Update Artikelilmiah: 5902

WANGSIT RATRI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Proses stokastik adalah koleksi variabel acak yang umumnya diindeks oleh waktu. Pada proses stokastik, peristiwa yang mungkin dari variabel acak di waktu tertentu disebut keadaan (state). Ketika peluang keadaan di suatu waktu hanya dipengaruhi oleh informasi keadaan yang terakhir dan tidak dipengaruhi oleh keadaan terdahulu maka proses stokastik tersebut disebut model Markov. Model Markov yang indeksnya bersifat diskrit disebut rantai Markov. Pada rantai Markov ada saatnya keadaannya tidak teramati secara langsung tetapi yang dapat diamati hanya proses stokastik lain yang diakibatkan oleh keadaan rantai Markov tersebut. Proses stokastik yang dihasilkan dari rantai Markov yang seperti ini dinamakan sebagai Hidden Markov Model (HMM). 
Makalah ini membahas teori dan contoh dari HMM. Salah satu permasalahan HMM adalah menghitung peluang barisan teramati. Peluang barisan teramati dapat dihitung melalui definisi peluang marginal, tetapi memerlukan banyak perhitungan. Karena itu untuk memperkecil perhitungan dapat digunakan algoritma maju. Pada contoh kasus diperoleh bahwa peluang barisan teramati baik menggunakan definisi peluang marginal atau algoritma maju memberikan hasil yang sama.

Abtrak (Bhs. Inggris)

Stochastic process is collection of random variabel that commonly being index with time. In stochastic procces, state is the event  that happen from random variabel in particular of time. While probability of state in particular of time depends only upon the immediate past state and it’s not upon the remote past state, so this stochastic process called Markov model. Markov model which is being index with diskrit character called Markov chain. In a Markov chain, the state is sometimes not directly observed and the direcly observable state is just the other stochastic process that caused by the state of Markov chain. A stochastic process that generalized by such Markov chain is called Hidden Markov Model (HMM).
This paper discusses theory and an example of HMM. One of the HMM’s problem is calculate probability of obeserved sequence. Probability of obeserved sequence can be count with definition of marginal probability, but  need a great quantities of calculation. Because of that to minimizing the calculation can  be used forward algorithm. In the sample case obtainable that the result of obeserved sequence probability between with definition of marginal probability or forward algorithm will give same result.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman