Ilmu Probabilitas

[Harald Atta]

Probabilitasadalah angka yang menyatakan kemungkinan terjadinya suatu peristiwa. Dengan kata lain, peluang terjadinya peristiwa yang berbeda-beda dapat diukur menggunakan probabilitas, dan salah satu tujuannya adalah untuk mengambil keputusan.

Dalam penerapannya, probabilitas digunakan untuk menganalisis berbagai fenomena dengan perhitungan matematis. Tidak terkecuali dalam dunia bisnis yang sering menghadapi ketidakpastian, probabilitas dapat membantu mengambil keputusan secara objektif dan berdasarkan data, alih-alih hanya mengandalkan insting.

Probabilitas digunakan untuk membuat prediksi tentang kejadian di masa depan. Misalnya, dengan menganalisis data di masa lalu dan menghitung probabilitasnya, seseorang dapat membuat prediksi tentang kemungkinan yang terjadi di masa mendatang.

Probabilitas juga dapat dimanfaatkan untuk menguji hipotesis dan menarik kesimpulan dari data. Dengan menghitung probabilitas, hasil tertentu dapat diperoleh dalam kondisi yang berbeda-beda sehingga validitas hipotesis dapat dievaluasi.

Semakin besar nilai probabilitas, semangkin mungkin suatu peristiwa terjadi. Misalnya, sebuah peristiwa dengan angka probabilitas 0,1 memiliki lebih kecil kemungkinan untuk terjadi dibandingkan dengan peristiwa dengan angka probabilitas 0,9.

P (A atau B) merupakan probabilitas kejadian A atau B. P(A) adalah probabilitas kejadian A terjadi, dan P(B) adalah probabilitas dari kejadian B. Sementara itu, P(A dan B) adalah probabilitas kedua peristiwa terjadi secara bersamaan.

Seseorang memiliki toples yang berisi 4 kelereng merah dan 6 kelereng biru. Dia ingin secara acak mengambil 2 kelereng dari toples tersebut. Berapa peluang untuk mendapatkan kelereng merah pada pengambilan pertama dan kelereng biru pada pengambilan kedua?

Dalam machine learning, probabilitas digunakan untuk mengukur ketidakpastian yang terkait dengan data dan modelling. Ketidakpastian ini muncul karena berbagai faktor seperti banyaknya data dan parameter yang kompleks.

Perhitungan probabilitas membantu mesin untuk mengenali pola data yang di-input dan membuat prediksi output-nya. Karena itu, probabilitas menjadi salah satu konsep matematika terpenting dalam pembelajaran mesin.

Dengan menggunakan probabilitas, seorang analis dapat memperkirakan kemungkinan hasil berdasarkan informasi yang tersedia dan memanfaatkan informasi ini untuk membuat keputusan tentang manajemen risiko.

Inferensi Bayesian adalah teknik statistik yang menggunakan teori probabilitas untuk memprediksi peristiwa tertentu berdasarkan data yang ada. Inferensi Bayesian digunakan dalam berbagai aplikasi dalam data science seperti Natural Language Processing (NLP).

Ilmu probabilitas adalah cabang matematika yang mempelajari tentang kemungkinan dan peluang suatu kejadian terjadi. Meskipun mungkin terlihat abstrak, konsep probabilitas memiliki aplikasi yang sangat penting dalam kehidupan sehari-hari. Berikut adalah beberapa contoh pentingnya ilmu probabilitas dalam kehidupan sehari-hari:

1.Keputusan dan Perencanaan: Probabilitas membantu kita dalam mengambil keputusan yang rasional. Dalam banyak situasi, kita harus mempertimbangkan peluang sukses atau kegagalan sebelum mengambil keputusan. Misalnya, saat memutuskan untuk membeli asuransi, memilih investasi, atau menentukan rencana perjalanan, kita dapat menggunakan konsep probabilitas untuk memahami risiko dan peluang yang terlibat.

2.Prediksi Cuaca: Layanan ramalan cuaca bergantung pada analisis probabilitas untuk memprediksi kondisi cuaca di masa depan. Mereka mengumpulkan data historis dan saat ini untuk menghasilkan perkiraan yang berdasarkan peluang terjadinya berbagai kondisi cuaca.

3.Kesehatan dan Kedokteran: Probabilitas digunakan dalam diagnosis medis, prediksi penyakit, dan uji klinis. Hasil tes medis seringkali dinyatakan dalam bentuk probabilitas, seperti peluang seseorang memiliki risiko tertentu berdasarkan faktor-faktor tertentu.

4.Statistik dan Penelitian Ilmiah: Probabilitas adalah dasar bagi banyak metode statistik yang digunakan dalam penelitian ilmiah. Dalam melakukan eksperimen, mengumpulkan data, dan menarik kesimpulan, konsep probabilitas membantu kita memahami apakah hasil yang diamati adalah hasil kebetulan atau memiliki signifikansi statistik.

5.Perjudian dan Permainan: Industri perjudian, termasuk kasino dan lotere, bergantung pada probabilitas untuk merancang permainan dan menentukan pembayaran. Orang juga menggunakan pemahaman tentang probabilitas saat bermain permainan papan atau kartu untuk membuat keputusan terbaik.

6.Manajemen Risiko: Bisnis dan lembaga keuangan menggunakan ilmu probabilitas untuk mengelola risiko. Analisis risiko dan diversifikasi portofolio investasi didasarkan pada perhitungan probabilitas dan dampak potensial dari berbagai skenario.

7.Teknologi dan Rekayasa: Probabilitas digunakan dalam pengembangan teknologi dan rekayasa untuk memahami performa dan keandalan suatu sistem. Misalnya, dalam desain jaringan komunikasi, probabilitas dapat membantu mengoptimalkan throughput dan mengurangi gangguan.

8.Keputusan dalam Kehidupan Sehari-hari: Dari memilih rute perjalanan tercepat hingga memutuskan kapan harus pergi ke dokter berdasarkan risiko terkena penyakit menular, banyak keputusan sederhana dalam kehidupan sehari-hari kita dapat dianalisis menggunakan konsep probabilitas.

Secara singkat, ilmu probabilitas membantu kita mengatasi ketidakpastian dan membuat keputusan yang lebih terinformasi dalam berbagai aspek kehidupan. Ini adalah alat yang kuat untuk mengukur risiko, memprediksi hasil, dan mengoptimalkan pilihan kita.

Induksi adalah proses berpikir yang bertolak dari sejumlah fenomena untuk menurunkan suatu kesimpulan atau cara menarik kesimpulan yang bersifat umum dari pernyataan yang bersifat khusus. Contoh penalaran yang berbentuk induksi :

1. Pernyataan khusus : Burung mempunyai mata dan burung adalah unggas

2. Pernyataan khusus : Ayam mempunyai mata dan ayam adalah unggas

3. Pernyataan khusus : Bebek mempunyai mata dan bebek adalah unggas

4. Pernyataan khusus : Itik mempunyai mata dan itik adalah unggas

5. Kesimpulan umum : Semua unggas mempunyai mata

Induksi adalah penalaran yang konklusi-nya lebih luas daripada premisnya. Premis sebuah induksi berupa proposisi empirik yang kembali pada observasi indera, sedangkan konklusi-nya bersifat universal dan berlaku umum untuk segala yang berkaitan dengan premis, contohnya:

3. Premis 1 : Semua unggas mempunyai mata

4. Premis 2 : Semua unggas adalah hewan

5. Premis 3 : Semua mamalia mempunyai mata

6. Premis 4 : Semua mamalia adalah hewan

7. Premis 5 : Semua primata mempunyai mata

8. Premis 6 : Semua primata adalah hewan

9. Premis 7 : Semua reptil mempunyai mata

10. Premis 8 : Semua reptil adalah hewan

11. Konklusi : Semua hewan mempunyai mata

Pernyataan induksi menghasilkan pernyataan yang bersifat ekonomis, karena satu pernyataan umum dapat menggantikan puluhan pernyataan khusus. Burung, ayam, bebek, itik, angsa dan sebagainya cukup diganti dengan semua unggas. Unggas, primata, mamalia, reptil dan sebagainya cukup diganti dengan semua hewan.

Pernyataan induksi menghasilkan pernyataan yang bersifat substansial, karena menghasilkan pernyataan yang lebih umum dari pernyataan yang sudah umum. Semua hewan, semua tumbuhan, semua manusia dapat diganti dengan semua makhluk hidup

Nilai kebenaran konklusi suatu induksi tidak bersifat pasti, namun berupa probabilitas. Tinggi rendahnya probabilitas suatu induksi tergantung faktor-faktor probabilitas. Faktor-faktor prababilitas terdiri atas 4 (empat) faktor sebagai berikut :

1. Makin besar jumlah fakta yang dijadikan dasar konklusi, makin tinggi probabilitas konklusi-nya, sebaliknya makin kecil jumlah fakta yang dijadikan dasar konklusi, makin rendah probabilitas konklusi-nya.

2. Makin besar jumlah faktor analoginya makin rendah probabilitas konklusi-nya, sebaliknya makin kecil jumlah faktor analoginya makin tinggi probabilitas konklusi-nya

3. Makin besar jumlah faktor disanaloginya makin tinggi probabilitas konklusi-nya, sebaliknya makin kecil jumlah faktor disanaloginya makin rendah probabilitas konklusi-nya

4. Makin luas konklusi-nya makin rendah probabilitasnya, sebaliknya makin sempit konklusi-nya makin tinggi probabilitasnya

Makin besar jumlah fakta yang dijadikan dasar konklusi, makin tinggi probabilitas konklusi-nya atau sebaliknya. Bandingkan pernyataan A dan pernyataan B.

Pernyataan A :

1. Fakta 1 : Ika adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

2. Fakta 2 : Zaky adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

3. Konklusi : Semua mahasiswa teladan adalah mahasiswa yang rajin belajar

Pernyataan B :

1. Fakta 1 : Ika adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

2. Fakta 2 : Zaky adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

3. Fakta 3 : Rayhan adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

4. Fakta 4 : Sari adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

5. Fakta 5 : Eli adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

6. Konklusi : Semua mahasiswa teladan adalah mahasiswa yang rajin belajar

Pernyataan A dan pernyataan B menghasilkan konklusi yang sama, namun tingkat probabilitas konklusi-nya berbeda akibat jumlah fakta yang dijadikan sebagai dasar penarikan kesimpulan. Konklusi B lebih tinggi tingkat probabilitas konklusi-nya dibanding konklusi A, karena mempunyai jumlah fakta yeng lebih besar.

Makin besar jumlah faktor analoginya makin rendah probabilitas konklusi-nya atau sebaliknya. Bandingkan pernyataan A dan pernyataan B.

Pernyataan A :

1. Ika adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

2. Zaky adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

3. Rayhan adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

4. Sari adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

5. Eli adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

6. Evi adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar

7. Jadi, semua mahasiswa teladan adalah mahasiswa yang rajin belajar

Pernyataan B :

1. Eri adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan kreatif

2. Wati adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan kreatif

3. Budi adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan kreatif

4. Jadi, semua mahasiswa teladan adalah mahasiswa yang rajin belajar, membaca dan kreatif

Pernyataan A mempunyai tingkat probabilitas konklusi yang lebih tinggi dibanding dengan konklusi B, karena mempunyai faktor analogi yang lebih sedikit. Pernyataan A mempunyai 1 (satu) faktor analogi, yaitu rajin belajar, sehingga peluangnya besar, sedangkan pernyataan B mempunyai 3 (tiga) faktor analogi, yaitu rajin belajar, membaca dan kreatif, sehingga peluangnya lebih kecil.

Makin besar jumlah faktor disanaloginya makin tinggi probabilitas konklusi-nya atau sebaliknya. Bandingkan pernyataan A dan pernyataan B.

Pernyataan A :

1. Ika adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

2. Zaky adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

3. Rayhan adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

4. Sari adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

5. Eli adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan tekun

6. Jadi, semua mahasiswa teladan adalah mahasiswa yang rajin belajar dan membaca

Pernyataan B :

1. Widya adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

2. Sandy adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan kreatif

3. Wawan adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan tekun

4. Della adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan inovatif

5. Budi adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan aktif

6. Jadi, semua mahasiswa teladan adalah mahasiswa yang rajin belajar dan membaca

Pernyataan A mempunyai tingkat probabilitas konklusi yang lebih rendah dibanding dengan konklusi B, karena mempunyai faktor disanalogi yang lebih sedikit.

Pernyataan A mempunyai 1 (satu) faktor disanalogi (tekun), sehingga konklusi-nya hanya berlaku bagi mahasiswa yang rajin belajar, membaca dan tekun, sedangkan pernyataan B mempunyai 4 (empat) faktor disanalogi (tekun, kreatif, inovatif dan aktif), sehingga konklusi-nya berlaku bukan hanya bagi mahasiswa yang rajin belajar, membaca dan tekun, tetapi juga berlaku untuk mahasisa yang kreatif, inovatif, dan aktif.

Makin luas konklusinya makin rendah probabilitasnya atau sebaliknya. Bandingkan luas konklusi A dan konklusi B dengan luas premis pada contoh di bawah ini :

1. Premis 1 : Zaky adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

2. Premis 2 : Ika adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

3. Premis 3 : Rayhan adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

4. Premis 4 : Sari adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar dan membaca

5. Premis 5 : Eli adalah mahasiswa teladan, karena dia adalah mahasiswa yang rajin belajar, membaca dan kreatif

6. Konklusi A : Semua mahasiswa teladan adalah mahasiswa yang rajin belajar dan membaca

7. Konklusi B : Semua mahasiswa teladan adalah mahasiswa yang rajin belajar, membaca dan kreatif

Konklusi A sama luas dengan premisnya (premis 1 s/d 4) atau lebih sempit dibanding dengan premisnya (premis 5), sedangkan konklusi B mempunyai konklusi yang lebih luas dibanding dengan premisnya (premis 5). Dengan kata lain, konklusi B lebih luas daripada konklusi A atau probabilitas konklusi A lebih tinggi dibanding dengan konklusi B. Konklusi A lebih menjangkau lebih banyak fakta, karena hanya memerlukan 2 (dua) analogi (rajin belajar dan membaca), sedangkan konklusi B memerlukan 3 (tiga) analogi (rajin belajar, membaca dan kreatif) sehingga menjangkau fakta yang lebih sedikit.

3a8082e126