Pertemuan 11 Statistical Reasoning

Slides:



Advertisements
Presentasi serupa
Pemberian Alasan Yang Tidak Eksak
Advertisements

KETIDAKPASTIAN.
Team Teaching Faktor Kepastian.
Pertemuan 5 P.D. Tak Eksak Dieksakkan
KETIDAKPASTIAN PERTEMUAN 14.
TEORI PROBABILITAS Pertemuan 26.
Ketidakpastian Stmik-mdp, Palembang
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Team Teaching Ketidakpastian.
KETIDAKPASTIAN PERTEMUAN 6.
Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”
Pengujian Beberapa Proporsi (II) Pertemuan 20 Matakuliah: I0014 / Biostatistika Tahun: 2008.
Pertemuan 11 “INFERENSI DENGAN KETIDAK PASTIAN”
1 Pertemuan 6 Hubungan Komponen terhadap Kehandalan Paralel Matakuliah: H0204/ Rekayasa Sistem Komputer Tahun: 2005 Versi: v0 / Revisi 1.
1 Pertemuan 10 Statistical Reasoning Matakuliah: T0264/Inteligensia Semu Tahun: Juli 2006 Versi: 2/1.
1 Pertemuan 17 Pengujian hipotesis regresi Matakuliah: I0174/Analisis regresi Tahun: 2005 Versi: 1.
Mata kuliah :K0144/ Matematika Diskrit Tahun :2008 Fuzzy Logic
1 Pertemuan 08 Diagram / Chart Matakuliah: F0562 / Lab Pengantar Aplikasi Komputer Tahun: 2005 Versi: 1 / 0.
1 Pertemuan 11 METODA GREEDY Matakuliah: T0034/Perancangan & Analisis Algoritma Tahun: 2005 Versi: R1/0.
Fuzzy Set dan Fuzzy Logic
1 Pertemuan 7 Klasifikasi dan Rekognisi Pola (1) Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.
Pertemuan 5 Balok Keran dan Balok Konsol
1 Pertemuan 5 PPh PASAL 21 Matakuliah: A0572/ Perpajakan Tahun: 2005 Versi: Revisi 1.
Matakuliah : R0022/Pengantar Arsitektur Tahun : Sept 2005 Versi : 1/1
1 Pertemuan > > Matakuliah: > Tahun: > Versi: >. 2 Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : >
1 Pertemuan 9 Integral Matakuliah: R0262/Matematika Tahun: September 2005 Versi: 1/1.
1 Pertemuan 7 Diferensial Matakuliah: R0262/Matematika Tahun: September 2005 Versi: 1/1.
Pertemuan 4 PRINSIP-PRINSIP PENGUKURAN RESIKO
Matakuliah : R0262/Matematika Tahun : September 2005 Versi : 1/1
Probabilitas & Teorema Bayes
Faktor keTIDAKpastian (cf)
Teori PROBABILITAS.
Pertemuan 6 : Teori Set/Himpunan (Off Class)
Sistem Pakar Ketidakpastian
Matakuliah : I0014 / Biostatistika Tahun : 2005 Versi : V1 / R1
Analisis Konfirmasi (I) :
Teorema Bayes.
Pertemuan 11 : Aljabar Boole
Pertemuan 6 KONVERSI NFA MENJADI DFA Lanjutan..
Pertemuan 1 Pengolahan vektor
Pertemuan 8 Review Berbagai Struktur Data Lanjutan …..
Matakuliah : I0014 / Biostatistika Tahun : 2005 Versi : V1 / R1
Pertemuan 1 Pendahuluan Matakuliah : I0214 / Statistika Multivariat
Ketidakpastian & Kepastian (REASONING)
Inferensi Dua Nilaitengah Ganda (IV)
INFERENSI DENGAN KETIDAKPASTIAN
Inferensi Dua Nilaitengah Ganda (V)
Inferensi Dua Nilaitengah Ganda (III)
Pertemuan 3 PD Dapat Dihomogenkan
Pertemuan 4 Kombinasi linier vektor
Penanganan Ketidakpastian
Fuzzy Set Pertemuan 7 : Mata kuliah :K0144/ Matematika Diskrit
Pertemuan 20 OPERASI PADA HIMPUNAN FUZZY
Faktor keTIDAKpastian (Uncertainty)
Kode MK : TIF01405; MK : Kecerdasan Buatan
Matakuliah : I0014 / Biostatistika Tahun : 2005 Versi : V1 / R1
Analisis Ragam Peubah Ganda (MANOVA V)
Learning Outcomes Mahasiswa dapat menjelaskan definisi aljabar boole dan hukum-hukum aljabar boole,duality dan contoh pemakaian aljabar boole. Bina Nusantara.
Pertemuan 13 Metode Transportasi
BAYES 17/9/2015 Kode MK : MK :.
Pertemuan 3 Diferensial
Pert 7 KETIDAKPASTIAN.
Pertemuan 6 DIferensial
Pertemuan 13 Bentuk Bangunan
Matakuliah : I0014 / Biostatistika Tahun : 2005 Versi : V1 / R1
Tahun : <<2005>> Versi : <<1/2>>
Pertemuan 05 Manajemen Daftar
Uncertainty Representation (Ketidakpastian).
Probabilitas & Teorema Bayes
Pengertian Teori Dempster Shafer Dempster shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi.
Transcript presentasi:

Pertemuan 11 Statistical Reasoning Matakuliah : T0264/Inteligensia Semu Tahun : Juli 2006 Versi : 2/2 Pertemuan 11 Statistical Reasoning

<< TIK-99 >> << TIK-99>> Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : << TIK-99 >> << TIK-99>>

Outline Materi Materi 1 Materi 2 Materi 3 Materi 4 Materi 5

8.4. Dempster-Shafer Theory Secara umum teori Dempster-Shafer ditulis dalam suatu interval : [Belief, Palusibility] Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpinan proposisi. Jika bernilai 0 mengindikasikan bahwa tidak ada evidence, dan Palusibility (Pl) jika bernilai 1 menunjukkan adanya kepastian. Palusibility dinotasikan sebagai : Pl(s) = 1 – Bel(s) Jika yakin akan s maka dikatakan bahwa Bel(s) = 1 dan pl(s) = 0.

Dempster-Shafer Theory Pada teori Dempster-Shafer dikenal adanya frame of discernment yang dinotasikan dengan  (theta). Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Misal  = {A,F,D,B} dengan : A = Alergi F = Flue D = Demam B = Bronkitis

Dempster-Shafer Theory Tujuanya adalah untuk mengkaitkan ukuran kepercayaan elemen-elemen dari  . Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen  saja, tetapi juga semua himpunan bagiannya (sub-set). Sehingga jika  berisi n elemen, maka sub-set dari  berjumlah 2n. Selanjutnya harus ditunjukkan bahwa jumlah semua densitas (m) dalam sub-set  sama dengan 1.

Dempster-Shafer Theory Misal  = {A,F,D,B} dengan : A = Alergi F = Flue D = Demam B = Bronkitis Andaikan tidak ada informasi apapun untuk memilih keempat hipotesis tersebut, maka nilai dari : m{ } = 1, 0

Dempster-Shafer Theory Jika kemudia diketahui bahwa panas merupakan gejala dari Flue, Demam dan Bronkitis dengan m = 0,8 maka : M{F, D, B} = 0,8 m{} = 1 – 0,8 = 0,2 Andaikan diketahui X adalah sub-set dari  dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan sub-set dari  dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk suatu fungsi kombinasi m1 dan m2 sebagai m3,

Dempster-Shafer Theory Fungsi kombinasi m1 dan m2 sebagai m3 dibentuk dengan persamaan dibawah ini.

Dempster-Shafer Theory Perhatikan CONTOH berikut ini : Vany mengalami gejala panas badan. Dari diagnose dokter kemungkinan Vany menderita Flue, Demam atau Bronkitis. Tunjukkan kaitan ukuran kepercayaan dari elemen-elemen yang ada ! Gejala 1: panas Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejalan Flue, Demam dan Bronkitis adalah : m1{F,D,B} = 0,8 m1{} = 1 – 0,8 = 0,2. Sehari kemudian Vany datang ke dokter lagi dengan gejala hidung buntu.

Dempster-Shafer Theory Gejala 2: hidung buntu Setelah observasi diketahui bahwa nilai kepercayaan hidung buntu sebagai gejala Alergi, Flue dan Deman adalah : m2{A, F,D} = 0,9 m2{} = 1 – 0,9 = 0,1 Munculnya gejala baru maka harus dihitung densitas baru untuk beberapa kombinasi (m3). Untuk memudahkan perhitungan maka himpunan-himpunan bagian dibawa ke bentuk tabel.

Dempster-Shafer Theory Tabel 8.4.1. Aturan Kombinasi untuk m3 {A,F,D} (0,9)  (0,1) {F, D, B} (0,8) {F,D} (0,72) {F, D, B) (0,08) (0,2) {A, F, D} (0,18) (0,02) Keterangan : Kolom pertama berisikan semua himpinan bagian pada gejala pertama (panas) dengan m1 sebagai fungsi densitas. Baris pertama berisikan semua himpunan bagian pada gejala kedua (hidung buntu) dengan m2 sebagai fungsi densitas. Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua himpunan

Dempster-Shafer Theory Selanjutnya dihitung densitas baru untuk beberapa kombinasi (m3) dengan persamaan Dempster-Shafer sbb :

Dempster-Shafer Theory Keterangan : Terlihat bahwa pada mulanya dengan hanya gejala panas, m{F,D,B} = 0,8. Namunsetelah ada gejala baru (hidung buntu), maka nilai m{F,D,B} = 0,08. Demikian pula pada mulanya hanya dengan gejala hibung buntu, m{A,F,D} = 0,9. Namun setelah ada gejala baru (panas) maka m{A,F,D} = 0,18. Dengan adanya 2 gejala tersebut, maka nilai densitas yang paling kuat adalah m{F,D} = 0,72. Bagaimana jika Vany ke dokter lagi dan ditemukan gejala baru lagi berupa Vany makan udang.

Dempster-Shafer Theory Gejala 3 : makan udang Setelah dilakukan observasi, diketahui bahwa udang sebagai gejala Alergi dengan nilai kepercayaan : m4{A} = 0,6 m4{} = 1 – 0,6 = 0,4 Maka harus dihitung densitas baru untuk setiap himpunan bagian dengan fungsi densitas m5 Untuk memudahkan dibuat tabel dengan kolom pertama berisi himpunan bagian-himpunan bagian hasil kombinasi gejala 1 dan gejala 2 dengan fungsi densitas m3. Sedangkan baris pertama berisi himpunan bagian-himpunan bagian pada gejala 3 dengan fungsi densitas m4. Sehingga dihasilkan tabel sbb :

Dempster-Shafer Theory Tabel 8.4.2. Aturan kombinasi untk m5 {A} (0,6)  (0,4) {F,D} (0,72)  (0,432 (0,288) {A,F,D} (0,18) (0,108) (0,072) {F,D,B} (0,08) (0,048) (0,032) (0,02) (0,012) (0,008) Sehingga dapat dihitung densitas baru m5 hasil kombinasi dari gejala lama dengan gejala baru.

Dempster-Shafer Theory Densitas baru m5 adalah sbb :

Dempster-Shafer Theory Ternyata dengan gejala baru ini karena Vany makan udang dimana Vany alergi terhadap udang, nilai densitas yang paling tetap yaitu m5{F,D} = 0,554. Jadi dengan tiga jenis gejala yang dialami oleh Vany, kemungkinan paling kuat Vany terkena Flue dan Demam.

Dempster-Shafer Theory Bagaimana dengan kasus berikut ini. Tomy adalah calon mahasiswa ILKOM berasal dari kota Kabupaten di Sumatra. Terdapat 3 jurusan yang diminati oleh Tomy yaitu Teknik Informatika (I), Ekonomi (E) dan Pariwisata(P). Untuk itu dia mencoba mengikuti beberapa test uji coba. Ujicoba pertama test Logika dengan hasil test menunjukkan bahwa probabilitas densitas m1{I,E} = 0,75. Test kedua adalah test matematika, hasil test menunjukkan bahwa probabilitas densitas m2(I} = 0,8. Test ketiga adalah wawancara. Hasil test menunjukkan bahwa densitas probabilitas m4{P} = 0,3. Tentukan probabilitas densitas dari kombinasi gejala (hasil test) yang didapat oleh Tomy.

<< CLOSING>> End of Pertemuan 11 Good Luck