Sistem Pakar 1
-
Upload
andri-hidayat -
Category
Documents
-
view
62 -
download
6
description
Transcript of 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 cacar karena ada bintik-bintik di wajahnyaProbabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya
P(Cacar|Bintik2) =P(Cacar|Bintik2) =
p(Bintik2| Cacar)* p(Cacar)p(Bintik2| Cacar)* p(Cacar)
p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)Jerawatan)* p(Jerawatan)
= 0.327= 0.327
Teorema Bayes (Probabilitas Bersyarat)
Hitung :Hitung :
Probabilitas Si Ani terkena alergi karena ada bintik-bintik di Probabilitas Si Ani terkena alergi karena ada bintik-bintik di wajahnyawajahnya
P(Alergi|Bintik2) = P(Alergi|Bintik2) = p(Bintik2| Alergi)* p(Alergi)p(Bintik2| Alergi)* p(Alergi)
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)
= 0.214= 0.214
Teorema Bayes (Probabilitas Bersyarat)
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
Teorema Bayes (Probabilitas Bersyarat)
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)