Teorema Bayes — Probabilitas Bersyarat dan Updating dari Nol

Sebuah penyakit menyerang 1 dari 1.000 orang. Tesnya sangat bagus: kalau Anda sakit, tes menangkapnya 99 dari 100 kali (sensitivitas 99%); kalau Anda sehat, tes benar 99 dari 100 kali juga (spesifisitas 99%). Suatu hari Anda ikut tes massal di kantor, dan hasilnya positif. Berapa peluang Anda benar-benar sakit?

Mayoritas orang — termasuk banyak dokter — menjawab di atas 90%. Jawaban yang benar kira-kira 9%. Lebih dari sembilan dari sepuluh orang yang mendapat surat “positif” di tes ini sebenarnya sehat. Angka ini mengejutkan hampir semua orang yang pertama kali bertemu, dan alat untuk menghitungnya dengan tepat bernama Teorema Bayes. Itulah isi materi ini: bukan sekadar rumus, melainkan sebuah cara berpikir tentang bagaimana bukti memperbarui keyakinan.

Sketsa Besar: Dari Peluang Bersyarat ke Bayes

Sebelum Bayes, ada satu konsep yang harus terpasang kokoh: peluang bersyarat. Peluang $B$ jika diketahui $A$ terjadi ditulis

$$P(B \mid A) = \frac{P(A \cap B)}{P(A)}$$

Garis tegak $\mid$ dibaca “jika diketahui”. Intuisinya sederhana: informasi “$A$ terjadi” mempersempit dunia kita dari seluruh ruang sampel menjadi hanya bagian tempat $A$ berada, lalu kita ukur potongan $B$ di dalam dunia yang sudah dipersempit itu.

Dari rumus ini, kalikan silang kedua sisi dan kita dapat aturan perkalian:

$$P(A \cap B) = P(B \mid A)\,P(A)$$

Sekarang trik kunci: aturan ini bisa ditulis dalam dua arah, $P(A \cap B) = P(B \mid A)\,P(A) = P(A \mid B)\,P(B)$. Samakan dua suku terakhir, lalu bagi dengan $P(B)$. Maka lahirlah Teorema Bayes:

$$\boxed{\;P(A \mid B) = \frac{P(B \mid A)\,P(A)}{P(B)}\;}$$

Pekerjaan Bayes sebenarnya sederhana namun mendalam: membalik arah peluang bersyarat. Kita biasanya tahu $P(\text{bukti} \mid \text{sebab})$ — peluang tes positif jika memang sakit, peluang email berisi kata tertentu jika memang spam. Yang sering kita butuhkan adalah kebalikannya, $P(\text{sebab} \mid \text{bukti})$ — peluang sakit jika tes positif. Bayes adalah mesin pembalik itu.

Empat Komponen: Prior, Likelihood, Marginal, Posterior

Rumus Bayes hanya punya empat bagian, dan tiap bagian punya nama yang dipakai di mana-mana. Hafalkan empat nama ini dan separuh perjuangan selesai.

Misalkan:

• $A$ = hipotesis yang ingin kita uji (di contoh: “benar-benar sakit”).
• $B$ = bukti yang sudah kita amati (di contoh: “tes positif”).

Maka:

• $P(A \mid B)$ = posterior — peluang $A$ setelah melihat bukti $B$. Inilah yang kita cari.
• $P(B \mid A)$ = likelihood — peluang melihat bukti $B$ jika $A$ benar. Pada tes medis, ini “sensitivitas”.
• $P(A)$ = prior — keyakinan kita sebelum melihat bukti apa pun. Pada tes medis, ini “prevalensi” atau base rate.
• $P(B)$ = evidence atau marginal — seberapa sering bukti $B$ muncul secara keseluruhan, dari semua sumber yang mungkin.

Dalam kalimat: posterior = (likelihood × prior) ÷ evidence. Atau lebih puitis: keyakinan baru = keyakinan lama, disetel ulang oleh bukti.

Bagian yang paling sering bikin bingung adalah evidence $P(B)$ di penyebut. Bukti “tes positif” bisa datang dari dua arah: dari orang sakit yang benar-benar positif, atau dari orang sehat yang positif palsu. Tulis $A^c$ untuk “bukan $A$” (di contoh: “sehat”). Maka:

$$P(B) = \underbrace{P(B \mid A)\,P(A)}_{\text{positif benar}} \;+\; \underbrace{P(B \mid A^c)\,P(A^c)}_{\text{positif palsu}}$$

Ini adalah aturan peluang total — fondasi yang sudah diperkenalkan di Probabilitas Dasar. Substitusi ke rumus Bayes memberi bentuk lengkap yang bisa langsung dihitung:

$$P(A \mid B) = \frac{P(B \mid A)\,P(A)}{P(B \mid A)\,P(A) + P(B \mid A^c)\,P(A^c)}$$

Intuisi Dulu: Hitung Kepala Orang

Sebelum menyentuh rumus, mari kerjakan kasus tes medis tadi dengan cara paling polos: bayangkan 10.000 orang ikut tes, lalu hitung berapa kepala di tiap kelompok.

Dari 10.000 orang, karena prevalensinya 1 per 1.000 (= 0,1%):

• 10 orang benar-benar sakit (0,1% × 10.000).
• 9.990 orang sehat (sisanya).

Sekarang kita tes semuanya. Sensitivitas 99% menangkap 99 dari 100 orang sakit; spesifisitas 99% berarti 1 dari 100 orang sehat keliru dapat positif:

• Dari 10 yang sakit: $10 \times 0{,}99 = 9{,}9 \approx$ 10 orang dapat positif benar.
• Dari 9.990 yang sehat: $9.990 \times 0{,}01 = 99{,}9 \approx$ 100 orang dapat positif palsu.

Jadi siapa saja yang hasilnya positif? Ada $10 + 100 = 110$ orang. Tetapi dari 110 itu, hanya 10 yang benar-benar sakit. Peluang Anda sakit, padahal sudah positif, adalah:

$$\frac{10}{110} \approx 0{,}091 = 9{,}1\%$$

Inti masalahnya: orang sehat jauh lebih banyak (9.990 lawan 10). Jadi walaupun tes salah pada orang sehat cuma 1%, 1% dari kelompok besar tetap menghasilkan ~100 positif palsu — cukup banyak untuk menenggelamkan 10 positif yang benar. Inilah yang disebut jebakan base rate: tes 99% akurat ternyata tidak menjamin peluang sakit 99%.

Anda baru saja menyelesaikan satu soal Bayes lengkap tanpa satu rumus pun. Teorema Bayes hanyalah cara menuliskan hitungan kepala ini dalam lambang.

Contoh 1 — Diagnosis Medis (lewat Rumus)

Sekarang kita ulangi kasus di atas lewat rumus, supaya terlihat bahwa hasilnya sama persis dengan hitung kepala (9,1%). Ini adalah pola yang akan Anda pakai berulang-ulang.

Data mentah:

Langkah 1 — pembilang (jalur “sakit lalu positif”):

$$P(B \mid A)\,P(A) = 0{,}99 \times 0{,}001 = 0{,}00099$$

Langkah 2 — penyebut / marginal / evidence (semua jalur “positif”):

$$P(B) = \underbrace{0{,}99 \times 0{,}001}_{0{,}00099} + \underbrace{0{,}01 \times 0{,}999}_{0{,}00999} = 0{,}01098$$

Langkah 3 — bagi untuk dapat posterior:

$$P(A \mid B) = \frac{0{,}00099}{0{,}01098} \approx 0{,}0902 = 9{,}0\%$$

Sama persis dengan $10/110$ dari hitung kepala. (Memang harus sama: kalikan pembilang dan penyebut dengan 10.000 dan Anda kembali ke angka kepala.)

Mengapa tes ulang menaikkan keyakinan

Hasil 9% tidak berarti tesnya jelek. Tesnya menaikkan keyakinan Anda dari prior 0,1% menjadi posterior 9% — naik 90 kali lipat. Itulah pekerjaan bukti: menggeser keyakinan, bukan memberi kepastian.

Yang berubah hanyalah titik berangkatnya. Karena penyakitnya sangat langka, bahkan setelah digeser 90 kali, peluangnya masih jauh di bawah 50%. Tetapi jika posterior 9% ini kita pakai sebagai prior baru untuk tes kedua yang independen, hitungannya menjadi:

• Pembilang baru: $0{,}99 \times 0{,}09 = 0{,}0891$.
• Penyebut baru: $0{,}0891 + 0{,}01 \times 0{,}91 = 0{,}0891 + 0{,}0091 = 0{,}0982$.
• Posterior tes kedua: $0{,}0891 / 0{,}0982 \approx$ 90,7%.

Dua hasil positif melonjakkan keyakinan dari 0,1% ke 90,7%. Inilah updating bertahap — inti dari “belajar dari pengalaman” yang bisa dihitung. Pelajaran praktis: kondisi langka dikonfirmasi dengan tes kedua, bukan diputuskan dari satu hasil saja.

Pohon Peluang: Memetakan Cabang

Banyak situasi nyata berlangsung bertahap: sehat dulu, baru hasil tes. Pohon peluang memetakan tahap-tahap ini, dan tiap cabang adalah peluang bersyarat. Peluang sebuah jalur lengkap adalah hasil kali sepanjang cabangnya.

[ilustrasi «bayes-tree» belum tersedia]

Pohon ini membuat satu hal jelas: penyebut Bayes = jumlah semua cabang yang berakhir pada bukti yang kita amati. Tidak ada suku yang boleh tertinggal. Lupa satu suku di penyebut = salah hitung posterior.

Contoh 2 — Penyaring Spam (Naive Bayes)

Bayes bukan cuma untuk tes medis. Penyaring spam di kotak masuk Anda bekerja dengan logika yang persis sama. Misalkan Anda ingin tahu: peluang sebuah email adalah spam, jika ia berisi kata “GRATIS”.

Tentukan dulu:

• $A$ = email ini spam.
• $B$ = email berisi kata “GRATIS”.

Dari data historis (kumpulkan dari ribuan email yang sudah ditandai):

• $P(A) = 0{,}30$ — 30% email masuk adalah spam (prior).
• $P(A^c) = 0{,}70$ — 70% email adalah sah.
• $P(B \mid A) = 0{,}60$ — 60% email spam mengandung kata “GRATIS” (likelihood).
• $P(B \mid A^c) = 0{,}02$ — hanya 2% email sah yang mengandung kata “GRATIS”.

Sekarang hitung posterior:

Pembilang (spam lalu berisi “GRATIS”):

$$0{,}60 \times 0{,}30 = 0{,}180$$

Penyebut (semua email yang berisi “GRATIS”):

$$0{,}180 + (0{,}02 \times 0{,}70) = 0{,}180 + 0{,}014 = 0{,}194$$

Posterior:

$$P(\text{spam} \mid \text{"GRATIS"}) = \frac{0{,}180}{0{,}194} \approx 0{,}928 = 92{,}8\%$$

Peluang email ini spam, hanya karena berisi kata “GRATIS”, melonjak dari prior 30% menjadi 92,8%. Layak masuk folder Spam.

Kekuatan sesungguhnya muncul saat penyaring memperbarui kata demi kata. Posterior setelah kata “GRATIS” (92,8%) menjadi prior untuk kata berikutnya, kata “SEKARANG”, kata “KLIK”, dan seterusnya. Inilah Naive Bayes classifier — algoritma yang sederhana namun masih dipakai luas di balik banyak sistem email modern. “Naive” karena ia mengasumsikan kata-kata independen (asumsi yang sebenarnya palsu, tetapi bekerja cukup baik dalam praktik).

Contoh 3 — Prediksi Gagal Bayar Kredit

Bank menggunakan Bayes untuk skoring kredit. Misalkan Anda seorang analis yang ingin memperkirakan: peluang seorang peminjam gagal bayar (default), jika pada laporannya tercatat pernah telat bayar 30+ hari.

Tentukan:

• $A$ = nasabah gagal bayar dalam 12 bulan ke depan.
• $B$ = catatan menunjukkan telat bayar 30+ hari dalam riwayat.

Dari data internal bank:

• $P(A) = 0{,}05$ — 5% nasabah default (prior, base rate default portofolio).
• $P(A^c) = 0{,}95$ — 95% nasabah lancar.
• $P(B \mid A) = 0{,}70$ — 70% nasabah yang default punya riwayat telat 30+ hari.
• $P(B \mid A^c) = 0{,}10$ — 10% nasabah yang lancar sempat telat 30+ hari sekali.

Pembilang:

$$0{,}70 \times 0{,}05 = 0{,}0350$$

Penyebut:

$$0{,}0350 + (0{,}10 \times 0{,}95) = 0{,}0350 + 0{,}0950 = 0{,}1300$$

Posterior:

$$P(\text{default} \mid \text{telat 30+}) = \frac{0{,}0350}{0{,}1300} \approx 0{,}269 = 26{,}9\%$$

Peluang default naik dari 5% (prior) menjadi 26,9% (posterior). Kenaikan lima kali lipat — tetapi masih jauh di bawah kepastian. Bank yang sehat tidak menolak nasabah berdasarkan satu sinyal ini; mereka menggabungkan banyak sinyal (rasio cicilan/penghasilan, durasi pekerjaan, kepemilikan agunan) dengan updating bertahap yang persis sama — posterior satu sinyal menjadi prior untuk sinyal berikutnya. Ini, dalam bentuk yang lebih canggih, adalah inti dari model credit scoring seperti logistic regression dan gradient boosting.

Bentuk Odds: Jalan Pintas tanpa Evidence

Penyebut $P(B)$ sering menjengkelkan karena harus menghitung peluang total. Ada jalan pintas: nyatakan keyakinan sebagai odds (peluang dibagi komplemennya). Bentuk Bayes dalam odds adalah:

$$\frac{P(A \mid B)}{P(A^c \mid B)} = \frac{P(B \mid A)}{P(B \mid A^c)} \times \frac{P(A)}{P(A^c)}$$

Tiga suku, masing-masing punya nama:

• Prior odds $= P(A)/P(A^c)$ — keyakinan sebelum bukti.
• Likelihood ratio (LR) $= P(B \mid A)/P(B \mid A^c)$ — seberapa kuat bukti ini mendukung $A$ vs $A^c$.
• Posterior odds = prior odds × LR — keyakinan setelah bukti.

Coba contoh medis: prior odds $= 0{,}001/0{,}999 \approx 0{,}001$. LR $= 0{,}99/0{,}01 = 99$. Posterior odds $= 0{,}001 \times 99 = 0{,}099$. Konversi kembali ke peluang: $0{,}099 / (1 + 0{,}099) \approx 9{,}0\%$. Sama persis.

Bentuk odds ini sangat berguna saat bukti datang bertubi-tubi: kalikan saja LR tiap bukti satu per satu, lalu kalikan dengan prior odds. Tidak perlu menghitung $P(B)$ sama sekali. Inilah mengapa LR menjadi bahasa standar dalam medis (tiap tes diagnostik dilaporkan dengan LR+ dan LR−) dan forensik.

Updating Bertahap: Posterior Jadi Prior

Sekali Anda terbiasa dengan bentuk ini, sebuah keindahan muncul: proses Bayes bisa diulang tanpa akhir. Posterior hari ini menjadi prior untuk bukti besok. Skema umum:

1. Mulai dengan prior awal $P_0(A)$.
2. Datang bukti $B_1$. Hitung posterior $P_1(A) = P(A \mid B_1)$.
3. Gunakan $P_1(A)$ sebagai prior untuk bukti $B_2$. Hitung $P_2(A)$.
4. Ulangi. Setiap bukti baru menggeser keyakinan sedikit demi sedikit.

Inilah jantung pemikiran Bayes: belajar dari pengalaman secara terhitung. Tidak ada lompatan dramatis, tidak ada kepastian mutlak — hanya pergeseran bertahap yang dipandu oleh bukti. Inilah juga mengapa banyak model machine learning modern (online learning, Bayesian updating) bekerja persis seperti ini: data datang satu per satu, posterior diperbarui, model “belajar”.

Bayesian vs Frequentist: Dua Filosofi

Statistika modern memiliki dua aliran besar, dan perbedaannya tepat pada bagaimana mereka memandang probabilitas. Pahami bedanya — ini sering jadi sumber kebingungan saat membaca hasil penelitian.

Beberapa konsekuensi penting:

• Interval kepercayaan frequentist ($95\%$ CI) bukan “peluang parameter ada di dalamnya”. Begitu interval dihitung, parameter entah di dalam atau tidak — peluangnya 0 atau 1. Makna 95% adalah tentang prosedur, bukan tentang interval spesifik itu.
• Interval kredibilitas Bayes ($95\%$ CrI) adalah “peluang parameter berada di dalamnya adalah 95%”. Inilah interpretasi yang sebenarnya ingin dimiliki kebanyakan orang.
• p-value frequentist adalah $P(\text{data seekstrem ini} \mid H_0)$ — bukan $P(H_0 \mid \text{data})$. Banyak yang keliru menukar keduanya; pelurusan ada di P-value.

Kapan pakai yang mana? Frequentist unggul saat prior kontroversial atau tidak tersedia, saat ingin prosedur yang objektif dan dapat direplikasi, atau saat mengikuti konvensi di bidang (sebagian besar jurnal ilmu sosiah dan medis masih frequentist). Bayesian unggul saat ada pengetahuan sebelumnya yang nyata (literatur, ahli), saat ingin menggabungkan informasi dari berbagai sumber, saat data sedikit, atau saat ingin pernyataan probabilistik langsung tentang parameter (mis. “peluang kampanye B lebih baik dari A adalah 87%”).

Dalam praktik modern, kedua aliran sering melengkapi: Bayesian memberi kerangka berpikir, frequentist memberi prosedur yang teruji. Yang penting: jangan mencampur interpretasinya.

Bereksperimen Sendiri

Ubah prevalensi, sensitivitas, dan spesifisitas pada kalkulator Excel di bawah, lalu lihat posterior berubah. Coba turunkan prevalensi ke angka kecil: posterior anjlok walau tesnya tetap akurat — itulah jebakan base rate, terlihat langsung.

⬇ Unduh bayes-calculator.xlsx

Berkas pendamping berisi empat kalkulator Bayes yang saling melengkapi, semuanya dengan formula hidup: tes medis (input prior + likelihood → posterior otomatis), penyaring spam, prediksi gagal bayar kredit, serta pohon peluang dan tabel updating bertahap.

Cek Pemahaman

1. Tes medis punya sensitivitas 0,95 dan spesifisitas 0,90. Penyakitnya langka, prevalensi $0{,}005$ (0,5%). Seorang pasien dari populasi umum dapat hasil positif. Berapa peluang ia benar-benar sakit?

Lihat jawaban

Hitung kepala atas 10.000 orang. Prevalensi 0,5% → 50 sakit, 9.950 sehat.

• Dari 50 sakit: $50 \times 0{,}95 = 47{,}5$ positif benar.
• Dari 9.950 sehat: false positive rate $= 1 - 0{,}90 = 0{,}10$, jadi $9.950 \times 0{,}10 = 995$ positif palsu.
• Semua positif $= 47{,}5 + 995 = 1.042{,}5$.

$$P(\text{sakit} \mid +) = \frac{47{,}5}{1.042{,}5} \approx 0{,}0456 = 4{,}6\%$$

Pelajaran sama: prevalensi rendah menenggelamkan sensitivitas yang tinggi.

2. (transfer) Kasus spam di Contoh 2: posterior setelah kata “GRATIS” adalah 92,8%. Email ternyata juga mengandung kata “SEKARANG”. Dari data, $P(\text{"SEKARANG"} \mid \text{spam}) = 0{,}40$ dan $P(\text{"SEKARANG"} \mid \text{sah}) = 0{,}01$. Berapa posterior setelah kedua kata?

Lihat jawaban

Pakai posterior 92,8% sebagai prior baru. Prior $P(\text{spam}) = 0{,}928$, $P(\text{sah}) = 0{,}072$.

Pembilang: $0{,}40 \times 0{,}928 = 0{,}3712$. Penyebut: $0{,}3712 + (0{,}01 \times 0{,}072) = 0{,}3712 + 0{,}00072 = 0{,}37192$.

$$P(\text{spam} \mid \text{kedua kata}) = \frac{0{,}3712}{0{,}37192} \approx 0{,}998 = 99{,}8\%$$

Dua kata bersama-sama mendorong posterior mendekati kepastian. Ini inti Naive Bayes: tiap kata menambah bukti, dan keyakinan terakumulasi.

3. (Bentuk odds) Seorang ahli forensik memberi Likelihood Ratio LR $= 1.000$ untuk bukti DNA yang cocok dengan tersangka. Prior odds (berdasarkan alibi dan saksi) adalah 1 berbanding 100 (1:100) bahwa tersangka bersalah. Berapa posterior odds setelah bukti DNA?

Lihat jawaban

Posterior odds $=$ prior odds $\times$ LR $= (1/100) \times 1.000 = 10$. Jadi odds bersalah vs tidak $= 10:1$.

Konversi ke peluang: $10 / (10 + 1) \approx 0{,}909 = 90{,}9\%$.

Walaupun bukti DNA sangat kuat (LR 1.000), prior yang sangat kuat mendukung ketidakbersalahan (1:100) membatasi posterior ke 90,9%, bukan 99,9%. Ini juga peringatan tentang prosecutor’s fallacy: LR 1.000 bukan berarti “99,9% pasti bersalah” — prior juga harus diperhitungkan.

Kesalahan Umum

Menukar $P(B \mid A)$ dengan $P(A \mid B)$. Ini kesalahan paling sering dan paling berbahaya. “Peluang tes positif jika sakit” (0,99) sama sekali bukan “peluang sakit jika tes positif” (0,09). Keduanya peluang bersyarat dengan arah berlawanan — dan justru pekerjaan Bayes adalah membalik arah itu. Di pengadilan, pertukaran ini disebut prosecutor’s fallacy dan pernah mengakibatkan vonis salah yang terkenal.

Mengabaikan prior (jebakan base rate). Tergoda menyimpulkan “tes 99% akurat, hasil positif, jadi 99% sakit”. Salah: angka itu lupa memperhitungkan betapa langkanya kondisinya. Tanpa prior, posterior tak bisa dihitung.

Lupa mengalikan dengan prior. Posterior bukan sekadar likelihood. Likelihood (0,99) harus dikalikan prior (0,001) lebih dulu, lalu dibagi evidence. Melewatkan langkah perkalian prior membuat hasil melonjak jauh terlalu tinggi (mendekati likelihood).

Salah menyusun evidence $P(B)$. Penyebut harus mencakup semua cara bukti bisa muncul — positif benar dan positif palsu. Banyak yang hanya menulis $P(B \mid A)P(A)$ di penyebut dan lupa suku positif palsu, sehingga posterior keliru jadi 100%.

Menyangka p-value adalah posterior. Dalam uji hipotesis, p-value bukan $P(H_0 \mid \text{data})$ — bukan peluang hipotesis benar setelah melihat data. p-value frequentist dan posterior Bayes adalah dua hal yang berbeda flososinya; pelurusan ada di P-value.

Mengira tes independen padahal tidak. Updating bertahap (Contoh 1 lanjutan) mensyaratkan tes kedua independen terhadap tes pertama. Jika dua tes mengukur hal yang sama atau berkorelasi, posterior hasil kedua akan bias (biasanya terlalu tinggi). Cek independensi sebelum merangkai tes.

Bingung CI vs CrI. Interval kepercayaan (frequentist) bukan pernyataan probabilistik tentang parameter — ia tentang prosedur. Interval kredibilitas (Bayesian) adalah pernyataan probabilistik langsung. Jangan mencampur makna keduanya.

Dipakai di Dunia Nyata

• Diagnosis medis. Dokter yang baik tidak membaca tes mentah-mentah; ia menimbangnya terhadap prevalensi penyakit dan gejala pasien. Skrining massal pada kondisi langka sering tidak hemat karena positif palsu membombardir sistem; tes konfirmasi kedua adalah penerapan langsung “posterior jadi prior”.
• Penyaring spam dan klasifikasi teks. Tiap kata dalam email adalah “bukti”. Penyaring menghitung $P(\text{spam} \mid \text{kata ini})$ dan memperbaruinya kata demi kata. Setiap kali Anda menandai email sebagai spam, prior penyaring bergeser — itulah Naive Bayes yang bekerja diam-diam.
• Skoring kredit dan asuransi. Setiap sinyal (riwayat pembayaran, rasio cicilan, profesi) memperbarui peluang default. Likelihood ratio tiap sinyak dikalikan dengan prior odds — persis bentuk odds Bayes di atas.
• A/B testing modern. Alih-alih menunggu sample size yang besar untuk hipotesis frequentist, Bayesian A/B testing memperbarui posterior tiap varian dengan setiap pengguna baru, dan bisa berhenti tepat waktu saat peluang satu varian lebih baik sudah cukup tinggi.
• Forensik dan hukum. “Peluang bersalah jika ada bukti DNA” menuntut Bayes. Menukarnya dengan “peluang bukti DNA jika tak bersalah” (prosecutor’s fallacy) pernah memenjarakan orang yang tidak bersalah.
• Pembelajaran mesin. Lebih luas lagi, statistika Bayes memberi distribusi prior pada parameter model lalu memperbaruinya dengan data — pendekatan yang menghasilkan uncertainty quantification alami, penting untuk pengambilan keputusan di bawah ketidakpastian.

Rumus di Excel

Tiga fungsi yang sangat berguna saat membangun kalkulator Bayes di Excel:

=B5*B4                         → pembilang P(B|A)×P(A), pakai referensi sel
=C11 + (1-B6)*(1-B4)           → penyebut evidence P(B), campuran positif benar dan palsu
=C11/C12                       → posterior P(A|B) = pembilang ÷ penyebut
=IF(B13>0.5,"RISIKO TINGGI","AMAN")  → ambang keputusan otomatis pada posterior

Kunci membuat kalkulator hidup: simpan prior, sensitivitas, spesifisitas sebagai input (sel biru), dan biarkan semua turunan (pembilang, penyebut, posterior) menjadi formula yang merujuk ke sel-sel input itu. Ubah satu angka input, seluruh model menghitung ulang.

Lanjutan

Teorema Bayes adalah jembatan dari probabilitas dasar menuju cara berpikir statistik yang lebih dewasa: data memperbarui keyakinan, tidak memberi kepastian. Sekali Anda terbiasa menimbang bukti terhadap prior, banyak teka-teki statistik yang tampak ganjil menjadi masuk akal.

• Perlu menyegarkan peluang bersyarat dan aturan perkalian dulu? Balik ke Probabilitas Dasar.
• Lanjut ke Distribusi Binomial — pola peluang untuk percobaan berulang (seperti melempar koin berkali-kali), batu loncatan ke distribusi penting berikutnya.
• Penasaran kenapa p-value sering disangka posterior padahal bukan? Lihat P-value.
• Ingin mendalami sisi Frequentist Bayes yang dibandingkan di sini? Uji Hipotesis adalah pintu masuknya.