Kuliah Sistem Pakar Pertemuan VII “INFERENSI DENGAN KETIDAK PASTIAN” Cetain Probable Plausable Posible Imposible Degrees of Belief True False Inferensi Dengan Ketidakpastian Ketidakpastian dalam AI digambarkan dalam 3(tiga) tahap (Kanal and Lemmer, 1986 ; Parsaye and Chignell, 1988) Step 1 Representasi Ketidakpastian dari Basic set of events Step 2 Mengkombinasikan Bodies dari Informasi yang Tidak Pasti Rute Alternatif Pengambilan Inferensi Step 3 Penjelasan Step 1 : Pakar memperoleh pengetahuan yang tidak pasti : numerik, grafik, atau simbolik (“hampir pasti bahwa …….”) Step 2 : Pengetahuan yang tidak pasti dapat digunakan untuk menarik kesimpulan dalam kasus sederhana (step 3) Step 3 : Maksud dari sistem berbasis pengetahuan adalah untuk penarikan kesimpulan. Representing Uncertainty : Uncertainty When a user cannot provide a definite answer Imprecise knowledge Incomplete information 5 Representasi Ketidak pastian Numeric Graphic Symbolic Representasi ketidakpastian Numerik Skala (0 – 1 atau 0 - 100) 0= Complete uncertainty (sangat tidakpasti) 1 or 100 = Complete certainty (sangat pasti) Masalahnya, pakar memberikan angka tertentu sesuai dengan kognisi dan pengalamannya Orang cenderung tidak konsisten dalam menilai sesuatu untuk waktu yang berbeda (meskipun masalahnya sama) Graphic Horizontal bars Expert A No confidence Little Some Expert B Much Complete confidence Tidak seakurat metode numerik. Beberapa pakar tidak mempunyai pengalaman dalam membuat tanda pada skala grafik. Beberapa pakar tidak biasa memberikan angka dalam skala, mereka lebih suka memberi ranking Probabilitas dan Pendekatan lainnya Ratio Probabilitas Teorema Bayes Pendekatan Dempster-Shafer Ratio Probabilitas Derajat keyakinan dari kepercayaan dalam suatu premise atau konklusi dapat dinyatakan dengan probabilitas : Jumlah outcome dari occurrence X P(X) = Jumlah seluruh events Contoh 1 : Jika P1 = 0.9 , P2 = 0.7 , dan P3 = 0.65, maka P = (0.9) (0.7) (0.65) = 0.4095 Contoh 2 : Coba saudara buat ! BAYESIAN APPROACH P(Ai | B) = P(Ai) * P(B | Ai) P(B | A1) * P(A1) + .... + P(B | An) * P(An) dimana P(A1) + P(A2) + .... + P(An) = 1 Teorema Bayes (Probabilitas Bersyarat) Contoh : Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Si Ani terkena cacar dengan : Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(Bintik2| Cacar) = 0.8 Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(Cacar) = 0.4 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2| Alergi) = 0.3 Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(Alergi) = 0.7 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(Bintik2| Jerawatan) = 0.9 Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan) = 0.5 Teorema Bayes (Probabilitas Bersyarat) Hitung : Probabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya P(Cacar|Bintik2) = p(Bintik2| Cacar)* p(Cacar) p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan) = 0.327 Teorema Bayes (Probabilitas Bersyarat) Hitung : Probabilitas Si Ani terkena alergi karena ada bintik-bintik di wajahnya P(Alergi|Bintik2) = p(Bintik2| Alergi)* p(Alergi) p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan) = 0.214 Teorema Bayes (Probabilitas Bersyarat) Hitung : Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya P(Cacar|Bintik2) = p(Bintik2| Jerawat)* p(Jerawat) p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan) = 0.459 Certainty Factors (CF) And Beliefs Meyatakan kepercayaan dalam suatu “event” Taksiran Pakar Ukuran keyakinan pakar fakta tertentu benar atau salah Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan Certainty Factors And Beliefs (lanjutan) Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence (atau expert’s assessment) CF[P,E] = MB[P,E] - MD[P,E] CF MB MD P E = = = = = certainty factor measure of belief measure of disbelief probability evidence, atau event Contoh : Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Ani terkena cacar dengan ukuran kepercayaan, MB[Cacar, Bintik2] = 0.8 dan MD[Cacar, Bintik2] = 0.01 CF[Cacar, Bintik2] = 0.80 - 0.01 = 0.79 Kombinasi beberapa Certainty Factors dalam Satu Rule Operator AND IF inflation is high, CF = 50 %, (A), AND IF unemployment rate is above 7 %, CF = 70 %, (B), AND IF bond prices decline, CF = 100 %, (C) THEN stock prices decline CF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)] The CF for “stock prices to decline” = 50 percent Operator AND (lanjutan) Contoh 2 IF Saya punya uang lebih, CF = 0.7, (A), AND IF kondisi badan sehat, CF = 0.8, (B), AND IF tidak turun hujan, CF = 0.9, (C) THEN Saya akan pergi memancing CF untuk “Saya akan pergi memancing” = 0.7 Kombinasi beberapa Certainty Factors dalam Satu Rule (lanjutan) Operator OR Contoh 1 IF inflation is low, CF = 70 %, (A), OR IF bond prices are high, CF = 85 %, (B) THEN stock prices will be high Hanya 1(satu) IF untuk pernyataan ini dikatakan benar. Kesimpulan hanya 1(satu) CF dengan nilai maksimum CF (A or B) = Maximum [CF(A), CF(B)] The CF for “stock prices to be high” = 85 percent Kombinasi 2 (dua) atau lebih Rule Contoh : R1 : R2: IF the inflation rate is less than 5 %, THEN stock market prices go up (CF = 0.7) IF unemployment level is less than 7 %, THEN stock market prices go up (CF = 0.6) Efek kombinasi dihitung dengan menggunakan rumus : CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; or CF(R1,R2) = CF(R1) + CF(R2) - CF(R1) CF(R2) Hitung kombinasi CF untuk dua rule di atas (0.88) Jawab soal CF(R1) CF(R2) = = 0.7 0.6, CF(R1,R2) = 0.7 + 0.6(1 - 0.7) = 0.7 + 0.6(0.3) = 0.88 Misalkan ada rule ke 3 yang merupakan rule baru, CF(R1,R2,R3) = CF(R1,R2) + CF(R3) [1 - CF(R1,R2)] R3 : IF bond price inceases, THEN stock prices go up (CF = 0.85) Hitung CF baru ? (0.982) Sampai Jumpa di Pertemuan VIII Selamat Belajar
© Copyright 2024 Paperzz
