BAB I
PENDAHULUAN
A. Latar Belakang
Teorema Bayes dikemukakan oleh seorang pendeta presbyterian Inggris pada tahun 1763 yang bernama Thomas Bayes . Teorema Bayes ini kemudian disepurnakan oleh Laplace. Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peistiwa berdasarkan pengaruh yang didapat dari hasil observasi.
Teorema ini menerangkan hubungan antara probabilitas terjadinya peristiwa A dengan syarat peristiwa B telah terjadi dan probabilitas terjadinya peristiwa B dengan syarat peristiwa A telah terjadi. Teorema ini didasarkan pada prinsip bahwa tambahan informasi dapat memperbaiki probabilitas.
BAB II
PEMBAHASAN
A. Pengertian Teorema Bayes
Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes.
Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas kereta api. Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang wanita, bila diketahui berapa peluang seorang wanita berambut panjang.
Misalkan:
· W adalah kejadian percakapan dilakukan dengan seorang wanita.
· L adalah kejadian percakapan dilakukan dengan seorang berambut panjang
· M adalah kejadian percakapan dilakukan dengan seorang pria
Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang kawan Anda berbicara dengan wanita,
P(W) = 0,5
Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah 0,75. Kita melambangkannya sebagai:
P(L|W) = 0,75
Sebagai keterangan tambahan kita juga mengetahui bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata lain:
P(L|M) = 0,3
Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 – P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen dari W.
Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut panjang, atau dalam notasi yang kita gunakan, P(W|L). Menggunakan teorema Bayes, kita mendapatkan:
Di sini kita menggunakan aturan peluang total. Dengan memasukkan nilai-nilai peluang yang diketahui ke dalam rumus di atas, kita mendapatkan peluang seseorang itu wanita bila diketahui dia berambut panjang adalah 0,714. Angka ini sesuai dengan intuisi awal kita, bahwa peluang kawan kita itu bercakap-cakap dengan wanita meningkat.
Dari contoh di atas kita bisa merumuskan teorema Bayes secara umum.
B. Teorema Bayes
Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:
P(A | B) = P(B | A) P(A)
P(B)
or
P(A | B) = P(B | A) P(A)
P(B | A)P(A) + P(B | A)P(A)
C. Contoh Aplikasi Dari Teorema Bayes
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang salah.
Jika sembarang orang dari negara itu mengambil test dan mendapat hasil positif, berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?
Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang itu memang benar-benar menderita penyakit langka itu. Karena kita tahu bahwa hasil test klinik yang cukup akurat (97%). Tetapi apakah benar demikian? Marilah kita lihat perhitungan matematikanya.
Marilah kita lambangkan informasi di atas sebagai berikut:
· B = Kejadian tes memberikan hasil positif.
· B = Kejadian tes memberikan hasil negatif.
· A = Kejadian seseorang menderita penyakit langka itu.
· A = Kejadian seseorang tidak menderita penyakit langkat itu.
Kita ketahui juga peluang dari kejadian-kejadian berikut:
· P (A) = 2%
· P (A) = 98%
· P (B | A) = 97%
· P (B | A) = 9%
Dengan menggunakan rumus untuk peluang bersyarat, dapat kita simpulkan peluang dari kejadian-kejadian yang mungkin terjadi dalam tabel di bawah ini:
A (2%) A (98%)
B Positif yang benar
P (B ∩ A) = P (A) × P (B | A) = 2% × 97% = 0,0194 Positif yang salah
P (B ∩ A) = P (A) × P (B | A) = 98% × 9% = 0,0882
B Negatif yang salah
P (B ∩ A) = P (A) × P (B | A) = 2% × 3% = 0,0006 Negatif yang benar
P (B ∩ A) = P (A) × P (B | A) = 98% × 91% = 0,8918
Misalnya seseorang menjalani tes klinik tersebut dan mendapatkan hasil positif, berapakah peluang bahwa ia benar-benar menderita penyakit langka tersebut?
Dengan kata lain, kita mencoba untuk mencari peluang dari A, dimana B atau P (A | B).
Dari tabel di atas, dapat kita lihat bahwa P (A | B) adalah peluang dari positif yang benar dibagi dengan peluang positif (benar maupun salah), yaitu 0,0194 / (0,0194 + 0,0882) = 0,1803.
Kita dapat juga mendapatkan hasil yang sama dengan menggunakan rumus teorema Bayes di atas:
P(A | B) = P(B ∩ A)
P(B)
= P(B | A) × P(A)
P(B | A)P(A) + P(B | A)P(A)
= 97% × 2%
(97% × 2%) + (9% × 98%)
= 0.0194
0.0194 + 0.0882
= 0.0194
0.1076
P(A | B) = 0.1803
Hasil perhitungan ini sangat berbeda dengan intuisi kita di atas. Peluang bahwa orang yang mendapat hasil tes positif itu benar-benar menderita penyakit langka tidak sebesar yang kita bayangkan. Cuma ada sekitar 18% kemungkinan bahwa dia benar-benar menderita penyakit itu.
Mengapakah demikian?
Ketika mengira-ngira peluangnya, seringkali kita lupa bahwa dari seluruh populasi negara itu, hanya 2% yang benar-benar menderita penyakit langka itu. Jadi, walaupun hasil tes adalah positif, peluang bahwa seseorang menderita penyakit langka itu tidaklah sebesar yang kita bayangkan.
Kita bisa juga meninjau situasi di atas sebagai berikut. Misalnya populasi negara tersebut adalah 1000 orang. Hanya 20 orang yang menderita penyakit langka itu (2%). 19 orang dari antaranya akan mendapat hasil tes yang positif (97% hasil positif yang benar). Dari 980 orang yang tidak menderita penyakit itu, sekitar 88 orang juga akan mendapat hasil tes positif (9% hasil positif yang salah).
Jadi, 1000 orang di negara itu dapat kita kelompokkan sebagai berikut:
· 19 orang mendapat hasil tes positif yang benar
· 1 orang mendapat hasil tes negatif yang salah
· 88 orang mendapat hasil tes positif yang salah
· 892 orang mendapat hasil tes negatif yang benar
Bisa kita lihat dari informasi di atas, bahwa ada (88 + 19) = 107 orang yang akan mendapatkan hasil tes positif (tidak perduli bahwa dia benar-benar menderita penyakit langka itu atau tidak). Dari 107 orang ini, berapakah yang benar-benar menderita penyakit? Hanya 19 orang dari 107, atau sekitar 18%.
C. Penggunaan Teorema Bayes untuk Melakukan Klasifikasi
Sebelum mendeskripsikan bagaimana teorema Bayes digunakan untuk klasifikasi, disusun masalah klasifikasi dari sudut pandang statistik. Jika melambangkan set atribut data dan melambangkan kelas variabel. Jika variabel kelas memiliki hubungan non deterministic dengan atribut, maka dapat diperlakukan dan sebagai variabel acak dan menangkap hubungan peluang menggunakan . Peluang bersyarat ini juga dikenal dengan posterior peluang untuk , dan sebaliknya peluang prior .
Selama fase training, perlu mempelajari peluang posterior untuk seluruh kombinasi dan berdasar informasi yang diperoleh dari training data. Dengan mengetahui peluang ini, test record dapat diklasifikasikan dengan menemukan kelas yang memaksimalkan peluang posterior . Untuk mengilustrasikan pendekatan ini, perhatikan tugas memprediksi apakah seseorang akan gagal mengembalikan pinjamannya. Tabel 1 memperlihatkan training data dengan atribut : Home Owner,Marital Status, dan Annual Income. Peminjam yang gagal membayar diklasifikasikan sebagai seseorang yang membayar kembali pinjaman sebagai No.
Tabel 1. Training set untuk masalah kegagalan pinjaman.
biner kategorikal kontinyu kelas
Tid Home Owner Marital Status Annual Income Defaulted Borrower
1 Yes Single 120K No
2 No Married 100K No
3 No Single 70K No
4 Yes Married 120K No
5 No Divorce 95K Yes
6 No Married 60K No
7 Yes Divorce 220K No
8 No Single 85K Yes
9 No Married 75K No
10 No Single 90K Yes
Jika diberikan test record dengan atribut berikut : = (Home Owner = No, Marital Status =Married, Annual Income = $120K). Untuk mengklasifikasi record, perlu dihitung peluang posterior , berdasar informasi yang tersedia pada training data. Jika, makarecord diklasifikasikan sebagai Yes, sebaliknya diklasifikasikan sebagai No.
Untuk mengestimasi peluang posterior secara akurat untuk setiap kombinasi label kelas yang mungkin dan nilai atribut adalah masalah sulit karena membutuhkan training set sangat besar, meski untuk jumlah moderate atribut. Teorema Bayes bermanfaat karena menyediakan pernyataan istilah peluang posterior dari peluang prior, peluang kelas bersyaratdan bukti:
… (1)
Ketika membandingkan peluang posterior untuk nilai berbeda, istilah dominator, , selalu tetap, sehingga dapat diabailan. Peluang prior dapat dengan mudah diestimasi dari training setdengan menghitung pecahan training record yang dimiliki tiap kelas. Untuk mengestimasi peluang kelas bersyarat , dihadirkan dua implementasi metoda klasifikasi Bayesian.
BAB III
PENUTUP
A. Kesimpulan
Teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru.
Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:
P(A | B) = P(B | A) P(A)
P(B)
or
P(A | B) = P(B | A) P(A)
P(B | A)P(A) + P(B | A)P(A)
B. Saran
Demikianlah pemaparan makalah ini semoga bermanfaat bagi yang mempelajarinya. Kritik dan saran sangat penulis harapkan untuk perbaikan di masa yang akan datang.
DAFTAR PUSTAKA
M.B.A,Riduan.2006.Dasar-dasar Statistik.Bandung:ALFABETA
Pratiknya.Dasar-dasar Metodologi Penelitian dan Kesehatan, Jakarta, Raja Grapindo Persada; 2000.
Arjatmo Tjokro. Metodologi Penelitian Bidang Kedokteran, Jakarta, FKUI.
Sokidjo Notoatmojo, 1993, Metodologi Penelitian Kesehatan, Jakarta, Rineka Cipta. 1999.
Hidayat AA. Metode Penelitian Kebidanan Teknik Analisis Data. Jakarta.Salemba medika; 2007,
Riduwan. Metode dan Teknik Menyusun Tesis. Bandung. Alfabeta;2004.
yuvento-1701300464
