Ai2011 4 Manajemen Ketidakpastian Sistem Pakar
Ai2011 4 Manajemen Ketidakpastian Sistem Pakar
Sistem Pakar
(Uncertainty Management
Expert Systems)
KECERDASAN BUATAN
(Artificial Intelligence)
Materi 4
Eko Prasetyo
Teknik Informatika
Univ. Pembangunan Nasional Veteran Jawa Timur
2011
Uncertainty ?
Logika klasik:
IF A is true
IF B is false
language
Bahasa alamiah kita (secara turun temurun) ambigu dan tidak jelas.
Misal: perbedaan pendangan mengenai kata sering, jarang, biasanya, dsb.
Akibatnya sulit mengekspresikan pengetahuan tersebut secara tepat dalam bentuk aturan
produksi IF-THEN.
Ray Simpson (1944) mensurvey makna kata-kata tersebut pada 355 sekolah dan mahasiswa
untukmenempatkan 20 istilah ketidakpastian pada skala 0 100.
Hakel (1968) melakukan hal yang sama.
unknown
data
Jika data tidak diketahui atau hilang, maka jawabannya adalah tidak dapat memberikan
kesimpulan
the
Jika
s adalah jumlah yang sukses, dan f adalah jumlah yang gagal, maka:
dan
Contoh
Perhatikan
Jika
Kejadian disini tidak independen, artinya jika 6 terjadi maka 1 sampai 1 tidak akan
terjadi.
7
Bayesian Rule
Pandanglah
Bayesian Rule
The
Jumlah
Dinyatakan p(B).
Maka
Sehingga
terjadi:
9
Bayesian Rule
Dari
Didapatkan
Sifat komutatif
Maka
Mensubstitusikan
Didapatkan :
kedalam
Disebut Bayesian Rule
Bayesian Rule
Konsep conditional probability diatas memandang kejadian
A tergantung pada kondisi B. Prinsip ini bisa dikembangkan
sehingga kejadian A tergantung pada sejumlah kejadian:
B1, B2, B3, , Bn.
Sehinga persamaan sebelumnya dapat diturunkan menjadi:
Uncertainty Management
Jika timbulnya kejadian A tergantung hanya pada dua kejadian
saling eksklusif, misalnya B dan NOT B, maka persamaan
Menjadi:
Dimana adalah fungsi logika NOT
Dengan cara yang sama:
Dengan mensubstituasikan persamaan diatas ke persamaan
Bayesian Rule:
didapatkan
Teori probabilitas
untuk mengelola
uncertainty dalam
Sistem Pakar
12
BAYESIAN
REASONING
13
Bayesian reasoning
Misalkan semua aturan dalam basis pengetahuan yang
diwakili
dalam
berikut:
IF bentuk
E is true
THEN H is true {with probability p}
Aturan ini berarti bahwa jika peristiwa E terjadi, maka
probabilitas bahwa peristiwa H akan terjadi adalah p
14
15
Di jalan raya porong terjadi kemacetan yang luar biasa. Para supir menduga
bahwa terjadi luapan lumpur panas lapindo dengan :
* Probabilitas terjadinya kemacetan di jalan, jika terjadi luapan Lumpur;
p(macet|luapan_lumpur) = 0.55
* Probabilitas terjadinya luapan lumpur tanpa memandang kejadian apapun
p(luapan_lumpur) = 0.4
* Probabilitas terjadinya kemacetan di jalan, jika terjadi kecelakaan;
p(macet|kecelakaan) = 0.8
* Probabilitas terjadinya kecelakaan tanpa memandang kejadian apapun
p(kecelakaan) = 0.35
* Probabilitas terjadinya kemacetan di jalan, jika terlalu banyak
kendaraan; p(macet|banyak_kendaraan) = 0.8
* Probabilitas terjadinya banyak kendaraan tanpa memandang kejadian
apapun p(banyak_kendaraan) = 0.15
* Probabilitas terjadinya kemacetan di jalan, jika terjadi kerusakan jalan;
p(macet|kerusakan_jalan) = 0.4
* Probabilitas terjadi kerusakan jalan tanpa memandang kejadian apapun
p(kerusakan_jalan) = 0.1
Dapatkan probabilitas adanya luapan lumpur panas, kecelakaan,
banyaknya kendaraan dan jalanan rusak karena terjadi kemacetan !
16
p(E|H1)= 0.55
p(H1)= 0.4
p(E|H2)= 0.8
p(H2)= 0.35
p(E|H3)= 0.8
p(H3)= 0.15
Hasilnya :
p(H1|E) = 0.3548
p(H2|E) = 0.4106
p(H3|E) = 0.1760
p(H4|E) = 0.0587
p(E|H4)= 0.4
p(H4)= 0.1
Hipotesis terkuat asalnya adalah H1
(0.4) yaitu luapan lumpur,
karena ada bukti Macet, maka
Sekarang yang paling diyakini terjadi
adalah H2 yaitu kecelakaan dengan
keyakinan 0.4106
17
Contoh lain
Misal,
19
21
Tugas berkelompok
22
BAYESIAN
ACCUMULATION OF
EVIDENCE
23
Peramalan Cuaca
Prior Probabilities:
Rule: 1
IF today is rain {LS 2.5 LN 0.6}
THEN tomorrow is rain {prior 0.5}
Rule: 2
IF today is dry {LS 1.6 LN 0.4}
THEN tomorrow is dry {prior 0.5}
Nilai LS merepresentasikan
ukuran pakar meyakini
hipotesis H jika evidence E
ada/muncul. Disebut
likelihood of sufficiency.
LS didefinisikan sebagai rasio
p(E|H) dengan p(E|H)
Dalam kasus kita, LS adalah
probabilitas hari ini hujan jika kita
mendapat hujan besok dibagi
probabilitas mendapat hujan hari ini
jika besok tidak hujan
Nilai LN merepresentasikan
ukuran pakar meragukan
hipotesis H jika evidence E
tidak ada. Disebut likelihood
of necessity.
LS didefinisikan sebagai rasio
p( E|H) dengan p( E|H)
Dalam kasus kita, LN adalah
probabilitas hari ini tidak hujan jika kita
mendapat hujan besok dibagi
probabilitas mendapat tidak hujan hari
ini jika besok tidak hujan
prior
Dan
26
Evidence
Rule
27
28
Keterangan:
Kondisi Cuaca hari ini,
digunakan untuk
meramalkan cuaca yang
terjadi besok.
Contoh:
Cuaca tanggal 1 digunakan
untuk meramal cuaca
Asumsi
tanggal 2
30
Dialog
1. What is the weather today? rain
31
Dialog (2)
2. What is the rainfall today? low
32
Dialog (3)
3. What is the temperature today? cold
33
Dialog (4)
4. What is the cloud cover today? overcast
CERTAINTY FACTORS
THEORY AND
EVIDENTIAL REASONING
35
Certainty
CF
Misal:
IF the sky is clear
THEN the forecast is sunny {cf 0.8}
Aturan disjungsi:
Certainty
41
FORECAST: an application of
certainty factors
Rule: 1
Rule: 5
if today is rain
if today is dry
then tomorrow is rain {cf
and temperature is warm
0.5}
then tomorrow is rain {cf
Rule: 2
0.65}
if today is dry
Rule: 6
then tomorrow is dry {cf
if today is dry
0.5}
and temperature is warm
Rule: 3
and sky is overcast
if today is rain
then tomorrow is rain {cf
and rainfall is low
Dialog:
0.55}
then tomorrow is dry {cf1. What is the weather today? rain
0.6}
2. What is the rainfall today? low
Rule: 4
CF(rainfall is low) = 0.8
if today is rain
3. What is the temperature today? cold
and rainfall is low
CF(temperatur is cold) = 0.9
and temperature is cold
then tomorrow is dry {cf
0.7}
45
Dialog
1. What is the weather today? rain
46
Dialog (2)
3. What is the temperature today? cold
To what degree do you believe the temperature is cold? Enter a
numeric certainty between 0 and 1.0 inclusive ! 0.9
47
ANY QUESTIONS ?
48