Anda di halaman 1dari 6

Hendy Triwasana Atmaja (1010651150), Reditha G.D.P(1010651149), M.

Sanusi(0810651096)

METODE BAYES

Metode Bayes adalah pendekatan secara statistik untuk menghitung tradeoffs diantara
keputusan yang berbeda-beda, dengan menggunakan probabilitas dan costs yang menyertai
suatu pengambilan keputusan tersebut.

Metode Bayes mempunyai berbagai keuntungan jika dibandingkan dengan beberapa


teori lainnya, yaitu:

1. Interpolation. Bayesian method menghubungkan segala hal dengan teori-teori


engineering. Pada saat berhadapan dengan suatu problem, terdapat pilihan mengenai
seberapa besar waktu dan usaha yang dilakukan oleh manusia vs komputer. Pada saat
membuat suatu sistem, terlebih dahulu diharuskan untuk membuat sebuah model
keseluruhan dan ditentukan faktor pengontrol pada model tersebut. Bayesian method
menghubungkan perbedaan yang besar karena Bayesian prior dapat menjadi sebuah delta
function dari suatu model yang luas.
2. Language. Bayesian method mempunyai bahasa tersendiri untuk menetapkan hal-hal
yang prior dan posterior. Hal ini secara signifikan membantu pada saat menyelesaikan
bagian yang sulit dari sebuah solusi.
3. Intuitions. Bayesian method melibatkan prior dan integration, dua aktivitas yang
berguna secara luas.

Bayesian probability adalah teori terbaik dalam menghadapi masalah estimasi dan
penarikan kesimpulan. Bayesian method dapat digunakan untuk penarikan kesimpulan pada
kasus-kasus dengan multiple source of measurement yang tidak dapat ditangani oleh metode
lain seperti model hierarki yang kompleks.

Dengan keuntungan-keuntungan di atas, dapat dikatakan bahwa Bayesian merupakan


suatu metode yg cukup kuat. Namun, terdapat beberapa kekurangan yg signifikan, yaitu:

1. Information theoretically infeasible. Pada kenyataannya menentukan prior pada


Bayesian method merupakan hal yang cukup sulit. Kita harus menentukan angka yang riil
untuk semua parameter pada model keseluruhan. Banyak orang yang menggunakan
Bayesian seringkali tidak menyadari hal ini karena dua hal: (1) mereka mengetahui
bahwa spesifikasi prior membutuhkan usaha yang cukup signifikan, (2) mereka tidak
mencantumkan prior aktual pada model mereka, tetapi lebih memilih prior yang lebih
tidak menyusahkan.
2. Computionally infeasible. Walaupun dapat ditentukan prior secara akurat, namun proses
perhitungan posterior kemungkinan sangatlah sulit. Kesulitan ini membutuhkan perkiraan
komputasional.
3. Unautomatic. Selama terdapat problem-problem baru, selalu terdapat kebutuhan akan
adanya ahli-ahli Bayesian untuk menyelesaikannya.
4. Dibutuhkan banyak hitungan komputasional yang sulit untuk menjalankan metode ini.
Probalitas & Metode Bayes Probalitas

Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak.

jumlah kejadian berhasil


p(x) =
jumlah semua kejadian

Misal dari 10 orang sarjana , 3 orang menguasai cisco, sehingga peluang untuk memilih
sarjana yang menguasai cisco adalah :

p(cisco) = 3/10 = 0.3

Metode Bayes

Contoh :

Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena
cacar dengan :
 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar → p(bintik |
cacar) = 0.8
 probabilitas Asih terkena cacar tanpa memandang gejala apapun → p(cacar) = 0.4
 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi → p(bintik |
alergi) = 0.3
 probabilitas Asih terkena alergi tanpa memandang gejala apapun → p(alergi) = 0.7
 probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan → p(bintik |
jerawatan) = 0.9
 probabilitas Asih jerawatan tanpa memandang gejala apapun → p(jerawatan) = 0.5
Maka :

 probabilitas Asih terkena cacar karena ada bintik-bintik di wajahnya :

p(cacar | bintik) * p(cacar)


p(cacar | bintik) =
p(bintik | cacar) * p(cacar) + p(bintik | alergi) + p(bintik | jerawat) * p(jerawat)

(0.8) * (0.4) 0.32


(cacar | bintik) = = = 0.327
(0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98

 probabilitas Asih terkena alergi karena ada bintik-bintik di wajahnya :

p(bintik | alergi) * p(alergi)


p(alergi | bintik) =
p(bintik | cacar) * p(cacar) + p(bintik | alergi) + p(bintik | jerawat) * p(jerawat)

(0.3) * (0.7) 0.21


(cacar | bintik) = = = 0.214
(0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98

 probabilitas Asih jerawatan karena ada bintik-bintik di wajahnya :

p(bintik | jerawat) * p(jerawat)


p(alergi | bintik) =
p(bintik | cacar) * p(cacar) + p(bintik | alergi) + p(bintik | jerawat) * p(jerawat)

(0.9) * (0.4) 0.45


(alergi | bintik) = = = 0.459
(0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98
Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence (fakta)
atau observasi baru maka :

Misal :

Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru
menunjukkan bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang
kena cacar. Jadi antara munculnya bintik-bintik di wajah dan panas badan juga memiliki
keterkaitan satu sama lain.

bintik panas

 Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
dengan probabilitas terkena cacar
cacarbila ada bintik-bintik di wajah → p(cacar | bintik) =
0.8
 Ada observasi bahwa orang terkena cacar pasti mengalami panas badan. Jika
diketahui probabilitas orang terkena cacar bila panas badan → p(cacar | panas ) = 0.5
 Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila seseorang
terkena cacar → p(bintik | panas, cacar) = 0.4

 Keterkaitan antara adanya bintik-bintik di wajah dan panas badan → p(bintik | panas)
= 0.6

Maka :

Anda mungkin juga menyukai