Modul PraktikumKecerdasan Buatan

BAB 9 BAYESIAN NETWORK

9.1 Tujuan
1.
2.
3.

Praktikan mampu menjelaskan dan memahami tentang definisi dan

konsep dari sintaks bayesian network
Praktikan mampu menjelaskan dan memahami tentang definisi dan
konsep semantik dari bayesian network
Praktikan mampu mampu merancang aplikasi sederhana dengan
konsep bayesian network

4.

9.2

Ringkasan Materi

A. Definisi
Bayesian Network merupakan suatu notasi grafis yang sederhana untuk
pernyataan bebas bersyarat dan oleh karenanya untuk spesifikasi atas full joint
distribution yang padat.
B. Sintak Bayesian Network
Adapun sintak dari Bayesian Network terdiri atas:

Sekumpulan node, di mana satu node per variabel

Suatu graph tidak berputar dan berarah (link menyatakan berpengaruh

langsung)

Suatu distribusi bersyarat untuk setiap node yang diberikan parent-nya:

P ( X i|Parents ( X i) )
Suatu contoh sederhana, distribusi bersyarat direpresentasikan sebagaimana
dalam suatu suatu tabel probabilitas bersyarat (conditional probability table/CPT)
memberikan distribusi atas Xi untuk setiap kombinasi nilai parentnya.
Compactness
Suatu tabel probabilitas bersyarat (CPT) untuk nilai Boolean Xi dengan k Boolean
parent mempunyai 2k baris untuk kombinasi dari nilai parent.
B

Modul PraktikumKecerdasan Buatan

Diagram 10.1 Hubungan antar variabel

Setiap baris meminta satu angka peluang p untuk Xi=true (angka untuk
Xi=false sebesar 1-p)

Jika setiap variabel tidak memiliki lebih banyak k parent, maka network
yang lengkap memerlukan O(n.2k ) angka.

Seperti, pertumbuhan secara linear dengan n vs. O(2n) bagi distribusi

keterkaitan penuh (full joint distribution)

Dari nilai-nilai yang ada di dalam tabel CPT terlihat untuk jaringan
burglary, terdapat 1+1+4+2+2 = 10 angka (vs. 25 - 1 = 31)
Sesuai dengan rumus

P ( X i|Parents ( X i) ) untuk menjelaskan 1+1+4+2+2 =

10 angka (vs. 25 - 1 = 31) pada jaringan

B

1 + 1 + 4 + 2 + 2 didapat dari
= P (B) + P(E) + P(A | B , E) + P(J | A) + P(M | A)
= P (B) + P(E) + {P(A | B, E) + P( A | B, E) + P( A | B, E) +
P(A | B, E)} + {P( J | A) + P( J |A)} + {P(M | A) + P( M |A)}
= 1 + 1 + { 1 + 1 + 1 + 1} + {1 + 1} + {1 + 1}
=1+1+4+2+2
Seperti pada contoh dibawah
P(Mary Calls) + P(John Calls | Marry
Calls ) + P(Earthquake | Mary Calls , John
Calls ) +
P(Burglary | Mary Calls , John Calls,
Earthquake) + P( Alarm | Mary Calls , John
Calls, Earthquake, Burglary)
= 1 + 2 + 4 + 8 + 16
= 31
Semantics
Full joint distribution didefinisikan sebagai perkalian atas distribusi bersyarat
lokal:
B

Modul PraktikumKecerdasan Buatan

Misal: P(j m a b e) = P (j | a) P (m | a) P (a | b, e) P (b) P (e)

Pengkonstruksian Bayesian Network
1. Choose an ordering of variables X1, ,Xn
2. For i = 1 to n
add Xi to the network
select parents from X1, ,Xi-1
such that P (Xi | Parents(Xi)) = P (Xi | X1, ... Xi-1)
This choice of parents guarantees:
P X 1 ,.., X n in1 P X i | X 1 ,..., X i 1

(chain rule)
in1 P X i | parent X i

(by construction)

Contoh:

Tentukan P(C=T|S=T) !
Jawaban:

Modul PraktikumKecerdasan Buatan

Modul PraktikumKecerdasan Buatan

9.3

Percobaan

A. Contoh Topologi Jaringan

Topologi jaringan mengkodekan pernyataan-pernyataan bebas bersyarat, sebagai
berikut:
Cavity

Weather

Toothache

Catch

Diagram 10.2 Hubungan antar variabel

Weather adalah bebas (independent) atas variabel-variabel lain.

Toothache dan Catch adalah bebas bersyarat atas variabel Cavity yang
diberikan.

Modul PraktikumKecerdasan Buatan

B. Contoh 2
Andi punya alarm baru. Alarm akan berbunyi jika ada pencuri (burglary) masuk
rumah Andi. Tetapi alarm juga akan berbunyi jika ada gempa kecil, di mana
gempa tersebut tidak terasa di tempat John dan Mary. Jika alarm berbunyi, John
dan Mary
berjanji untuk menelepon Andi saat Andi bekerja di kantor. Tetapi terkadang saat
alarm berbunyi John ataupun Mary tidak tahu karena mereka sedang pergi, atau
karena suara alarm yang kecil karena baterai habis, atau karena ada suara lain
yang lebih keras dari alarm tersebut. Adakah seorang pencuri(burglar)?
Variabel-variabel yang terlibat: Burglary, Earthquake, Alarm, JohnCalls,
MaryCalls
Topologi jaringan merefleksikan pengetahuan sebab akibat:
o Seorang Burglary dapat menyebabkan alarm nyala
o Earthquake dapat menyebabkan alarm nyala
o Alarm dapat menyebabkan adanya panggilan dari Mary(MarryCall)
o Alarm dapat menyebabkan adanya panggilan dari John(JohnCall)
Sehingga bisa diilustrasikan sebagaimana berikut:

Gambar 10.3 bayesian network dari kasus Andi

Dari ilustrasi pada Gambar 10.3 dapat diartikan: Burglary dan Earthquake
keduanya merupakan variabel independent dengan nilai probabilitas masingmasing: P(B)= 0.001 dan P(E)=0.002. Namun Alarm merupakan varibel
bersyarat, yang dipengaruhi oleh Burglary dan Earthquake.

C. Contoh Semantics

Andaikan kita pilih urutan M, J, A, B, E

MaryCalls
JohnCalls
Alarm

Modul PraktikumKecerdasan Buatan

P(J|M) = P(J) ?
Apakah Peluang JohnCalls bersyarat terhadap MaryCalls sama
dengan peluang terjadinya JohnCalls?
Jawabannya: Tidak, karena dari graph di atas terlihat bahwa

peluang terjadinya JohnCalls bergantung pada MaryCalls.

P(A| J,M) = P(A | J)?P(A | J, M) = P(A)?
MaryCalls
JohnCalls

Burglary

Alarm

Dari graph di atas terlihat bahwasannya peluang terjadinya Alarm

dipengaruhi oleh adanya kejadian MaryCalls dan JohnCalls, sehingga:

P(A| J,M) = P(A | J)?P(A | J, M) = P(A)? No

Kemudian diberikan pertanyaan berikutnya:
o P(B | A, J, M) = P(B | A)?
o P(B | A, J, M) = P(B)?

MaryCalls

Jo
Burglary

Alarm

Earthqueke

Maka dari gambar di atas bisa menjawab pertanyaan sebelumnya

bahwa Peluang terjadinya Burgary dipengarui oleh bunyi Alarm,

sehingga:
P(B | A, J, M) = P(B | A)? Yes
P(B | A, J, M) = P(B)? No
Kemudian, jika diberikan P(E | B, A, J, M) apakah sama dengan

P(E | A)?
Juga apakah P(E | B, A, J, M) sama dengan P(E | A, B)?

MaryCalls

Joh

Burglary
Earthqueke

Alarm

Modul PraktikumKecerdasan Buatan

Dari graph di atas dapat digunakan untuk menjawab pertanyaan

sebelumnya, bahwa:
P(E | B, A ,J, M) = P(E | A)? No
P(E | B, A, J, M) = P(E | A, B)? Yes
Penentuan kebebasan bersyarat (conditional independence) adalah sulit
pada arah sebab akibat secara langsung.

Jaringan tersebut lebih sedikit padat: 1 + 2 + 4 + 2 + 4 = 13 angka yang

diperlukan

9.4

Tugas Praktikum

1. Perhatikan Bayesian Network di bawah ini.

Tentukan nilai Peluang : (Note : c sampai g optional)

a. John menelpon, Mary menelpon, alarm nyala, ada perampok, tidak ada
gempa bumi. P (j m a b e).
b. John menelpon, Mary tidak menelpon, alarm nyala, ada perampok, ada
gempa bumi. P (j m a b e).
c. P(B|A)
d. P(E|A)
e. P(A=True)
f. P(J=True)
g. P(M=True)
2. Buatlah sebuah perancangan aplikasi dalam bidang kedokteran untuk
mendiagnosa suatu penyakit yang memiliki sebab akibat. Gambarkan dalam
bentuk bayesian networknya serta diberikan nilai-nilai dalam CPT!

Modul PraktikumKecerdasan Buatan

DAFTAR PUSTAKA
-

Russell, Stuart; dan Norvig, Peter. 2003. Artificial Intelligence A

Modern Approach. International Edition, Edisi 2. Pearson PrenticeHall
Education International. New Jersey

Modul PraktikumKecerdasan Buatan

DAFTAR PUSTAKA

Rich, Elaine dan Knight, Kevin, Artificial Intelligence, 2nd, McGraw-Hill,

New York.

Russell, Stuart dan Norvig, Peter. 2003. Artificial Intelligence A Modern

Approach. International Edition, Edisi 2. Pearson Prentice-Hall Education
International. New Jersey.

Kusumadewi Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya). Graha

Ilmu. Yogyakarta.

Suyanto, 2007. Artificial Intelligence (Searching, Reasoning, Planning dan

Learning). Penerbit Informatika Bandung.