Metode Bayes: Contoh Perhitungan Sistem Pakar Lengkap

Metode Bayes adalah metode probabilistik yang digunakan untuk memperbarui tingkat keyakinan terhadap suatu hipotesis setelah memperoleh evidence atau bukti baru. Pada sistem pakar, Teorema Bayes dapat digunakan untuk menghitung kemungkinan suatu diagnosis berdasarkan gejala yang diberikan pengguna.

Tutorial ini menggunakan contoh diagnosis kerusakan laptop dengan tiga hipotesis: Overheating, Gangguan RAM, dan Storage Bermasalah. Perhitungan dimulai dari menentukan prior probability, likelihood setiap gejala terhadap hipotesis, menghitung nilai evidence, posterior probability, hingga menentukan diagnosis dengan nilai posterior terbesar.

Jika beberapa evidence dikalikan secara langsung seperti pada contoh lanjutan, tutorial ini menggunakan asumsi bahwa evidence independen secara kondisional terhadap hipotesis. Asumsi tersebut perlu diperhatikan agar metode tidak diterapkan secara keliru pada data yang saling bergantung kuat.

Daftar Isi

Pengertian Metode Bayes

Teorema Bayes adalah aturan probabilitas untuk menghitung probabilitas suatu hipotesis setelah memperoleh evidence baru.

Dalam sistem pakar, prosesnya dapat digambarkan sebagai:

Prior Probability
        ↓
Evidence / Gejala
        ↓
Likelihood
        ↓
Teorema Bayes
        ↓
Posterior Probability
        ↓
Diagnosis

Misalnya sistem memiliki tiga kemungkinan kerusakan:

H1 = Overheating
H2 = Gangguan RAM
H3 = Storage Bermasalah

Ketika pengguna memberikan gejala:

Laptop sering mati sendiri

sistem memperbarui keyakinan terhadap H1, H2, dan H3 berdasarkan seberapa mungkin gejala tersebut muncul pada masing-masing hipotesis.

Konsep Dasar Teorema Bayes

Bayes bekerja dengan menggabungkan:

  1. Prior probability, yaitu keyakinan awal terhadap hipotesis.
  2. Likelihood, yaitu probabilitas munculnya evidence jika hipotesis benar.
  3. Evidence probability, yaitu probabilitas total terjadinya evidence.
  4. Posterior probability, yaitu keyakinan terhadap hipotesis setelah evidence diketahui.

Secara sederhana:

Keyakinan Awal
+
Bukti Baru
=
Keyakinan yang Diperbarui

Posterior yang diperoleh dari evidence pertama dapat digunakan sebagai prior untuk proses pembaruan berikutnya.

Istilah Penting pada Metode Bayes

Istilah Notasi Keterangan
Hipotesis H Kemungkinan diagnosis atau keadaan
Evidence E Gejala atau bukti yang diamati
Prior P(H) Probabilitas hipotesis sebelum evidence
Likelihood P(E|H) Probabilitas evidence jika hipotesis benar
Evidence Probability P(E) Probabilitas total evidence
Posterior P(H|E) Probabilitas hipotesis setelah evidence

Nilai probabilitas berada pada rentang:

\[ 0 \leq P \leq 1 \]

Untuk hipotesis yang saling eksklusif dan mencakup seluruh kemungkinan:

\[ \sum_{i=1}^{n}P(H_i)=1 \]

Rumus Teorema Bayes

Rumus dasar Teorema Bayes:

\[ P(H|E) = \frac{ P(E|H)P(H) }{ P(E) } \]

Keterangan:

  • \(P(H|E)\) = posterior probability,
  • \(P(E|H)\) = likelihood,
  • \(P(H)\) = prior probability,
  • \(P(E)\) = probability of evidence.

Nilai \(P(E)\) berfungsi sebagai normalisasi agar seluruh posterior memiliki total 1.

Bayes dengan Banyak Hipotesis

Jika terdapat beberapa hipotesis yang saling eksklusif:

\[ H_1,H_2,\ldots,H_n \]

maka:

\[ P(E) = \sum_{j=1}^{n} P(E|H_j)P(H_j) \]

Sehingga posterior hipotesis ke-\(i\):

\[ P(H_i|E) = \frac{ P(E|H_i)P(H_i) }{ \sum_{j=1}^{n} P(E|H_j)P(H_j) } \]

Rumus ini sangat cocok untuk sistem pakar yang memiliki beberapa kemungkinan diagnosis.

Bayes dengan Beberapa Evidence

Jika evidence diberikan secara bertahap, posterior dari evidence sebelumnya dapat digunakan sebagai prior baru.

Contoh:

Prior
↓
Evidence E1
↓
Posterior P(H|E1)
↓
Evidence E2
↓
Posterior P(H|E1,E2)

Jika \(E_1\) dan \(E_2\) diasumsikan independen secara kondisional terhadap hipotesis, perhitungan dapat ditulis:

\[ P(H_k|E_1,E_2) \propto P(H_k) P(E_1|H_k) P(E_2|H_k) \]

Untuk \(n\) evidence:

\[ P(H_k|E_1,\ldots,E_n) \propto P(H_k) \prod_{i=1}^{n}P(E_i|H_k) \]

Hasil setiap hipotesis kemudian dinormalisasi agar total posterior sama dengan 1.

Catatan penting: perkalian langsung beberapa likelihood menggunakan asumsi conditional independence. Jika evidence saling bergantung, model probabilitas yang lebih lengkap seperti Bayesian Network dapat lebih sesuai.

Contoh Kasus Sistem Pakar Metode Bayes

Contoh berikut menggunakan sistem pakar diagnosis kerusakan laptop.

#01 Menentukan Hipotesis

Digunakan tiga hipotesis:

Kode Hipotesis
H1 Overheating
H2 Gangguan RAM
H3 Storage Bermasalah

Ketiga hipotesis pada contoh dianggap saling eksklusif untuk mempermudah perhitungan.

#02 Menentukan Prior Probability

Misalnya berdasarkan data kasus terdahulu diperoleh prior:

Hipotesis Prior
H1 - Overheating 0.40
H2 - Gangguan RAM 0.35
H3 - Storage Bermasalah 0.25

Validasi:

\[ 0.40+0.35+0.25=1 \]

Artinya sebelum gejala baru diperhitungkan, Overheating memiliki probabilitas awal 40%, Gangguan RAM 35%, dan Storage Bermasalah 25%.

#03 Menentukan Evidence Pertama

Evidence pertama:

E1 = Laptop sering mati sendiri

Likelihood berdasarkan pengetahuan/data yang digunakan:

Hipotesis P(E1|H)
H1 0.80
H2 0.30
H3 0.20

Interpretasi:

\[ P(E1|H1)=0.80 \]

berarti jika laptop memang mengalami Overheating, peluang gejala "sering mati sendiri" muncul menurut model contoh adalah 80%.

#04 Menghitung Nilai Pembilang

Untuk setiap hipotesis, hitung:

\[ P(E1|H_i)P(H_i) \]

H1

\[ 0.80\times0.40=0.320 \]

H2

\[ 0.30\times0.35=0.105 \]

H3

\[ 0.20\times0.25=0.050 \]

Hasil:

Hipotesis Prior Likelihood E1 Prior × Likelihood
H1 0.40 0.80 0.320
H2 0.35 0.30 0.105
H3 0.25 0.20 0.050

#05 Menghitung Probability of Evidence

Probability of evidence:

\[ P(E1) = 0.320+0.105+0.050 \]
\[ P(E1)=0.475 \]

Nilai ini menjadi penyebut untuk menormalisasi posterior.

#06 Menghitung Posterior Evidence Pertama

Posterior H1

\[ P(H1|E1) = \frac{0.320}{0.475} = 0.673684 \]

atau sekitar:

\[ 67.37\% \]

Posterior H2

\[ P(H2|E1) = \frac{0.105}{0.475} = 0.221053 \]

atau sekitar:

\[ 22.11\% \]

Posterior H3

\[ P(H3|E1) = \frac{0.050}{0.475} = 0.105263 \]

atau sekitar:

\[ 10.53\% \]

Validasi:

\[ 0.673684+0.221053+0.105263=1 \]

Hasil evidence pertama:

Rank Hipotesis Posterior
1 H1 - Overheating 67.37%
2 H2 - Gangguan RAM 22.11%
3 H3 - Storage Bermasalah 10.53%

Setelah evidence E1 diketahui, dukungan terhadap H1 meningkat dari 40% menjadi sekitar 67.37%.

#07 Menambahkan Evidence Kedua

Evidence kedua:

E2 = Laptop terasa sangat panas

Likelihood:

Hipotesis P(E2|H)
H1 0.90
H2 0.20
H3 0.10

Posterior evidence pertama digunakan sebagai prior baru.

H1

\[ 0.673684\times0.90 = 0.606316 \]

H2

\[ 0.221053\times0.20 = 0.044211 \]

H3

\[ 0.105263\times0.10 = 0.010526 \]

Jumlah:

\[ 0.606316+0.044211+0.010526 = 0.661053 \]

#08 Menghitung Posterior Gabungan

Posterior H1

\[ P(H1|E1,E2) = \frac{0.606316}{0.661053} \]
\[ = 0.917197 \]

atau:

\[ 91.72\% \]

Posterior H2

\[ P(H2|E1,E2) = \frac{0.044211}{0.661053} \]
\[ = 0.066879 \]

atau:

\[ 6.69\% \]

Posterior H3

\[ P(H3|E1,E2) = \frac{0.010526}{0.661053} \]
\[ = 0.015924 \]

atau:

\[ 1.59\% \]

Validasi:

\[ 0.917197+0.066879+0.015924=1 \]

#09 Hasil Diagnosis

Sebelum melihat tabel akhir, nilai posterior terbesar adalah:

\[ P(H1|E1,E2)=0.917197 \]

atau sekitar 91.72%.

Hasil akhir:

Rank Hipotesis Posterior
1 H1 - Overheating 91.72%
2 H2 - Gangguan RAM 6.69%
3 H3 - Storage Bermasalah 1.59%

Berdasarkan model probabilitas dan evidence pada contoh, diagnosis dengan posterior terbesar adalah:

H1 — Overheating

dengan posterior sekitar:

\[ 91.72\% \]

Nilai tersebut merupakan probabilitas posterior berdasarkan prior, likelihood, dan asumsi model yang digunakan.

Perhitungan Secara Langsung

Karena pada contoh E1 dan E2 diasumsikan independen secara kondisional terhadap masing-masing hipotesis, perhitungan juga dapat dilakukan langsung dari prior awal.

H1

\[ P(H1)\times P(E1|H1)\times P(E2|H1) \]
\[ = 0.40\times0.80\times0.90 \]
\[ = 0.288 \]

H2

\[ 0.35\times0.30\times0.20 = 0.021 \]

H3

\[ 0.25\times0.20\times0.10 = 0.005 \]

Total:

\[ 0.288+0.021+0.005=0.314 \]

Normalisasi H1:

\[ \frac{0.288}{0.314} = 0.917197 \]

H2:

\[ \frac{0.021}{0.314} = 0.066879 \]

H3:

\[ \frac{0.005}{0.314} = 0.015924 \]

Hasilnya sama dengan pembaruan bertahap.

Cara Menentukan Prior dan Likelihood

Nilai prior dan likelihood sebaiknya tidak dipilih secara sembarang.

Prior Probability

Prior dapat diperoleh dari:

  • frekuensi kasus historis,
  • data penelitian,
  • statistik organisasi,
  • atau estimasi pakar jika data belum tersedia.

Contoh dari data:

Total kasus = 100

Overheating = 40
RAM         = 35
Storage     = 25

maka:

\[ P(H1)=\frac{40}{100}=0.40 \]

Likelihood

Likelihood dapat dihitung dari data kasus:

\[ P(E|H) = \frac{ Jumlah\ kasus\ H\ yang\ memiliki\ E }{ Jumlah\ seluruh\ kasus\ H } \]

Misalnya terdapat 40 kasus Overheating dan 32 di antaranya memiliki gejala sering mati sendiri:

\[ P(E1|H1) = \frac{32}{40} = 0.80 \]

Jika likelihood ditentukan oleh pakar, dasar pemberian nilai sebaiknya dijelaskan dan divalidasi.

Bayes vs Naive Bayes

Teorema Bayes dan Naive Bayes berhubungan, tetapi tidak identik.

Aspek Bayes Naive Bayes
Dasar Teorema probabilitas Klasifier berbasis Teorema Bayes
Jumlah evidence Bisa satu atau lebih Umumnya banyak fitur
Asumsi independensi Tidak melekat pada rumus Bayes dasar Mengasumsikan conditional independence antarfitur
Penggunaan Pembaruan keyakinan Klasifikasi
Data Bisa berasal dari pakar atau data Umumnya belajar probabilitas dari data latih

Ketika beberapa evidence dikalikan seperti:

\[ P(H)\prod_i P(E_i|H) \]

maka digunakan asumsi conditional independence yang mirip dengan Naive Bayes.

Karena itu, untuk artikel sistem pakar ini penting membedakan Teorema Bayes dasar dengan implementasi multi-evidence yang menggunakan asumsi tambahan.

Bayes vs Certainty Factor

Aspek Bayes Certainty Factor
Dasar Probabilitas Tingkat keyakinan
Nilai awal Prior probability CF pakar
Evidence Likelihood CF evidence/pengguna
Hasil Posterior probability CF Combine
Normalisasi Total posterior = 1 untuk hipotesis eksklusif Tidak menggunakan normalisasi Bayes yang sama
Cocok untuk Model probabilistik Sistem berbasis keyakinan pakar

Bayes vs Dempster-Shafer

Aspek Bayes Dempster-Shafer
Representasi Probabilitas hipotesis Mass pada satu atau beberapa hipotesis
Ketidaktahuan eksplisit Tidak dalam bentuk Θ Dapat menggunakan Θ
Pembaruan Teorema Bayes Dempster's Rule
Output Posterior probability Mass, Belief, Plausibility
Konflik Tercermin melalui model probabilitas Dihitung eksplisit sebagai K
Cocok untuk Probabilitas prior dan likelihood tersedia Evidence dengan ketidaktahuan yang ingin direpresentasikan

Kelebihan dan Kekurangan Metode Bayes

Kelebihan Metode Bayes

  • Memiliki dasar probabilitas yang jelas.
  • Dapat memperbarui keyakinan setelah evidence baru diperoleh.
  • Hasil mudah diinterpretasikan sebagai posterior probability jika model valid.
  • Dapat menggunakan informasi awal dalam bentuk prior.
  • Cocok untuk diagnosis dengan beberapa hipotesis.
  • Perhitungan relatif sederhana pada jumlah hipotesis kecil.

Kekurangan Metode Bayes

  • Membutuhkan nilai prior dan likelihood yang dapat dipertanggungjawabkan.
  • Hasil sangat dipengaruhi kualitas probabilitas awal.
  • Model menjadi lebih kompleks jika evidence saling bergantung.
  • Perkalian banyak probabilitas kecil dapat menyebabkan masalah numerik pada implementasi besar.
  • Hipotesis dan ruang kemungkinan harus dirancang dengan jelas.
  • Asumsi yang salah dapat menghasilkan posterior yang tampak presisi tetapi menyesatkan.

Kapan Metode Bayes Cocok Digunakan?

Metode Bayes cocok digunakan ketika:

  • terdapat beberapa hipotesis yang ingin dibandingkan;
  • prior probability dapat ditentukan;
  • likelihood evidence terhadap hipotesis tersedia;
  • sistem perlu memperbarui keyakinan setelah evidence baru;
  • data historis tersedia untuk menghitung probabilitas;
  • atau sistem pakar membutuhkan hasil probabilistik.

Contoh penerapan:

  • diagnosis kerusakan perangkat,
  • sistem pakar diagnosis,
  • prediksi risiko,
  • klasifikasi probabilistik,
  • deteksi gangguan,
  • analisis gejala,
  • dan pengambilan keputusan berbasis evidence.

Kesalahan Umum Implementasi

1. Prior tidak berjumlah 1

Jika hipotesis bersifat saling eksklusif dan mencakup seluruh kemungkinan, maka:

\[ \sum_i P(H_i)=1 \]

2. Menggunakan P(H|E) sebagai P(E|H)

Keduanya berbeda.

\[ P(H|E) \neq P(E|H) \]

secara umum.

3. Lupa melakukan normalisasi

Nilai:

\[ P(E|H)P(H) \]

belum menjadi posterior sampai dibagi dengan total evidence.

4. Mengalikan evidence tanpa memeriksa asumsi independensi

Jika beberapa evidence saling bergantung kuat, perkalian likelihood sederhana dapat menghitung informasi yang sama lebih dari sekali.

5. Memberikan prior dan likelihood tanpa dasar

Nilai probabilitas sebaiknya berasal dari data, pakar, penelitian, atau prosedur estimasi yang dapat dijelaskan.

6. Menganggap posterior sebagai kepastian mutlak

Posterior hanya berlaku berdasarkan model, prior, likelihood, dan evidence yang digunakan.

7. Mengabaikan hipotesis lain yang relevan

Jika ruang hipotesis tidak lengkap, hasil posterior dapat memberikan gambaran yang terlalu sempit.

Ringkasan

Metode Bayes memperbarui probabilitas hipotesis setelah evidence baru diketahui.

Pada contoh diagnosis laptop:

H1 = Overheating
H2 = Gangguan RAM
H3 = Storage Bermasalah

Prior:

Hipotesis Prior
H1 40%
H2 35%
H3 25%

Setelah evidence:

E1 = Laptop sering mati sendiri
E2 = Laptop terasa sangat panas

dengan asumsi conditional independence pada contoh, diperoleh:

Hipotesis Posterior Akhir
H1 91.72%
H2 6.69%
H3 1.59%

Sehingga hipotesis dengan posterior terbesar adalah:

H1 — Overheating

Perhitungan Bayes tidak hanya memilih nilai terbesar, tetapi menunjukkan bagaimana keyakinan awal diperbarui berdasarkan evidence.

FAQ Metode Bayes

Apa itu Teorema Bayes?

Teorema Bayes adalah aturan probabilitas untuk menghitung probabilitas suatu hipotesis setelah memperoleh evidence.

Apa itu prior probability?

Prior adalah probabilitas suatu hipotesis sebelum evidence baru diperhitungkan.

Apa itu likelihood?

Likelihood adalah probabilitas munculnya evidence jika suatu hipotesis benar.

Apa itu posterior probability?

Posterior adalah probabilitas hipotesis setelah evidence diperhitungkan.

Apa itu probability of evidence?

Probability of evidence adalah probabilitas total terjadinya evidence dari seluruh hipotesis yang dipertimbangkan.

Apakah Bayes termasuk metode sistem pakar?

Ya. Teorema Bayes dapat digunakan pada sistem pakar untuk memperbarui keyakinan terhadap beberapa kemungkinan diagnosis berdasarkan evidence.

Apakah posterior terbesar selalu menjadi diagnosis?

Pada implementasi sederhana, hipotesis dengan posterior terbesar dapat digunakan sebagai diagnosis utama. Namun sistem nyata dapat menggunakan threshold, mempertimbangkan beberapa hipotesis, atau meminta evidence tambahan.

Apa perbedaan Bayes dan Naive Bayes?

Bayes adalah teorema probabilitas umum. Naive Bayes adalah metode klasifikasi yang menggunakan Teorema Bayes dengan asumsi conditional independence antarfitur.

Apakah beberapa gejala boleh langsung dikalikan?

Boleh jika model mengasumsikan gejala independen secara kondisional terhadap hipotesis. Jika asumsi tersebut tidak sesuai, diperlukan model probabilitas yang lebih lengkap.

Dari mana prior diperoleh?

Prior dapat berasal dari frekuensi data historis, penelitian, statistik, atau estimasi pakar.

Dari mana likelihood diperoleh?

Likelihood dapat dihitung dari data historis atau ditentukan berdasarkan pengetahuan pakar yang tervalidasi.

Apakah Bayes dapat dikombinasikan dengan Forward Chaining?

Bisa. Forward Chaining dapat menentukan rule atau hipotesis yang relevan, sedangkan Bayes dapat digunakan untuk menghitung probabilitas hipotesis berdasarkan evidence.

Apakah Bayes sama dengan Certainty Factor?

Tidak. Bayes menggunakan probabilitas dan normalisasi posterior, sedangkan Certainty Factor menggunakan ukuran keyakinan dan aturan kombinasi CF.

Apakah nilai posterior harus berjumlah 1?

Jika posterior dihitung untuk sekumpulan hipotesis yang saling eksklusif dan mencakup seluruh ruang kemungkinan, jumlahnya adalah 1.

Referensi

  1. Bayes, T. (1763). An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London, 53, 370–418.
  2. Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Fourth Edition. Pearson.
  3. Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann.

Source Code Metode Bayes

Berikut source code yang menggunakan metode Bayes pada RumahSourceCode.

Ada yang Ditanyakan?

Jika anda masih ada kesulitan atau kekeliruan tentang penjelasan metode di atas, bisa menghubungi kami lewat WA/Email sesuai halaman Kontak.

Jika ingin memiliki file excel dari metode di atas bisa melihat cara download di halaman Download.

Jika ingin memiliki source code dari metode di atas, baik berbasis web maupun desktop bisa melihat daftar harga donasi di halaman Daftar Source Code.

Donasi ini digunakan oleh penulis untuk membayar server dan membeli kopi sembari membuat tutorial Metode/Algoritma lainnya :).

Pencarian

Produk populer

Source Code Text Mining Metode Naive Bayes Classifier PHP Source Code Text Mining Metode Naive Bayes Classifier PHP
Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel
Source Code SPK Metode AHP Codeigniter + Crisp Source Code SPK Metode AHP Codeigniter + Crisp
Source Code Sistem Pakar Metode Naive Bayes Classifier VB Source Code Sistem Pakar Metode Naive Bayes Classifier VB
Source Code SPK Metode AHP MOORA PHP + Periode Source Code SPK Metode AHP MOORA PHP + Periode