Hidden Markov Model

Hari ini saya lagi belajar tentang Hidden markov model (HMM). HMM ini adalah pemodelan sistem statistik dimana ada proses markov dan proses yang tidak dapat diamati (unobserved). Jelasin teorinya agak ribet, tapi ada video bagus berikut ini yang ngejelasin HMM dengan mudah:

Contohnya di video itu ada Alice dan Bob, mereka berdua berada di kota yang berbeda (LDR ceritanya). Misalnya Alice di Jakarta, Bob di Bandung. Trus mereka suka telpon-telponan. Si Bob sering cerita hari ini dia lagi hepi atau lagi sedih (grumpy). Nah dari cerita si Bob itu Alice coba nebak cuaca di Bandung pada saat itu kayak gimana. Kondisi cuaca ini yang disebut hidden state. Caranya si alice bikin dulu model markovnya. Kemudian dari model markov itu dia bisa memprediksi probabilitas cuacanya.

Model HMM memiliki beberapa komponen: ada alphabet, kumpulan state, probabilitas transisi antara state, start probability dan emission probability, seperti di slide berikut:

Terus HMM ini disebut juga memoryless

Dengan HMM kita bisa ngitung 3 jenis perhitungan berikut: decoding, evaluation dan learning:

Untuk persoalan decoding digunakan algoritma Viterbi. Persoalan backward dengan algoritma backward. Sementara untuk persoalan learning bisa menggunakan algoritma baum-welch. Sampai disini dulu semoga bermanfaat!

Silahkan tuliskan tanggapan, kritik maupun saran

%d blogger menyukai ini: