Hidden Markov Model (HMM)
1. Markov Chain
Sebelum mendefinisikan HMM, perlu dibahas terlebih dulu mengenai Markov Chain. Markov Chain merupakan perluasan dari finite automaton. Finite automaton sendiri adalah kumpulan state yang transisi antar state-nya dilakukan berdasarkan masukan observasi. Pada Markov Chain, setiap busur antar state berisi probabilitas yang mengindikasikan kemungkinan jalur tersebut akan diambil. Jumlah probabilitas semua busur yang keluar dari sebuah simpul adalah satu.
Markov Chain bermanfaat untuk menghitung probabilitas urutan kejadian yang dapat diamati. Masalahnya, terkadang ada urutan kejadian yang ingin diketahui tetapi tidak dapat diamati. Contohnya pada kasus part-of-speech tagging (POS tagging). POS tagging adalah pemberian tag kepada kata: kata benda, kata kerja, kata sifat dan lainlain. Pada POS tagging, urutan tag tidak dapat diamati secara langsung. Pengamatan secara langsung hanya dapat dilakukan terhadap urutan kata. Dari urutan kata tersebut harus dicari urutan tag yang paling tepat. Untuk contoh ini, tag adalah bagian yang tersembunyi.
Komentar 0