Membedah Titik Buta Mazhab Frekuentis vs. Bayesian

1. Probabilitas: Frekuentis vs. Bayesian

Perbedaan mendasar dari kedua kubu ini terletak pada satu pertanyaan filosofis: "Apa makna dari kata 'Peluang'?"

Mazhab Klasik

Probabilitas Frekuentis

Konsep: Peluang adalah frekuensi relatif jangka panjang. Parameter dunia nyata dianggap statis (tetap). Manusia tidak boleh memasukkan unsur subjektivitas.

P(A) = lim (n→∞) [ n_A / n ]

Contoh: Peluang koin keluar sisi Angka adalah 50%. Bagi Frekuentis, angka ini lahir karena jika koin dilempar 100.000 kali, hasilnya akan mendekati 50.000. Anda dilarang berkata "Saya yakin koin ini bakal keluar Angka".

Mazhab Modern

Probabilitas Bayesian

Konsep: Peluang adalah tingkat keyakinan (degree of belief). Kita mulai dengan tebakan awal (Prior), lalu memperbaruinya setiap ada bukti baru (Likelihood) menjadi keyakinan akhir (Posterior).

P(A|B) = [ P(B|A) · P(A) ] / P(B)

Contoh: Anda yakin 80% teman Anda berbohong (Prior). Saat ditanya, dia berkeringat dingin (Bukti B). Secara statistik, pembohong 90% berkeringat (Likelihood). Setelah dihitung, keyakinan Anda naik jadi 94% (Posterior).

Parameter Komparasi	Pendekatan Frekuentis	Pendekatan Bayesian
Definisi Peluang	Hasil pengulangan eksperimen tak hingga	Tingkat keyakinan yang dinamis
Sifat Parameter	Angka tunggal yang pasti & statis	Variabel yang punya spektrum nilai
Masukan Bukti Baru	Wajib membuat eksperimen baru dari nol	Langsung disuntikkan ke rumus lama

⚠ Deep Dive: Titik Buta Statistik Frekuentis

Jika pendekatan Frekuentis tidak dinamis, apakah jika kita ingin memperbarui hasil, kita harus melakukan eksperimen baru? Ya, tepat sekali 100%. Inilah kelemahan terbesar Frekuentis yang melahirkan 2 paradoks besar dalam sains:

• Masalah Amnesia Sejarah: Frekuentis menilai eksperimen seolah alam semesta baru diciptakan hari itu. Jika ada 1.000 jurnal membuktikan rokok memicu kanker, lalu Anda menguji 10 perokok yang kebetulan sehat semua, Frekuentis hari itu akan menyimpulkan: "Rokok tidak memicu kanker". Bobot 1.000 jurnal masa lalu tidak boleh dimasukkan ke rumus.
• Jebakan Aturan Berhenti (Stopping Rule): Jumlah sampel (N) wajib dikunci sebelum mulai. Jika Anda menetapkan N=100, lalu di sampel ke-100 nilai p-value Anda 0.052 (sedikit lagi lulus uji), Anda haram menambahkan 10 sampel lagi minggu depan. Jika dilakukan, itu disebut manipulasi P-Hacking. Solusi sahnya? Buang data 100 orang tadi, ulang dari nol dengan N=150.

Lalu kenapa dokter & ilmuwan masih pakai Frekuentis? Karena sifat kaku itulah yang bertindak sebagai "Hakim Pengadilan". Ia mencegah peneliti curang memanipulasi keyakinan awal (Prior) demi meloloskan obat palsu ke pasaran.

2. Uji Hipotesis: Parametrik vs. Non-Parametrik

Jika pertarungan pertama adalah masalah pola pikir, pertarungan kedua ini murni masalah bentuk fisik data Anda di lapangan.

Statistika Parametrik

Konsep: Metode yang mensyaratkan data memiliki asumsi ketat, terutama wajib berdistribusi normal (berbentuk kurva lonceng sempurna) dan berskala Interval/Rasio.

t = ( x̄ - μ ) / ( s / √n )

Contoh: Menguji rata-rata IQ 200 mahasiswa Teknik. Karena jumlah sampel besar, berupa angka mutlak, dan kurvanya normal, digunakan One-Sample t-test.

Statistika Non-Parametrik

Konsep: Metode Distribution-Free (bebas distribusi). Tidak peduli data Anda miring atau acak. Penyelamat untuk sampel kecil atau data berjenis ranking/kategori.

χ² = Σ [ (O_i - E_i)² / E_i ]

Contoh: Menguji hubungan "Tingkat Pendidikan (SD/SMP/SMA)" dengan "Kepuasan (Puas/Tidak)" pada 12 orang. Karena datanya kategori & sampel kecil, dipakai Chi-Square.

Pembeda Utama	Statistika Parametrik	Statistika Non-Parametrik
Bentuk Distribusi	Wajib Normal (Kurva Lonceng)	Bebas (Miring/Acak tidak masalah)
Skala Data	Interval & Rasio (Angka riil)	Nominal & Ordinal (Kategori/Ranking)
Rekomendasi Sampel	Besar (n ≥ 30)	Sangat kecil pun bisa (n < 30)
Tolok Ukur Pusat	Rata-rata (Mean)	Nilai Tengah (Median)

"Statistika bukan tentang mencari kebenaran mutlak, melainkan cara paling ilmiah untuk mengelola ketidakpastian."