Anda di halaman 1dari 5

PEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN

KETIDAKPASTIAN Ø Disebut juga dg kekurangan informasi yg memadai untuk mengambil keputusan Ø Probability klasik, bayesian prob, Hartley teory, Shannon teory, Dempster-Shafer teory, Zadeh’s fuzzy teory Ø Contoh yg berhubungan dg ketidakpastian : MYCIN, PROSPECTOR

TYPE ERROR/KESALAHAN ERRORS Ambiguous Incomplete Random Incorrect Measurement Sistematic Reasoning Human Kesalahan
TYPE ERROR/KESALAHAN
ERRORS
Ambiguous
Incomplete
Random
Incorrect Measurement
Sistematic
Reasoning
Human Kesalahan False
False
Precision
Accuracy Inductive Deductive
Error alat
(-)
(+)
error
error
Inductive Deductive Error alat (-) (+) error error Wrong Unreliable No Output (Erratic) output Keterangan :

Wrong Unreliable No Output (Erratic) output

Keterangan :

ü Ambiguous : kesalahan yg diinpretasikan lebih dari 1 cara

ü Incomplete : informasi ada hilang

ü Incorrect : informasi salah yang disebabkan manusia (kesalahan membaca data, peletakan informasi & peralatan)

ü False Negative : penolakan hipotesa jika benar

ü False Positive : penerimaan hipotesa jika tidak benar

ü Hipotesa adalah sebuah asumsi yang akan di-test

ü Precision : dalam milimeter, 10 X lebih teliti daripada centimeter, berhubungan dg bagaimana kebenaran itu diketahui/baik (how well the truth is known)

ü Accuracy : dalam centimeter, berhubungan dg kebenaran (the truth)

ü Unreliability : jika peralatan pengukuran mensuplay fakta yg tidak dipercaya.

ü Random : fluktuai nilai

ü Systematic : tidak acak tetapi karena bias mis pembacaan kalibrasi.

ERRORS DAN INDUKSI Proses induksi merupakan kebalikan dari deduksi DEDUKSI : umum ke khusus Contoh : All men are mortal Socrates is a man \ Socrates is mortal

INDUKSI : khusus ke umum

Contoh :

My disk drive has never crashed Q It will never crash

Argumen induksi tidak pernah dapat dibuktikan, kecuali untuk induksi matematika. Argumen induksi hanya dapat menyatakan bahwa kesimpulan tersebut adalah benar

PROBABILITY KLASIK

Ø Probability merupakan cara kuantitas yang berhubungan

dengan ketidakpastian

Ø Teori probability diperkenalkan pada abad 17 oleh penjudi Perancis dan pertama kali diajukan oleh Pascal dan Fermat

(1654)

Ø Prob. Klasik disebut juga dg a priori probability karena berhubungan dg game atau sistem.

Ø Formula fundamental prob. Klasik W = jumlah kemenangan

P =

W / N

N = jumlah kemungkinan kejadian yg

sama pd percobaan Contoh: Sebuah dadu dilemparkan 1X maka ada 6

kemungkinan P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =

Jika percobaan diulang lagi maka akan menghasilkan yg sama

1/6

(Deterministic), jika tidak non-deterministic (acak) Probability kehilangan (Kalah)

Q = (N –W) /N

=

1 –

P

DEDUKSI

Dikenal Tidak dikenal Populasi Sampel Tidak dikenal Dikenal
Dikenal
Tidak dikenal
Populasi
Sampel
Tidak dikenal
Dikenal

INDUKSI

TEORI PROBABILITAS Teori formal probabilitas dibuat dengan menggunakan 3 aksioma. Teori aksiomatik disebut juga objective theory of probability diperkanalkan oleh Kolmogorov. Teori aksiomatik probabliti kondisional dibuat oleh Renyi.

Aksioma 1 :

0 £

0 = imposible event

P(E)

£

1

dan 1 = certain event

Aksioma 2 :

Â

P(E I )

=

1

Jumlah seluruh kejadian tidak memberikan pengaruh dg lainnya, maka disebut mutually exclusive events yaitu 1

Aksima 3 :

P(E 1 U

E 1 , E 2 = mutually exclusive event

E 2 )

= P(E 1 ) + P(E 2 )

EKSPERIMENTAL DAN PROBABILITAS SUBJECTIF Ø Ekperimental probability kebalikan dari a priori yaitu posteriori probability atau posterior probability yaitu menentukan probabilitas suatu kejadian P(E). F(E) = frek kejadian

P(E) = lim Nà~

f(E)

N

N = banyaknya kejadian

ü Kejadian A dan B disebut pairwise independent

P(A) P(B)

P (A « B) =

ü Stochastically independent event : Jika dan hanya jika formula diatas benar.

ü Formula mutual independence N events mambutuhkan 2 N persamaan yagng dapat dipenuhi :

P (A* 1 « A* 2 …… « A* N ) = P(A* 1 ) P(A* 2 ) … P(A* N )

Ø Subjective probability berhubungan dg kejadian yg tidak

Contoh :

dapat direproduksi dan tidak mempunyai basis teori sejarah

P

(A « B « C) = P(A) P(B) P(C)

dimana untuk diramalkan (bukan berdasarkan aksioma)

P

(A « B « C’) = P(A) P(B) P(C’)

P

(A « B’ « C) = P(A) P(B’) P(C) dst

PROBABILITAS GABUNGAN ü Kejadian dapat dihitung dari sample spacenya. Contoh : probabilitas perputaran dadu

ü Untuk Gabungan P(A » B) 1. P(A » B) = n(A) + n(B)

=

P(A) + P(B)

A = {2,4,6}

B = {3,6}

 

n(S)

A « B = {6} P (A « B) = n(A«B)

 

à hasilnya akan terlalu besar jika set overlap

=

1

à untuk set disjoint

 

n(s)

6

n

s

= angka elemen dalam set

= sample space

2. P(A » B) = P(A) + P(B) - P (A « B)

2. P(A » B) = P(A) + P(B) - P (A « B)

Atau P(A » B » C) = P(A)+P(B)+P(C)-P(A«B)-P(A«C) - P(B«C) + P(A « B « C) à disebut additive law

- P(B « C) + P(A « B « C) à disebut additive law ü Independent

ü Independent events : kejadian yg masing-masing tidak saling mempengaruhi. Untuk 2 kejadian bebas A dan B, probabilitasnya merupakan produk dari probabilitas individual.

tidak saling mempengaruhi. Untuk 2 kejadian bebas A dan B, probabilitasnya merupakan produk dari probabilitas individual.

PROBABILITAS KONDISIONAL

P (A l B) = P (A « B)

for P(B) 0

P(A) P (A l B) = Probabilitas kondisoinal P(B) = probabilitas a priori

Jika

probabilitas

a

priori

digunakan

dalam

probabilitas

kondisional maka disebut unconditional/absolute probability

Contoh

A A «B B
A
A «B
B

P(A) = n(A)

= 4

n(S) P(B) = n(B)

8

= 6

n(S)

8

Jika diketahui kejadian B telah terjadi, maka samle space yg dikurangi hanya B n(S) = 6

P (A l B) = n (A « B)

n(B)

=

2

6

Hukum Multiplicative dari probabilitas untuk dua kejadian

P

(A « B)

=

P (A l B)

P(B)

Atau

 

P

(A « B)

=

P (B l A)

P(A)

Atau

P (A « B « C)

=

P(A l B « C)

P(B l C)

P(C)

Bentuk Umum : P (A 1 « A 2 « …. « A N ) = P(A 1 l A 2 « …. « A N ) . P(A 2 l A 3 « …. « A N )

…. P(A N-1 l A N )

P(A N )

A 2 « …. « A N ) . P(A 2 l A 3 « ….

Teorema Bayes

ü Oleh Thomas Bayes

ü Kebalikan probabilitas kondisional

ü Bentuk Umum :

P (H i l E) = P (E « H i )

 P(E « H j )

= P (E l H i )

P(H i )

 P(E l H j )

P(H j )

= P (E l H i ) P(H i )

P(E)