Algoritma ekspektasi-maksimisasi

Dalam statistika, algoritma ekspektasi-maksimisasi (bahasa Inggris: expectation-maximization algorithm) atau algoritma EM (bahasa Inggris: EM algorithm) adalah metode berulang yang dipakai untuk mencari pendekatan nilai kemungkinan maksimum (bahasa Inggris: maximum likelihood) dan Maximum a Posteriori (MAP) dari parameter dalam sebuah model statistik, dimana modelnya bergantung pada variabel laten yang tidak diketahui.

Algoritma ekspektasi-maksimasi termasuk algoritma pengklasteran karena berupa basis perhitungan probabilitas.^[1] Algoritma ini secara intuitif memiliki dua tahap, yaitu tahap ekspektasi dan tahap maksimisasi. Tahap ekspektasi merupakan tahap yang menentukan perhitungan ekspektasi sehingga diperoleh nilai estimasi parameternya,^[2] sedangkan tahap maksimalisasi merupakan tahap yang mengulangi perhitungan parameter sehingga memaksimalkan nilai probabilitas.^[1]

Penerapan algoritma ekspektasi-maksimisasi sangatlah luas, salah satunya adalah pembelajaran mesin, dimana algoritma ini dipakai sebagai metode pengelompok data.^[3]^[4]^[5] Selain itu, algoritma ekspektasi-maksimisasi juga memiliki penerapan lainnya, seperti pengenalan ucapan, dan analisis faktor.

Rujukan

^ ^a ^b Sianturi, Fricles Ariwisanto; Hasugian, Paska Marto; Simangunsong, Agustina; Nadeak, Berto (2019-03-27). DATA MINING: Teori dan Aplikasi Weka. IOCS Publisher. hlm. 120. ISBN 978-602-51936-6-8.
^ "Expectation Maximization (EM) Algorithm". BINUS UNIVERSITY MALANG | Pilihan Universitas Terbaik di Malang. 2021-11-04. Diakses tanggal 2022-02-14.
^ "Mengenal Konsep Algoritma Expectation–maximization (EM)". Indowhiz. 2020-03-01. Diakses tanggal 2022-02-14.
^ Kishor, Duggirala Raja; Venkateswarlu, N. B. (2016-07-01). "A Novel Hybridization of Expectation-Maximization and K-Means Algorithms for Better Clustering Performance". International Journal of Ambient Computing and Intelligence (IJACI) (dalam bahasa Inggris). 7 (2): 47–74. doi:10.4018/IJACI.2016070103. ISSN 1941-6237. ^{[pranala nonaktif permanen]}
^ Garriga, Joan; Palmer, John R. B.; Oltra, Aitana; Bartumeus, Frederic (2016-03-22). "Expectation-Maximization Binary Clustering for Behavioural Annotation". PLOS ONE (dalam bahasa Inggris). 11 (3): e0151984. doi:10.1371/journal.pone.0151984. ISSN 1932-6203. PMC 4803255 . PMID 27002631. Pemeliharaan CS1: Format PMC (link)

Artikel bertopik statistika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

[:0-1] Sianturi, Fricles Ariwisanto; Hasugian, Paska Marto; Simangunsong, Agustina; Nadeak, Berto (2019-03-27). DATA MINING: Teori dan Aplikasi Weka. IOCS Publisher. hlm. 120. ISBN 978-602-51936-6-8.

[2] "Expectation Maximization (EM) Algorithm". BINUS UNIVERSITY MALANG | Pilihan Universitas Terbaik di Malang. 2021-11-04. Diakses tanggal 2022-02-14.

[3] "Mengenal Konsep Algoritma Expectation–maximization (EM)". Indowhiz. 2020-03-01. Diakses tanggal 2022-02-14.

[4] Kishor, Duggirala Raja; Venkateswarlu, N. B. (2016-07-01). "A Novel Hybridization of Expectation-Maximization and K-Means Algorithms for Better Clustering Performance". International Journal of Ambient Computing and Intelligence (IJACI) (dalam bahasa Inggris). 7 (2): 47–74. doi:10.4018/IJACI.2016070103. ISSN 1941-6237. ^{[pranala nonaktif permanen]}

[5] Garriga, Joan; Palmer, John R. B.; Oltra, Aitana; Bartumeus, Frederic (2016-03-22). "Expectation-Maximization Binary Clustering for Behavioural Annotation". PLOS ONE (dalam bahasa Inggris). 11 (3): e0151984. doi:10.1371/journal.pone.0151984. ISSN 1932-6203. PMC 4803255 . PMID 27002631. Pemeliharaan CS1: Format PMC (link)

[1]

[2]

[3]

[4]

[5]