Kuliah Sistem Pakar

Pertemuan VII

INFERENSI DENGAN KETIDAK
PASTIAN
P
o
s
i
b
l
e

P
l
a
u
s
a
b
l
e

I
m
p
o
s
i
b
l
e

C
e
t
a
i
n

P
r
o
b
a
b
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.
5
Representing Uncertainty :
Uncertainty

When a user cannot provide a definite answer

Imprecise knowledge

Incomplete information
Representasi 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)
Graphic
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 Probabilitas
Derajat 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(A
i
) * P(B | A
i
)

P(A
i
| B) =
P(B | A
1
) * P(A
1
) + .... + P(B | A
n
) * P(A
n
)



dimana P(A
1
) + P(A
2
) + .... + P(A
n
) = 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 :


Probabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya


P(Cacar|Bintik2) =

p(Bintik2| Cacar)* p(Cacar)

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


= 0.327
Teorema Bayes
(Probabilitas Bersyarat)

Hitung :


Probabilitas Si Ani terkena alergi karena ada bintik-bintik di wajahnya


P(Alergi|Bintik2) =

p(Bintik2| Alergi)* p(Alergi)

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


= 0.214
Teorema Bayes
(Probabilitas Bersyarat)

Hitung :


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


P(Cacar|Bintik2) =

p(Bintik2| Jerawat)* p(Jerawat)

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


= 0.459
Teorema Bayes
(Probabilitas Bersyarat)
Meyatakan kepercayaan dalam suatu event
Taksiran Pakar
Ukuran keyakinan pakar fakta tertentu benar
atau salah
Perbedaan nilai kepercayan dengan nilai
ketidak percayaan

Certainty Factors (CF) And Beliefs
Certainty Factors And Beliefs
(lanjutan)
Certainty factors menyatakan belief dalam suatu
event (atau fakta, atau hipotesis) didasarkan
kepada evidence (atau experts assessment)



CF = certainty factor
MB = measure of belief
MD = measure of disbelief
P = probability
E = 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 inflation is high, CF = 50 %, (A), AND
IF unemployment rate is above 7 %, CF = 70 %, (B),
AND
IF bond prices decline, CF = 100 %, (C)
THEN stock prices decline

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

The CF for stock prices to decline = 50 percent
Contoh 2

IF Saya punya uang lebih, CF = 0.7, (A), AND
IF kondisi badan sehat, CF = 0.8, (B), AND
IF tidak turun hujan, CF = 0.9, (C)
THEN Saya akan pergi memancing

CF untuk Saya akan pergi memancing = 0.7
Operator AND (lanjutan)
Operator OR
Contoh 1
IF inflation is low, CF = 70 %, (A), OR
IF bond prices are high, CF = 85 %, (B)
THEN stock prices will be high
Hanya 1(satu) IF untuk pernyataan ini dikatakan benar.
Kesimpulan hanya 1(satu) CF dengan nilai maksimum

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

The CF for stock prices to be high = 85
percent
Kombinasi beberapa
Certainty Factors dalam Satu Rule (lanjutan)
Kombinasi 2 (dua) atau lebih Rule
Contoh :
R1 : IF the inflation rate is less than 5 %,
THEN stock market prices go up (CF = 0.7)
R2: IF unemployment level is less than 7 %,
THEN stock market prices go up (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 soal
CF(R1) = 0.7
CF(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 bond price inceases,
THEN stock prices go up (CF = 0.85)

Hitung CF baru ? (0.982)
Sampai Jumpa
di
Pertemuan VIII


Selamat Belajar