Pemberian Alasan Yang Tidak Eksak

Slides:



Advertisements
Presentasi serupa
PEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN
Advertisements

Penyelesaian Masalah Dengan AI
Materi 1 Pengantar Kecerdasan Buatan
Kesimpulan BUKU Data Mining
Model Heuristik Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]:
Pengembangan Sistem Pakar
Pasangan Pola Pasangan Pola.
KETIDAKPASTIAN.
Certainty Factor (CF) Dr. Kusrini, M.Kom.
GRUP Zn*.
Sub Bahasan : KONSEP INFORMASI.
Induksi Matematika.
KARAKTERISTIK BILANGAN BULAT MODULO m YANG MEMILIKI AKAR PRIMITIF
PENGERTIAN KECERDASAN BUATAN
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.
TEOTte.
Pertemuan X “INFERENSI DENGAN KETIDAK PASTIAN”
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
KETIDAKPASTIAN PERTEMUAN 6.
Kuliah Sistem Pakar “INFERENSI DENGAN KETIDAK PASTIAN”
ITK-121 KALKULUS I 3 SKS Dicky Dermawan
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Pertemuan 11 “INFERENSI DENGAN KETIDAK PASTIAN”
Pemberian Alasan Di bawah Ketidakpastian
1 Pertemuan 10 Statistical Reasoning Matakuliah: T0264/Inteligensia Semu Tahun: Juli 2006 Versi: 2/1.
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.
LOGIKA FUZZY.
KECERDASAN BUATAN PERTEMUAN 10.
PENGANTAR KECERDASAN BUATAN
Probabilitas & Teorema Bayes
Faktor keTIDAKpastian (cf)
Certainty Factors (CF) And Beliefs
Penanganan Ketidakpastian
Sistem Pakar 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
Artificial Intelegence/ P_7-8
KECERDASAN BUATAN PERTEMUAN 10.
Pertemuan 7 KETIDAKPASTIAN
Penanganan Ketidakpastian
Faktor keTIDAKpastian (Uncertainty)
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Kode MK : TIF01405; MK : Kecerdasan Buatan
Faktor Kepastian (Certainty)
Pertemuan 9 PENGANTAR SISTEM PAKAR
Sistem Berbasis Pengetahuan
Pertemuan 11 Statistical Reasoning
TEKNIK RISET OPERASI MUH.AFDAN SYAKUR CHAPTER.2
Pert 7 KETIDAKPASTIAN.
CERTAINTY FACTOR DSS - Wiji Setiyaningsih, M.Kom.
Mesin Cerdas 17/9/2015 Kode MK : MK :.
EXPERT SYSTEM (SISTEM PAKAR)
Certainty Factor (CF) Dr. Kusrini, M.Kom.
Uncertainty Representation (Ketidakpastian).
Probabilitas & Teorema Bayes
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
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:

Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Outline Ketidakpastian dan Aturan Faktor Kepastian Teori-Teori Ketidakpastian Non Probabilistik Pemberian Alasan Yang Tidak Eksak

Sumber Ketidakpastian dalam Aturan Ketidakpastian dapat bersumber dari : Aturan-aturan individual Resolusi konflik Incompatibility of rules Tujuan knowledge engineer adalah untuk meminimalisasi ketidakpastian ini, jika mungkin Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Ketidakpastian dalam aturan individual dapat dikembangkan lebih detil. Pemberian Alasan Yang Tidak Eksak

Interaksi Antar Aturan Resolusi konflik adalah bagian dari sumber ketidakpastian yang disebabkan oleh interaksi antar aturan-aturan. Interaksi antar aturan bergantung pada resolusi konflik dan kompatibilitas aturan (compatibility of rules). Kompatibilitas aturan memiliki ketidakpastian yang berasal dari 5 penyebab utama Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Aturan yang kontradiktif Terjadi jika antecedents tidak dispesifikasikan dengan tepat Contoh : Jika ada api maka siram dengan air Jika ada api maka jangan siram dengan air Aturan 1) diterapkan pada api terhadap kayu. Aturan 2) diterapkan pada api terhadap minyak Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Subsumption of rules Sebuah aturan digolongkan oleh aturan lain jika porsi antecedent-nya merupakan subset dari aturan lainnya. Contoh : Jika E1 maka H Jika E1 dan E2 maka H Jika terdapat E1 dan E2 maka aturan 3) dan 4) akan teraktivasi dan membutuhkan resolusi konflik Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Resolusi Konflik Ketidakpastian dalam resolusi konflik berhubungan dengan prioritas aktivasi. Ketidakpastian ini bergantung kepada beberapa faktor. Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Specificity of pattern (kekhususan pola) Pola (blimp ellipsoidal) lebih spesifik dari pola (blimp) Aturan 4) lebih spesifik dari aturan 3) Recency of Facts Matching Pattern Ketika sebuah fakta dimasukkan ke dalam working memory, ia mendapatkan tanda waktu yang unik yang mengindikasikan kapan ia dimasukkan. Jika ada aturan 5) : Jika E3 maka H Aturan 5) lebih tinggi prioritasnya daripada aturan 3) jika fakta E3 dimasukkan setelah fakta E1. Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Ordering of patterns Urutan pola dalam sebuah aturan juga membuat perbedaan Dua strategi kontrol dalam OP5 : Lexicographic (LEX) Means-Ends Analysis (MEA) Strategi ini menentukan bagaimana mesin inferensi menginterpretasikan pola aturan. Jika E1 dan E2 maka H Jika E2 dan E1 maka H Dalam LEX dua aturan di atas dianggap sama Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Order that rule are entered Untuk aturan yang memiliki prioritas yang sama, maka dipilih aturan yang berada pada urutan terakhir dalam stack. Pemberian Alasan Yang Tidak Eksak

Faktor Kepastian (Certainty Factor) Kesulitan dalam Teorema Bayes Probabilitas untuk setiap bukti secara umum tidak diketahui (dapat diketahui melalui proses akumulasi yang memakan waktu lama) Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Notasi CF : CF[h,e] = MB[h,e] – MD[h,e] CF[h,e] : Faktor kepastian MB[h,e] : Ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1) MD[h,e] : Ukuran ketidakpercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1) Pemberian Alasan Yang Tidak Eksak

Teori Ketidakpastian Non Probabilistik Teori Dempster-Shafer Secara umum ditulis dalam suatu interval : [Belief, Plausibility] Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. bernilai 0  tidak ada evidence Bernilai 1  adanya kepastian Plausibility (Pl) dinotasikan sebagai Pl(s) = 1 – Bel(¬s) Jika kita yakin akan ¬s, maka dapat dikatakan bahwa Bel(¬s) = 1 dan Pl(¬s) = 0 Fuzzy Logic (Logika Fuzzy) Pemberian Alasan Yang Tidak Eksak

Pemberian Alasan Yang Tidak Eksak Referensi Giarratano bab 5 Sri Kusumadewi bab 4 Pemberian Alasan Yang Tidak Eksak