Kajian Konseptual Peran Dasar Probabilitas (Teorema Bayes) Dalam Algoritma Klasifikasi Pada Deep Learning Untuk Analisis Sentimen Ekonomi

Abstract

Kajian ini didorong oleh urgensi integrasi landasan pengetahuan matematika, khususnya Prinsip Peluang, dengan teknologi mutakhir Jaringan Saraf Tiruan Dalam (Deep Learning/DL) dalam konteks analisis data ekonomi untuk mendukung pencapaian Tujuan Pembangunan Berkelanjutan (SDGs), khususnya SDGs 8 (Pekerjaan Layak) dan SDGs 9 (Inovasi). Meskipun Deep Learning terbukti penting dalam Analisis Sentimen Ekonomi—alat penting untuk mengambil keputusan berbasis data—Sayangnya, muncul kesenjangan epistemologis di mana landasan Probabilitas sering dianggap terpisah dari fondasi matematis algoritma Artificial Intelligence (AI). Oleh karena itu, penelitian ini bertujuan untuk menganalisis dan memaparkan secara konseptual peran fundamental Teorema Bayes sebagai dasar teori bagi mekanisme klasifikasi pada Deep Learning. Metode yang digunakan adalah Kajian Pustaka (Literature Review) yang mendalam, dengan fokus pada analisis dan sintesis literatur ilmiah yang menghubungkan prinsip peluang, Teorema Bayes, Struktur Jaringan Saraf Tiruan, dan aplikasinya dalam konteks ekonomi digital. Hasil kajian menunjukkan bahwa prinsip Peluang Bersyarat, yang diwujudkan dalam formulasi Teorema Bayes, adalah pilar matematis yang mendasari fungsi aktivasi probabilistik (softmax) pada jaringan saraf tiruan DL. Secara implikatif, kajian ini menekankan perlunya reorientasi kurikulum Pendidikan Matematika agar lebih kontekstual dan relevan dengan tuntutan ilmu data untuk menghasilkan lulusan yang kompeten dalam mendukung pemecahan masalah ekonomi global.