bayesian networks
DESCRIPTION
network jaringan beyesinTRANSCRIPT
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
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.