Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”

Presentasi serupa


Presentasi berjudul: "Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”"— Transcript presentasi:

1 Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”

2 Posible Plausable Imposible Cetain Probable False True Degrees of Belief

3 Inferensi Dengan Ketidakpastian   Ketidakpastian dalam AI digambarkan dalam 3(tiga) tahap (Kanal and Lemmer, 1986 ; Parsaye and Chignell, 1988)   Step 1 Rute Alternatif   Step 2 Step 3 Representasi Ketidakpastian dari Basic set of events Mengkombinasikan Bodies dari Informasi yang Tidak Pasti Pengambilan Inferensi

4 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.

5 5 Representing Uncertainty :  Uncertainty  When a user cannot provide a definite answer  Imprecise knowledge  Incomplete information

6 Representasi Ketidak pastian   Numeric   Graphic   Symbolic

7 Representasi ketidakpastian Numerik   Skala (0 – 1 atau )   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)

8 Graphic   Horizontal bars   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 Expert A Expert B No confidence Little Some Much Complete confidence

9 Probabilitas dan Pendekatan lainnya  Ratio Probabilitas  Teorema Bayes  Pendekatan Dempster-Shafer

10 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) =  Contoh 2 : Coba saudara buat !

11 BAYESIAN APPROACH P(A i ) * P(B | A i ) P(A i | B) = P(B | A 1 ) * P(A 1 ) P(B | A n ) * P(A n ) dimana P(A 1 ) + P(A 2 ) P(A n ) = 1

12 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

13 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) = Teorema Bayes (Probabilitas Bersyarat)

14 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) = Teorema Bayes (Probabilitas Bersyarat)

15 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) = Teorema Bayes (Probabilitas Bersyarat)

16   Meyatakan kepercayaan dalam suatu “event”  Taksiran Pakar   Ukuran keyakinan pakar  fakta tertentu benar atau salah   Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan Certainty Factors (CF) And Beliefs

17 Certainty Factors And Beliefs (lanjutan)  Certainty factors menyatakan dalam suatu (atau fakta, atau hipotesis) didasarkan kepada (atau expert’s assessment)  Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence (atau expert’s assessment)  CF = certainty factor  MB = measure of belief  MD = measure of disbelief  P = probability  E = evidence, atau event CF[P,E] = MB[P,E] - MD[P,E]

18 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] = = 0.79

19 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

20 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 Operator AND (lanjutan)

21   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 IF Hanya 1(satu) IF untuk pernyataan ini dikatakan benar. CF 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 beberapa Certainty Factors dalam Satu Rule (lanjutan)

22 Kombinasi 2 (dua) atau lebih Rule   Contoh :   R1 : IF the inflation rate is less than 5 %, THEN stock market prices go up (CF = 0.7)   R2: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)

23 Jawab soal CF(R1)=0.7 CF(R2)=0.6, CF(R1,R2) = ( ) = (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)

24 Sampai Jumpa Selamat Belajar


Download ppt "Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”"

Presentasi serupa


Iklan oleh Google