KETIDAKPASTIAN (Uncertainty) Uncertainty

)
MATERI KULIAH (PERTEMUAN 8)

Kecerdasan Buatan
Program Studi Teknik Informatika Universitas Islam Negeri Sunan Kalijaga

Pokok Bahasan 
   

Penalaran Non Monoton Probabilitas & Theorema Bayes Faktor Kepastian (Certainty Factor) Teori Dempster Shafer Logika Fuzzy

Penalaran Non Monoton 
 

 

 

Ingat kembali penalaran induktif: Contoh: Premis-1 : Aljabar adalah pelajaran yang sulit. Premis-2 : Geometri adalah pelajaran yang sulit. Premis-3 : Kalkulus adalah pelajaran yang sulit. Konklusi : Matematika adalah pelajaran yang sulit. Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh. Misal ada premis baru Premis-4 : Optika adalah pelajaran yang sulit. Premis tersebut, menyebabkan konklusi: ³Matematika adalah pelajaran yang sulit´, menjadi salah. Hal itu disebabkan µOptika¶ bukan merupakan bagian dari µMatematika¶. Apabila kita menggunakan penalaran induktif, sangat dimungkinkan adanya ketidakpastian.

  Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan disebut dengan ³Penalaran Non Monotonis´. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk. Adanya perubahan pada pengetahuan.  Untuk mengatasi ketidakpastian pada penalaran non monotonis. bisa jadi S tidak dibutuhkan sebagai konklusi D + fakta-fakta baru. .  Sedangkan Penalaran Monotonis memiliki ciri-ciri: Konsisten. Ciri-ciri dari Penalaran Non Monotonis adalah: Mengandung ketidakpastian. Pengetahuannya lengkap. maka digunakan penalaran statistik. Misalkan S adalah konklusi dari D.

. jika diketahui hipotesis Hi benar. p(E|Hi) = probabilitas munculnya evidence E. n = jumlah hipotesis yang mungkin.Probabilitas & Theorema Bayes  Bentuk Th. p(Hi) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun. Bayes: p(Hi | E) ! p(E | Hi) * p(Hi) n k !1 § p(E | Hk ) * p(Hk ) dengan: p(Hi|E) = probabilitas hiposesis Hi benar jika diberikan evidence E.

Dokter menduga bahwa Si Ani terkena:  Cacar. dengan Probabilitas munculnya bintik-bintik di wajah. .7.8. p(Bintik2|Cacar) = 0. p(Cacar) = 0.Contoh « Si Ani mengalami gejala ada bintik-bintik di wajahnya. Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun. jika Si Ani alergi. p(Alergi) = 0. jika Si Ani jerawatan. jika Si Ani terkena cacar. dengan: Probabilitas munculnya bintik-bintik di wajah. Probabilitas Si Ani jerawatan tanpa memandang gejala apapun. p(Bintik2|Alergi) = 0.3.5. Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun. p(Bintik2|Jerawatan) = 0. p(Jerawatan) = 0.  Alergi. dengan Probabilitas munculnya bintik-bintik di wajah.4.  Jerawat.9.

3) * (0.327 (0.3) * (0. Maka: Probabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya adalah: p(B int ik2 | Cacar) * p(Cacar) p(B int ik2 | Cacar) * p(Cacar)  p(B int ik2 | Alergi) * p(Alergi)  p(B int ik2 | Jerawat) * p(Jerawat) p(Cacar | B int ik2) ! p(Cacar | B int ik2) ! (0.4) 0.3) * (0.4)  (0.8) * (0.4)  (0.32 ! ! 0.5) 0.21 ! ! 0.98 .98 Probabilitas Si Ani terkena alergi karena ada bintik-bintik di wajahnya adalah: p(Alergi | B int ik2) ! p(B int ik2 | Alergi) * p(Alergi) p(B int ik2 | Cacar ) * p(Cacar )  p(B int ik2 | Alergi) * p(Alergi)  p(B int ik2 | Jerawat ) * p(Jerawat ) p(Alergi | B int ik2) ! (0.9) * P(0.8) * (0.214 (0.7)  (0.9) * P(0.7) 0.5) 0.7)  (0.8) * (0.

98 .45 p(Alergi | B int ik 2) ! ! ! 0.459 (0.9) * P(0.7) (0.8) * (0.3) * (0.Probabilitas Si Ani jerawatan karena ada bintik-bintik di wajahnya adalah: p(Jerawat | B int ik2) ! p(B int ik 2 | Jerawat ) * p(Jerawat ) p(B int ik 2 | Cacar ) * p(Cacar )  p(B int ik 2 | Alergi) * p(Alergi)  p(B int ik 2 | Jerawat ) * p(Jerawat ) (0.5) 0.4) (0.9) * (0.5) 0.

p(H|E) = probabilitas hipotesis H benar jika diberikan evidence E. p(e|E) = kaitan antara e dan E tanpa memandang hipotesis apapun. maka: ( | . E = evidence atau observasi baru. ) ( | ) e = evidence lama.e) = probabilitas hipotesis H benar jika muncul evidence baru E dari evidence lama e. . muncul satu atau lebih evidence atau observasi baru.H) = kaitan antara e dan E jika hipotesis H benar. p(e|E. )! ( | ) ( | . Jika setelah dilakukan pengujian terhadap hipotesis. p(H|E.

.Bintik2 Panas Cacar    Bintik-bintik di wajah merupakan gejala bahwa seseorang terkena cacar. Observasi baru menunjukkan bahwa selain adanya bintik-bintik di wajah. Antara munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain. panas badan juga merupakan gejala orang terkena cacar.

adalah 0. adalah 0. adalah 0. keterkaitan antara adanya bintik-bintik di wajah dan panas badan.5. p(Cacar|Bintik2). Ada observasi bahwa orang yang terkena cacar pasti mengalami panas badan. adalah 0.6. Dokter menduga bahwa Si Ani terkena cacar dengan probabilitas terkena cacar apabila ada bintik-bintik di wajah. p(Bintik2|Panas.Cacar). keterkaitan antara adanya bintik-bintik di wajah dan panas badan apabila seseorang terkena cacar. p(Bintik2|Panas). . Jika diketahui bahwa: probabilitas orang terkena cacar apabila panas badan.4. p(Cacar|Panas).Contoh «     Si Ani mengalami gejala ada bintik-bintik di wajahnya.8.

6 . . r) ( i ti | P s) ( ( r|P s. . ! . i ti )! . maka r |P s. i ti )! ( r |P s) ( i ti | P s.

Gambar: a. . c. Probabilitas terjadinya PHK jika terjadi krismon. Munculnya pengangguran dapat digunakan sebagai evidence untuk membuktikan bahwa sekarang banyak gelandangan. b. Munculnya pengangguran disebabkan oleh banyaknya PHK. dan probabilitas munculnya gelandangan jika terjadi krismon.Jaringan Bayes Krismo P K P K G l d - P K G l d - P ur ( ) - P ur (b) - P ur ( ) -   Pengembangan lebih jauh dari Teorema Bayes adalah dibentuknya ³Jaringan Bayes´.

šGelandangan) p(P K|Krismon) p(P K|šKrismon) 0. Keter aitan antara pengangguran & P K. 0 0. jika tidak ada gelandangan.90 0.50 0. 0 p(Pengangguran|Krismon) p(Pengangguran|šKrismon) 0.Atribut p(P ur |P K. Probabilitas muncul pengangguran jika tidak terjadi krismon. Keterkaitan antara pengangguran & tidak ada yang diP K. jika muncul gelandangan.G l d ) Prob 0. Keterkaitan antara pengangguran & tidak ada yang diP K.Gelandangan) p(Pengangguran|šP K. Probabilitas orang diP K jika terjadi krismon.75 0. Probabilitas orang diP K jika tidak terjadi krismon. p(Pengangguran|P K. ji a tidak ada gelandangan.95 0.šGelandangan) p(Pengangguran|šP K.80 .40 Keterangan K t r it t r pengangguran & P K.30 P(Krismon) 0. ji a muncul gelandangan. Probabilitas muncul pengangguran jika terjadi krismon.

Faktor Kepastian (Certainty Factor)   Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. . Notasi Faktor Kepastian: CF[h.e] = ukuran kepercayaan terhadap hipotesis h.e] ± MD[h. jika diberikan evidence e (antara 0 dan 1).e] dengan: CF[h. MD[h. jika diberikan evidence e (antara 0 dan 1).e] = ukuran ketidakpercayaan terhadap hipotesis h.e] = faktor kepastian MB[h.e] = MB[h.

 Ada 3 hal yang mungkin terjadi: A e1 h e2 (a) (b) h1 h2 B C (c) .

e ]) 0 M [h. maka: ® 0 M [h.(  M [h. e ]) . Jika e1 dan e2 adalah observasi. Beberapa evidence dikombinasikan untuk menentumenentukan CF dari suatu hipotesis (a). e › e ] ! M [h. e › e ] ! ® MD[h.(  MD[h. e ]. e ]. e ] MD[h. e › e ] ! ¯ M lainnya ° [h. e ] M [h. e › e ] ! ¯ lainnya MD ° [h.

Bintik2 › Panas] = 0.01 + 0.Panas]=0. Maka: MB[Cacar.Bintik2 › Panas] = 0.01 = 0.80 ± 0.94 ± 0.7 dan MD[Cacar.01) = 0.08 * (1-0.01.79.8) = 0. Maka: CF[Cacar.Bintik2] = 0.Bintik2 › Panas] = 0. Dokter memperkirakan Si Ani terkena cacar dengan kepercayaan.94 MD[Cacar.Bintik2] = 0.7 * (1-0.Panas]=0. MB[Cacar.8 + 0.08.Bintik2] = 0.Contoh «   Si Ani menderita bintik-bintik di wajahnya. MB[Cacar.0892 CF[Cacar.8508   .0892 = 0. Jika ada observasi baru bahwa Si Ani juga panas badan dengan kepercayaan.80 dan MD[Cacar.

Setelah muncul gejala baru yaitu panas badan. maka faktor kepercayaan Si Ani terkena cacar menjadi berubah (lebih besar) yaitu 0.  Semula faktor kepercayaan bahwa Si Ani terkena cacar kalau dilihat dari gejala munculnya bintik-bintik di wajah adalah 0. .8508.79.

Contoh . .5.3 = 0.TKI] = 0. ada indikasi bahwa turunnya devisa Indonesia disebabkan oleh permasalahan TKI di Malaysia.  Pada pertengahan tahun 2002.3..TKI]MD[DevisaTurun. Apabila diketahui: MB[DevisaTurun.8 dan MD[DevisaTurun.TKI] = 0.TKI] = MB[DevisaTurun.8 ± 0. maka carilah berapa CF[DevisaTurun.TKI]? CF[DevisaTurun.TKI] = 0.

1.EksporTurun] ± MD[DevisaTurun. maka carilah berapa CF[DevisaTurun.EksporTurun] = 0.65.EksporTurun] = 0. .75 dan MD[DevisaTurun.EksporTurun] dan berapa CF[DevisaTurun. Apabila diketahui: MB[DevisaTurun.TKI › EksporTurun]? CF[DevisaTurun. hal ini ternyata juga berdampak pada turunnya ekspor Indonesia.1 = 0. Ternyata pada akhir September 2002.75 ± 0.EksporTurun] = 0.EksporTurun] = = MB[DevisaTurun. kemarau yang berkepanjangan mengakibatkan gagal panen yang cukup serius.

TKI] + MB[DevisaTurun.TKI › EksporTurun] = MB[DevisaTurun.TKI] + MD[DevisaTurun.TKI › EksporTurun] = MB[DevisaTurun.95 ± 0.TKI › EksporTurun] = 0.58 .37 = 0.1 * (1-0.TKI]) = 0.3 + 0.TKI › EksporTurun] = MD[DevisaTurun.37 CF[DevisaTurun.MB[DevisaTurun.3) = 0.EksporTurun]*(1-MD[DevisaTurun.95 MD[DevisaTurun.TKI › EksporTurun]MD[DevisaTurun.TKI]) = 0.EksporTurun]*(1-MB[DevisaTurun.8) = 0.75 * (1-0.8 + 0.

BomBali] = 0. .BobBali] = = MB[DevisaTurun.TKI › EksporTurun › BomBali]? CF[DevisaTurun. maka carilah berapa CF[DevisaTurun.5 ± 0. Apabila diketahui: MB[DevisaTurun.5 dan MD[DevisaTurun.BomBali] ± MD[DevisaTurun.2.BomBali] = 0.3.3 = 0. Isu terorisme di Indonesia pasca peristiwa Bom Bali pada tanggal 12 Oktober 2002 ternyata juga ikut mempengaruhi turunnya devisa Indonesia sebagai akibat berkurangnya wisatawan asing.BomBali] dan berapa CF[DevisaTurun.BomBali] = 0.

95) = 0.37 + 0.559 CF[DevisaTurun.559 = 0.3 * (1-0.TKI › EksporTurun] + MB[DevisaTurun.975 MD[DevisaTurun.95 + 0.37) = 0.MB[DevisaTurun.TKI › EksporTurun] + MD[DevisaTurun.975 ± 0.BomBali]* (1-MD[DevisaTurun.BomBali]* (1-MB[DevisaTurun.TKI › EksporTurun › BomBali] = 0.5 * (1-0. TKI › EksporTurun]) = 0.TKI › EksporTurun › BomBali] = MB[DevisaTurun.TKI › EksporTurun › BomBali]MD[DevisaTurun.TKI › EksporTurun › BomBali] = MD[DevisaTurun.416 .TKI › EksporTurun › BomBali] = MB[DevisaTurun. TKI › EksporTurun]) = 0.

M [h 2 . MD[ h 2 . Jika h1 dan h2 adalah hipotesis. e]. e]. e]) M [h1 œ h 2 . CF dihitung dari kombinasi beberapa hipotesis (b). e]) MD[ h1 œ h 2 . MD[h 2 . e] ! min( MD[h1 . e]) . e]) MD[ h1 › h 2 . maka: M [h1 › h 2 . e] ! min(M [ h1 . e] ! max(M [h1 . M [h 2 . e] ! max(MD[h 1 . e]. e].

0.Bintik2] = 0. 0. Jika observasi tersebut juga memberikan kepercayaan bahwa Si Ani mungkin juga terkena alergi dengan kepercayaan.3. Untuk mencari CF[Cacar › Alergi.Bintik2] = 0. Dokter memperkirakan Si Ani terkena cacar dengan kepercayaan.39 max(0. Bintik2] = min(0.01 = 0.4 ± 0.01 0. Bintik2] = CF[Cacar › Alergi.Contoh «      Si Ani menderita bintik-bintik di wajahnya. Maka: CF[Cacar.8 max(0.01.Bintik2] = 0.4) = 0. MB[Cacar.5  Untuk mencari CF[Cacar œ Alergi. Bintik2] = .Bintik2] = 0.4 ± 0.3) = 0.8 ± 0. Bintik2] = MD[Cacar › Alergi. Bintik2] = MD[Cacar œ Alergi.8.80 dan MD[Cacar.8. Maka: CF[Alergi.Bintik2] = 0. Bintik2] dapat diperoleh dari: MB[Cacar › Alergi.01 = 0. Bintik2] = CF[Cacar œ Alergi. Bintik2] dapat diperoleh dari: MB[Cacar œ Alergi.01.01.4) = 0. 0. MB[Alergi.Bintik2] = 0.3 = 0.4 min(0.4 dan MD[Alergi.80 ± 0.3 0.3 = 0.1. 0.3) = 0.79.

1.79.5 .   Semula faktor kepercayaan bahwa Si Ani terkena cacar dari gejala munculnya bintik-bintik di wajah adalah 0. Faktor kepercayaan bahwa Si Ani terkena alergi dari gejala munculnya bintik-bintik di wajah adalah 0. memberikan faktor kepercayaan bahwa: Si Ani menderita cacar dan alergi = 0. Dengan adanya gejala yang sama mempengaruhi 2 hipotesis yang berbeda ini.39. Si Ani menderita cacar atau alergi = 0.

s] = MB¶[h. maka: MB[h.s] * max(0.s] adalah ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s. .CF[s. ketidakpastian dari suatu aturan menjadi input untuk aturan yang lainnya (c). Beberapa aturan saling bergandengan.e]) dengan MB¶[h.

63 .7)*(0.Pengangguran] = (0.9)= 0.PHK]=0.Contoh « Aturan: /1/ IF terjadi PHK THEN muncul banyak pengangguran (CF[Pengangguran.9) /2/ IF muncul banyak pengangguran THEN muncul banyak gelandangan (MB[Gelandangan.Pengangguran]=0.7) Maka: MB[Gelandangan.

.Plausibility] Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence. maka dapat dikatakan bahwa Bel(šs)=1. dan Pl(šs)=0. Plausibility (Pl) dinotasikan sebagai: Pl(s) = 1 ± Bel(šs) Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan šs.Teori Dempster-Shafer     Secara umum Teori Dempster-Shafer ditulis dalam suatu interval: [Belief. dan jika bernilai 1 menunjukkan adanya kepastian.

B = Bronkitis. F = Flu. Misalkan: U = {A. . Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. D = Demam. B} dengan: A = Alergi.D. Sebagai contoh. Tujuan kita adalah mengkaitkan ukuran kepercayaan elemen-elemen U. F.B}. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. D.     Pada teori Dempster-Shafer dikenal adanya frame of discernment yang dinotasikan dengan U. panas mungkin hanya mendukung {F.

      Untuk itu perlu adanya probabilitas fungsi densitas (m). Andaikan tidak ada informasi apapun untuk memilih keempat hipotesis tersebut. demam.D.8 m{U} = 1 ± 0. Kita harus menunjukkan bahwa jumlah semua m dalam subset U sama dengan 1. Sehingga jika U berisi n elemen.8 = 0. Nilai m tidak hanya mendefinisikan elemen-elemen U saja.B} = 0.8.0 Jika kemudian diketahui bahwa panas merupakan gejala dari flue.2 . maka: m{F. namun juga semua subset-nya. dan bronkitis dengan m = 0. maka subset dari U semuanya berjumlah 2n. maka nilai: m{U} = 1.

dengan m1 sebagai fungsi densitasnya. dan Y juga merupakan subset dari U dengan m2 sebagai fungsi densitasnya. 2 (Y) (Z) ! 1§ 1 (X). maka kita dapat membentuk fungsi kombinasi m1 dan m2 sebagai m3. yaitu: §X ‰ Y ! Z 1(X). 2 (Y ) X ‰ Y !J . Andaikan diketahui X adalah subset dari U.

Dari diagnosa dokter. Si Ani datang lagi dengan gejala yang baru. . penyakit yang mungkin diderita oleh Si Ani adalah flue.2 Sehari kemudian.D. dan bronkitis adalah: m1{F.8 m1{U} = 1 ± 0. GejalaGejala-1: panas Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala dari penyakit flue.8 = 0. demam.B} = 0. demam. atau bronkitis. yaitu hidungnya buntu.Contoh «  Si Ani mengalami gejala panas badan.

1 m3 dapat dicari: {A.D.B} U U (0.02) .72) {F.8) (0.2) {F. penyakit flue.9) {F.D} (0.F.1) (0. dan demam adalah: m2{A.D} (0.D} = 0.9 = 0.9 m2{U} = 1 ± 0.F.18) (0.F.D.D} (0.B} (0.GejalaGejala-2: hidung buntu Kemudian diketahui juga nilai kepercayaan setelah dilakukan observasi terhadap hidung buntu sebagai gejala dari alergi.08) U {A.

18 1 0.72 1 .08 1 0 0. F..72 {F.02 {U } ! ! 0.02 10 .08 m 3{F.18 { . B} ! ! 0. } ! ! . . } ! ! .

72) (0.4 maka dapat dicari aturan kombinasi dengan nilai kepercayaan m5 {A} {F.02) ˆ {F.032) (0.4) (0.D} {F.072) (0.008) (0.288) (0.012) U (0.B} U {A} ˆ {A} .108) (0.432) (0.F.D} {A.08) (0.6 m4{U} = 1 ± 0.18) (0.F.6) (0.GejalaGejala-3: piknik Jika diketahui nilai kepercayaan setelah dilakukan observasi terhadap piknik sebagai gejala dari alergi adalah: m4{A} = 0.D} {A.048) (0.D} {F.B} U (0.D.6 = 0.D.

432  0.032 m 5 { .048) {U } ! 0.432 0. } ! ! 0.008 ! 0.062 1  (0.m5 ! 0.23  (0.432 0.0 2 ! 0. 0.432 0.554  (0.288 ! 0.048) ! m5 F.048) 0.048) 0.072 ! 0. F.01 1  (0. 08 0. D.048) . 38  (0. ! m5 .432  0.

Pada observasi ketiga diketahui bahwa mengerjakan tugas dengan baik dapat menyebabkan meningkatnya pemahaman materi perkuliahan. Untuk observasi pertama diketahui Measure Believe adalah 80 % dan Measure Debelieve adalah 15 %.Jika pada observasi pertama diketahui bahwa mendengar dan memperhatikan jalannya perkuliahan dikelas dapat menyebabkan meningkatnya pemahaman materi perkuliahan. didapat Measure Believe adalah 75 % dan Measure Debelieve adalah 5 %. Pada observasi kedua diketahui bahwa belajar mandiri dapat menyebabkan meningkatnya pemahaman materi perkuliahan. Hitung berapa CF(pemahaman materi meningkat. didapat Measure Believe adalah 80 % dan Measure Debelieve adalah 5 %. memperhatikan dan belajar mandiri dan tugas) .

Sign up to vote on this title
UsefulNot useful