Hi, nah pada pembahasan kedua kita
akan belajar mengenai Bayes Rule atau aturan Bayes. Ada yang sudah tahu perihal
Bayes Rule? Mungkin sebagian sudah familiar mengenai aturan Bayes, mungkin juga
sebagian tahu ilmunya tapi belum tahu bahwa itu disebut sebagai aturan Bayes
(kayak aku hehe), atau mungkin belum tahu sama sekali. Gapapa, kita akan
belajar pelan-pelan terkait aturan Bayes. Mengutip dari Wikipedia, dalam teori
peluang dan statistik teorema Bayes mendeskripsikan peluang suatu kejadian
berdasarkan pengetahuan terkait kondisi sebelumnya yang terkait dengan kejadian
tersebut. Kalau aku pribadi lebih familiar dengan istilah probabilitas
bersyarat dibanding Bayes Rule, tapi secara garis besar sama kok. Mungkin ada
beberapa tambahan teori lain di Bayes Rule. Bingung nggak? Hehe. Jadi biar
nggak bingung langsung aja ke contoh ya, misalkan kita pake kasus yang kemarin
di postingan sebelum ini, ya..
KASUS I
KEJADIAN
|
CUACA
|
SUHU
|
KELEMBAPAN
|
1
|
C
|
S
|
Dr
|
2
|
H
|
S
|
Dr
|
3
|
H
|
D
|
Hu
|
4
|
C
|
P
|
Dr
|
5
|
C
|
P
|
Dr
|
6
|
C
|
P
|
Hu
|
7
|
C
|
S
|
Dr
|
8
|
H
|
D
|
Hu
|
9
|
H
|
D
|
Hu
|
10
|
C
|
P
|
Dr
|
Keterangan:
C : Cerah
H : Hujan
S : Sedang
D : Dingin
P : Panas
Dr : Dry
Hu : Humid
Nah kalau sebelumnya kita kan
menghitung peluang kejadian dalam 1 kelas yang sama, misal peluang kejadian
cuaca cerah dari “himpunan Cuaca” adalah
6/10 atau 0.6. Nah kalau kita menerapkan Bayes Rules artinya kita menentukan
suatu peluang dengan syarat kejadian lain juga terjadi. Misalnya, tentukan
peluang cuaca cerah [P(C)] jika
suhunya sedang (S), jadi peluang
yang dipertimbangkan adalah semua kondisi cuaca cerah dengan syarat suhunya
sedang (S). Umumnya kondisi peluang
seperti ini ditulis [P(C|S)].
Sekarang coba hitung peluang [P(C|S)]
dan bandingkan hasilnya dengan perhitungan berikut.
Caranya adalah:
1.
Cari semua kondisi suhu Sedang (S), kita akan mengetahui terdapat 3 kondisi suhu sedang (kejadian 1, 2,
dan 7)
2.
Cari kondisi suhu sedang dimana cuacanya adalah
Cerah (C), dari sini kita akan
mendapatkan informasi bahwa terdapat 2
kondisi cuaca cerah dengan suhu sedang (kejadian 1 dan 7).
3.
Nah peluang kejadian [P(C|S)] adalah 2/3
4.
Perlu diingat bahwa [P(C|S)] tidak sama
dengan [P(S|C)]. Jadi sifat
komutatif tidak berlaku pada aturan Bayes.
Sekarang coba hitung peluang
kejadian dari beberapa kasus berikut ini:
1.
[P(S|C)]
2.
[P(C|S)]
3.
[P(SꓵC)]
4.
[P(CꓵS)]
5.
[P(H|D)]
6.
[P(C|P)]
7.
[P(C|Dr)]
8.
[P(H|Dr)]
9.
[P(C|Hu)]
10.
[P(Hu|C)]
Berdasarkan kasus di atas, kita
tahu bahwa kita juga harus memahami perbedaan antara peluang bersyarat [P(S|C)] dan peluang irisan [P(SꓵC)]. Lantas apa yang
membedakan? Hasil perhitungan (jawaban) diatas sebenarnya sudah dapat
menggambarkan perbedaan antara peluang bersyarat dan peluang irisan. Kuncinya
adalah untuk kondisi syarat yang sama, meskipun syaratnya dibolak-balik, nilai
peluang P(SꓵC)
= P(CꓵS).
Sedangkan, nilai peluang pada perhitungan probabilitas bersyarat harus mempertimbangkan
urutan syarat kejadian, sehingga P(S|C) P(C|S). Sehingga
dapat kita ketahui jika peluang P(SꓵC) P(S|C). Pada kasus peluang irisan,
denominator peluang adalah jumlah data dalam sampel himpunan, sementara
denominator pada perhitungan peluang bersyarat adalah kondisi syarat yang
ditentukan.
Baik kita fokus lagi ke pembahasan
aturan Bayes. Nah secara teoritis, aturan Bayes dapat dituliskan sebagai
berikut:
Dimana,
P(A | B) : Posterior probability
P(B | A) : Likelihood
P(A) : Prior probability
P(B) : Marginal likelihood
Jadi sewaktu kita mendengar
misalnya posterior probability atau prior probability itu kita punya
bayangan posisinya dimana, menjelaskan apa, dan seterusnya. Jadi pemahaman atas
istilah-istilah ini juga penting hehe. Sekarang saya tanya, kenapa sih kalian
harus belajar Bayes? Apa hubungannya dengan pembelajaran JST dengan jenis PNN
dan CPNN? Jadiii, kita perlu memahami aturan Bayes agar kita dapat terbiasa
dengan cara kerja atau konsep peluang. Seperti yang kita tahu, PNN merupakan
singkatan dari Probabilistic Neural
Network, yang artinya pembahasan terkait perhitungan probabilitas adalah
yang paling penting dan algoritma
peluang paling sederhana adalah Bayes. Oleh karena itu, kita perlu memahami
konsep ini dari dasar.
Nah sudah lumayan paham, kan? Baik,
mari dilanjutkan ya! Mungkin sebagian dari kalian bakalan bertanya misalkan nih
kalau syarat kejadiannya lebih dari satu. Nahlo, gimana? Hehe. Kondisi seperti
ini tentu lebih realistis ya, karena kita tahu prediktor kejadian hujan
(misalkan) itu nggak mungkin cuma SATU (1), tentu banyak sekali faktor yang
mempengaruhinya. Iya kan? Jadi bagaimana? Simak penjelasan berikut!
Pada kasus-kasus dimana syarat
kejadian lebih dari satu maka kita harus mengalikan peluang dari
syarat-syaratnya. Karena dalam kasus ini ada dua kelas probabilitas posterior,
yaitu Cerah (C) atau Hujan (H), maka P(A | B) dibagi menjadi 2
untuk syarat prediksi jika suhu X dan kelembapan Y. Misalkan jika suhu X1
= S dan X2 = Hu, maka bagaimana respon yang dihasilkan (Y)? Apakah
hujan (H) atau cerah (C)?
KARENA ADA 2 KELAS OUTPUT, MAKA:
dimana,
P(A
| B) dibagi menjadi 2 kelas, yaitu P(ACERAH | B) dan P(AHUJAN
| B)
P(B
| A) dibagi menjadi 4 karena terdapat 2 kondisi syarat dan 2 kelas output,
yaitu
·
P(S | ACERAH)
·
P(Hu | ACERAH)
·
P(S | AHUJAN)
·
P(Hu | AHUJAN)
Nah kita akan membagi perhitungan ini menjadi dua
tahap (didasarkan jumlah kelas outputnya), yaitu:
1. PELUANG
KONDISI CUACA CERAH DENGAN SYARAT SUHU SEDANG, RH HUMID (X1 = S dan
X2 = Hu)
-
Hitung terlebih dahulu prior probability [P(A)]
P(ACERAH) =
6/10
-
Hitung nilai marginal
likelihood [P(B)] untuk 2
kondisi syarat -> [P(X1 =
S dan X2 = Hu)]. Caranya sama persis dengan penerapan aturan
Bayes sebelumnya, ya ^^
P(S) = 3/10
P(Hu) = 4/10
-
Hitung nilai posterior
probability untuk 2 kondisi syarat -> P(S | ACERAH) dan P(Hu
| ACERAH). Caranya sama persis dengan penerapan aturan Bayes
sebelumnya, ya ^^
P(S | ACERAH)= 2/6
P(Hu | ACERAH)= 1/6
-
Nah sekarang masukkan nilai tersebut dalam
perhitungan, nilai probabilitas untuk 2 kondisi dikalikan (dilambangkan dengan ∏, dibaca
phi)
2. PELUANG
KONDISI CUACA HUJAN DENGAN SYARAT SUHU SEDANG, RH HUMID (X1 = S dan
X2 = Hu)
-
Hitung terlebih dahulu prior probability [P(A)]
P(AHUJAN) =
4/10
-
Hitung nilai marginal
likelihood [P(B)] untuk 2
kondisi syarat -> [P(X1 =
S dan X2 = Hu)]. Caranya sama persis dengan penerapan aturan
Bayes sebelumnya, ya ^^
P(S) = 3/10
P(Hu) = 4/10
-
Hitung nilai posterior
probability untuk 2 kondisi syarat -> P(S | ACERAH) dan P(Hu
| ACERAH). Caranya sama persis dengan penerapan aturan Bayes
sebelumnya, ya ^^
P(S | AHUJAN) = 1/4
P(Hu | AHUJAN) = 3/4
-
Nah sekarang masukkan nilai tersebut dalam
perhitungan, nilai probabilitas untuk 2 kondisi dikalikan (dilambangkan dengan ∏, dibaca
phi)
JADI, dapat diketahui bahwa nilai
probabilitas P(AHUJAN | B) > P(ACERAH | B), artinya
pada saat kondisi suhu Sedang (X1=S) dan kelembapan/RH humid (X2=Hu) maka kondisi
cuaca yang memiliki nilai probabilitas posterior tertinggi adalah cuaca HUJAN
(H) dengan nilai peluang sebesar 0.625. Kondisi tersebut menunjukkan bahwa dengan
kondisi suhu Sedang (X1=S) dan kelembapan/RH humid (X2=Hu) maka kondisi cuacanya diperkirakan akan HUJAN dengan nilai peluang 0.625.
0 komentar:
Posting Komentar