Memahami hasil teorema Bayes Anda
Dengan sensitivitas tetap 95% dan tingkat positif palsu tetap 5%, tabel di bawah ini menunjukkan betapa dramatisnya probabilitas posterior berubah seiring prior — inilah efek laju dasar yang menjadi inti dari teorema Bayes.
| Prior P(A) | Posterior P(A | B), pada sensitivitas 95% / tingkat positif palsu 5% |
|---|---|
| 0,1% | ≈ 1,87% |
| 1% | ≈ 16,10% |
| 10% | ≈ 67,86% |
| 50% | ≈ 95,00% |
- Probabilitas posterior sangat sensitif terhadap probabilitas prior, terutama ketika prior tersebut kecil — inilah sebabnya laju dasar tidak dapat diabaikan saat menafsirkan hasil tes positif atau bukti baru lainnya.
- Rumus kalkulator ini berlaku untuk partisi biner: peristiwa A dan komplemennya ¬A. Situasi dengan lebih dari dua kemungkinan yang saling eksklusif (misalnya, lebih dari satu diagnosis kandidat) memerlukan bentuk hukum probabilitas total yang lebih lengkap pada semua kemungkinan.
- Tingkat positif palsu, P(B | ¬A), tidak sama dengan spesifisitas — nilainya sama dengan 1 dikurangi spesifisitas, sehingga tes yang digambarkan '95% spesifik' memiliki tingkat positif palsu 5%.
- Membulatkan probabilitas antara sebelum menggabungkannya dapat mendistorsi posterior akhir secara nyata, terutama ketika prior tersebut kecil; pertahankan presisi penuh sepanjang perhitungan sebisa mungkin.
Apa itu teorema Bayes?
Teorema Bayes adalah rumus untuk memperbarui probabilitas suatu peristiwa (A) setelah mengamati bukti baru (B), menggabungkan probabilitas prior dengan seberapa besar kemungkinan bukti tersebut muncul dalam skenario yang berbeda. Rumusnya ditulis P(A | B) = P(B | A) × P(A) / P(B), dan rumus ini mengubah probabilitas 'maju', seperti seberapa besar kemungkinan hasil tes positif jika seseorang mengidap penyakit, menjadi probabilitas 'terbalik' yang biasanya menjadi perhatian sebenarnya: seberapa besar kemungkinan penyakit tersebut jika hasil tesnya positif.
Kalkulator ini menggunakan kerangka pengujian diagnostik yang umum: P(A) adalah probabilitas prior (laju dasar) kondisi tersebut dalam populasi yang relevan sebelum tes apa pun dijalankan, P(B | A) adalah sensitivitas — probabilitas hasil positif jika kondisi tersebut memang ada — dan P(B | ¬A) adalah tingkat positif palsu — probabilitas hasil positif jika kondisi tersebut tidak ada (sama dengan 1 dikurangi spesifisitas).
Kekeliruan laju dasar (base-rate fallacy) adalah kesalahan umum berupa berfokus pada sensitivitas suatu tes sambil mengabaikan probabilitas prior. Sebuah tes dapat memiliki sensitivitas tinggi dan tingkat positif palsu yang rendah namun tetap menghasilkan probabilitas posterior yang jauh di bawah yang disarankan oleh intuisi, setiap kali kondisi yang diuji jarang terjadi dalam populasi tersebut.
Cara menggunakan kalkulator teorema Bayes ini
- Masukkan probabilitas prior P(A) — laju dasar peristiwa atau kondisi dalam populasi yang relevan, sebagai persentase.
- Masukkan P(B | A), sensitivitas — probabilitas mengamati bukti tersebut jika peristiwanya benar.
- Masukkan P(B | ¬A), tingkat positif palsu — probabilitas mengamati bukti tersebut jika peristiwanya tidak benar.
- Baca probabilitas posterior P(A | B), probabilitas total bukti P(B), dan rasio kemungkinan (faktor Bayes), yang membandingkan seberapa besar kemungkinan bukti tersebut muncul di bawah A dibandingkan di bawah ¬A.
Rumus di balik teorema Bayes
Teorema Bayes menjabarkan penyebut P(B) menggunakan hukum probabilitas total pada dua kemungkinan A dan ¬A: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))].
Contoh perhitungan: prior P(A) = 1%, sensitivitas P(B | A) = 95%, tingkat positif palsu P(B | ¬A) = 5%. Pembilang: 0,95 × 0,01 = 0,0095. Probabilitas total hasil positif: P(B) = 0,95 × 0,01 + 0,05 × 0,99 = 0,0095 + 0,0495 = 0,059. Posterior: P(A | B) = 0,0095 / 0,059 ≈ 0,1610, sehingga probabilitas posterior sekitar 16,10% — meskipun tes tersebut secara benar mengidentifikasi 95% kasus yang sebenarnya, sebagian besar hasil positif dalam skenario ini berasal dari kelompok orang yang jauh lebih besar yang tidak mengidap kondisi tersebut.
Rasio kemungkinan (faktor Bayes) adalah P(B | A) / P(B | ¬A). Pada contoh perhitungan, 0,95 / 0,05 = 19, artinya hasil positif 19 kali lebih mungkin terjadi jika A benar dibandingkan jika A salah.
Kesalahan umum
- Mencampuradukkan P(B | A), sensitivitas, dengan P(A | B), probabilitas posterior — mengasumsikan hasil tes yang sangat sensitif berarti probabilitas tinggi untuk benar-benar mengidap kondisi tersebut, sambil mengabaikan laju dasar, merupakan kekeliruan laju dasar yang klasik.
- Sepenuhnya mengabaikan probabilitas prior — tes dengan sensitivitas 95% dan tingkat positif palsu 5% tetap hanya menghasilkan posterior sekitar 16% ketika prior-nya 1%, karena sebagian besar hasil positif berasal dari kelompok negatif benar yang jauh lebih besar.
- Memperlakukan spesifisitas dan tingkat positif palsu sebagai hal yang dapat dipertukarkan tanpa konversi — kalkulator ini meminta P(B | ¬A), tingkat positif palsu, yang sama dengan 1 dikurangi spesifisitas.
- Menerapkan rumus dua suku ketika terdapat lebih dari dua kemungkinan yang saling eksklusif — versi sederhana A versus ¬A hanya berlaku untuk partisi biner dari hasil.
- Membulatkan probabilitas antara sebelum menggabungkannya, yang memperbesar kesalahan dalam perhitungan yang sangat sensitif terhadap perubahan kecil pada prior di laju dasar yang rendah.
Pertanyaan yang sering diajukan
Mengapa tes yang 95% akurat masih bisa salah di sebagian besar kasus pada hasil positif?
Ketika kondisi yang mendasarinya jarang terjadi, sebagian besar hasil positif berasal dari kelompok orang yang jauh lebih besar tanpa kondisi tersebut yang mendapat hasil positif palsu, bukan dari kelompok kecil orang yang benar-benar mengidapnya. Dengan prior 1%, sensitivitas 95%, dan tingkat positif palsu 5%, probabilitas posterior jika hasilnya positif hanya sekitar 16,10%, meskipun tes tersebut 95% akurat pada kasus yang sebenarnya.
Apa itu kekeliruan laju dasar (base-rate fallacy)?
Kekeliruan laju dasar adalah kesalahan umum berupa menilai probabilitas suatu peristiwa berdasarkan bukti (seperti tes positif) terutama berdasarkan keakuratan bukti tersebut sambil mengabaikan seberapa jarang atau umum peristiwa itu terjadi sejak awal. Teorema Bayes mengoreksi hal ini dengan secara eksplisit memasukkan probabilitas prior.
Apa perbedaan antara sensitivitas, spesifisitas, dan tingkat positif palsu?
Sensitivitas adalah probabilitas hasil positif jika kondisi tersebut ada, P(B | A). Spesifisitas adalah probabilitas hasil negatif jika kondisi tersebut tidak ada. Tingkat positif palsu adalah komplemen dari spesifisitas — probabilitas hasil positif jika kondisi tersebut tidak ada, P(B | ¬A) = 1 − spesifisitas.
Apa itu faktor Bayes (rasio kemungkinan)?
Faktor Bayes, atau rasio kemungkinan, adalah P(B | A) dibagi P(B | ¬A) — berapa kali lebih mungkin bukti yang diamati muncul di bawah A dibandingkan di bawah ¬A. Pada contoh perhitungan di halaman ini (sensitivitas 95%, tingkat positif palsu 5%), faktor Bayes-nya adalah 19, artinya hasil positif 19 kali lebih mungkin terjadi jika kondisi tersebut ada dibandingkan jika tidak ada.
Bagaimana probabilitas prior memengaruhi posterior?
Secara dramatis. Dengan sensitivitas dan tingkat positif palsu tetap, prior yang lebih rendah menghasilkan posterior yang jauh lebih rendah, karena bagian yang lebih besar dari hasil positif berasal dari positif palsu di antara banyak negatif benar. Menaikkan prior dari 1% menjadi 10% (dengan sensitivitas 95% dan tingkat positif palsu 5% tetap) menaikkan posterior dari sekitar 16,10% menjadi sekitar 67,86%.
Apakah prior, sensitivitas, dan tingkat positif palsu harus berjumlah 100%?
Tidak. Ketiganya adalah probabilitas terpisah yang menggambarkan hal berbeda — laju dasar peristiwa tersebut, dan dua probabilitas bersyarat dari bukti pada masing-masing skenario — dan tidak satu pun perlu berjumlah total tertentu.
Referensi
- Bayes T, Price R. An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1763; 53: 370-418.
- Kahneman D, Tversky A. On the psychology of prediction. Psychological Review 1973; 80(4): 237-251 (base-rate neglect in probability judgment).
- National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — probability rules and Bayes' theorem. nist.gov.
- Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (conditional probability and Bayes' rule).
- Casella G, Berger RL. Statistical Inference (2nd ed). Duxbury, 2002 (Bayes' theorem and conditional probability).