PENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY) KETIDAKPASTIAN (Uncertainity) - Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. - Ketidakpastian merupakan suatu permasalahan karena mungkin menghalangi kita membuat suatu keputusan yang terbaik. - Teori-teori yang berhubungan dengan ketidakpastian : Probabilitas Klasik Probabilitas Bayes Teori Hartley yang berdasarkan pada himpunan klasik Teori Shanon yang didasarkan pada peluang Teori Dempster-Shafer Teori Fuzzy Zadeh - Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian : MYCIN untuk diagnosa medis PROPECTOR untuk ekplorasi mineral Penalaran dengan Ketidakpastian (Uncertainity) 1
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
PENALARAN DENGAN KETIDAKPASTIAN(UNCERTAINITY)
KETIDAKPASTIAN (Uncertainity)- Ketidakpastian dapat dianggap
sebagai suatu kekurangan informasiyang memadai untuk membuat suatukeputusan.
- Ketidakpastian merupakan suatupermasalahan karena mungkinmenghalangi kita membuat suatukeputusan yang terbaik.
- Teori-teori yang berhubungan denganketidakpastian : Probabilitas Klasik Probabilitas Bayes Teori Hartley yang berdasarkan padahimpunan klasik
Teori Shanon yang didasarkan padapeluang
Teori Dempster-Shafer Teori Fuzzy Zadeh
- Contoh aplikasi yang klasik sistempakar yang sukses sehubungan denganketidakpastian : MYCIN untuk diagnosa medis PROPECTOR untuk ekplorasi mineral
Penalaran dengan Ketidakpastian(Uncertainity)
1
TIPE-TIPE KESALAHAN / ERRORS
Keterangan :- Ambiguous : kesalahan yg diinpretasikanlebih dari 1 cara
- Incomplete : ada informasi hilang- Incorrect : informasi salah yang disebabkanmanusia (kesalahan membaca data, peletakaninformasi & peralatan)
- Hipotesa adalah sebuah asumsi yang akan di-testo False Negative : penolakan hipotesa jikabenar
o False Positive : penerimaan hipotesa jikatidak benar
- Measurement : kesalahan pengukurano Precision : dalam milimeter, 10 X lebihteliti daripada centimeter, berhubungandg bagaimana kebenaran itudiketahui/baik (how well the truth isknown)
o Accuracy : dalam centimeter, berhubungandengan kebenaran (the truth)
Penalaran dengan Ketidakpastian(Uncertainity)
2
- Unreliability : jika peralatan pengukuranmensuplay fakta yg tidak dipercaya.
- Random : fluktuasi nilai- Systematic : tidak acak tetapi karena bias mispembacaan kalibrasi.
Contoh :Example Error Reason
Turn the valve off Ambiguous What valve ?Turn valve-1 Incomplete Which way ?Turn valve-1 off Incorrect Correct is onValve is stuck False positive Valve is not
stuckValve is not stuck False negative Valve is stuckTurn valve-1 to 5 Imprecise Correct is 5.4Turn valve-1 to5.4
Inaccurate Correct is 9.2
Turn valve-1 to5.4 or 6 or 0
Unreliable Equipment error
Turn valve-1 to5.4 or 6 or 0 or5.5 or 5.1
Random Error StatisticalFluctuation
Valve-1 is notstuck because itsnever been stuckbefore
InvalidInduction
Valve is stuck
Output is normaland so valve is ingood condition
InvalidDeduction
Valve is stuckin open position
KESALAHAN (ERROR) dan INDUKSI
Penalaran dengan Ketidakpastian(Uncertainity)
3
- Proses induksi merupakan lawan darideduksi.DEDUKSI : merupakan hasil dari hal yangumum ke
khusus Contoh : Semua laki-laki adalahmakhluk hidup
Socrates adalah laki-lakiDapat ditarik kesimpulan :
Socrates adalah makhluk hidupINDUKSI : menggeneralisasi dari hal
khusu ke umum
Contoh : Disk saya belum pernahrusak
Disk saya tidak pernahakan rusak
dimana simbol mewakili “oleh karena”untuk induksi dan mewakili “olehkarena” untuk deduksi.
- Kecuali untuk induksi matematika,argumen induksi tidak pernah dapatdibuktikan dengan benar. Argumeninduksi hanya dapat menyediakanbeberapa tingkat kepercayaan bahwakonklusi tersebut benar.Contoh :
Penalaran dengan Ketidakpastian(Uncertainity)
4
Alarm kebakaran berbunyi ada kebakaran
Argumen yang lebih kuat lainnya :Alarm kebakaran berbunyiSaya mencium bau asap ada kebakaran
Walaupun argumen di atas adalah argumen yangkuat, tetapi tidak membuktikan adakebakaran.
PROBABILITY KLASIK- Probability merupakan cara kuantitasyang berhubungan dengan ketidakpastian
- Teori probability diperkenalkan padaabad 17 oleh penjudi Perancis danpertama kali diajukan oleh Pascal danFermat (1654)
- Prob. Klasik disebut juga dengan apriori probability karena berhubungandg game atau sistem.
- Formula fundamental prob. KlasikP = W / N
dimana : W = jumlah kemenanganN = jumlah kemungkinan kejadian
yang sama pd percobaan
Penalaran dengan Ketidakpastian(Uncertainity)
5
- Contoh: Sebuah dadu dilemparkan 1X maka ada 6
kemungkinan P(1) = P(2) = P(3) = P(4) = P(5) =P(6) = 1/6Jika percobaan diulang lagi maka akanmenghasilkan yang sama (Deterministic),jika tidak non-deterministic (acak)
- Probability kehilangan (Kalah)Q = (N –W) /N = 1 – P
- Titik Contoh (sample point) : hasil daripercobaanRuang Contoh (sample space) : kumpulan darisemua kemungkinan titik contoh.Kejadian (event) : subset dari ruang contoh.Kejadian sederhana (simple event) : hanya adasatu elemen kejadian.Kejadian gabungan (compound event) :terdapat lebih dari dari satu kejadian
- Penalaran Deduktif dan Induktif dilihatdari populasi dan contoh (sample)
Penalaran dengan Ketidakpastian(Uncertainity)
6
i
TEORI PROBABILITAS- Teori formal probabilitas dibuat denganmenggunakan 3 aksioma
- Teori aksiomatik disebut juga objectivetheory of probability diperkenalkan olehKolmogorov, sedangkan teori aksiomatikprobabiliti kondisional dibuat olehRenyi
- Tiga aksioma probabilistik :1. 0 P(E) 1 Aksioma ini menjelaskan bahwajangkauan probabilitas berada antar 0dan 1. Jika suatu kejadian itu pastiterjadi maka nilai probabilitasnyaadalah 1, dan jika kejadiannya tidakmungkin terjadi nilai probabilitasnyaadalah 0
2. P(Ei) = 1Aksioma ini menyatakan jumlah semuakejadian tidak memberikan pengaruhdengan lainnya, maka disebut mutuallyexclusive events yaitu 1.Corollary dari aksioma ini adalah :
P(E) + P(E’) = 13. P(E1 E2) = P(E1) + P(E2)
Penalaran dengan Ketidakpastian(Uncertainity)
7
Dimana E1 dan E2 adalah kejadianmutually exclusive. Aksioma ini mempunyaimakna bahwa jika E1 dan E2 keduanyatidak dapat terjadi secara simultan,maka probabilitas dari satu ataukejadian lainnya adalah jumlah darimasing-masing probabilitasnya.
EKSPERIMENTAL dan PROBABILITAS SUBJEKTIF- Ekperimental probability kebalikan daria priori yaitu posteriori probabilityyang artinya “setelah kejadian”.Posteriori probabilitas mengukurfrekuensi kejadian yang terjadi untuksejumlah percobaan.
P(E) = lim f(E) N~ N
Dimana, F(E) = frek kejadian N = banyaknya kejadian- Subjective probability berhubungan dgkejadian yg tidak dapat direproduksidan tidak mempunyai basis teori sejarahuntuk mengektrapolasi. Subjectiveprobability sebagai opini lebihmengekspresikan suatu probabilitasdibandingkan probabilitas yangberdasarkan aksioma.
Penalaran dengan Ketidakpastian(Uncertainity)
8
- Tipe ProbabilitasNama Formula Karakteristik
A priori(classical,theoretical,mathematical,symmeticequiprobableequallikehood)
P(E) = W NDimana W adalahangka keluarandari kejadian Euntuk total Nkemung-kinankeluaran
- Kejadian berulang- Keluaran yang sama- Bentuk pasti
matema-tikadiketahui
- Semua kemungkinankejadian dankeluaran diketahui
A posteriori(experimental,empirical,scientific,relativefrequency,statistical)P(E) f(E) N
- Didasarkan padapengalaman,kebijaksanaan,opini ataukepercayaan dari
Penalaran dengan Ketidakpastian(Uncertainity)
9
pakar.
PROBABILITAS GABUNGAN- Dalam probabilitas gabungan, kejadiandapat dihitung dari ruang contohnya.
- Contoh : Probabilitas pelemparan daduA = {2,4,6} B = {3,6}P(A B) = n(A B) = 1
N(s) 6Dimana n = angka elemen dalam set
S = ruang contoh (sample space)
- Independent events : kejadian ygmasing-masing tidak salingmempengaruhi. Untuk 2 kejadian bebas Adan B, probabilitasnya merupakan produkdari probabilitas individual.
- Kejadian A dan B disebut pairwiseindependentP (A B) = P(A) P(B)
- Stochastically independent event : Jikadan hanya jika formula diatas benar.
Penalaran dengan Ketidakpastian(Uncertainity)
10
- Formula mutual independence N eventsmambutuhkan 2N persamaan yagng dapatdipenuhi :P (A*1 A*2…… A*N) = P(A*1) P(A*2) …P(A*N)
Contoh :P (A B C) = P(A) P(B) P(C) P (A B C’) = P(A) P(B) P(C’)P (A B’ C) = P(A) P(B’) P(C) dst
- Untuk Gabungan P(A B)1. P(A B) = n(A) + n(B) = P(A) +P(B)
n(S) hasilnya akan terlalu besarjika set overlap untuk set disjoint
2. P(A B) = P(A) + P(B) - P (A B)Atau P(A B C) = P(A)+P(B)+P(C)-P(AB)-P(AC)-
P(BC) + P(A B C) disebut additive law
PROBABILITAS KONDISIONALP(A|B) = P (A B) untuk B 0
Penalaran dengan Ketidakpastian(Uncertainity)
11
P(B)Dimana : P(A|B) = probabilitas kondisional
P(B) = probabilitas a priori
- Jika probabilitas a priori digunakandalam probabilitas kondisional makadisebut unconditional / absoluteprobability