Contoh Kasus 1 Bayesian Network

Salah satu contoh sederhana yang bisa anda dapatkan dengan mudah dari Internet adalah contoh yang ada pada wikipedia :D, meskipun wikipedia tidak bisa jadi rujukan sumber tapi wikipedia dapat digunakan sebagai web penunjang dalam belajar. Saya akan menjelaskan contoh bayesian network berdasarkan salah satu contoh wikipedia.

Hal yang perlu dilakukan dalam analisis menggunakan bayesian network:

  1. Analisis awal untuk permasalahan
  2. Pengumpulan data
  3. Pembentukan diagram sebab akibat dari data atau expert knowledge
  4. Proses daaaaaaaaaaah

Contoh kasus 1 bayesian network :
Jika ada permasalahan mengenai keterkaitan antara 3 obyek yaitu hujan, penyiram air, rumput. Maka secara sederhana dapat anda jelaskan bahwa jika hujan pasti rumput basah, jika penyiram air menyala pasti rumput basah. Tapi rumput tidak akan basah jika keduanya tidak ada. Hal ini yang disebut sebab akibat, maka dapat kita simpulkan berdasarkan tahapan

Jawaban kasus 1 bayesian network :

  • Analisis awal telah dilakukan
  • Pengumpulan data berupa probabilitas ketiga obyek tersebut, dalam tahapan ini juga ditentukan mana yang menjadi variabel, misalkan pada tahapan ini ditemukan hal sebagai berikut :

 

  • Kemudian kita menentukan diagram sebab akibat, diagram sebab akibat telah dituliskan pula diatas. Diagram itu dapat diperoleh dari expert knowledge. Jika data berjumlah besar maka terdapat kemungkinan data yang tidak dipilih sebagai variabel
  • Memodelkan permasalahan / isu yang dibutuhkan untuk analisis. Permasalahan atau isu harus sesuai dengan kejadian nyata, tapi pada permasalahan ini sangat sederhana sehingga dapat kita modelkan secara langsung

Memodelkan Permasalahan :
Jika permasalahan yang diangkat / dianalisa adalah “berapa probabilitas terjadi hujan dan rumput basah?”

Maka fungsi dapat ditulis sebagai berikut :
\mathrm P(G,S,R)=\mathrm P(G|S,R)\mathrm P(S|R)\mathrm P(R)

Yang memberi arti bahwa G adalah rumput, S adalah penyiram air, R adalah hujan. Dari fungsi diatas dapat dibaca bahwa kondisi G adalah basah, kondisi S adalah yes, R adalah yes

Maka hasil nya adalah sebagai berikut :

<br /><br />
\mathrm P(\mathit{R}=T \mid \mathit{G}=T)</p><br />
<p>=\frac{<br /><br />
  \mathrm P(\mathit{G}=T,\mathit{R}=T)<br /><br />
}<br /><br />
{<br /><br />
  \mathrm P(\mathit{G}=T)<br /><br />
}</p><br />
<p>=\frac{<br /><br />
  \sum_{\mathit{S} \in \{T, F\}}\mathrm P(\mathit{G}=T,\mathit{S},\mathit{R}=T)<br /><br />
}<br /><br />
{<br /><br />
  \sum_{\mathit{S}, \mathit{R} \in \{T, F\}} \mathrm P(\mathit{G}=T,\mathit{S},\mathit{R})<br /><br />
}<br /><br />
<br /><br />
= \frac{<br /><br />
  0.00198_{TTT} + 0.1584_{TFT}<br /><br />
}<br /><br />
{<br /><br />
  0.00198_{TTT} + 0.288_{TTF} + 0.1584_{TFT} + 0.0_{TFF}<br /><br />
} \approx 35.77 %.

hasilnya adalah 35,77 %, dan kalimatnya adalah “probabilitas hujan adalah 35,77% jika rumput dalam keadaaan basah, dengan data yang tertulis diatas”

Kesimpulan :
jadi hasil atau probabilitas berdasarkan model dipengaruhi oleh data yang diperoleh, kebetulan pada kasus ini data berupa T/F. Sehingga lebih mudah dalam memahami. Jika anda tidak paham dengan hal ini, maka dapat kita buktikan dengan menggunakan program, yang saya tulis dalam posting selanjutnya, yaitu “Contoh Kasus 1 Bayesian Network Menggunakan Genie”

Sumber : http://en.wikipedia.org/wiki/Bayesian_network

 

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>