5/6/2014 1 SISTEM CERDAS Kuliah ke : 7 PENALARAN KETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES TEORI DHAMSTER SHAFER KETIDAKPASTIAN Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan ciri-ciri penalaran sebagai berikut : – adanya ketidakpastian – adanya perubahan pada pengetahuan – adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
SISTEM CERDAS Kuliah ke : 7 PENALARAN KETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES TEORI DHAMSTER SHAFER KETIDAKPASTIAN Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan ciri-ciri penalaran sebagai berikut : – adanya ketidakpastian – adanya perubahan pada pengetahuan – adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk 5/6/2014 2 contoh : Premis -1 : Aljabar adalah pelajaran yang sulit Premis -2 : Geometri adalah pelajaran yang sulit Premis -3 : Kalkulus adalah pelajaran yang sulit Konklusi : Matematika adalah pelajaran yang sulit Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal : Premis -4 : Kinematika adalah pelajaran yang sulit Premis tersebut menyebabkan konklusi : “Matematika adalah pelajaran yang sulit” menjadi salah, karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan penalaran induktif sangat dimungkinkan adanya ketidakpastian. Untuk mengatasi ketidakpastian maka digunakan penalaran statistik. 5/6/2014 3 PROBABILITAS & TEOREMA BAYES ROBABILITAS Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak. Misal dari 10 orang sarjana , 3 orang menguasai cisco, sehingga peluang untuk memilih sarjana yang menguasai cisco adalah : p(cisco) = 3/10 = 0.3 TEOREMA BAYES 5/6/2014 4 Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan : probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar p(bintik | cacar) = 0.8 probabilitas Asih terkena cacar tanpa memandang gejala apapun p(cacar) = 0.4 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi p(bintik | alergi) = 0.3 probabilitas Asih terkena alergi tanpa memandang gejala apapun p(alergi) = 0.7 probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan p(bintik | jerawatan) = 0.9 probabilitas Asih jerawatan tanpa memandang gejala apapun p(jerawatan) = 0.5 Maka : probabilitas Asih terkena cacar karena ada bintik-bintik di wajahnya : 5/6/2014 5 probabilitas Asih terkena alergi karena ada bintik-bintik di wajahnya :
Welcome message from author
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
5/6/2014
1
SISTEM CERDAS
Kuliah ke : 7
PENALARAN
KETIDAKPASTIAN
PROBABILITAS & TEOREMA BAYES
TEORI DHAMSTER SHAFER
KETIDAKPASTIAN
Dalam kenyataan sehari-hari banyak masalah
didunia ini tidak dapat dimodelkan secara
lengkap dan konsisten.
Suatu penalaran dimana adanya penambahan
fakta baru mengakibatkan ketidakkonsistenan,
dengan ciri-ciri penalaran sebagai berikut :
– adanya ketidakpastian
– adanya perubahan pada pengetahuan
– adanya penambahan fakta baru dapat mengubah
konklusi yang sudah terbentuk
5/6/2014
2
contoh :
Premis -1 : Aljabar adalah pelajaran yang sulit
Premis -2 : Geometri adalah pelajaran yang sulit
Premis -3 : Kalkulus adalah pelajaran yang sulit
Konklusi : Matematika adalah pelajaran yang sulit
Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal :
Premis -4 : Kinematika adalah pelajaran yang sulit
Premis tersebut menyebabkan konklusi : “Matematika adalah pelajaran yang sulit”
menjadi salah, karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan penalaran induktif sangat dimungkinkan adanya ketidakpastian.
Untuk mengatasi ketidakpastian maka
digunakan penalaran statistik.
5/6/2014
3
PROBABILITAS &
TEOREMA BAYES
� PROBABILITAS
Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak.
Misal dari 10 orang sarjana , 3 orang menguasai cisco,
sehingga peluang untuk memilih sarjana yang
menguasai cisco adalah :
p(cisco) = 3/10 = 0.3
� TEOREMA BAYES
5/6/2014
4
Contoh :
Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
dengan :
� probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar � p(bintik | cacar) = 0.8
Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru menunjukkan bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang kena cacar.
Jadi antara munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain.
5/6/2014
8
Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan probabilitas terkena cacar bila ada bintik-bintik di wajah
� p(cacar | bintik) = 0.8
Ada observasi bahwa orang terkena cacar pasti mengalami panas badan. Jika diketahui probabilitas orang terkena cacar bila panas badan
� p(cacar|panas ) = 0.5
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila seseorang terkena cacar
� p(bintik | panas, cacar) = 0.4
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan
� p(bintik | panas) = 0.6
5/6/2014
9
Maka :
Pengembangan lebih jauh dari Teorema
Bayes adalah Jaringan Bayes.
Contoh : hubungan antara krismon, PHK,
pengangguran, gelandangan dalam suatu
jaringan.
5/6/2014
10
Muculnya pengangguran
disebabkan PHK
Muculnya pengangguran dapat
digunakan sebagai evidence untuk
membuktikan adanya gelandangan
5/6/2014
11
Probabilitias terjadinya PHK jika terjadi krismon,
probabilitas munculnya gelandangan jika terjadi krismon
Probabilitias untuk jaringan bayes
5/6/2014
12
FAKTOR KEPASTIAN
TEORI DEMPSTER SHAFER
24
FAKTOR KEPASTIAN
(CERTAINTY FACTOR) Certainty Factor (CF) menunjukkan ukuran kepastian
terhadap suatu fakta atau aturan.
CF[h,e] = MB[h,e] – MD[h,e]
CF[h,e] = faktor kepastian
B[h,e] = ukuran kepercayaan/tingkat keyakinan terhadap hipotesis h, jika diberikan/dipengaruhi evidence e (antara 0 dan 1)
MD[h,e] = ukuran ketidakpercayaan/tingkat ketidakyakinan terhadap hipotesis h, jika
diberikan/dipengaruhi evidence e (antara 0 dan 1)
5/6/2014
13
25
3 hal yang mungkin terjadi :
1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis.
2. CF dihitung dari kombinasi beberapa hipotesis
3. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk aturan yang lainnya
26
1. Beberapa evidence dikombinasikan untuk
menentukan CF dari suatu hipotesis.
Jika e1 dan e2 adalah
observasi, maka :
5/6/2014
14
27
Contoh :
Misal suatu observasi memberikan kepercayaan terhadap h dengan MB[h,e1]=0,3 dan MD[h,e1]=0 maka :
CF[h,e1] = 0,3 – 0 = 0,3
Jika ada observasi baru dengan MB[h,e2]=0,2 dan MD[h,e2]=0, maka :
MB[h,e1 ∧∧∧∧ e2] = 0,3 + 0,2 * (1 – 0,3)=0,44
MD[h,e1 ∧∧∧∧ e2] = 0
CF[h,e1 ∧∧∧∧ e2] = 0,44 – 0 = 0,44
28
Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan kepercayaan MB[cacar,bintik]=0,80 dan MD[cacar,bintik]=0,01 maka :
CF[cacar,bintik] = 0,80 – 0,01=0,79
Jika ada observasi baru bahwa Asih juga panas badan dengan kepercayaan,
MB[cacar,panas]=0,7 dan MD[cacar,panas]=0,08 maka :
� Akhir September 2002 kemarau berkepanjangan mengakibatkan gagal panen yang cukup serius, berdampak pada turunnya ekspor Indonesia. Bila diketahui MB[devisaturun,eksporturun] = 0,75 dan MD[devisaturun,eksporturun] = 0,1, maka
CF[devisaturun,eksporturun] dan CF[devisaturun,TKI ∧∧∧∧ eksporturun] :
Isu terorisme di Indonesia pasca bom bali tgl 12 Oktober 2002 ternyata juga ikut mempengaruhi turunnya devisa Indonesia sebagai akibat berkurangnya wisatawan asing. Bila diketahui
MB[devisaturun,bombali] = 0,5 dan MD[devisaturun,bombali] = 0,3, maka
ketidakpastian dari suatu aturan menjadi input untuk
aturan yang lainnya
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e])
MB’[h,s] = ukuran kepercayaan h berdasarkan
keyakinan penuh terhadap validitas s
42
Contoh :
PHK = terjadi PHK
Pengangguran = muncul banyak pengangguran
Gelandangan = muncul banyak gelandangan
Aturan 1 :
IF terjadi PHK THEN muncul banyak pengangguran
CF[pengangguran, PHK] = 0,9
Aturan 2 :
IF muncul banyak pengangguran THEN muncul banyak gelandangan
MB[gelandangan, pengangguran] = 0,7
Maka =
MB[gelandangan, pengangguran] = [0,7] * [0,9]
= 0,63
5/6/2014
22
43
TEORI DEMPSTER-SHAFER
� Penulisan umum :
[belief, plausibility]
belief : ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0, maka berarti tidak evidence, jika bernilai 1 berarti ada kepastian
plausibility (Pl) dinotasikan sebagai
Pl(s) = 1 – Bel(¬s)
44
� Plausibility juga bernilai 0 sampai 1.
� Jika yakin adanya ¬s, maka Bel(¬s) = 1, dan
Pl(¬s) = 0.
� Dalam teori Dempster Shafer dikenal adanya
frame of discernment yang dinotasikan dengan
θ.
� Frame ini merupakan semesta pembicaraan dari
sekumpulan hipotesis.
5/6/2014
23
45
� Misal: θ = {A, F, D, B}
dengan
A = Alergi
F = Flu
D = Demam
B = Bronkhitis
� Tujuan : mengkaitkan ukuran kepercayaan elemen-elemen θ.
� Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Misal panas mungkin hanya mendukung {F, D, B}
46
� So, perlu adanya probabilitas fungsi densitas (m).
� Nilai m tidak hanya mendefinisikan elemen-
elemen θ saja, tetapi juga semua subset-nya.
� Jika θ berisi n elemen, maka subset θ semua
berjumlah 2n.
� Jumlah semua m dalam subset θ = 1
� Jika tidak ada informasi apapun untuk memilih
keempat hipotesis tersebut, maka nilai
m{θ} = 1,0.
5/6/2014
24
47
� Jika kemudian diketahui bahwa panas
merupakan gejala dari flu, demam, dan
bronkhitis dengan m = 0,8, maka
m{F, D, B} = 0,8
m{θ} = 1 – 0,8 = 0,2
48
� Jika diketahui X adalah subset dari θ dengan m1
sebagai fungsi densitasnya, dan Y juga
merupakan subset dari θ dengan m2 sebagai
fungsi densitasnya, maka fungsi kombinasi m1 dan
m2 sebagai m3 yaitu :
∑∑∑∑∑∑∑∑
====∩∩∩∩
====∩∩∩∩
−−−−====
)().(1
)().()(
21
21
3YmXm
YmXmZm
YX
ZYX
φφφφ
5/6/2014
25
49
contoh
� Ani mengalami gejala panas badan. Dari
diagnosa dokter, penyakit yang mungkin
diderita Ani adalah Flu, Demam, atau
Bronkhitis.
50
Gejala-1 : panas
Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala dari penyakit Flu, Demam, dan Bronkhitis adalah :
m1{F, D, B} = 0,8
m1{θ} = 1 – 0,8 = 0,2
Sehari kemudian, Ani datang lagi dengan gejala yang baru, yaitu hidung buntu.
5/6/2014
26
51
Gejala-2 : hidung buntu
kemudian jika diketahui nilai kepercayaan setelah dilakukan observasi terhadap hidung buntu sebagai gejala dari alergi, penyakit flu, dan demam adalah :
m2{A, F, D} = 0,9
m2{θ} = 1 – 0,9 = 0,1
munculnya gejala baru mengharuskan kita untuk menghitung densitas baru untuk beberapa kombinasi (m3).
52
� Aturan kombinasi untuk m3 :
{A, F, D} (0,9) θ (0,1)
{F, D, B} (0,8) {F, D} (0,72) {F, D, B} (0,08)
Θ (0,2) {A, F, D} (0,18) θ (0,02)
5/6/2014
27
53
Sehingga diperoleh m3 sbb :
Gejala paling kuat : {F,D}
08,001
08,0},,{3 ====
−−−−====BDFm
02,001
02,0}{3 ====
−−−−====θθθθm
72,001
72,0},{3 ====
−−−−====DFm
18,001
18,0},,{3 ====
−−−−====DFAm
54
� Hari berikutnya, Ani datang lagi dan memberitahukan bahwa minggu lalu di abru saja datang dari piknik.
� Jika dikatahui nilai kepercayaan setelah dilakukan observasi terhadap piknik sebagai gejala dari alergi
m4{A} = 0,6
m4{θ} = 1 - 0,6 = 0,4
maka harus dihitung nilai densitas baru m5.
5/6/2014
28
55
Aturan kombinasi untuk m5
{A} (0,6) θ (0,4)
{F, D} (0,72) Ø (0,432) {F, D} (0,288)
{A, F, D} (0,18) {A} (0,108) {A, F, D} (0,072)
{F, D, B} (0,08) Ø (0,048) {F, D, B} (0,032)
θ (0,02) {A} (0,012) θ (0,008)
56
� Sehingga diperoleh m5 sbb :
231,0)048,0432,0(1
012,0108,0}{5 ====
++++−−−−
++++====Am
554,0)048,0432,0(1
288,0},{5 ====
++++−−−−====DFm
138,0)048,0432,0(1
072,0},,{5 ====
++++−−−−====DFAm
062,0)048,0432,0(1
032,0},,{5 ====
++++−−−−====BDFm
015,0)048,0432,0(1
008,0}{5 ====
++++−−−−====θθθθm
Gejala
paling
kuat?
5/6/2014
29
57
tugas :
� Ada 3 jurusan yang diminati oleh Ali, yaitu T. Informatika (I), Psikologi (P), atau Hukum (H).
� Untuk itu Ali mencoba mengikuti beberapa tes ujicoba
� Ujicoba pertama adalah tes logika, dengan hasil probabilitas densitas m1 {I, P} = 0,75.
� Tes ke dua adalah matematika, dengan hasil probabilitas densitas m2{I} = 0,8.