinan Baru

P(H|E)

Jawaban

Peluang setelah bukti diperhitungkan. Mis. P(berisiko | ditandai) = 32%. Inilah yang kita cari.

Alur Bayes selalu: PRIOR → (kalikan LIKELIHOOD, bagi probabilitas total) → POSTERIOR. Belajar = memperbarui prior menjadi posterior setiap kali ada bukti baru.

Supaya Teorema Bayes tidak terasa seperti rumus hafalan, mari beri nama pada tiga pemain utamanya, karena begitu Anda mengenal mereka, soal apa pun jadi mudah. Pemain pertama adalah prior, yaitu keyakinan awal kita sebelum ada bukti — dalam kasus credit scoring, ini proporsi debitur yang memang berisiko di populasi, sekitar empat persen, sering disebut base rate. Pemain kedua adalah likelihood, yaitu seberapa khas atau cocok bukti itu muncul jika hipotesis kita benar — misalnya peluang seseorang ditandai berisiko jika ia memang berisiko, sebesar sembilan puluh persen. Pemain ketiga adalah posterior, yaitu keyakinan baru kita setelah memperhitungkan bukti, dan inilah jawaban yang sebenarnya kita inginkan. Pegang pola ini erat-erat: belajar dari data secara rasional berarti terus memperbarui prior menjadi posterior setiap kali bukti baru datang, dan itulah persis yang dilakukan otak manusia yang baik maupun mesin kecerdasan buatan yang modern.

Coba Sendiri: Geser Prior, Amati Posterior Bergerak

Ubah prior dan likelihood pada pohon probabilitas, lalu lihat bagaimana posterior Bayes berubah secara langsung.

Hitung dari Nol — HDN-3: Teorema Bayes Lengkap

4% calon debitur sebenarnya berisiko tinggi. Sistem menandai 90% debitur berisiko (benar) tapi juga salah menandai 8% debitur sehat. Seorang debitur ditandai berisiko — berapa P(benar berisiko | ditandai)?

Langkah	Perhitungan	Nilai
Prior	P(berisiko) = 0,04 ; P(sehat) = 0,96	—
Likelihood	P(ditandai\|berisiko) = 0,90 ; P(ditandai\|sehat) = 0,08	—
Pembilang (jalur benar)	0,04 × 0,90	0,0360
Jalur palsu (sehat tertandai)	0,96 × 0,08	0,0768
Penyebut (prob. total ditandai)	0,036 + 0,0768	0,1128
Posterior	0,036 ÷ 0,1128	≈ 0,3191

P(benar berisiko | ditandai) ≈ 31,9%. Dari setiap 100 yang ditandai, hanya ~32 benar berisiko; ~68 sehat yang salah tertandai. Sistem "akurat" tetap menghasilkan mayoritas alarm palsu karena yang berisiko langka.

Sekarang kita pecahkan teka-teki pembuka tadi dari nol sampai tuntas, dan ini contoh Bayes yang harus benar-benar Anda kuasai karena sering keluar di ujian dan sangat nyata di perbankan. Diketahui: hanya empat persen calon debitur yang sebenarnya berisiko tinggi, jadi prior berisiko nol koma nol empat dan prior sehat nol koma sembilan enam. Sistemnya menandai sembilan puluh persen debitur berisiko dengan benar, tetapi juga keliru menandai delapan persen debitur sehat sebagai berisiko — dua angka likelihood inilah yang harus dipisahkan dengan hati-hati. Sekarang ikuti aritmetikanya: pembilang adalah jalur "benar berisiko dan ditandai", yaitu nol koma nol empat dikali nol koma sembilan nol sama dengan nol koma nol tiga enam; sementara jalur alarm palsu "sehat tapi ditandai" adalah nol koma sembilan enam dikali nol koma nol delapan sama dengan nol koma nol tujuh enam delapan; penyebutnya jumlah keduanya, nol koma satu satu dua delapan. Posteriornya nol koma nol tiga enam dibagi nol koma satu satu dua delapan, sama dengan sekitar nol koma tiga satu sembilan, alias hampir tiga puluh dua persen — jadi walaupun sistem terdengar sangat akurat, dari setiap seratus orang yang ditandai berisiko hanya sekitar tiga puluh dua yang benar, dan sisanya enam puluh delapan adalah orang sehat yang salah dicurigai, semata karena orang yang benar-benar berisiko itu memang sangat sedikit.

Kenapa Hasilnya "Cuma 32%"? Sihir Base-Rate

Bayangkan 10.000 calon debitur. Lihat apa yang terjadi dengan frekuensi nyata:

Yang Benar Berisiko (4% = 400 orang)

360

ditandai benar

Dari 400 berisiko, 90% ditandai → 360 alarm benar. Sisanya 40 tidak terdeteksi.

Yang Sehat (96% = 9.600 orang)

768

alarm palsu

Dari 9.600 sehat, 8% salah ditandai → 768 alarm palsu. Lebih banyak dari alarm benar!

Total ditandai = 360 + 768 = 1.128. Yang benar berisiko = 360. Maka 360 ÷ 1.128 = 31,9%. Alarm palsu (768) mengalahkan alarm benar (360) — karena kolam orang sehat jauh lebih besar.

Banyak mahasiswa menerima angka tiga puluh dua persen itu tetapi tetap merasa tidak puas — kok bisa sistem yang sembilan puluh persen akurat menghasilkan jawaban serendah itu? Cara paling ampuh untuk benar-benar memahaminya adalah berhenti memakai persen dan mulai memakai orang sungguhan. Bayangkan sepuluh ribu calon debitur: empat persennya, yaitu empat ratus orang, benar-benar berisiko, dan dari mereka sembilan puluh persen ditandai, jadi tiga ratus enam puluh tanda yang benar. Tetapi sisa sembilan ribu enam ratus orang adalah debitur sehat, dan walaupun hanya delapan persen dari mereka salah ditandai, delapan persen dari kolam yang besar itu menghasilkan tujuh ratus enam puluh delapan alarm palsu — lebih banyak daripada alarm yang benar. Jadi dari total seribu seratus dua puluh delapan orang yang ditandai, hanya tiga ratus enam puluh yang benar berisiko, dan inilah inti base-rate fallacy: ketika kejadian yang dicari itu langka, bahkan tes yang akurat pun akan didominasi oleh alarm palsu, sebuah pelajaran yang wajib dipahami siapa pun yang bekerja dengan data deteksi.

Kosakata Uji: Sensitivitas, Spesifisitas, Positif Palsu

	Benar Berisiko	Benar Sehat
Ditandai (+)	Positif benar (sensitivitas)	Positif palsu ⚠️
Tak ditandai (−)	Negatif palsu ⚠️	Negatif benar (spesifisitas)

Sensitivitas

P(ditandai | berisiko) = 90% — kemampuan menangkap yang benar berisiko.

Spesifisitas

P(tak ditandai | sehat) = 92% = 1 − 8% — kemampuan melepas yang sehat.

Posterior yang kita cari = nilai prediktif positif = P(berisiko | ditandai). Beda dari sensitivitas! Sensitivitas → dari kondisi ke tanda; posterior → dari tanda ke kondisi.

Saat Anda bekerja dengan sistem deteksi apa pun — kredit, penyakit, penipuan — Anda akan terus bertemu empat istilah ini, jadi mari kita rapikan dalam satu tabel. Sensitivitas adalah kemampuan sistem menangkap kasus yang benar berisiko, dalam contoh kita sembilan puluh persen; ini melihat dari arah kondisi menuju tanda. Spesifisitas adalah kemampuan sistem membiarkan orang sehat tetap aman tak ditandai, yaitu sembilan puluh dua persen, karena yang salah ditandai hanya delapan persen. Yang sering tertukar dan harus Anda waspadai adalah perbedaan antara sensitivitas dan nilai prediktif positif: sensitivitas bertanya "kalau berisiko, berapa peluang ditandai", sedangkan yang biasanya ingin kita tahu justru kebalikannya, "kalau ditandai, berapa peluang benar berisiko" — dan yang kedua inilah posterior Bayes yang tadi nilainya hanya tiga puluh dua persen. Menyamakan keduanya adalah akar dari hampir semua kesalahpahaman tentang tes dan deteksi, jadi tanamkan baik-baik bahwa arah peluang itu sangat menentukan jawabannya.

Studi Kasus: Merevisi Peluang Saat Bukti Baru Datang

Kekuatan Bayes: posterior hari ini menjadi prior untuk bukti berikutnya. Contoh — peluang sukses sebuah IPO direvisi setelah prospektus rilis.

Prior (Sebelum Prospektus)

70%

estimasi awal underwriter

→

Bukti Baru: Prospektus "Kuat"

P(prospektus kuat | sukses) = 0,80

P(prospektus kuat | gagal) = 0,30

Posterior = (0,70×0,80) ÷ [(0,70×0,80)+(0,30×0,30)]
= 0,56 ÷ 0,65 = ≈ 86,2%

→

Posterior (Setelah Prospektus)

86%

jadi prior berikutnya

Keyakinan naik 70% → 86% karena bukti kuat. Kalau besok ada bukti baru lagi (mis. minat investor institusi), 86% ini jadi prior berikutnya. Inilah belajar dari data secara bertahap.

Salah satu keindahan Teorema Bayes adalah ia bisa dipakai berulang-ulang: posterior yang Anda dapat hari ini menjadi prior untuk bukti yang datang besok. Mari kita lihat contoh dari dunia pasar modal yang relevan dengan Anda sebagai calon manajer. Sebuah perusahaan akan melakukan penawaran saham perdana atau IPO, dan penjamin emisi mula-mula memperkirakan peluang IPO itu sukses sebesar tujuh puluh persen — inilah prior. Lalu prospektusnya dirilis dan dinilai kuat oleh pasar; karena prospektus kuat jauh lebih sering muncul pada IPO yang sukses dibanding yang gagal, bukti ini menggeser keyakinan kita ke atas menjadi sekitar delapan puluh enam persen lewat perhitungan Bayes. Yang ingin saya tekankan, proses ini tidak berhenti di situ: begitu ada bukti baru lagi, misalnya lonjakan minat investor institusi, angka delapan puluh enam persen tadi menjadi prior berikutnya yang akan direvisi lagi — dan persis seperti inilah seorang analis profesional, atau bahkan mesin kecerdasan buatan, memperbarui keyakinannya secara rasional dari waktu ke waktu.

Bagian 4 dari 4

Aplikasi & Pendalaman

Bayes di lapangan Indonesia, lima jebakan penalaran bersyarat, dan rangkuman akhir.

Bayes di Lapangan: Tiga Wajah Indonesia

Perbankan — Credit Scoring (OJK)

SLIK

Bank merevisi peluang gagal bayar saat data baru masuk (slip gaji, riwayat SLIK). Posterior = dasar keputusan menyetujui/menolak kredit & menetapkan bunga.

PPATK — Transaksi Mencurigakan

AML

Pencucian uang langka (base rate rendah), sehingga banyak tanda = alarm palsu. Analis wajib Bayes agar tak menuduh nasabah jujur.

KUR — Uji Kelayakan Debitur

94,7%

posterior setelah lolos verifikasi

Prior layak ~80% → setelah verifikasi lapangan "lolos" → posterior P(layak|lolos) ≈ 94,7% → kredit cair.

Benang merah: setiap institusi ini merevisi keyakinan saat bukti datang. Yang gagal pakai Bayes akan terjebak base-rate fallacy — menuduh yang jujur atau meloloskan yang berisiko.

Supaya Anda yakin ini bukan sekadar latihan kelas, mari kita lihat tiga tempat di Indonesia di mana Teorema Bayes bekerja setiap hari. Pertama, di perbankan: setiap kali data baru tentang calon debitur masuk — slip gaji, riwayat di SLIK yang dulu kita kenal sebagai BI Checking — bank merevisi peluang gagal bayarnya, dan posterior itulah yang dipakai memutuskan menyetujui atau menolak kredit serta menetapkan bunga. Kedua, di PPATK, lembaga yang memburu pencucian uang: karena transaksi pencucian uang sangat langka, sebuah sistem yang menandai "mencurigakan" akan menghasilkan banyak sekali alarm palsu, dan tanpa pemahaman Bayes, analis bisa keliru menuduh nasabah yang sebenarnya jujur — persis base-rate fallacy yang tadi kita pelajari. Ketiga, dalam penyaluran Kredit Usaha Rakyat: peluang awal seorang pemohon layak mungkin delapan puluh persen, lalu setelah lolos verifikasi lapangan, posteriornya naik menjadi sekitar sembilan puluh lima persen sehingga kredit pun dicairkan. Benang merahnya satu: institusi yang bijak selalu memperbarui keyakinannya saat bukti datang, dan yang lalai melakukannya akan terjebak menuduh orang jujur atau justru meloloskan yang berisiko.

Lima Jebakan Penalaran Bersyarat

Membalik arah bersyarat — P(A|B) ≠ P(B|A). "Peluang ditandai jika berisiko" ≠ "peluang berisiko jika ditandai".

Lupa base-rate (prior) — mengabaikan kelangkaan kasus → hasil Bayes meleset jauh (base-rate fallacy).

Independen disangka saling lepas — dua hal yang justru berlawanan; saling lepas (P>0) = sangat tergantung.

Salah operasi pohon — sepanjang cabang dikali, antar-jalur dijumlah; jangan terbalik.

Penyebut Bayes tidak lengkap — penyebut harus semua jalur menuju bukti (jalur benar + jalur palsu).

Sebelum menjawab soal bersyarat: cek arah (A|B atau B|A?), cek prior (sudah dipakai?), cek penyebut (semua jalur masuk?). Tiga cek ini menutup mayoritas kesalahan.

Dari pengalaman saya memeriksa banyak lembar ujian probabilitas, hampir semua kesalahan berasal dari lima jebakan yang sama, jadi saya kumpulkan di sini agar Anda waspada. Jebakan pertama dan paling fatal adalah membalik arah bersyarat: peluang A jika B tidak sama dengan peluang B jika A, persis seperti "peluang ditandai jika berisiko" sangat berbeda dari "peluang berisiko jika ditandai". Jebakan kedua adalah melupakan base-rate atau prior, yaitu mengabaikan seberapa langka kasusnya, yang langsung membuat hasil Bayes meleset jauh seperti yang kita lihat tadi. Jebakan ketiga adalah mencampuradukkan independen dengan saling lepas, padahal keduanya justru berlawanan. Jebakan keempat dan kelima berkaitan dengan mekanika: salah membedakan kapan mengalikan dan kapan menjumlahkan di pohon, serta lupa memasukkan semua jalur ke dalam penyebut Bayes; biasakan tiga pemeriksaan cepat sebelum menyerahkan jawaban — periksa arah, periksa prior, dan periksa kelengkapan penyebut — maka sebagian besar kesalahan akan tertangkap.

Cheat Sheet — Lima Rumus Inti

Konsep	Rumus	Untuk
Probabilitas bersyarat	P(A\|B) = P(A dan B) / P(B)	Peluang setelah tahu syarat
Aturan perkalian umum	P(A dan B) = P(B)·P(A\|B)	Peluang dua kejadian bersama
Uji independensi	P(A\|B) = P(A) atau P(A∩B)=P(A)·P(B)	Cek saling memengaruhi/tidak
Probabilitas total	P(B) = Σ P(Aᵢ)·P(B\|Aᵢ)	Peluang lewat semua jalur
Teorema Bayes	P(A\|B) = P(B\|A)·P(A) / P(B)	Membalik & merevisi peluang

Semua dari satu ide: peluang bisa berubah saat ada informasi. Bayes = perkalian (pembilang) + probabilitas total (penyebut), disusun ulang.

Ini slide yang saya sarankan Anda foto dan tempel di meja belajar, karena seluruh pertemuan hari ini sebenarnya hanya lima rumus inti. Rumus pertama, probabilitas bersyarat, adalah fondasi segalanya — peluang irisan dibagi peluang syarat. Rumus kedua, aturan perkalian, hanyalah pembalikan aljabar dari yang pertama, dipakai untuk peluang dua kejadian terjadi bersama. Rumus ketiga adalah uji independensi, rumus keempat hukum probabilitas total untuk menjumlahkan semua jalur, dan rumus kelima adalah Teorema Bayes yang menjadi puncaknya. Yang ingin saya tekankan, jangan menghafal kelimanya sebagai lima hal terpisah; semuanya lahir dari satu ide tunggal, yaitu bahwa peluang dapat berubah ketika informasi baru masuk — kalau Anda paham ide induk ini, kelima rumus akan terasa logis dan saling terhubung, bukan sekadar hafalan yang mudah lupa saat ujian.

Peta Konsep: Bagaimana Semua Terhubung

Probabilitas bersyarat bukan topik berdiri sendiri — ia mesin yang menggerakkan independensi, probabilitas total, dan Bayes, lalu menjadi fondasi distribusi probabilitas di pertemuan berikutnya.

Sebelum kita tutup, saya ingin Anda melihat gambar besar bagaimana semua potongan hari ini saling terhubung. Di pusat segalanya ada satu ide tunggal: peluang dapat berubah ketika informasi baru masuk. Dari ide pusat itu lahir probabilitas bersyarat, yang lalu bercabang menjadi aturan perkalian dan uji independensi di satu sisi. Di sisi lain, dengan bantuan pohon probabilitas, lahir hukum probabilitas total, dan keduanya bersama-sama menjadi bahan baku Teorema Bayes yang membalik dan merevisi peluang dari prior menjadi posterior. Yang paling penting Anda sadari, materi ini bukan topik yang selesai minggu ini lalu dilupakan; ia adalah fondasi yang akan terus dipakai — di pertemuan berikutnya untuk memahami variabel acak dan distribusi probabilitas, dan di seluruh sisa karier Anda setiap kali harus mengambil keputusan di bawah ketidakpastian dengan data yang terus diperbarui.

Latihan & Diskusi Kelas

Latihan 1 — Bersyarat & Independensi

L-1

Dari 100 mahasiswa: 60 lulus statistik (45 di antaranya rajin); 40 tidak lulus (10 rajin). Hitung P(lulus | rajin). Apakah "rajin" independen terhadap "lulus"? (Petunjuk: bandingkan P(lulus|rajin) dengan P(lulus).)

Latihan 2 — Bayes Diagnostik

L-2

Sebuah penyakit menjangkiti 1% populasi. Tes mendeteksi 95% yang sakit (sensitivitas) tapi salah positif 5% pada yang sehat. Jika hasil tes positif, berapa P(benar-benar sakit)? (Petunjuk: Bayes lengkap, perhatikan base-rate.)

Kerjakan 7 menit. Gambar pohon/tabel dulu, tandai prior & likelihood, lalu susun penyebut dari semua jalur. Lalu kita bahas bersama. (Jawaban: L-1 → P(lulus|rajin) = 45/55 ≈ 81,8% ≠ 60% → tidak independen · L-2 → ≈ 16,1%)

Sekarang giliran Anda berhitung, karena penalaran bersyarat hanya benar-benar dikuasai dengan latihan, bukan dengan menonton saya. Latihan pertama menguji probabilitas bersyarat sekaligus independensi: dari seratus mahasiswa dengan rincian yang diberikan, hitung peluang lulus jika diketahui rajin, lalu bandingkan dengan peluang lulus secara umum untuk menyimpulkan apakah rajin dan lulus itu independen — saya yakin Anda akan menemukan bahwa rajin memang berpengaruh. Latihan kedua adalah Teorema Bayes diagnostik yang mirip kasus credit scoring tadi, tetapi dalam konteks medis: penyakit langka satu persen, tes cukup akurat, namun perhatikan baik-baik bagaimana base-rate yang rendah membuat hasil positif tidak seyakin yang Anda kira. Sebelum menghitung, biasakan tiga langkah disiplin: gambar pohon atau tabel dulu, tandai mana prior dan mana likelihood, lalu susun penyebut dari semua jalur menuju bukti. Saya beri waktu tujuh menit, kerjakan dengan tenang, dan setelah itu kita bahas kunci jawabannya bersama.

Persiapan Pertemuan 7

Hari ini Anda belajar merevisi peluang dengan informasi. Pertemuan depan kita beralih dari kejadian tunggal ke variabel acak & distribusi probabilitas — peta peluang seluruh kemungkinan sekaligus.

Pertemuan 7 — Variabel Acak & Distribusi

Dari "peluang satu kejadian" ke "peta peluang semua hasil"
Nilai harapan (expected value) — rata-rata jangka panjang
Fondasi distribusi binomial & normal

Tugas Mandiri — Latih

Ulangi HDN-1 s/d HDN-3 dengan angka Anda sendiri. Cari satu berita "sistem deteksi X akurat 99%" dan hitung sendiri arti sebenarnya pakai Bayes.

Kuasai lima rumus inti malam ini. Sampai jumpa di Pertemuan 7 — Variabel Acak & Distribusi Probabilitas.

Kita sampai di penghujung pertemuan yang padat ini, dan saya harap Anda kini tidak hanya hafal rumus Bayes, tetapi benar-benar paham logika di baliknya: bahwa keyakinan yang rasional selalu diperbarui ketika bukti datang. Hari ini fokus kita adalah peluang dari kejadian-kejadian tertentu dan bagaimana informasi mengubahnya; Pertemuan 7 nanti kita melangkah lebih jauh, dari peluang satu kejadian menuju peta peluang seluruh kemungkinan sekaligus, yang disebut variabel acak dan distribusi probabilitas. Tugas mandiri Anda sederhana tapi penting: ulangi ketiga Hitung dari Nol hari ini dengan angka Anda sendiri, dan sebagai tantangan, carilah satu berita yang mengklaim "sistem deteksi sekian persen akurat", lalu hitung sendiri arti sebenarnya memakai Bayes — Anda akan terkejut betapa sering klaim akurasi tinggi menyembunyikan banyak alarm palsu. Kuasai lima rumus inti malam ini, biasakan menggambar pohon sebelum berhitung, dan sampai jumpa minggu depan di Pertemuan 7.