Certainty Factors (CF) And Beliefs

Slides:



Advertisements
Presentasi serupa
Optimasi Fungsi Tanpa Kendala
Advertisements

Pemberian Alasan Yang Tidak Eksak
KETIDAKPASTIAN.
Certainty Factor (CF) Dr. Kusrini, M.Kom.
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.
KETIDAKPASTIAN PERTEMUAN 14.
MOTOR INFERENSI.
Edi Satriyanto,M.Si 1.Definisi Probabilitas atau peluang: –Merupakan ukuran numeric tentang seberapa sering peristiwa itu akan terjadi.
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”
LOGIKA FUZZY.
BAB 2 ATURAN DASAR PROBABILITAS
Latihan Kalkulus Predikat
Pertemuan 11 “INFERENSI DENGAN KETIDAK PASTIAN”
KECERDASAN BUATAN (Artificial Intelligence) Materi 4
KETIDAKPASTIAN (UNCERTAINTY)
LOGIKA FUZZY .
WEBSITE SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT HEPATITIS Danang Yulianto, for further detail, please visit
1 Pertemuan 10 Statistical Reasoning Matakuliah: T0264/Inteligensia Semu Tahun: Juli 2006 Versi: 2/1.
Kuliah Sistem Fuzzy Pertemuan 5 “Sistem Inferensi Fuzzy”
KETIDAKPASTIAN PERTEMUAN 7.
1 Pertemuan 7 Ketidakpastian dalam Rules Matakuliah: H0383/Sistem Berbasis Pengetahuan Tahun: 2005 Versi: 1/0.
Logika fuzzy.
Probabilitas & Teorema Bayes
Faktor keTIDAKpastian (cf)
Teori PROBABILITAS.
LOGIKA FUZZY Oleh I Joko Dewanto
LOGIKA FUZZY ABDULAH PERDAMAIAN
Penanganan Ketidakpastian
Sistem Pakar Ketidakpastian
Backward Chaining.
Teorema Bayes.
FUZZY INFERENCE SYSTEM (FIS) - MAMDANI
SISTEM PAKAR (Expert System)
PROSES PENGAMBILAN KEPUTUSAN
Teori PROBABILITAS.
KETIDAKPASTIAN PERTEMUAN 7.
Ketidakpastian & Kepastian (REASONING)
Fakultas Ilmu Komputer
Metode penanganan ketidakpastian dengan sistem pakar
INFERENSI DENGAN KETIDAKPASTIAN
Teori PROBABILITAS.
Pertemuan 7 KETIDAKPASTIAN
Penanganan Ketidakpastian
Faktor keTIDAKpastian (Uncertainty)
<KECERDASAN BUATAN>
Faktor Kepastian (Certainty)
Sistem Berbasis Pengetahuan
BAYES 17/9/2015 Kode MK : MK :.
PENYIDIKAN KEJADIAN LUAR BIASA
HEMDANI RAHENDRA HERLIANTO
SISTEM PAKAR DIAGNOSA KANKER SERVIKS MENGGUNAKAN METODE BAYES MUHAMAD ALFARISI ( ) MUHAMAD RALFI AKBAR ( ) ANDHIKA DWITAMA.
Pertemuan 11 Statistical Reasoning
Pert 7 KETIDAKPASTIAN.
PERSEPSI DAN PERILAKU SAKIT
CERTAINTY FACTOR DSS - Wiji Setiyaningsih, M.Kom.
Certainty Factor (CF) Dr. Kusrini, M.Kom.
Uncertainty Representation (Ketidakpastian).
Probabilitas & Teorema Bayes
Logika Fuzzy Dr. Mesterjon,S.Kom, M.Kom.
Kuliah Sistem Pakar Pertemuan VII “INFERENSI DENGAN KETIDAK PASTIAN”
Pengertian Teori Dempster Shafer Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi.
Transcript presentasi:

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

Certainty Factors And Beliefs (lanjutan) Cara mendapatkan tingkat keyakinan (CF) Metode “Net Belief” Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence (atau expert’s assessment) CF = certainty factor MB[H,E] = measure of belief (ukuran kepercayaan) terhadap hipotesis H, jika diberikan evidence E(antara 0 dan 1) MD [H,E] = measure of disbelief (ukuran ketidakpercayaan) terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1) CF[Rule] = MB[H,E] - MD[H,E]

P(H)=1 lainnya P(H)=0 P(H) = probabilitas kebenaran hipotesis H P(H|E) = probabilitas bahwa H benar karena fakta E

Contoh 1: 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 Jika ada observasi baru bahwa si Ani juga panas badan dengan kepercayaan, MB[Cacar,Panas]=0,7 dan MD[Cacar, Panas]=0,08; maka: MB[Cacar, Bintik2^Panas]=0,8+0,7*(1-0,8)=0,94 MD[Cacar, Bintik2^Panas]=0,01+0,08*(1-0,01)=0,0892 CF[Cacar, Bintik2^Panas=0,94-0,0892=0,8508

Contoh 2 Seandainya seorang pakar penyakit mata menyatakan bahwa probalitas seseorang berpenyakit edeme palbera inflamator adalah 0,02. Dari data lapangan menunjukkan bahwa dari 100 orang penderita penyakit edeme palbera inflamator , 40 orang memiliki gejala peradangan mata. Dengan menganggap H = edeme palbera inflamator , hitung faktor kepastian bahwa edeme palbera inflamator disebabkan oleh adanya peradangan mata.

P(edeme palbera inflamator ) = 0 P(edeme palbera inflamator ) = 0.02 P P(edeme palbera inflamator | peradangan mata) =40/100 = 0.4 MB(H|E) = max[0.4,0.02] – 0.02 1 – 0.02 = 0.4 -0.02 = 0.39 1-0.02 MD(H|E) = min [0.4 , 0.02] – 0.02 0 – 0,02 = 0.02 – 0.02 = 0 0 – 0.02 CF = 0.39 – 0 = 0.39 Rule : IF (Gejala = peradangan mata) THEN Penyakit = edeme palbera inflamator (CF = 0.39)

Wawancara seorang pakar Nilai CF (Rule) didapat dari interpretasi dari pakar yg diubah nilai CF tertentu. Pakar : Jika batuk dan panas, maka “hampir dipastikan” penyakitnya adalah influenza Rule : IF (batuk AND Panas) THEN penyakit = influenza (CF = 0.8) Uncertain Term CF Definitely not (pasti tidak) -1.0 Almost certainly not (hampir pasti tidak) -0.8 Probably not (kemungkinan besar tidak -0.6 Maybe not (mungkin tidak) -0.2 Unknow (tidak tahu) -0.2 sampai 0.2 Maybe (mungkin) 0.4 Probably(kemungkinan besar) 0.6 Almost certainly (hampir pasti) 0.8 Definitely (pasti) 1.0

Kombinasi beberapa Certainty Factors dalam Satu Rule Operator AND IF inflasi tinggi, CF = 50 %, (A), AND IF tingkat pengangguran kurang dari 7 %, CF = 70 %, (B), AND IF harga obligasi naik, CF = 100 %, (C) THEN harga saham naik CF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)] The CF for “harga saham naik” = 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 inflasi turun, CF = 70 %, (A), OR IF harga obligasi tinggi, CF = 85 %, (B) THEN harga saham akan tinggi 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 “harga saham akan tinggi” = 85 percent

Kombinasi 2 (dua) atau lebih Rule Contoh : R1 : IF tingkat inflasi kurang dari 5 %, THEN harga saham di pasar naik(CF = 0.7) R2: IF tingkat pengangguran kurang dari 7 %, THEN harga saham di pasar naik (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). =. 7. CF(R2). =. 6, CF(R1,R2) = 0. 7 + 0. 6(1 - 0 Jawab soal CF(R1) = 0.7 CF(R2) = 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 harga obligasi meningkat, THEN harga saham naik(CF = 0.85) Hitung CF baru ? (0.982)