Faktor keTIDAKpastian (cf)

Slides:



Advertisements
Presentasi serupa
Pemberian Alasan Yang Tidak Eksak
Advertisements

KETIDAKPASTIAN.
Certainty Factor (CF) Dr. Kusrini, M.Kom.
Bahan Kuliah IF4058 Topik Khusus IF
Team Teaching Faktor Kepastian.
Mengatasi Ketidakpastian (Uncertainty)
Metode Inferensi dan Penalaran
RANCANG BANGUN APLIKASI DIAGNOSIS PENYAKIT HEPATITIS MENGGUNAKAN CERTAINTY FACTOR Oleh: Erista Pramana
SISTEM PAKAR UNTUK MENDIAGNOSIS GANGGUAN JIWA SKIZOFRENIA MENGGUNAKAN METODE FUZZY EXPERT SYSTEM (STUDI KASUS RS. JIWA MENUR SURABAYA) Alfian Angga Pradika.
Oleh : 1. Ike Dewi P ( ) 2. Masyitha ( ) 3. Nurtika Setiowati ( )
KETIDAKPASTIAN PERTEMUAN 14.
Pertemuan X “INFERENSI DENGAN KETIDAK PASTIAN”
Ketidakpastian Stmik-mdp, Palembang
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Team Teaching Ketidakpastian.
KETIDAKPASTIAN PERTEMUAN 6.
Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Pertemuan 11 “INFERENSI DENGAN KETIDAK PASTIAN”
KECERDASAN BUATAN (Artificial Intelligence) Materi 4
KETIDAKPASTIAN (UNCERTAINTY)
Pemberian Alasan Di bawah Ketidakpastian
WEBSITE SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT HEPATITIS Danang Yulianto, for further detail, please visit
KETIDAKPASTIAN PERTEMUAN 7.
Sistem Pakar.
1 Pertemuan 7 Ketidakpastian dalam Rules Matakuliah: H0383/Sistem Berbasis Pengetahuan Tahun: 2005 Versi: 1/0.
Definisi Inferensi  Inferensi adalah : Proses yang digunakan dalam Sistem Pakar untuk menghasilkan informasi baru dari informasi yang telah diketahui.
REPRESENTASI PENGETAHUAN
Probabilitas & Teorema Bayes
REPRESENTASI PENGETAHUAN DENGAN TEKNIK LOGIKA
INFERENSI.
Intelegensia Buatan Silabus Perkembangan AI
KECERDASAN BUATAN LOGIKA FUZZY (Fuzzy Logic) Edy Mulyanto.
FUZZY INFERENCE SYSTEMS
Certainty Factors (CF) And Beliefs
Penanganan Ketidakpastian
Sistem Pakar Ketidakpastian
Backward Chaining.
Klasifikasi Berdasarkan Teorema Bayes
Teorema Bayes.
PENALARAN DENGAN KETIDAKPASTIAN
Model Heuristik Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]:
KETIDAKPASTIAN PERTEMUAN 7.
Ketidakpastian & Kepastian (REASONING)
Fakultas Ilmu Komputer
Metode penanganan ketidakpastian dengan sistem pakar
INFERENSI DENGAN KETIDAKPASTIAN
Pertemuan 7 KETIDAKPASTIAN
Penanganan Ketidakpastian
Faktor keTIDAKpastian (Uncertainty)
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Kode MK : TIF01405; MK : Kecerdasan Buatan
Faktor Kepastian (Certainty)
LOGIKA FUZZY Dosen Pengampu : Dian Tri Wiyanti, S.Si, M.Cs
Sistem Berbasis Pengetahuan
Operasi Himpunan Fuzzy
Pertemuan 11 Statistical Reasoning
Pert 7 KETIDAKPASTIAN.
INFERENSI DAN PENALARAN
CERTAINTY FACTOR DSS - Wiji Setiyaningsih, M.Kom.
Artificial Intelligence
Certainty Factor (CF) Dr. Kusrini, M.Kom.
Uncertainty Representation (Ketidakpastian).
GUNAWAN Materi Kuliah [8]: (Sistem Pendukung Keputusan)
SISTEM PAKAR UNTUK KLASIFIKASI DAN DIAGNOSA PENYAKIT ISPA (INFEKSI SALURAN PERNAFASAN AKUT) PADA UPTD PUSKESMAS Oleh : Riyan Royan
Probabilitas & Teorema Bayes
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Kuliah Sistem Pakar Pertemuan VII “INFERENSI DENGAN KETIDAK PASTIAN”
ARSITEKTUR SISTEM PAKAR
Pengertian Teori Dempster Shafer Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi.
Transcript presentasi:

Faktor keTIDAKpastian (cf) Sumarni Adi S1 Teknik Informatika STMIK Amikom Yogyakarta 2016

Ketidakpastian (Uncertainty) Esensi: Kurangnya informasi untuk merumuskan keputusan. Sumber ketidakpastian: Bahasa yang tidak tepat: kesalahan translasi dari bahasa pakar ke bentuk IF-THEN Data/Informasi/Pengetahuan: Tidak lengkap, salah, hilang,tidak dapat diandalkan. Terminologi tidak jelas/berubah-ubah Pengetahuan berubah-ubah Data tak tepat: satu istilah banyak makna, banyak istilah satu sama makna Kombinasi pandangan para pakar berbeda. Error-error

Teori dan metode Ketidakpastian (Uncertainty) Penyelesaian masalah ketidakpastian dapat berbasis: Peluang (Statistika): objective probability, experimental probability & subjective probability Heuristik, mencakup Faktor Kepastian dan Logika Samar • Teori yang banyak digunakan: – Bayesian Probability – Hartley Theory – Shannon Theory – Dempster-Shafer Theory – Markov Models – Fuzzy Theory

Faktor kepastian (Certainty Factor) Teori Certainty factors (CF) merupakan alternatif bagi penalaran Bayes. Menggunakan pendekatan heuristik dalam penalaran dengan ketidakpastian. Pakar membobot keyakinan dari kesimpulannya dan langkah-langkah penalarannya dengan istilah “tidak Mungkin”, “hampir pasti”, “sangat mungkin”,”mungkin”. Bukan peluang tetapi heuristik yang diturunkan dari pengalaman. Juga bukan nilai kebenaran. CF digunakan untuk mengekspresikan berapa akurat, sungguh dan handal suatu dugaan.

Faktor kepastian (Certainty Factor) CF dapat diterapkan terhadap: Fakta/premis; Rules (aturan, kesimpulan dari rule); Fakta dan rules. Saat diterapkan terhadap fakta (evidence, premis) : mewakili derajat kepercayaan (ketidakpercayaan) dari fakta. Saat diberlakukan terhadap rules: mewakili derajat konfirmasi(diskonfirmasi) suatu hipotesis. Arti CF bernilai -1 dan 1: CF mendekati 1, fakta semakin kuat bagi suatu hipotesis Cf mendekati -1, kepercayaan berlawanan hipotesis semakin kuat. CF sekitar 0, ada fakta yang mendukung dan juga melawan hipotesis.

Tingkat kepercayaan pada CF

Menghitung Certainty Factor (CF) Untuk suatu hipotesis H dan fakta/evidence E, ukuran kepercayaan MB(H,E) dan ketidakpercayaan MD(H,E) adalah Dimana: – P(H) peluang (sebelumnya) hipotesis H bernilai True; – P(H|E) peluang hipotesis H bernilai True jika terdapat evidence E.

Certainty Factor (CF)

Faktor kepastian kombinasi

Rule dengan ketidakpastian Evidence

Contoh Premis AND

Contoh Premis or

contoh Sistem pakar untuk diagnosa flu (cold). Database terdiri dari fakta: demam pasien 37.4, batuk kurang 24 jam, bersin- bersin, sakit kepala dengan CF = 0.4 dan hidung tersumbat dengan CF = 0.5 Rule base mengandung: • Rule 1 IF demam < 37.5 THEN Gejala Flue = true {CF = 0.5} • Rule 2 IF demam > 37.5 THEN Gejala Flu = true {CF = 0.9} • Rule 3 IF batuk lebih dari 24 jam THEN sakit tenggorokan = true {CF = 0.5} • Rule 4 IF batuk lebih dari 48 jam THEN sakit tenggorokan = true {CF = 1} • Rule 5 IF Gejala flue AND Bersin-bersin THEN Terkena flu {CF = -0.2} • Rule 6 IF sakit tenggorokan THEN Terkena flu {CF = 0.5} • Rule 7 IF sakit kepalaAND hidung tersumbat THEN Terkena flu {CF = 0.7}

Proses penalaran Pasien demam kurang dari 37.5, jadi CF dari fakta demam 37.5 adalah 1.0 dan CF dari fakta demam >37.5 adalah -1.0. Pasien batuk kurang dari 24 jam. Fakta batuk > 24 jam dan 48 jam, memberikan CF = -1.0 CF dari gejala flu sebagai kesimpulan dari Rule 1 dihitung sebagai CF dari premis Rule 1 (bernilai 1.0) dikalikan dengan CF dari rule tersebut. Diperoleh: 1.0*0.5 = 0.5. Karena premis Rule 2 negatif, Rule 2 tidak berpengaruh terhadap CF dari fakta gejala flu. Karena premis dari Rule 3 dan Rule 4 bernilai negatif, CF sakit tenggorakan bernilai 0.

Proses penalaran CF dari Terkena flue sebagai kesimpulan Rule 5 merupakan hasil AND dua premis. Jadi, minimum antara CF gejala flu (0.5) dan bersin (1.0) dikalikan dengan CF Rule 5; CF1 = min{0.5, 1.0}*(-0.2) = 0.5*(- 0.2)= -0.1 Rule 7 juga mempunyai 2 premis. CF dari Rule 7 menjadi CF2 = min{0.4, 0.5}*0.7 = ).4*0.7 = 0.28. Berapa tingkat kepercayaan pasien terkena flu?

latihan Diketahui bahwa hari ini Hujan, Curah hujan hari ini rendah (dengan CF 0.8), Temperatur hari ini dingin (dengan CF 0.9). Pakar harus memprediksi apakah cuaca besok. Basis pengetahuan berisi rules berikut: Rule 1 : IF Hari ini Hujan THEN Besok Hujan {CF=0.5} Rule 2 : IF Hari ini Kering THEN Besok Kering {CF=0.5} Rule 3 : IF Hari ini Hujan AND Curah Hujan Rendah THEN Besok Kering {CF=0.6} Rule 4 : IF Hari ini Hujan AND Curah Hujan Rendah AND Temperatur Dingin THEN Besok Kering {CF=0.7} Rule 5 : IF Hari ini Kering AND Temperatur panas THEN Besok Hujan {CF=0.65} Rule 6 : IF Hari ini Hujan AND Temperatur Panas AND Langit Mendung THEN Besok Hujan {CF=0.55}