TOTO HARYANTO

Sedikit goresan menebar manfaat …..

Mengenal Lebih Dekat Hidden Markov Model

Posted by totoharyanto on December 11th, 2014

Hidden Markov Model disingkat HMM merupakan model probabilistik yang dapat digunakan untuk menyelesaikan masalah yang bersifat time series. HMM telah banyak digunakan untuk menyelesaikan beberapa permasalahan. Di bidang ilmu komputer misalnya, HMM dapat digunakan sebagai salah satu pengklasifikasi (classifier) untuk mengidentifikasi pembicara, translasi suara ke teks dan identifikasi susunan  kata dalam kalimat. Di bidang bioinformatika, HMM telah banyak digunakan baika di level DNA, RNA maupun Protein. Pada level DNA, HMM dapat digunakan untuk identifikasi organisme. Pada level RNA, HMM digunakan untuk melakukan indentifikasi RNA Family. Sementara pada level protein, HMM dapat digunakan untuk melakukan prediksi struktur sekunder protein.

Untuk dapat memahami HMM, ada baiknya kita mengetahui konsep rantai markov terlebih dahulu. ┬áProses stokastik adalah himpunan variabel acak yang merupakan fungsi dari ‘waktu’. Waktu di sini dalam arti yang luas. HMM merupakan proses stokastik, di mana terdapat suatu state yang tidak teramati di dalamnya (hidden)

A. Ilustrasi Konsep Rantai Markov

Untuk mempermudah pemahaman tentang HMM, saya akan memberikan ilustrasi mengenai peristiwa yang terjadi di sekitar kita apabila didekati dengan model rantai markov. Misalkan kita akan mencoba melakukan prediksi terhadap cuaca. Didefiniskan terdapat tiga jenis cuaca yang akan diprediksi yaitu panas (P), hujan (B) dan berawan (B). Cuaca hari ini , dinotasikan dengan (Qn) akan diprediksi berdarkan cuaca hari hari sebelumnya (Qn-1, Qn-2, Qn-3, …….). Dengan demikian peluang dari kejadian cuaca pada hari ini jika dikeahui cuaca hari-hari sebelumnya dapa dinotasikan sebagai berikut : P(Qn|Qn-1,Qn-2,Qn-3,……).

Konsep rantai markov ini memiliki kendala dalam hal komputasi. Maksudnya jika kejadian hari ini (P,H atau B) akan dipengaruhi oleh kejadian pada saat sebelumnya, maka masalahnya adalah sampai berapa lama waktu sebelumnya yang digunakan ? Sebagai contoh apabila diketahui tiga hari berturut turut kondisi cuaca adalah {P,P,B}, bagaimana prediksi cuaca di hari keempat ?. Dalam kasus ini, yang terjadi adalah P(Q4=H|Q3=B,Q2=P,Q1=p). Pertanyaannya bagaimana kalau n=6. atau dengan kata lain kita akan memprediksi cuaca hari keempat dengan melihat 243 sejarah cuaca sebelunya (3 pangkat (n-1)) aliasa 3 pangkat 5.

Untuk menjawab permasalahan tersebut, dikenal first order markov assumption. Dengan asumsi ini, maka kejadian / cuaca hari ini, yang dipengaruhi beberapa hari sebelumnya akan sama dengan jika dipengaruhi oleh satu hari sebelumnya. Dengan demikian teradapat persamaan sebagai berikut :

P(Qn|Qn-1,Qn-2,…….) = P(Qn|Qn-1)

Adanya asumsi ini berimplikasi pada kompleksitas permasalahan yang seharusya lebih sederhana. Berbasis pada permasalahan cuaca tadi, dengan adanya asumsi ini, maka akan terbentuk kumpulan state kombinasi 3 cuaca yang mungkin. Himpunan state ini akan membentuk state tranisisi dengan 9 (sembilan) nilai peluang. Ilustrasi state transisi dapat dilihat pada Gambar 1 di bawah ini :

hmm

 

 

 

 

 

 

 

 

 

 

Gambar 1 Ilustrasi state transisi cuaca Panas (P), Hujan (H) dan Berawan (B)

Dari Gambar tersebut terdapat 9 (sembilan) nilai peluang transisi.
Bersambung …….. InsyaaAlloh tahun depan

Wassalamu’alaykum

 


Leave a Reply

XHTML: You can use these tags: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>