Sistem Pakar 1

“ “INFERENSI DENGAN KETIDAK INFERENSI DENGAN KETIDAK PASTIAN”PASTIAN”

Posib

le

Pla

usab

l e

Imp

osib

le

Ceta

in

Pro

bab

l e

False

True

Degrees of Belief

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.

Representasi Ketidak pastianRepresentasi 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)

GraphicGraphic

◦ 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 ProbabilitasDerajat 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

Hitung :Hitung :

Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik di wajahnyadi wajahnya

P(Cacar|Bintik2) =P(Cacar|Bintik2) =

p(Bintik2| Jerawat)* p(Jerawat)p(Bintik2| Jerawat)* p(Jerawat)

p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)p(Bintik2| Jerawatan)* p(Jerawatan)

= 0.459= 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/bukti (atau expert’s assessment)

CF = certainty factorMB = measure of beliefMD = measure of disbeliefP = probabilityE = 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 inflasi tinggi, CF = 50 %, (A), AND IF tingkat pengangguran meningkat 7 %, CF = 70 %, (B), ANDIF harga obligasi menurun, CF = 100 %, (C) THEN harga saham menurun

CF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)]

The CF for “harga saham menurun” = 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), ANDIF 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 ORContoh 1

IF inflasi rendah, CF = 70 %, (A), OR IF harga oligasi tinggi, CF = 85 %, (B) THEN harga saham akan tinggiHanya 1(satu) IFIF untuk pernyataan ini dikatakan

benar. Kesimpulan hanya 1(satu) CFCF dengan nilai

maksimum

CF (A or B) = Maximum [CF(A), CF(B)]

The CF for “harga saham menjadi tinggi” = 85 percent

Kombinasi 2 (dua) atau lebih Rule

Contoh :◦ R1 : IF tingkat inflasi rendah than 5 %,

THEN harga pasar saham naik (CF = 0.7)◦ R2: IF tingkat pengangguran kurang than 7 %,

THEN harga pasar saham 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 soalCF(R1) = 0.7CF(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)

Sistem Pakar 1

Documents

Transcript of Sistem Pakar 1