Statistika on kenji.blog

Apakah 'Positif dalam Tes' = 'Sakit'? Memahami Kekeliruan Tingkat Dasar

Thu, 10 Sep 2026 21:00:00 +0900

Jika hasil “positif (ada kelainan)” keluar dalam pemeriksaan kesehatan atau skrining kanker, siapa pun pasti akan panik. Namun, jika Anda memiliki pengetahuan tentang statistika dan peluang, Anda mungkin dapat menarik napas dalam-dalam dan tetap tenang. Ini karena, hanya karena “dinyatakan positif dalam tes yang sangat akurat” tidak berarti “peluang benar-benar menderita penyakit tersebut tinggi”.

Ini adalah bias kognitif khas di mana intuisi manusia melakukan kesalahan besar dalam perhitungan peluang, yang disebut “Kekeliruan Tingkat Dasar (Base Rate Fallacy)” atau “Pengabaian Peluang Prior”.

Masalah Pemeriksaan Kesehatan yang Menakutkan

Bayangkan situasi berikut ini.

Di sebuah kota, terdapat penyakit tak dikenal yang menginfeksi 1 dari 10.000 orang (0,01%). Untuk mendeteksi penyakit ini, alat tes yang sangat baik dengan “akurasi 99%” telah dikembangkan. (*Akurasi 99% berarti jika orang yang sakit menjalani tes, ada peluang 99% untuk dinilai secara benar sebagai “positif”, dan jika orang sehat menjalani tes, ada peluang 99% untuk dinilai secara benar sebagai “negatif”.)

Ketika Anda kebetulan menjalani tes ini, hasilnya adalah “positif”. Nah, seberapa besarkah peluang Anda benar-benar terinfeksi penyakit ini?

Banyak orang secara intuitif akan menjawab, “Karena akurasi tesnya 99%, peluang saya sakit pasti 99% juga.” Namun, jawaban matematis yang benar adalah “sekitar 0,98% (kurang dari 1%)”.

Mengapa dengan akurasi 99%, peluang sebenarnya bisa menjadi kurang dari 1%?

Teorema Bayes dan Visualisasi Keseluruhan

Kunci untuk memecahkan masalah ini adalah dengan mempertimbangkan bukan hanya akurasi tes, tetapi juga “seberapa langka penyakit itu pada awalnya (tingkat dasar/peluang prior)”. Mari kita visualisasikan fenomena yang berlawanan dengan intuisi ini menggunakan populasi besar sebanyak 1.000.000 orang.

Total populasi: 1.000.000 orang
Orang yang benar-benar sakit (1 dari 10.000 orang): 100 orang
Orang sehat: 999.900 orang

Kita melakukan tes dengan “akurasi 99%” kepada seluruh 1.000.000 orang ini.

1. Jika Orang yang Benar-Benar Sakit (100 Orang) Menjalani Tes

Karena akurasinya 99%, yang dengan benar dinilai sebagai “positif” adalah: 100 orang × 99% = 99 orang (Positif Benar)

2. Jika Orang Sehat (999.900 Orang) Menjalani Tes

Karena akurasinya 99%, terdapat orang-orang yang secara keliru dinilai sebagai “positif” (positif palsu) dengan peluang 1%: 999.900 orang × 1% = 9.999 orang (Positif Palsu)

graph TD A["Total Populasi (1.000.000 orang)"] --> B["Orang Sakit (100 orang)"] A --> C["Orang Sehat (999.900 orang)"] B -->|99% Benar| B1["Positif Benar (99 orang)"] B -->|1% Salah| B2["Negatif Palsu (1 orang)"] C -->|99% Benar| C1["Negatif Benar (989.901 orang)"] C -->|1% Salah| C2["Positif Palsu (9.999 orang)"] B1 -.-> D{"Total orang yang dinyatakan 'Positif': 10.098 orang"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

Peluang Sebenarnya Anda Sakit

Sekarang, Anda diberitahu oleh dokter bahwa Anda “positif”. Ini berarti Anda termasuk dalam kelompok di kanan bawah diagram, yaitu “Total orang yang dinyatakan ‘Positif’ (10.098 orang)”.

Dalam kelompok ini, berapakah persentase “orang yang benar-benar sakit (Positif Benar)”?

$$ \text{Peluang Benar-Benar Sakit} = \frac{\text{Positif Benar}}{\text{Total Dinyatakan Positif}} = \frac{99}{99 + 9.999} = \frac{99}{10.098} \approx 0,0098 $$

Hasil perhitungannya adalah sekitar 0,98%. Meskipun dinyatakan “positif”, peluang Anda sebenarnya sehat (positif palsu) jauh lebih tinggi (sekitar 99%).

Mengapa Intuisi Bisa Salah?

Fenomena ini dijelaskan secara matematis melalui “Teorema Bayes” yang menghitung peluang bersyarat, tetapi otak manusia sangat buruk dalam melakukan perhitungan ini.

Alasan kita membuat kesalahan adalah karena kita terganggu oleh informasi individu yang kuat dan langsung di depan mata (“Hasil tes Anda positif! Akurasinya 99%!”), dan mengabaikan data statistik yang luas dan membosankan di latar belakang (“Sejak awal, hanya 1 dari 10.000 orang yang menderita penyakit ini (tingkat dasar)”).

Karena “kelangkaan penyakit (0,01%)” jauh lebih ekstrem dibandingkan “ketidakakuratan tes (1%)”, sedikit saja kesalahan tes akan dengan cepat melampaui jumlah orang yang benar-benar sakit.

“Kekeliruan Tingkat Dasar” yang Tersembunyi dalam Masyarakat

Ilusi ini menyebabkan kepanikan dan penilaian yang salah tidak hanya dalam medis, tetapi juga dalam berbagai situasi lainnya.

Sistem Pengenalan Wajah dan Teroris: Bahkan jika kamera pengenal wajah dengan akurasi 99,9% menemukan “teroris” di bandara, karena peluang dasar keberadaan teroris sangat rendah, yang tertangkap sebagian besar adalah warga sipil tak berdosa yang wajahnya mirip (positif palsu).
Kecelakaan Lalu Lintas dan Pengemudi Lansia: Meskipun Anda merasa bahaya saat melihat berita bahwa “XX% dari mobil yang menyebabkan kecelakaan dikemudikan oleh lansia”, jika Anda tidak mempertimbangkan “proporsi lansia dari total pengemudi di jalan (tingkat dasar)”, Anda tidak dapat mengetahui apakah kelompok usia tertentu benar-benar lebih rentan menyebabkan kecelakaan.

“Kekeliruan Tingkat Dasar” mengajarkan kita pentingnya pemikiran statistik: justru ketika kita melihat angka yang mengejutkan atau kasus individual, kita harus kembali pada pertanyaan “Seberapa besar kemungkinan hal itu terjadi dalam populasi secara keseluruhan pada awalnya? (tingkat dasar)”.

Paradoks Simpson: Menang di Bagian, Namun Kalah Secara Keseluruhan, Fenomena yang Membingungkan

Thu, 10 Sep 2026 07:00:00 +0900

1. Di rumah sakit mana sebaiknya menjalani operasi?

Anda menderita penyakit parah dan harus menjalani operasi. Di depan Anda, ada dua pilihan, yaitu Rumah Sakit A dan Rumah Sakit B. Anda telah meminta data “tingkat keberhasilan” operasi dari masing-masing rumah sakit.

【Tingkat Keberhasilan Keseluruhan】

Rumah Sakit A: Dari 1000 orang, 900 berhasil (Tingkat keberhasilan 90%)
Rumah Sakit B: Dari 1000 orang, 800 berhasil (Tingkat keberhasilan 80%)

Melihat ini, siapa pun pasti akan berpikir, “Rumah Sakit A lebih hebat!”. Namun, karena Anda memiliki sifat yang hati-hati, Anda memutuskan untuk menyelidiki lebih rinci bagaimana data tersebut berubah tergantung pada kondisi penyakit (gejala ringan atau gejala berat).

【Tingkat Keberhasilan Pasien Gejala Ringan】

Rumah Sakit A: Dari 100 orang, 99 berhasil (Tingkat keberhasilan 99%)
Rumah Sakit B: Dari 900 orang, 870 berhasil (Tingkat keberhasilan 96%) $\rightarrow$ Dalam kasus gejala ringan, Kemenangan untuk Rumah Sakit A (99% > 96%)

【Tingkat Keberhasilan Pasien Gejala Berat】

Rumah Sakit A: Dari 900 orang, 801 berhasil (Tingkat keberhasilan 89%)
Rumah Sakit B: Dari 100 orang, 70 berhasil (Tingkat keberhasilan 70%) $\rightarrow$ Bahkan dalam kasus gejala berat, Kemenangan untuk Rumah Sakit A (89% > 70%)

Loh? Bukankah ini aneh?

Bagi pasien dengan “gejala ringan”, tingkat keberhasilan di Rumah Sakit A lebih tinggi. Bagi pasien dengan “gejala berat”, tingkat keberhasilan di Rumah Sakit A lebih tinggi. Namun, bagaimana jika kita menghitung tingkat keberhasilan “keseluruhan” dengan menggabungkan semua pasien…?

Keseluruhan Rumah Sakit A: $(99 + 801) / 1000 =$ 90%
Keseluruhan Rumah Sakit B: $(870 + 70) / 1000 =$ 94%… Bukan, dari perhitungan sebelumnya hasilnya 80%?

Tunggu dulu, mari kita lihat lagi data awalnya. Data awalnya seperti ini.

Tingkat keberhasilan keseluruhan Rumah Sakit A: 90%
Tingkat keberhasilan keseluruhan Rumah Sakit B: 80%

Namun, jika kita hitung ulang dengan data yang dibagi lebih rinci, Tingkat keberhasilan keseluruhan Rumah Sakit B seharusnya menjadi $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

…Ternyata, Anda tertipu! Sebenarnya, trik angka inilah jebakan mengerikan dari statistik yang akan kita bahas kali ini. Mari saya tunjukkan lagi data yang benar.

2. Kepada Anda yang Tertipu: Data yang Sebenarnya

【Tingkat Keberhasilan Pasien Gejala Ringan】

Rumah Sakit A: Dari 900 orang, 870 berhasil (Tingkat keberhasilan 96%)
Rumah Sakit B: Dari 100 orang, 99 berhasil (Tingkat keberhasilan 99%) $\rightarrow$ Dalam kasus gejala ringan, Kemenangan untuk Rumah Sakit B (99% > 96%)

【Tingkat Keberhasilan Pasien Gejala Berat】

Rumah Sakit A: Dari 100 orang, 30 berhasil (Tingkat keberhasilan 30%)
Rumah Sakit B: Dari 900 orang, 315 berhasil (Tingkat keberhasilan 35%) $\rightarrow$ Bahkan dalam kasus gejala berat, Kemenangan untuk Rumah Sakit B (35% > 30%)

Dengan kata lain, baik gejala ringan maupun berat, Rumah Sakit B jauh lebih unggul.

Lalu, mari kita jumlahkan ini secara “keseluruhan”.

Keseluruhan Rumah Sakit A: $(870 + 30) / (900 + 100) = 900 / 1000 =$ Tingkat Keberhasilan 90%
Keseluruhan Rumah Sakit B: $(99 + 315) / (100 + 900) = 414 / 1000 =$ Tingkat Keberhasilan 41%

Sungguh mengejutkan, ketika dilihat secara “bagian” Rumah Sakit B selalu menang, tetapi saat digabungkan secara “keseluruhan”, Rumah Sakit A menang telak! Inilah fenomena yang disebut “Paradoks Simpson”.

graph TD subgraph "Data Parsial (Kemenangan B)" Light["Gejala Ringan: Kemenangan B (99% > 96%)"] Heavy["Gejala Berat: Kemenangan B (35% > 30%)"] end subgraph "Data Keseluruhan (Kemenangan A)" Total["Gabungan Keseluruhan: Kemenangan Telak A (90% > 41%)"] end Light -->|Entah mengapa berbalik saat digabungkan| Total Heavy -->|Entah mengapa berbalik saat digabungkan| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Mengapa Pembalikan Aneh Ini Bisa Terjadi?

Penyebab sebenarnya dari paradoks ini terletak pada “bias parameter (penyebut)” dan “variabel tersembunyi (faktor perancu)”.

Perhatikan datanya baik-baik.

Rumah Sakit A menerima “pasien gejala ringan yang mudah sembuh” dalam jumlah besar (900 orang).
Rumah Sakit B menerima “pasien gejala berat yang sulit sembuh” dalam jumlah besar (900 orang).

Karena kemampuan Rumah Sakit B sangat baik, ia layaknya “benteng terakhir” yang menerima banyak pasien gejala berat yang ditolak oleh rumah sakit lain. Tentu saja, tingkat keberhasilan untuk pasien gejala berat menjadi rendah (35%). “Tingkat keberhasilan keseluruhan” Rumah Sakit B terseret turun oleh rendahnya tingkat keberhasilan dari sejumlah besar pasien gejala berat ini, sehingga secara keseluruhan terlihat rendah (41%).

Sebaliknya, karena Rumah Sakit A hanya menangani pasien gejala ringan yang mudah, “tingkat keberhasilan keseluruhan” mereka hanya terlihat tinggi (90%). Namun, jika dibandingkan dalam kondisi yang sama (sesama gejala berat, sesama gejala ringan), kemampuan mereka kalah dari Rumah Sakit B.

Jika dinyatakan dalam rumus matematika, penyebabnya adalah sifat penjumlahan pecahan. Secara umum, meskipun $\frac{a}{b} < \frac{A}{B}$ dan $\frac{c}{d} < \frac{C}{D}$,

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

belum tentu selalu berlaku. Jika perbedaan besaran penyebutnya ekstrem, arah tanda ketidaksamaan dapat berbalik.

4. “Paradoks Simpson” di Dunia Nyata

Paradoks ini bukanlah sekadar teka-teki matematika biasa, melainkan sering terjadi di dunia nyata dan telah memicu perdebatan sengit.

Dugaan Diskriminasi Gender di University of California, Berkeley pada tahun 1973

Ketika tingkat kelulusan sekolah pascasarjana di UC Berkeley diselidiki, ditemukan bahwa “tingkat kelulusan pria (44%)” secara signifikan lebih tinggi daripada “tingkat kelulusan wanita (35%)”, sehingga menjadi masalah karena dianggap ada diskriminasi yang nyata terhadap wanita. Namun, ketika data dibagi dan dianalisis lebih rinci “per fakultas”, fakta yang mengejutkan terungkap. Di hampir semua fakultas, tingkat kelulusan wanita lebih tinggi daripada pria.

Mengapa angka keseluruhannya bisa berbalik? Sebenarnya, banyak wanita yang melamar ke “fakultas dengan tingkat kelulusan rendah (sulit masuk)”, sementara banyak pria yang melamar ke “fakultas dengan tingkat kelulusan tinggi (mudah masuk)”.

Data Efektivitas Vaksin COVID-19

Pernah beredar data yang menyatakan bahwa “Tingkat kematian orang yang telah divaksinasi lebih tinggi daripada mereka yang belum divaksinasi”, yang kemudian menimbulkan kehebohan. Ini juga merupakan hasil dari pengabaian data berdasarkan kelompok usia (variabel tersembunyi). Karena vaksin diberikan secara prioritas kepada “lansia (yang memang sudah memiliki tingkat kematian tinggi)”, jika tingkat kematian keseluruhan hanya digabungkan begitu saja, kelompok yang divaksinasi akan sangat didominasi oleh lansia, sehingga tingkat kematiannya terlihat tinggi secara sekilas.

Ketika dibandingkan berdasarkan kelompok usia, dipastikan bahwa di semua kelompok usia, “orang yang telah divaksinasi memiliki tingkat kematian yang lebih rendah”.

5. Kesimpulan: Data Tidak Berbohong, Tetapi Manusia Bisa Berbohong dengan Data

Paradoks Simpson memperingatkan kita tentang “bahaya mengambil kesimpulan hanya dengan melihat data keseluruhan, seperti nilai rata-rata atau total”.

Di dunia ini, bertebaran perusahaan, politisi, atau media yang hanya mengambil “angka keseluruhan” dan menampilkannya sedemikian rupa untuk menguntungkan pihak mereka sendiri. Bahkan jika dikatakan, “Produk A dari perusahaan kami memiliki tingkat kepuasan keseluruhan yang lebih tinggi daripada produk B dari perusahaan lain!”, mungkin saja jika dibagi menjadi “kelompok muda” dan “kelompok lansia”, produk B dari perusahaan lain yang menang di kedua kelompok tersebut.

Saat melihat data, agar tidak tertipu oleh angka “keseluruhan” yang tampak di permukaan, memiliki pandangan skeptis dengan bertanya, “Apakah ada bias ekstrem dalam proporsi kelompok akibat variabel tersembunyi di baliknya (seperti usia, jenis kelamin, tingkat keparahan, dll)?” akan menjadi senjata terkuat untuk bertahan di era informasi modern.