Jika sebelumnya kita telah membahas
Bayes Rule dan Probability Density
Function (PDF) pada postingan sebelumnya, maka postingan kali ini akan
membahas hubungan keduanya. Merujuk kembali dari pembahasan sebelumnya, kita
telah mengetahui bahwa kita belajar aturan Bayes agar terbiasa dengan cara
kerja atau konsep peluang. Awalnya saya berpikir bahwa aturan Bayes hanya
digunakan pada perhitungan data-data diskret. Nah, ternyata konsep aturan Bayes
juga dapat dimanfaatkan dalam perhitungan data-data kontinyu. Oleh karena itu, dalam
pembahasan ini akan disajikan contoh bagaimana penerapan aturan Bayes dalam
perhitungan PDF.
KASUS I
KONDISI CUACA
|
SUHU
|
H
|
19
|
H
|
18
|
H
|
32
|
H
|
25
|
B
|
17
|
C
|
31
|
C
|
31
|
C
|
32
|
C
|
32
|
Keterangan:
C : Cerah
H : Hujan
B : Berawan
Seperti yang telah saya jelaskan di
postingan sebelumnya rumus untuk perhitungan Probability Density Function (PDF), yaitu:
Dimana,
nilai rata-ratanya (µ) dihitung berdasarkan:
Sementara
nilai simpangan bakunya (σ) dihitung berdasarkan:
Diketahui:
(phi) :22/7
x : nilai variabel acak yang ingin
dicari PDF-nya
µ : nilai
rata-rata
σ : nilai
simpangan baku
xi : nilai variabel dalam suatu
sampel himpunan
Sekarang coba hitung probabilitas kondisi
cuaca pada saat suhu udara pada kasus I adalah 27°C [P(C)]. Nah, aturan Bayes diterapkan
dalam kasus seperti ini dengan variabel suhu
sebagai prediktor dan kondisi cuaca
sebagai respon. Jika sebelumnya sudah dihitung dan diketahui bahwa nilai
rata-rata dari data suhu (µ) adalah 23.5°C
dan nilai simpangan baku dari data-data tersebut adalah 13,65, sementara nilai
peluang berdasarkan perhitungan pdf dalam kurva distribusi normal adalah
sebagai berikut:
1. Hitung peluang kondisi hujan (H) dengan substitusi nilai rata-rata dan simpangan
2. Hitung peluang kondisi cerah (C) dengan substitusi nilai rata-rata dan simpangan
3. Hitung peluang kondisi berawan
(B) dengan substitusi nilai rata-rata dan simpangan
Nah, coba para pembaca budiman
menghitung nilai probabilitas untuk kelas cuaca cerah dan berawan. Jika sudah,
tentukan nilai probabilitas tertinggi diantara ketiga kelas tersebut. Kondisi
cuaca ditentukan berdasarkan nilai kelas probabilitas bersyarat (class-conditional probability) tertinggi diantara ketiga kelas yang ada.
Demikianlah contoh bagaimana aturan Bayes diterapkan dalam perhitungan PDF.
Namun seperti yang kita tahu pada kenyataannya, tentu sangat banyak variabel
yang dapat mempengaruhi kondisi cuaca, tidak mungkin cuma 1. Pada kasus dimana
variabel yang digunakan lebih 1, kita perlu mengingat dan belajar kembali
contoh perhitungan aturan Bayes pada lebih dari 1 prediktor seperti yang telah
dibahas pada postingan sebelumnya.
0 komentar:
Posting Komentar