Dasar-dasar Probabilitas Kondisional
Probabilitas adalah cara formal untuk mengukur seberapa besar kemungkinan suatu peristiwa terjadi. Dalam banyak situasi nyata, peluang suatu peristiwa tidak berdiri sendiri, melainkan dipengaruhi oleh informasi lain yang sudah kita ketahui. Di sinilah konsep probabilitas kondisional menjadi penting. Probabilitas kondisional membantu kita memperbarui keyakinan tentang kejadian tertentu setelah memperoleh informasi tambahan. Artikel ini membahas pengertian, rumus dasar, contoh, serta kaitannya dengan aturan perkalian dan Teorema Bayes.
1. Pengertian Probabilitas Kondisional
Secara intuitif, probabilitas kondisional adalah peluang terjadinya peristiwa A dengan syarat peristiwa B telah terjadi. Notasinya ditulis sebagai:
\[
P(A \mid B)
\]
dibaca “probabilitas A diberikan B”.
Misalnya, kita ingin mengetahui peluang seseorang membawa payung (A) dengan syarat hari ini hujan (B). Jelas peluang membawa payung akan lebih besar jika kita tahu hujan sedang terjadi. Informasi “hujan” mengubah ruang pertimbangan kita—kita tidak lagi melihat semua kondisi cuaca, tetapi hanya kondisi saat hujan.
2. Rumus Probabilitas Kondisional
Definisi matematis probabilitas kondisional adalah:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
dengan syarat \(P(B) > 0\).
Keterangan:
– \(P(A \mid B)\): peluang A terjadi jika B terjadi.
– \(P(A \cap B)\): peluang A dan B terjadi bersamaan (irisan A dan B).
– \(P(B)\): peluang B terjadi.
Makna rumus ini: kita membatasi perhatian pada kejadian B, lalu menghitung seberapa besar bagian dari B yang juga termasuk A.
3. Contoh Sederhana: Kartu Remi
Ambil satu kartu dari satu set kartu remi standar (52 kartu). Misalkan:
– A: kartu yang terambil adalah As
– B: kartu yang terambil adalah Sekop
Kita ingin menghitung \(P(A \mid B)\), yaitu peluang terambil As jika diketahui kartu tersebut sekop.
Langkah:
– Dalam sekop ada 13 kartu, jadi \(P(B) = 13/52\).
– Irisan A dan B adalah “As sekop” yang jumlahnya 1 kartu, jadi \(P(A \cap B) = 1/52\).
Maka:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Artinya, jika kita sudah tahu kartunya adalah sekop, peluang bahwa kartu itu As adalah 1 dari 13.
4. Memahami Irisan (A ∩ B) dan Peran Informasi
Kesalahan umum saat mempelajari probabilitas adalah mencampurkan \(P(A)\) dengan \(P(A|B)\). Dalam contoh kartu:
– \(P(A) = 4/52 = 1/13\) (peluang As tanpa informasi tambahan)
– \(P(A|B) = 1/13\) (kebetulan sama dalam kasus ini)
Namun pada banyak kasus nilai keduanya berbeda. Informasi tambahan dapat:
– meningkatkan peluang (misalnya peluang lulus ujian jika tahu seseorang belajar),
– menurunkan peluang (peluang jalanan lancar jika tahu sedang jam pulang kerja),
– atau tidak mengubah peluang bila kejadian saling bebas.
5. Kejadian Saling Bebas (Independence)
Dua peristiwa A dan B disebut saling bebas jika kejadian B tidak mempengaruhi peluang A, dan sebaliknya. Secara formal:
\[
P(A \mid B) = P(A)
\]
atau setara dengan:
\[
P(A \cap B) = P(A)P(B)
\]
Contoh: melempar koin dan melempar dadu. Hasil koin (angka/gambar) tidak dipengaruhi oleh hasil dadu (1–6), sehingga keduanya bebas. Jika A adalah “koin menunjukkan angka” dan B adalah “dadu menunjukkan 6”, maka:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
dan benar bahwa \(1/12 = (1/2)(1/6)\).
6. Aturan Perkalian (Multiplication Rule)
Dari definisi probabilitas kondisional, kita dapat menurunkan aturan perkalian :
\[
P(A \cap B) = P(A \mid B)P(B)
\]
atau juga:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
Aturan ini sangat berguna ketika kita ingin menghitung peluang dua kejadian terjadi bersamaan, tetapi lebih mudah menilai peluang salah satunya setelah mengetahui yang lain.
Contoh: Misalkan peluang seseorang lulus wawancara (B) adalah 0,4. Peluang diterima kerja (A) jika lulus wawancara adalah 0,6. Maka peluang “lulus wawancara dan diterima kerja”:
\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]
7. Teorema Bayes: Membalik Kondisi
Sering kali kita mengetahui \(P(A|B)\), tetapi yang kita butuhkan adalah \(P(B|A)\). Teorema Bayes menyediakan cara untuk “membalik” probabilitas kondisional:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Teorema ini sangat terkenal dalam bidang diagnosis medis, pembelajaran mesin, deteksi spam, dan pengambilan keputusan berbasis data.
Contoh Singkat (Kesehatan)
Misalkan:
– B: seseorang benar-benar sakit (prevalensi) \(P(B)=0{,}01\)
– A: hasil tes positif
– Sensitivitas tes: \(P(A|B)=0{,}95\)
– False positive: \(P(A|\text{tidak sakit})=0{,}05\)
Pertanyaan: jika hasil tes positif, berapa peluang orang tersebut benar-benar sakit, yaitu \(P(B|A)\)?
Kita perlu \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Maka:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
Hasilnya sekitar 16,1%. Ini menunjukkan bahwa tes positif tidak selalu berarti seseorang pasti sakit, terutama jika prevalensi penyakit sangat rendah.
8. Total Probability (Hukum Probabilitas Total)
Untuk menghitung \(P(A)\) dalam situasi yang terbagi ke beberapa kondisi, kita dapat memakai hukum probabilitas total . Jika \(B_1, B_2, …, B_n\) membentuk partisi ruang sampel (saling lepas dan mencakup semua kemungkinan), maka:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Ini sering dipadukan dengan Teorema Bayes untuk mengolah informasi dari beberapa kategori atau sumber.
9. Kesalahan Umum dalam Probabilitas Kondisional
Beberapa kekeliruan yang sering terjadi:
1. Menganggap \(P(A|B)\) sama dengan \(P(B|A)\) . Ini tidak benar secara umum.
2. Mengabaikan peluang dasar (base rate) , misalnya prevalensi penyakit pada contoh Bayes.
3. Keliru menentukan ruang sampel setelah kondisi diberikan , padahal syarat B berarti kita hanya menghitung di dalam “wilayah B”.
10. Penutup
Probabilitas kondisional adalah fondasi penting dalam statistik dan pemodelan ketidakpastian. Dengan memahami definisi \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), kita dapat menilai peluang dengan mempertimbangkan informasi tambahan. Konsep ini terhubung langsung dengan aturan perkalian, kejadian saling bebas, hukum probabilitas total, dan Teorema Bayes yang sangat berguna dalam berbagai aplikasi nyata. Semakin sering Anda berlatih dengan contoh konkret—kartu, dadu, survei, hingga kasus medis—semakin kuat pula intuisi Anda tentang bagaimana peluang berubah saat informasi baru masuk.
