FAKTOR KETIDAKPASTIAN
(UNCERTAINTY FACTOR)
5 APRIL 2015
POKOK BAHASAN
Penalaran Non Monoton
Probabilitas & Theorema Bayes
Faktor Kepastian (Certainty Factor)
Teori Dempster Shafer
Logika Fuzzy
KETIDAKPASTIAN
Dalam menghadapi masalah sering di
temukan jawaban yang tidak memiliki
kepastian penuh.
Ketidakpastian ini biasanya berupa
probabilitas
Hasil yang tidak pasti di sebabkan oleh
aturan yang tidak pasti dan jawaban
pengguna yang tidak pasti yang diajukan
oleh sistem
Premis-2
Premis-3
Konklusi :
ciri:
Konsisten;
Pengetahuannya lengkap.
p(Hi | E)
p(E | Hk ) * p(Hk )
k 1
dengan:
p(Hi|E) = probabilitas hiposesis H i benar jika diberikan evidence
E.
p(E|Hi) = probabilitas munculnya evidence E, jika diketahui
hipotesis Hi benar.
p(Hi) = probabilitas hipotesis H i (menurut hasil sebelumnya)
tanpa memandang evidence apapun.
n = jumlah hipotesis yang mungkin.
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
Alergi, dengan
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.
Jerawat, dengan
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.
Maka:
Probabilitas Si Ani terkena cacar karena ada
p(Cacar | B int ik 2)
(0,8) * (0,4)
0,32
0,327
(0,8) * (0,4) (0,3) * (0,7) (0,9) * P(0,5) 0,98
p(Alergi | B int ik 2)
(0,3) * (0,7)
0,21
0,214
(0,8) * (0,4) (0,3) * (0,7) (0,9) * P(0,5) 0,98
wajahnya adalah:
p(Jerawat| B int ik2)
(0,9) * (0,5)
0,45
p(Alergi | B int ik 2)
0,459
(0,8) * (0,4) (0,3) * (0,7) (0,9) * P(0,5) 0,98
p(e | E, H)
p(H | E, e) p(H | E) *
p(e | E)
e
= evidence lama.
evidence E.
p(e|E,H) = kaitan antara e dan E jika hipotesis H benar.
p(e|E)
hipotesis apapun.
Bintik2
Panas
Cacar
terkena cacar.
Observasi baru menunjukkan bahwa selain adanya
bintik-bintik di wajah, panas badan juga merupakan
gejala orang terkena cacar.
Antara munculnya bintik-bintik di wajah dan panas badan
juga memiliki keterkaitan satu sama lain.
CONTOH
Si Ani mengalami gejala ada bintik-bintik di wajahnya.
Dokter menduga bahwa Si Ani terkena cacar dengan
maka
0,4
0,33
0,6
p(Bintik2 | Panas,Cacar)
p(Bintik2 | Panas)
JARINGAN BAYES
Krismon
Gelandangan
PHK
PHK
Gelandangan
PHK
Pengangguran
Pengangguran
Pengangguran
(a)
(b)
(c)
Atribut
Prob
Keterangan
p(Pengangguran|PHK,Gelandangan)
0,95
p(Pengangguran|PHK,Gelandangan)
0,20
p(Pengangguran|PHK,Gelandangan)
0,75
p(Pengangguran|PHK,
Gelandangan)
0,40
p(PHK|Krismon)
0,50
p(PHK|Krismon)
0,10
p(Pengangguran|Krismon)
0,90
p(Pengangguran|Krismon)
0,30
P(Krismon)
0,80
faktor kepastian
MB[h,e]
A
e1
h
h1
h2
e2
(a)
C
(b)
(c)
0
MB[h, e1 e2 ] 1
lainnya
MB[h, e1] MB[h, e2 ].(1 MB[h, e1])
MB[h, e1 e2 ]
MB[h, e1 e2 ] 1
lainnya
MD[h, e1] MD[h, e2 ].(1 MD[h, e1])
MD[h, e1 e2 ]
CONTOH ..
Pada pertengahan tahun 2002, ada indikasi
= MB[DevisaTurun,EksporTurun]
MD[DevisaTurun,EksporTurun]
= 0,75 0,1
= 0,65.
MB[DevisaTurun,TKI EksporTurun]
= MB[DevisaTurun,TKI] +
MB[DevisaTurun,EksporTurun]*(1-MB[DevisaTurun,TKI])
= 0,8 + 0,75 * (1-0,8)
= 0,95
MD[DevisaTurun,TKI EksporTurun]
= MD[DevisaTurun,TKI] +
MD[DevisaTurun,EksporTurun]*(1-MD[DevisaTurun,TKI])
= 0,3 + 0,1 * (1-0,3)
= 0,37
CF[DevisaTurun,TKI EksporTurun]
= MB[DevisaTurun,BomBali]
MD[DevisaTurun,BomBali]
= 0,5 0,3
= 0,2.
= MB[DevisaTurun,TKI EksporTurun] +
MB[DevisaTurun,BomBali]*
(1-MB[DevisaTurun, TKI EksporTurun])
= 0,95 + 0,5 * (1-0,95) = 0,975
MD[DevisaTurun,TKI EksporTurun BomBali]
= MD[DevisaTurun,TKI EksporTurun] +
MD[DevisaTurun,BomBali]*
(1-MD[DevisaTurun, TKI EksporTurun])
= 0,37 + 0,3 * (1-0,37) = 0,559
CF[DevisaTurun,TKI EksporTurun BomBali]
hipotesis (b).
Jika h1 dan h2 adalah hipotesis, maka:
CONTOH
Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan
CONTOH
Aturan:
/1/
IF terjadi PHK
THEN muncul banyak pengangguran
(CF[Pengangguran,PHK]=0,9)
/2/
IF muncul banyak pengangguran
THEN muncul banyak gelandangan
(MB[Gelandangan,Pengangguran]=0,7)
Maka:
MB[Gelandangan,Pengangguran] = (0,7)*(0,9)= 0,63
TEORI DEMPSTER-SHAFER
Secara umum Teori Dempster-Shafer ditulis dalam suatu
interval:
[Belief,Plausibility]
Belief (Bel) adalah ukuran kekuatan evidence dalam
mendukung suatu himpunan proposisi. Jika bernilai 0
maka mengindikasikan bahwa tidak ada evidence, dan
jika bernilai 1 menunjukkan adanya kepastian.
Plausibility (Pl) dinotasikan sebagai:
Pl(s) = 1 Bel(s)
Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan
s, maka dapat dikatakan bahwa Bel(s)=1, dan
Pl(s)=0.
densitas (m).
Nilai m tidak hanya mendefinisikan elemenelemen saja, namun juga semua subset-nya.
Sehingga jika berisi n elemen, maka subset
dari semuanya berjumlah 2n.
Kita harus menunjukkan bahwa jumlah semua m
dalam subset sama dengan 1.
Andaikan tidak ada informasi apapun untuk
memilih keempat hipotesis tersebut, maka nilai:
m{} = 1,0
Jika kemudian diketahui bahwa panas
merupakan gejala dari flue, demam, dan
bronkitis dengan m = 0,8, maka:
m{F,D,B} = 0,8
m{} = 1 0,8 = 0,2
m ( Z )
1
3
m
(
X
).
m
(
Y
)
1
2
X Y Z
m
(
X
).
m
(
Y
)
1
2
X Y
CONTOH
Si Ani mengalami gejala panas badan. Dari
{A,F,D} (0,9)
{F,D,B}
(0,8)
{F,D}
(0,72)
(0,2)
{A,F,D} (0,18)
(0,1)
{F,D,B} (0,08)
(0,02)
0,72
m3{F, D}
0,72
10
0,18
m3{A, F, D}
0,18
10
0,08
m 3{F, D, B}
0,08
1 0
0,02
m3{ }
0,02
10
Gejala-3: piknik
(0,6)
(0,4)
{F,D}
(0,72)
(0,432)
{F,D}
(0,288)
{A,F,D}
(0,18)
{A}
(0,108)
{A,F,D}
(0,072)
{F,D,B}
(0,08)
(0,048)
{F,D,B}
(0,032)
(0,02)
{A}
(0,012)
(0,008)
0,1080,012
m5{ A}
0,231
1(0,4320,048)
m5{F, D}
0,288
0,554
1 (0,432 0,048)
m5{A, F, D}
0,072
0,138
1 (0,432 0,048)
m 5 {F, D, B}
0,032
0,062
1 (0,432 0,048)
0,008
m5{ }
0,015
1(0,4320,048)