Manajemen Ketidakpastian

Sistem Pakar
(Uncertainty Management
Expert Systems)
KECERDASAN BUATAN
(Artificial Intelligence)
Materi 4

Eko Prasetyo
Teknik Informatika
Univ. Pembangunan Nasional Veteran Jawa Timur
2011

Uncertainty ?

Karakteristik umum informasi

yang dapat disediakan pada
manusia pakar adalah tidak
sempurna.

Uncertainty adalah kurangnya

pengetahuan yang dapat
membuat kita bisa mencapai
kesimpulan yang handal dengan
baik [Stephanou and Sage, 1987].

Logika klasik:

Informasi bisa tidak lengkap,

tidak konsisten, tidak pasti, atau
ketiganya.

IF A is true

THEN A is not false

Dengan kata lain, informasi sering

tidak cocok untuk menyelesaikan
masalah.

IF B is false

THEN B is not true

Tetapi, pakar dapat mengatasi

kelemehaan ini dan biasanya
dapat membuat koreksi penilaian
dan keputusan yang benar.

Sistem pakar juga mempunyai

kemampuan untuk menangani
ketidakpastian dan membuat
kesimpulan yang benar.

Apa maksud uncertainty

(ketidakpastian) dalam sistem

Sayangnya, masalah di dunia

nyata dimana dimana sistem
pakar dapat digunakan tidak
memfasiltasi kita dengan
pemangkasan pengetahuan
secara jelas. Informasi yang
tersedia sering berisi data yang
tidak tepat, tidak lengkap, atau
bahkan tidak dapat diukur.
2

Sumber Pengetahuan yang tidak

pasti dalam Sistem Pakar
Ada

4: weak implications, imprecise language, unknown data, and the difficulty of

combining the views of different experts [Bonissone and Tong, 1985]
weak implications
SP seringkali lemah dalam implikasi dan asosiasi yang tidak jelas.
Domain pakar dan Perekayasa pengetahuan sulit membangun korelasi antara IF dan THEN.
SP perlu memiliki kemmapuan menangani asosiasi yang tidak jelas: misal dengan menerima
tingkat korelasi sebagai faktor kepastian secara numerik.
imprecise

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

difficulty of combining the views of different experts

Sumber Pengetahuan yang tidak

pasti dalam Sistem Pakar
the

difficulty of combining the views of different experts

Sistem Pakar yang besar biasanya menggabungkan

pengetahuan dan keahlian sejumlah pakar.
Misal: PROSPECTOR ada 9 pakar yang berkontribusi.

Sayangnya, pakar jarang mencapai kesimpulan yang sama

persis.
Mereka biasanya mempunyai pendapat yang berbeda dan
menghasilkan aturan yang bertentangan satu sama lain.
Untuk mengatasinya, perekayasa pengetahuan biasanya
menyertakan bobot masing-masing pakar, kemudian
menghitung kesimpulan komposit.
Tetapi, seorang pakar umumnya tidak mempunyai tingkat
keahlian yang sama dalam wilayah domainnya.
Juga tidaka da metode yang sistematis untuk memperoleh
bobot data.
5

Teori Probabilitas Dasar

Probabilitas

suatu kejadian adalah proporsi kasus di mana peristiwa itu

terjadi (Bagus, 1959).
Probabilitas juga dapat didefinisikan sebagai ukuran ilmiah kesempatan.
Probabilitas matematis dapat dinyatakan sebagai indeks numerik dengan
berkisar antara nol (suatu kemustahilan mutlak) sampai satu (sebuah
kepastian yang mutlak).
Kebanyakan peristiwa memiliki indeks probabilitas antara 0 dan 1.
Yang berarti bahwa setiap kejadian mempunyai paling sedikit 2 kemungkinan yang
terjadi: favourable outcome atau sukses, dan unfavourable outcome atau gagal.
Probabilitas

Jika

sukses dan gagal:

s adalah jumlah yang sukses, dan f adalah jumlah yang gagal, maka:

dan

Contoh
Perhatikan

sebuah koin (uang):

Ada 2 sisi: gambar (G) dan angka (A)

Jika

kita melempar koin, maka kemungkinan mendapatkan gambar atau

angka adalah sama.
Dalam satu kali lemparan: s = f = 1, maka probabilitas mendapatkan gambar atau
angka adalah = 0.5

Jika

sebuah dadu kita lempar

Kita menentukan probabilitas mendapatkan 6 dalam satu kali lemparan.

Jika kita mengasumsikan munculnya 6 sebagai kesuksesan, maka s = 1, dan f = 5.
Karena ada 1 cara untuk mendapatkan 6, dan ada 5 cara tidak mendapatkan 6, maka
probabilitas mendapatkan 6 adalah:

Dan probabilitas tidak mendapatkan 6 adalah:

Kejadian disini tidak independen, artinya jika 6 terjadi maka 1 sampai 1 tidak akan
terjadi.
7

Bayesian Rule
Pandanglah

A sebagai sebuah kejadian, dan B adalah

kejadian yang lain.
Andaikan bahwa kejadian A dan B adalah kejadian yang
secara eksklusif tidak terjadi bersama-sama, tetapi
terjadi secara bersyarat pada terjadinya kejadian yang
lain.
Probabilitas bahwa kejadian A akan terjadi jika kejadian B
terjadi disebut conditional probability (probabilitas
bersyarat).
Conditional

probability dinyatakan secara matematis

sebagai p(A|B), lambang | artinya diberikan (GIVEN).
Pernyataan lengkap probabilitas diinterpretasikan
sebagai Conditional probability of event A
occurring given that event B has occurred.
8

Bayesian Rule
The

number of times A and B can occur, atau

probabilitas bahwa A dan B terjadi, disebut joint
probability of A and B.
Direpresentasikan secara matematis sebagai p(AB)

Jumlah

cara B dapat terjadi disebut probablitas B.

Dinyatakan p(B).
Maka

conditional probability kejadian A terjadi jika B

terjadi:

Sehingga

conditional probability kejadian B terjadi jika A

terjadi:
9

Bayesian Rule
Dari
Didapatkan
Sifat komutatif
Maka
Mensubstitusikan
Didapatkan :

kedalam
Disebut Bayesian Rule

p(A|B) adalah probabilitas bersyarat dimana kejadian A terjadi

ketika diberikan bahwa kejadian B telah terjadi.
p(B|A) adalah probabilitas bersyarat dari B peristiwa yang terjadi
diberikan bahwa kejadian A telah terjadi.
p(A) adalah probabilitas kejadian A terjadi.
p(B) adalah probabilitas kejadian B terjadi.
10

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:

Atau ketika dikombinasikan:

Ruas kanan adalah akumulasi probabilitas kejadian A. bisa ditulis:

Persamaan sebelumnya menjadi:

11

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

H merepresentasikan hipotesis, E menyatakan evidence yang terjad

Persamaan uncertainty dapat mengekspresikan hipotesis dan
evidence [Firebaugh, 1989] menjadi seperti berikut:

p(H) : probabilitas awal hipotesis H benar

p(E|H) : probabilitas bahwa hipotesis H benar akan
didapatkan dengan bukti E
p(H) : probabilitas awal hipotesis H salah
p(E|H) : probabilitas untuk menemukan bukti E meskipun
ketika hipotesis H salah

14

Bayesian reasoning (2)

Beberapa hipotesis dengan satu evidence:

Beberapa hipotesis dengan beberapa evidence:

Beberapa hipotesis dengan beberapa evidence, dijabarkan menjadi:

15

Kasus nyata kemacetan jalan

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

Kasus nyata kemacetan jalan

H1 = Luapan lumpur
H2 = Kecelakaan
H3 = Banyak kendaraan
H4 = Kerusakan jalan
E = Macet

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,

diberikan 3 evidence conditional independen E 1,

E2, dan E3, dibuat 3 hipotesis H1, H2, H3 secara
eksklusif dan ekshaustik, dan memberikan
probabilitas awal untuk ketiga hipotesis.
Sistem Pakar dapat menghitung
posterior propabilitas untuk
semua hipotesis untuk evidence E3
dengan persamaan:

Sistem Pakar dapat menghitung

conditional probability untuk
ketiga hipotesis berdasarkan
evidence E3 :
18

Contoh lain (2)

Terbukti bahwa keyakinan H1 asalnya 0.4, turun menjadi 0.34
Keyakinan H2 asalnya 0.35, turun menjadi 0.34
Keyakinan H3 asalnya 0.25, naik menjadi 0.32
Ketiga hal diatas terjadi setelah adanya evidence/bukti E3
Artinya: Hipotesis terkuat awalnya adalah H1 (0.4), setelah
ada bukti E3 maka hipotesis terkuat yang akan terjadi adalah H1
dan H2 yang bernilai keyakinan sama yaitu 0.34
Sekarang, bagaimana jika E1 juga ada, mana hipotesis
yang akan berkandidat sebagai kejadian yang paling
mungkin akan terjadi ?

19

Contoh lain (3)

Sekarang, dengan bukti E1 dan E3, ternyata hipotesis yang

diyakini berkandidat akan terjadi adalah H2 saja,
hipotesis H1 turun menjadi kejadian yang kemungkinannya
paling kecil.
Bagaimana jika bukti E2 juga ada ?
Mana hipotesis yang lebih diyakini akan terjadi ?
p(H1|E1 E2 E3) = 0.45
p(H2|E1 E2 E3) = 0
p(H3|E1 E2 E3) = 0.55

Dengan adanya ketiga bukti,

ternyata H2 menjadi ditolak
(abandon), sedangkan yang
diyakini akan terjadi adalah
H3
20

Diagnosis Penyakit Kulit

1. Probabilitas menderita penyakit Alergi tanpa memandang gejala apapun adalah 0.4
2. Probabilitas menderita penyakit Bisul tanpa memandang gejala apapun adalah 0.3
3. Probabilitas menderita penyakit Jerawat tanpa memandang gejala apapun adalah 0.3
4. Probabilitas gejala Bintil jika menderita Alergi adalah 0.85
5. Probabilitas gejala Bintil jika menderita Bisul adalah 0.65
6. Probabilitas gejala Bintil jika menderita Jerawat adalah 0.95 1. Jika user memasukkan fakta:
7. Probabilitas gejala Gatal jika menderita Alergi adalah 0.9
Bintil
8. Probabilitas gejala Gatal jika menderita Bisul adalah 0.05
Apa penyakit yang diderita ?
9. Probabilitas gejala Gatal jika menderita Jerawat adalah 0.1
Berapa persen keyakinannya ?
10. Probabilitas gejala Nyeri jika menderita Alergi adalah 0.04
11. Probabilitas gejala Nyeri jika menderita Bisul adalah 0.9
12. Probabilitas gejala Nyeri jika menderita Jerawat adalah 0.9 2. Jika ditambah Tebal, bagaimana ?
13. Probabilitas gejala Merah jika menderita Alergi adalah 0.6
14. Probabilitas gejala Merah jika menderita Bisul adalah 0.01 3. Jika ditambah Demam, bagaimana ?
15. Probabilitas gejala Merah jika menderita Jerawat adalah 0.4
16. Probabilitas gejala Tebal jika menderita Alergi adalah 0.9
18. Probabilitas gejala Tebal jika menderita Bisul adalah 0.1
19. Probabilitas gejala Tebal jika menderita Jerawat adalah 0.1
20. Probabilitas gejala Demam jika menderita Alergi adalah 0.02
21. Probabilitas gejala Demam jika menderita Bisul adalah 0.95
22. Probabilitas gejala Demam jika menderita Jerawat adalah 0.02

21

Diagnosis Penyakit Kulit

H1 = alergi
1. Fakta Nyeri :
H2 = bisul
p(H1|E1) = 0.4964
H3 = jerawat
p(H2|E1) = 0.2847
E1 = Bintil
p(H3|E1) = 0.2190
E2 = Tebal
Penyakit yang paling diyakini: Alergi
E3 = Demam
2. Fakta Nyeri dan Merah :
p(H1|E1, E2) = 0.8987
p(H1|E1, E2) = 0.0573
p(H1|E1, E2) = 0.0440
Keyakinan pada penyakit alergi semakin meningkat setelah masuknya fakta tebal
Penyakit yang paling diyakini: Alergi
3. Fakta Nyeri, Merah dan Demam :
p(H1|E1, E2, E3) = 0.2453
p(H1|E1, E2, E3) = 0.7426
p(H1|E1, E2, E3) = 0.0120
Keyakinan bahwa penyakitnya adalah alergi menjadi diragukan setelah masuknya
fakta Demam, hipotesis yang lebih diyakini berubah menjadi Bisul
Penyakit yang paling diyakini: Bisul

Tugas berkelompok

22

BAYESIAN
ACCUMULATION OF
EVIDENCE

23

FORECAST: Bayesian accumulation

of evidence
Sistem

pakar berikut (ramalan cuaca di

Rule awal:
London, Maret 1982) adalah untuk
Rule: 1
meramal cuaca yang akan terjadi besok
IF today is rain
apakah hujan atau cerah ?
THEN tomorrow is rain
Dibutuhkan beberapa data nyata yang
Rule: 2
didapat dari badan statistik.
IF today is dry
Data nyata untuk masukan yang
THEN tomorrow is dry
dibutuhkan adalah: suhu minimum dan
maksimum, curah hujan, dan
Prior Probabilities:
intensitas sinar matahari. Jika curah
Rule: 1
hujan bernilai nol, artinya hari cerah.
IF today is rain {LS 2.5 LN 0.6}
Sistem Pakar memberikan 2 kemungkinan
THEN tomorrow is rain {prior 0.5}
Rule: 2
yang akan terjadi: besok hujan dan
IF today is dry {LS 1.6 LN 0.4}
besok cerah.
THEN tomorrow is dry {prior 0.5}
SP harus menentukan conditional
probabilities dua hipotesis: besok hujan
dan besok cerah.
Probabilitas hipotesis:
24

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

Catatan: LN tidak dapat

diturunkan dari LS, pakar harus
memberikan nilai LN dan LS
secara independen.
25

Bagaimana menentukan probabilitas

keseluruhan besok hujan atau cerah ?
Dari

rule-based Expert Systems, probabilitas awal konsekuen p(H), harus

dikonversi menjadi kemungkinan awal (prior odds)

prior

probability hanya digunakan ketika ketidakpastian dari konsekuen

(bagian THEN) disesuaikan untuk pertama kali.
Dengan tujuan untuk mendapatkan posterior odds, maka prior odds
diubah oleh LS jika evidence dari rule bernilai benar, dan oleh LN jika
evidence dari rule bernilai salah.
Dan
Kemudian

posterior odds digunakan untuk mengembalikan probabilitas

akhir (posterior probabilities).

Dan

26

Contoh cara meramalkan

Andaikan

user memberikan masukan bahwa today is rain.

Rule 1 tertembak dan probabilitas awal (prior probability) bahwa
tomorrow is rain dikonversi kedalam kemungkinan awal (prior odds):

Evidence

today is rain meningkatkan kemungkinan (odds) dengan

faktor 2.5, maka hal ini akan meningkatkan probabilitas dari 0.5
menjadi 0.71:

Rule

2 juga tertembak. Prior probability tomorrow is dry dikonversi

menjadi prior odds, tapi evidence today is rain mengurangi odds
dengan faktor 0.4.
Hal ini mengurangi probabilitas tomorrow is dry dari 0.5 menjadi 0.29.

27

Contoh cara meramalkan

Sehingga hujan hari ini memberikan probabilitas 71%
besok Hujan, dan 29% besok Cerah Ramalan adalah
Hujan

Andaikan user memasukkan hari ini cerah, berapa persen

probabilitas besok cerah dan besok hujan ?
62% besok Cerah, dan 38% besok Hujan Ramalan
adalah Cerah

28

Knowledge base Peramalan

Cuaca
/* FORECAST: BAYESIAN ACCUMULATION OF EVIDENCE
Rule: 5
Rule: 1
if today is dry
if today is rain {LS 2.5 LN 0.6}
and temperature is warm {LS 2 LN
then tomorrow is rain {prior 0.5}
0.9}
Rule: 2
then tomorrow is rain {prior 0.5}
if today is dry {LS 1.6 LN 0.4}
then tomorrow is dry {prior 0.5} Rule: 6
if today is dry
Rule: 3
and temperature is warm
if today is rain
and sky is overcast {LS 5 LN 1}
and rainfall is low {LS 10 LN 1}
then tomorrow is rain {prior 0.5}
then tomorrow is dry {prior 0.5}
Rule: 4
/* The SEEK directive sets up the goal
if today is rain
of the rule set
and rainfall is low
Asumsi
and temperature is cold {LS 1.5 LN 1}
The rainfall : low jika < 4.1mm
then tomorrow is dry {prior 0.5}
The temperatur : cold jika <=
7.0oC, warm jika > 7.0oC
Sunshine : overcast jika > 4.6
29
hours

Keterangan:
Kondisi Cuaca hari ini,
digunakan untuk
meramalkan cuaca yang
terjadi besok.
Contoh:
Cuaca tanggal 1 digunakan
untuk meramal cuaca
Asumsi
tanggal 2

The rainfall : low jika < 4.1mm

The temperatur : cold jika ratarata suhu <= 7.0oC, warm jika >
7.0oC
Sunshine : overcast jika < 4.6
hours

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

Artinya, kita mempunyai 2 potensi

yang besar pada cuaca: besok
cerah (0.86) atau besok hujan
(0.69) tetapi yang lebih besar
probabilitasnya adalah cerah
34

CERTAINTY FACTORS
THEORY AND
EVIDENTIAL REASONING

35

Teori Certainty Factor

CF

merupakan alternatif cara

penalaran Sistem Pakar selain
Bayesian
Mis. MYCIN

Certainty

factor (cf) adalah nilai untuk

mengukur keyakinan pakar.
Nilai tertinggi adalah +1.0 (pasti
benar / Definitely), terendah -1.0
(pasti salah / Definitely not).
Nilai positif merepresentasikan derajat
keyakinan, nilai negatif
merepresentasikan derajat
ketidakyakinan.
Misal, jika pakar menyatakan
beberapa evidence adalah hampir
pasti benar (almost certainly), maka
nilai cf 0.8 akan diberikan pada
evidence ini.
36

Teori Certainty Factor (2)

Knowledge base terdiri dari sejumlah
aturan yang mempunyai sintaks
dasar :
Dimana cf merepresentasikan keyakinan
hipotesis H jika diberikan evidence E telah
terjadi.
Teori CF didasarkan pada dua fungsi:
ukuran keyakinan atau Measure of Belief MB(H,E),
dan ukuran ketidakyakinan atau Measure of Disbelief MD(H,E)
[Shortliffe and Buchanan, 1975]
p(H) adalah probabilitas awal
hipotesis H akan benar
p(H|E) adalah probabilitas
bahwa hipotesis H benar jika
diberikan evidence E
Nilai MB(H,E) dan MD(H,E) dalam jangkauan 0 dan 1
37

Teori Certainty Factor (3)

Formula Certainty Factor

CF

yang diberikan oleh aturan kemudian dirambatkan pada rantai

penalaran.
Perambatan CF tersebut meliputi pemunculan certanty aturan yang baru
ketika evidence dalam bagian antecedent aturan juga tidak pasti.
Dilakukan dengan mendapatkan cf tunggal, cf(H,E), dengan mengalikan cf
antecedent, cf(E), dengan certainty factor aturan, cf.

Formula perambatan untuk mendapatkan

Misal:
IF the sky is clear
THEN the forecast is sunny {cf 0.8}

Jika CF dari sky is clear adalah 0.5 (dimasukkan user),

maka:
cf(H,E)
= cf(E) x cf = 0.5 x 0.8 = 0.4 Artinya Maybe sunny
38

CF dengan beberapa antecedent

Aturan konjungsi:
Certanty hipotesis H didapatkan dengan formula:

Misal: IF sky is clear

AND the forecast is sunny

THEN the action is wear sunglasses
{cf 0.8}

Nilai certainty sky is clear diberikan 0.9 (dimasukkan user)

dan certainty forecast is sunny adalah 0.7 (dimasukkan
user), maka:
Artinya Probably it would be a good idea to wear
sunglasses today
39

CF dengan beberapa antecedent

(2)

Aturan disjungsi:

Certanty hipotesis H didapatkan dengan formula:

Misal: IF sky is overcast

OR the forecast is rain

THEN the action is take an
umbrella {cf 0.9}

Nilai certainty sky is overcast diberikan 0.6 (dimasukkan

user) dan certainty forecast is rain adalah 0.8 (dimasukkan
user), maka:
Artinya Almost certainly an umbrella should be taken
today
40

CF pada 2 aturan atau lebih dengan

hipotesis yang sama
Ketika

consequent yang sama didapatkan sebagai hasil eksekusi dua atau

lebih aturan, maka CF dari masing-masing aturan harus digabung pada
hipotesis.
Misal ada aturan berikut:

Certainty

manakah yang diberikan pada obyek C ? Apakah Z dalam rule 1

atau rule 2 ?
Evidence dari 2 aturan tadi berbeda, tetapi memberikan hipotesis yang
sama (C is Z). Maka hipotesis aturan pertama bisa diperkuat/diperlemah
dengan hipotesis aturan kedua.
Persamaan untuk menghitung CF gabungan:

cf1 adalah cf dalam hypothesis H muncul oleh

Rule 1;
cf2 adalah cf dalam hypothesis H muncul oleh
Rule 2;

41

Contoh CF pada hipotesis yang

sama dari 2 rule
Misal, ada aturan:

Misalkan cf(E1) = 1.0 dan cf(E2) = 1.0, maka:

Karena cf1 > 0 dan cf2 > 0, menurut persamaan diatas:

Artinya Keyakinan hipotesis rule 1 meningkat

karena didukung hipotesis rule 2 yang nilainya positif
42

Contoh CF pada hipotesis yang

sama dari 2 rule (2)
Misal, ada aturan:

Misalkan cf(E1) = 1.0 dan cf(E2) = -1.0, maka:

Karena cf1 > 0 dan cf2 < 0, menurut persamaan diatas:

Artinya Keyakinan hipotesis rule 1 menurun karena

hipotesis rule 2 yang memotongnya
43

Contoh CF pada hipotesis yang

sama dari 2 rule (3)
Misal, ada aturan:

Misalkan cf(E1) = -1.0 dan cf(E2) = -1.0, maka:

Karena cf1 < 0 dan cf2 < 0, menurut persamaan diatas:

Artinya Peningkatan ketidakyakinan pada hipotesis,

asalnya -0.8 dan -0.6 bergabung menjadi -0.92
44

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

cf (tomorrow is rain, today is rain) = cf(today is rain) x cf = 1.0 x 0.5 =

0.5
tomorrow is rain {0.50}
Rule 2 tidak dieksekusi, karena bagian antecedent tidak terpenuhi

2. What is the rainfall today? low

To what degree do you believe the rainfall is low? Enter a
numeric certainty between 0 and 1.0 inclusive ! 0.8

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

Rule 3 dan rule 4 menyimpulkan hipotesis yang sama,

maka harus digabungkan:

Setelah digabungkan, didapatkan:

Kesimpulan: besok cerah adalah
hampir pasti (almost certain), tapi
masih dimungkinkan hujan

47

ANY QUESTIONS ?

48