Teorema Bayes - #4 PAC175 (3 sks) DATA MINING Nurdin Bahtiar, S.Si, MT.

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI DISKRIT DAN KONTINYU
Advertisements

Teorema Bayes.
DALIL-DALIL PROBABILITAS (SSTS 2305 / 3 sks)
BAYESIAN CLASSIFICATION
Probabilitas Bagian 2.
Teorema Bayes Edi Satriyanto,M.Si.
KETIDAKPASTIAN PERTEMUAN 6.
BAB 2 ATURAN DASAR PROBABILITAS
Market Basket Analysis - #3
Fungsi distribusi dari Y adalah : G(y)=Pr(Y≤y)=Pr(u(X ≤y)=Pr(X≤w(y))=
Conditional Probability Bayes Theorem And Independence
Statistika Matematika I Semester Ganjil 2011 Rahma Fitriani, S.Si., M.Sc.
Probabilistik teorema bayes
Conditional Probability Bayes Theorem And Independence
Teorema Bayes - #4 PAC175 (3 sks) DATA MINING Nurdin Bahtiar, S.Si, MT.
Part 2 Menghitung Probabilitas
KETIDAKPASTIAN PERTEMUAN 7.
VARIABEL ACAK DAN NILAI HARAPAN
Review Probabilitas (pertemuan 8)
DISTRIBUSI DISTRIBUSI NORMAL PENDEKATAN NORMAL UNTUK BINOMIAL
Introduction Statistics Oleh Farizi Rachman, S. Si, M
PENGANTAR STATISTIKA.
VARIABEL ACAK DAN NILAI HARAPAN
Probabilitas Bersyarat
PROBABILITAS BERSYARAT
STATISTIKA Pertemuan 5: Distribusi Peluang Normal Dosen Pengampu MK:
Probabilitas & Teorema Bayes
STATISTIK1 Pertemuan 3-4: Ukuran Pemusatan Dosen Pengampu MK:
Teori PROBABILITAS.
Probabilitas & Diagram Pohon Keputusan
Klasifikasi Berdasarkan Teorema Bayes
PROBABILITAS (Aturan Dasar Probabilitas)
Teorema Bayes.
UJI F/UJI RAGAM (ANOVA)
Part 2 Menghitung Probabilitas
Pendekatan Probabilitas
Teori PROBABILITAS.
KETIDAKPASTIAN PERTEMUAN 7.
Distribusi Binomial Negatif dan Geometrik
TEORI PROBABILITAS.
VARIABEL ACAK DAN NILAI HARAPAN
Teori Probabilitas (2).
Distribusi Teoritis Peluang Diskrit
BAB 7 KEMUNGKINAN 18 MARET 2010 BAMBANG IRAWAN.
Teori PROBABILITAS.
FITRI UTAMININGRUM, ST, MT
Pertemuan 7 KETIDAKPASTIAN
Simulasi Monte Carlo Pertemuan 5 MOSI T.Informatika Ganjil 2008/2009
Teorema Bayes.
Simulasi sistem persediaan
4 Probabilitas Peluang Bersyarat Kejadian Saling Bebas
SISTEM PAKAR DIAGNOSA KANKER SERVIKS MENGGUNAKAN METODE BAYES MUHAMAD ALFARISI ( ) MUHAMAD RALFI AKBAR ( ) ANDHIKA DWITAMA.
PENYAJIAN DATA Firmansyah, S.Kom..
Distribusi Sampling Tujuan Pembelajaran :
.:: NAive bayes ::. DSS - Wiji Setiyaningsih, M.Kom.
BAB 7 KEMUNGKINAN 18 MARET 2010 BAMBANG IRAWAN.
BAB XII PROBABILITAS (Aturan Dasar Probabilitas) (Pertemuan ke-27)
Probabilitas Bersyarat
Machine Learning Naïve Bayes
BEBERAPA DISTRIBUSI PROBABILITAS DISKRET
Teorema Bayes Edi Satriyanto,M.Si.
Beberapa Sebaran Peluang Diskret
BEBERAPA DISTRIBUSI PROBABLITAS DISKRET (SSTS 2305 / 3 sks)
2.5. Aturan Perkalian Teorema(2.4):
KLASIFIKASI.
PERTEMUAN Ke- 2 STATISTIKA EKONOMI II
Probabilitas dan Statistik
STATISTIK1 Pertemuan 3-4: Ukuran Pemusatan Dosen Pengampu MK:
Konsep Probabilitas.
Distribusi Sampling Menik Dwi Kurniatie, S.Si., M.Biotech.
Transcript presentasi:

Teorema Bayes - #4 PAC175 (3 sks) DATA MINING Nurdin Bahtiar, S.Si, MT

4.1 Ide Dasar Misalkan ada dua jenis ikan (bandeng dan kakap) yang berjalan melalui conveyor. Kita diminta mengamati objek-objek tersebut lewat di conveyor secara random dan memprediksi ikan apa yang akan lewat selanjutnya. Akan ada dua kemungkinan: misalkan h1 mewakili ikan bandeng dan h2 mewakili ikan kakap. Jika sebelumnya diketahui bahwa jumlah ikan bandeng dan kakap yang ditangkap sama banyak, maka peluang munculnya kedua ikan tersebut sama besar.

4.1 Ide Dasar (cont’d) Selanjutnya didefinisikan suatu Probabilitas Prior: P(h1) : Peluang munculnya ikan bandeng P(h2) : Peluang munculnya ikan kakap Probabilitas prior tersebut menyatakan perkiraan kita akan jenis ikan apa yang muncul berikutnya sebelum ada ikan yang benar-benar lewat di conveyor itu. Misal N adalah jumlah total ikan yang tertangkap, N1 dan N2 menyatakan jumlah ikan bandeng dan jumlah ikan kakap, maka: P(h1) = N1 / N P(h2) = N2 / N

4.2 Formula Bentuk umum teorema Bayes: atau Dimana Probabilitas Bersyarat: P(x | h) menyatakan peluang munculnya x jika diketahui h. dan:

Contoh 1 Diketahui suatu kondisi sbb: Peluang munculnya cacat jika diambil produk dari pabrik A adalah: Jika secara random diambil dan ternyata hasilnya cacat, maka peluang barang yang terambil tsb dari pabrik A adalah:

Contoh 2 Terdapat dua hipotesis: Pasien mengidap kanker Pasien tidak mengidap kanker Data yang tersedia dari uji lab memiliki 2 kemungkinan, yaitu positif (+) dan negatif (-). Terdapat informasi prior bahwa untuk keseluruhan populasi hanya 0.008 yang menderita kanker. Uji lab menunjukkan bahwa dari seluruh keluaran positif, yang benar mengidap kanker 98%. Sedangkan dari seluruh keluaran negatif, yang benar tidak mengidap kanker 97%.

Contoh 2 lanj Dari situasi tersebut dapat kita rangkum: P(cancer) = 0.008 --> P(~ cancer) = 0.992 P(+ | cancer) = 0.98 --> P(- | cancer) = 0.02 P(- | ~ cancer) = 0.97 --> P(+ | ~ cancer) = 0.03 Jika disajikan dalam bentuk tabel: Uji Lab cancer ~ cancer + 0.98 0.03 - 0.02 0.97 0.008 0.992 Misalkan ada uji lab baru dan hasilnya positif. Apa kesimpulan kita akan pasien yang bersangkutan (cancer / tidak)?

Contoh 2 lanj Sehingga probabilitas posterior dapat dihitung sebagai berikut:

LATIHAN Suatu generator telekomunikasi nirkabel mempunyai 3 pilihan tempat untuk membangun pemancar sinyal yaitu di daerah tengah kota, daerah kaki bukit , dan tepi pantai, dengan masing-masing mempunyai peluang 0.2, 0.3, dan 0.5. Bila pemancar dibangun di tengah kota, peluang terjadi ganguan sinyal adalah 0.05. Bila pemancar dibangun dikaki bukit, peluang terjadinya ganguan sinyal adalah 0.06. Bila pemancar dibangun ditepi pantai, pelaung ganguan sinyal adalah 0.08 Pertanyaan: A. Berapakah peluang terjadinya ganguan sinyal? B. Bila diketahui telah terjadinya gangguan pada sinyal, berapa peluang bahwa operator tsb ternyata telah membangun pemancar di tepi pantai?

LATIHAN Jawaban: A. P(GS) = 0.2x0.05 + 0.3x0.06 + 0.5x0.08 = 0.068 Tengah Kota Kaki Bukit Tepi Pantai Pasang 0.2 0.3 0.5 Gangguan Sinyal 0.05 0.06 0.08 A. P(GS) = 0.2x0.05 + 0.3x0.06 + 0.5x0.08 = 0.068 B. Peluang terpasang di Tepi Pantai jika terjadi gangguan sinyal:

End Of File