Kuliah Sistem Pakar Pertemuan VII “INFERENSI DENGAN KETIDAK PASTIAN”
Degrees of Belief True False Imposible Posible Plausable Probable Cetain
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
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.
Representing Uncertainty : When a user cannot provide a definite answer Imprecise knowledge Incomplete information
Representasi Ketidak pastian Numeric Graphic Symbolic
Representasi ketidakpastian Numerik Skala (0 – 1 atau 0 - 100) 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)
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
Probabilitas dan Pendekatan lainnya Ratio Probabilitas Teorema Bayes Pendekatan Dempster-Shafer
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) = 0.4095 Contoh 2 : Coba saudara buat !
BAYESIAN APPROACH P(Ai) * P(B | Ai) P(Ai | B) = P(B | A1) * P(A1) + .... + P(B | An) * P(An) dimana P(A1) + P(A2) + .... + P(An) = 1
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
Teorema Bayes (Probabilitas Bersyarat) 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) = 0.327
Teorema Bayes (Probabilitas Bersyarat) 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) = 0.214
Teorema Bayes (Probabilitas Bersyarat) 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) = 0.459
Certainty Factors (CF) And Beliefs Meyatakan kepercayaan dalam suatu “event” Taksiran Pakar Ukuran keyakinan pakar fakta tertentu benar atau salah Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan
Certainty Factors And Beliefs (lanjutan) 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]
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] = 0.80 - 0.01 = 0.79
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
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 inflation is low, CF = 70 %, (A), OR IF bond prices are high, CF = 85 %, (B) THEN stock prices will be high 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 “stock prices to be high” = 85 percent
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)
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 bond price inceases, THEN stock prices go up (CF = 0.85) Hitung CF baru ? (0.982)
Sampai Jumpa di Pertemuan VIII Selamat Belajar