Belajar Hidden Markov Model: Contoh Soal, Rumus, dan Pembahasan Lengkap

Dunia kecerdasan buatan (AI) dan statistik memiliki banyak algoritma yang tampak kompleks namun sebenarnya bekerja dengan logika yang sangat elegan. Salah satu yang paling fundamental adalah Hidden Markov Model (HMM). Jika Anda pernah bertanya-tanya bagaimana ponsel Anda mengenali suara Anda atau bagaimana para ahli meteorologi memprediksi cuaca meski datanya tidak terlihat secara langsung, HMM adalah jawabannya.

Artikel ini akan membedah HMM secara mendalam—mulai dari konsep dasar, rumus matematika yang mendasarinya, hingga contoh soal yang mudah dipahami. Mari kita mulai perjalanan memahami “model yang tersembunyi” ini.

Baca juga: Kumpulan Contoh Soal Ragam Data untuk SMP dan SMA + Jawabannya

Apa Itu Hidden Markov Model (HMM)?

Hidden Markov Model adalah model statistik di mana sistem yang dimodelkan diasumsikan sebagai proses Markov dengan parameter yang tidak diketahui (tersembunyi).

Untuk memahaminya, bayangkan seorang teman yang tinggal jauh. Anda tidak tahu cuaca di sana (State Tersembunyi), tetapi Anda tahu aktivitas apa yang dia lakukan (Observasi), seperti berjalan-jalan, berbelanja, atau membersihkan rumah. Dari aktivitasnya, Anda bisa menebak kemungkinan cuaca di sana. Itulah inti dari HMM.

Komponen Utama HMM

Dalam HMM, terdapat lima elemen kunci yang harus Anda pahami:

1. States ($S$): Kondisi yang tersembunyi (misal: Hujan atau Cerah).
2. Observations ($V$): Gejala atau hasil yang bisa kita lihat (misal: Membawa payung atau Memakai kaos).
3. Transition Probabilities ($A$): Peluang berpindah dari satu state ke state lainnya.
4. Emission Probabilities ($B$): Peluang munculnya sebuah observasi dari state tertentu.
5. Initial State Distribution ($\pi$): Peluang sistem dimulai pada state tertentu.

Rumus dan Dasar Matematika HMM

HMM bekerja berdasarkan probabilitas bersyarat. Secara formal, sebuah model HMM sering ditulis sebagai $\lambda = (A, B, \pi)$.

1. Matriks Transisi ($A$)

Matriks ini mendefinisikan peluang berpindah dari state $i$ ke state $j$.

$$A = \{a_{ij}\} = P(q_{t+1} = S_j | q_t = S_i)$$

2. Matriks Emisi ($B$)

Matriks ini mendefinisikan seberapa besar kemungkinan kita melihat observasi $k$ jika kita berada di state $j$.

$$B = \{b_j(k)\} = P(O_t = v_k | q_t = S_j)$$

3. Distribusi Awal ($\pi$)

Peluang state awal pada waktu $t=1$.

$$\pi = \{\pi_i\} = P(q_1 = S_i)$$

Tiga Masalah Utama dalam HMM

Sebelum masuk ke contoh soal, Anda perlu tahu bahwa HMM biasanya digunakan untuk menyelesaikan tiga masalah ini:

1. Evaluasi (Forward Algorithm): Menghitung peluang sebuah urutan observasi muncul jika modelnya sudah diketahui.
2. Decoding (Viterbi Algorithm): Menentukan urutan state tersembunyi yang paling mungkin dari urutan observasi yang ada.
3. Learning (Baum-Welch Algorithm): Menentukan parameter model ($A, B, \pi$) berdasarkan data observasi yang tersedia.

Contoh Soal Hidden Markov Model

Mari kita gunakan skenario sederhana untuk mengaplikasikan rumus di atas.

Skenario: Mood dan Cuaca

Misalkan ada dua kondisi cuaca: Cerah (C) dan Hujan (H). Kita tidak bisa melihat cuaca secara langsung, tetapi kita bisa melihat suasana hati (mood) seorang teman: Senang (S) atau Sedih (D).

Data Model $\lambda$:

• Transition Probabilities ($A$):
  • $P(C|C) = 0.7$
  • $P(H|C) = 0.3$
  • $P(C|H) = 0.4$
  • $P(H|H) = 0.6$
• Emission Probabilities ($B$):
  • Cerah $\rightarrow$ Senang: 0.8, Sedih: 0.2
  • Hujan $\rightarrow$ Senang: 0.4, Sedih: 0.6
• Initial Probabilities ($\pi$):
  • $P(C) = 0.6$
  • $P(H) = 0.4$

Pertanyaan: Jika teman Anda terlihat Senang pada hari pertama dan Sedih pada hari kedua, berapakah peluang urutan observasi (Senang, Sedih) terjadi?

Pembahasan Menggunakan Algoritma Forward

Kita akan menghitung peluang observasi $O = (\text{Senang, Sedih})$.

Langkah 1: Waktu $t = 1$ (Observasi: Senang)

• $\alpha_1(C) = \pi_C \times B_C(\text{Senang}) = 0.6 \times 0.8 = 0.48$
• $\alpha_1(H) = \pi_H \times B_H(\text{Senang}) = 0.4 \times 0.4 = 0.16$

Langkah 2: Waktu $t = 2$ (Observasi: Sedih)

Kita menghitung probabilitas untuk sampai ke state “Cerah” dan “Hujan” di hari kedua.

• Untuk Cerah di hari ke-2:$\alpha_2(C) = [\alpha_1(C) \times A_{CC} + \alpha_1(H) \times A_{HC}] \times B_C(\text{Sedih})$$\alpha_2(C) = [0.48 \times 0.7 + 0.16 \times 0.4] \times 0.2$$\alpha_2(C) = [0.336 + 0.064] \times 0.2 = 0.4 \times 0.2 = 0.08$
• Untuk Hujan di hari ke-2:$\alpha_2(H) = [\alpha_1(C) \times A_{CH} + \alpha_1(H) \times A_{HH}] \times B_H(\text{Sedih})$$\alpha_2(H) = [0.48 \times 0.3 + 0.16 \times 0.6] \times 0.6$$\alpha_2(H) = [0.144 + 0.096] \times 0.6 = 0.24 \times 0.6 = 0.144$

Total Peluang:

$P(O) = \alpha_2(C) + \alpha_2(H) = 0.08 + 0.144 = 0.224$

Jadi, peluang teman Anda terlihat Senang lalu Sedih adalah 0.224 atau 22.4%.

Mengapa HMM Sangat Penting di Era AI?

Mungkin Anda bertanya, kenapa kita harus belajar model yang tampak tradisional ini di tengah gempuran Neural Networks? Jawabannya adalah efisiensi dan interpretabilitas.

1. Pemrosesan Bahasa Alami (NLP)

HMM digunakan dalam Part-of-Speech (POS) Tagging. Saat komputer membaca kalimat, kata-kata adalah observasi, sedangkan jenis katanya (kata benda, kata kerja) adalah state tersembunyinya.

2. Bioinformatika

HMM sangat krusial dalam pemetaan DNA. Urutan nukleotida diamati untuk menebak struktur genetik yang tersembunyi di dalamnya.

3. Prediksi Pasar Saham

Meskipun fluktuatif, banyak analis menggunakan HMM untuk menentukan “rezim pasar” (Bullish atau Bearish) yang tidak terlihat hanya dari harga harian.

Baca juga: Mahasiswa Manajemen Pemasaran UTI Pamerkan Produk Totebag Painting di Teknokrat Academic Expo

Tips Belajar Hidden Markov Model bagi Pemula

Belajar HMM memang menantang karena melibatkan banyak notasi Yunani dan probabilitas berlapis. Berikut tips untuk Anda:

• Visualisasikan dengan Diagram: Jangan hanya menghitung. Gambarlah lingkaran untuk state dan panah untuk transisi. Ini membantu otak memahami alur data.
• Gunakan Library Python: Jika Anda ingin praktek langsung, gunakan library seperti hmmlearn. Anda bisa memasukkan matriks dan biarkan Python melakukan perhitungan Viterbi untuk Anda.
• Pahami Rantai Markov Terlebih Dahulu: HMM adalah pengembangan dari Rantai Markov biasa. Pastikan Anda paham konsep dasar perpindahan state sebelum masuk ke bagian “Hidden”.

Kesimpulan

Hidden Markov Model adalah jembatan antara apa yang kita lihat (data) dengan apa yang sebenarnya terjadi di balik layar (proses). Dengan memahami rumus transisi, emisi, dan algoritma seperti Forward atau Viterbi, Anda telah membuka pintu menuju pemahaman AI yang lebih mendalam.

Konsep ini membuktikan bahwa statistik tidak hanya tentang angka di atas kertas, tetapi tentang bagaimana kita membaca pola yang tersembunyi di dunia yang penuh ketidakpastian ini.

Penulis: Aripin