bayesian networks

3
Bayesian networks (Jaringan Bayesian), aplikasi dalam instrumentasi keamanan dan mengurangi resiko. Bayesian Network pertama kali dikenalkan oleh Rev. Thomas Bayes pada 1763 dengan persamaan sebagai berikut; Yang berarti bahwa kita dapat memperbarui tingkat kepercayaan (probabilitas) hypotesis H dengan evidence E dan background context “c”. Sisi kiri pada persamaan tersebut diketahui sebagai “posterior probability”atau peluang H setelah mempertimbangkan efek “E” pada “c” . P (H|c) disebut sebagai prior probability dari H dikarenakan “c” saja. P(E|H,c) disebut “likehood” dan merupakan peluang evidence dengan asumsi hypothesis H dan informasi dasar c adalah benar. Terakhir P(E|c) adalah kebebasan “H” dan dapat ditujukan sebagai normalizing or scaling factor. Teori Bayesian memberikan alur matematis untuk memproses data baru, yang mana data terus ada pada setiap waktu. Teori peluang bayesian juga memungkinkan ketidakpastian model tentang kejadian dan outcomes dari sesuatu yang diinginkan dengan mengkombinasikan pengetahuan yang masuk akal dan bukti observasi. Hal ini dapat diselesaikan dengan bayesian network yaitu dengan menggambar nodes (yang menunjukan peluang

Upload: fafa-arifa

Post on 12-Jul-2016

2 views

Category:

Documents


1 download

DESCRIPTION

network jaringan beyesin

TRANSCRIPT

Page 1: Bayesian Networks

Bayesian networks (Jaringan Bayesian), aplikasi dalam instrumentasi keamanan dan

mengurangi resiko.

Bayesian Network pertama kali dikenalkan oleh Rev. Thomas Bayes pada 1763 dengan

persamaan sebagai berikut;

Yang berarti bahwa kita dapat memperbarui tingkat kepercayaan (probabilitas) hypotesis H

dengan evidence E dan background context “c”.

Sisi kiri pada persamaan tersebut diketahui sebagai “posterior probability”atau peluang H

setelah mempertimbangkan efek “E” pada “c” . P (H|c) disebut sebagai prior probability dari

H dikarenakan “c” saja. P(E|H,c) disebut “likehood” dan merupakan peluang evidence

dengan asumsi hypothesis H dan informasi dasar c adalah benar. Terakhir P(E|c) adalah

kebebasan “H” dan dapat ditujukan sebagai normalizing or scaling factor.

Teori Bayesian memberikan alur matematis untuk memproses data baru, yang mana data

terus ada pada setiap waktu. Teori peluang bayesian juga memungkinkan ketidakpastian

model tentang kejadian dan outcomes dari sesuatu yang diinginkan dengan

mengkombinasikan pengetahuan yang masuk akal dan bukti observasi. Hal ini dapat

diselesaikan dengan bayesian network yaitu dengan menggambar nodes (yang menunjukan

peluang variabel tetap dan variabel random) serta panah yang menunjukan hubungan antara

variabel-variabel tersebut.

Pada literatur ini penulis mencoba menggunakan Bayesian Network untuk menyusun model

hubungan, sehingga dapat dikatahui skenario bahaya (hazard), penyebabnya, efeknya,

subsystem yang termasuk dalam perlindungan, dan interaksi antara masing-masing variabel

tersebut. Pada literatur ini juga penulis menggunakan tool Bayesian network untuk

membangun model yang dapat menampilkan cek (kesesuaian) toleransi final residual secara

langsung dengan menggunakan logical relationship (hubungan logika). Sehingga dalam

literautr ini akan ditunjukan bagaiaman Bayesian network dapat digunkana untuk

meunrunkan resiko sisa (residual risk)yang berhubungan dengan bahaya proses dan

Page 2: Bayesian Networks

digunakan sebagai model nyata “live model” yang dapat diupdate berdasarkan pada observasi

bukti.

Resiko yang terjadi karena skenario bahaya (hazard scenario) harus diminimalkan hingga ke

kondisi yang daapt ditolerir dengan menyediakan perlindungan berlipat-lipat. Untuk

mengenali resiko beserta konsekuensi dan frekuensi nya maka diperlukan;

a) Pertama, kejadian awal (initiating event) dan frekuensi kejadian harus diidentifikasi

b) Kedua, lapisan-lapisan pelindung yg terdapat di dalam dasainharus diketahui dan

diberi nilai

c) Terakhir, resiko sisa yang mungkin terjadi di dalam skenario harus di sesuaikan dan

dipastikan masih dalam batas toleransi.