Artificial Intelligence:

Penalaran

Vida Mastrika Giri

STIKI INDONESIA
2016
vidamastrika@gmail.com
Outline

Ketidakpastian Probabilitas

Faktor Dempster-
Kepastian Shafer
 1.
Ketidakpastian
Ketidakpastian

▷ Contoh penalaran induktif:

Premis 1: Aljabar adalah pelajaran yg sulit

Premis 2: Geometri adl pelajaran yg sulit
Premis 3: Kalkulus adl pelajaran yg sulit

Konklusi: Matematika adalah pelajaran yang

sulit.
Ketidakpastian

▷ Munculnya premis baru bisa mengakibatkan

gugurnya konklusi.
Premis 1: Aljabar adalah pelajaran yg sulit
Premis 2: Geometri adl pelajaran yg sulit
Premis 3: Kalkulus adl pelajaran yg sulit

Premis 4: Optika adalah pelajaran yg sulit

x x
Konklusi: Matematika adalah pelajaran yang
sulit.
Penalaran Monotonis

▷ Konsisten.
▷ Pengetahuannya lengkap.
Penalaran Non-Monotonis

▷ Mengandung ketidakpastian.
▷ Adanya perubahan pada pengetahuan.
▷ Adanya penambahan fakta baru dapat
mengubah konklusi yang sudah terbentuk.
Mengatasi Ketidakpastian

▷ Ketidakpastian pada penalaran

Non-Monotonis diatasi dengan menggunakan
penalaran statistik:
○ Probabilitas dan Teorema Bayes.
○ Faktor Kepastian (Certainty Factor).
○ Teori Dempster-Shaver.
 2.
Probabilitas dan
Teorema Bayes
 Teorema Bayes

“
Teorema yang digunakan untuk menghitung
probabilitas terjadinya suatu peristiwa
berdasarkan pengaruh yang didapat dari hasil
observasi.
Teorema Bayes

p(Hi | E) = Probabilitas hipotesis Hi benar jika diberikan

evidence E.
p(E | Hi) = Probabilitas munculnya evidence E jika diketahui
hipotesis Hi benar.
p(Hi) = Probabilitas hipotesis Hi tanpa memandang
evidence apapun.
n = Jumlah hipotesis yang mungkin.
Contoh 1
Ketut mengalami gejala bintik-bintik di
wajahnya. Ketut sakit apa?

Hipotesis: Bisa saja bintik-bintik tersebut

terjadi karena cacar, alergi, atau jerawat.

Berapakah probabilitas Ketut terkena cacar,

alergi, dan jerawat?
▷ Probabilitas munculnya bintik di wajah jika
Ketut terkena cacar
= p(E | H1) = p(bintik | cacar) = 0,8.
▷ Probabilitas munculnya bintik di wajah jika
Ketut terkena alergi
= p(E | H2) = p(bintik | alergi) = 0,3.
▷ Probabilitas munculnya bintik di wajah jika
Ketut jerawatan
= p(E | H3) = p(bintik | jerawat) = 0,9.
Angka probabilitas didapat dari seorang dokter yang memeriksa Ketut.
▷ Probabilitas Ketut terkena cacar tanpa
memandang gejala/evidence
= p(H1) = p(cacar) = 0,4.
▷ Probabilitas Ketut terkena alergi tanpa
memandang gejala/evidence
= p(H2) = p(alergi) = 0,7.
▷ Probabilitas Ketut jerawatan tanpa
memandang gejala/evidence
= p(H3) = p(jerawat) = 0,5.
Angka probabilitas didapat dari seorang dokter yang memeriksa Ketut.
Solusi

▷ Probabilitas Ketut terkena cacar karena ada

bintik-bintik di wajahnya:
Solusi

▷ Probabilitas Ketut terkena alergi karena ada

bintik-bintik di wajahnya:
Solusi

▷ Probabilitas Ketut jerawatan karena ada

bintik-bintik di wajahnya:
Contoh 2
Adanya bintik-bintik di wajah merupakan gejala
bahwa seseorang terkena cacar. Observasi
baru menunjukkan bahwa selain adanya
bintik-bintik di wajah, suhu tubuh yang tinggi
juga merupaka gejala orang terkena cacar.
Ada keterkaitan antara munculnya bintik di
wajah dan naiknya suhu tubuh.

Berapakah probabilitas Ketut terkena cacar

jika ada gejala/evidence bintik di wajah dan
suhu tubuh tinggi?
Teorema Bayes

▷ Jika setelah dilakukan pengujian terhadap

hipotesis muncul satu atau lebih
evidence/gejala dari obervasi baru, maka
evidence baru tersebut juga dimasukkan ke
dalam perhitungan.
Teorema Bayes

e = Evidence lama.
E = Evidence dari observasi baru.
p(H | E, e) = Probabilitas hipotesis H benar jika muncul
evidence baru E dari evidence lama e.
p(H | E) = Probabilitas hipotesis H benar jika diberikan
evidence E.
p(e | E, H) = Kaitan antara e dan E jika hipotesis H benar.
p(e | E) = Kaitan antara e dan E tanpa memandang
hipotesis apapun.
Misalkan
▷ p(H | E) = p(cacar | panas) = 0,5
▷ p(e | E, H) = p(bintik | panas, cacar) = 0,4
▷ p(e | E) = p(bintik | panas) = 0,6
Solusi
 3.
Faktor Kepastian
(Certainty Factor)
Faktor Kepastian/Certainty Factor

“
Menunjukkan ukuran kepastian terhadap suatu
fakta atau aturan.
Faktor Kepastian/Certainty Factor

CF[h,e] = MB[h,e] - MD[h,e]

CF(h,e) = faktor kepastian.

MB(h,e) = ukuran kepercayaan terhadap
hipotesis h, jika diberikan evidence e
(antara 0 dan 1).
MD(h,e)= ukuran ketidakpercayaan terhadap
hipotesis h, jika diberikan evidence e
(antara 0 dan 1).
Faktor Kepastian/Certainty Factor
▷ Keadaan yang mungkin terjadi:
a. CF dari suatu hipotesis dihitung menggunakan
kombinasi beberapa evidence.
b. CF dihitung dari kombinasi beberapa hipotesis.
c. Beberapa aturan saling bergandengan, ketidakpastian
dari suatu aturan menjadi input untuk aturan lainnya.

h
e1
h hi ⋀ h2
h
e2

(a) (b) h (c)

Faktor Kepastian/Certainty Factor
(a)

▷ Beberapa evidence dikombinasikan untuk

menentukan CF dari suatu hipotesis:
Contoh 3
Ada bintik-bintik merah di wajah Ketut. Dokter
memperkirakan Ketut terkena cacar dengan
kepercayaan
MB[cacar, bintik] = 0,80 dan
MD[cacar, bintik] = 0,01.
Berapakah CFnya?

Hitunglah CF jika ada observasi baru bahwa Ketut juga

sakit panas dengan
MB[cacar, panas] = 0,7 dan
MD[cacar, panas] = 0,08
Solusi

▷ CF dengan evidence/gejala bintik di wajah:

CF[cacar, bintik] = MB[cacar, bintik] - MD[cacar, bintik]

= 0,80 - 0,01
= 0,79
Solusi

▷ CF dengan tambahan evidence sakit panas.

MB[cacar, bintik ∧ panas] = 0,8 + 07 x (1 - 0,8) = 0,94

MD[cacar, bintik ∧ panas] =
0,01+0,08x(1-0,01)=0,0892
CF[cacar, bintik ∧ panas]= 0,94 - 0,0892 = 0,8508
Solusi

▷ Semula, CF jika hanya ada evidence

bintik-bintik = 0,79
▷ CF setelah ada 2 evidence (bintik dan panas)
= 0,8508
▷ Faktor kepercayaan Ketut terkena cacar
menjadi berubah lebih besar setelah ada
evidence tambahan.
Faktor Kepastian/Certainty Factor
(b)

▷ CF dihitung dari beberapa hipotesis:

Contoh 4
Ketut menderita bintik-bintik di wajahnya. Dokter
memperkirakan ketut terkena cacar dengan
kepercayaan
MB[cacar, bintik] = 0,80 dan
MD[cacar, bintik] = 0,01.
Jika observasi tersebut juga memberikan kepercayaan
bahwa Ketut juga mungkin terkena alergi dengan
kepercayaan
MB[alergi, bintik] = 0,4 dan
MD[alergi, bintik] = 0,3.
Hitunglah CF untuk “Ketut menderita cacar dan alergi”
serta “Ketut menderita cacar atau alergi”
Solusi

▷ CF[cacar ⋀ alergi, bintik]

MB[cacar ⋀ alergi, bintik] = min(0,8; 0,4) = 0,4

MD[cacar ⋀ alergi, bintik] = min(0,01; 0,3) = 0,01

CF[cacar ⋀ alergi, bintik] = 0,4 - 0,01 = 0,39

Solusi

▷ CF[cacar ∨ alergi, bintik]

MB[cacar ∨ alergi, bintik] = max(0,8; 0,4) = 0,8

MD[cacar ∨ alergi, bintik] = max(0,01; 0,3) = 0,3

CF[cacar ∨ alergi, bintik] = 0,8 - 0,3 = 0,5

Solusi

▷ Faktor kepercayaan bahwa Ketut terkena

cacar dan alergi = 0,39.
▷ Faktor kepercayaan bahwa Ketut terkena
cacar atau alergi = 0,5.
 4.
Teori
Dempster-Shafer
 Teori Dempster-Shafer

“
Teori matematika untuk pembuktian berdasarkan
belief functions (fungsi kepercayaan) dan plausible
reasoning (penalaran yang masuk akal)
Teori Dempster-Shafer

▷ Digunakan untuk mengombinasikan

potongan informasi (fakta) yang terpisah
untuk mengkalkulasi kemungkinan dari suatu
peristiwa.
Teori Dempster-Shafer
[Belief, Plausability]

▷ Belief (Bel)
○ Ukuran kekuatan fakta dalam mendukung suatu
himpunan proposisi
○ Jangkauan nilai dari 0 (tidak ada fakta) hingga 1
(kepastian).
▷ Plausability (Pl)
○ Pl(s) = 1 - Bel(~s)
Frame of Discernment ( )

▷ Frame of Discernment ( )
○ Semesta pembicaraan dari sekumpulan hipotesis.
▷ Misalkan
○ = {A, F, D, B}
○ (Alergi, Flu, Demam, Bronkitis)
○ Tujuan: mengaitkan ukuran kepercayaan
elemen-elemen dalam .
○ Tidak semua evidence secara langsung mendukung
elemen.
○ Contoh: Evidence “Panas” mungkin hanya
mendukung {F, D, B}.
Probabilitas Fungsi Densitas (m)

▷ Nilai m tidak hanya mendefinisikan

elemen-elemen saja, tetapi juga semua
subsetnya.
▷ Jumlah semua m dalam subset sama dengan
1.
▷ Andaikan tidak ada informasi apapun untuk
memilih semua hipotesis yang ada,
maka nilai m{ } = 1,0.
Probabilitas Fungsi Densitas (m)

▷ Jika kemungkinan diketahui bahwa panas

merupakan gejala dari flu, demam, dan
bronkitis dengan m = 0,8, maka:
▷ m{F, D, B} = 0,8
▷ M{ } = 1 - 0,8 = 0,2
Probabilitas Fungsi Densitas (m)
▷ Andaikan diketahui X adalah subset dari ,
dengan m1 sebagai fungsi densitasnya.
▷ Y juga adalah subset dari , dengan m2
sebagai fungsi densitasnya.
▷ Maka dapat membentuk fungsi kombinasi m1
dan m2 sebagai m3, yaitu
Tugas:
▷ Sistem Pakar
▷ Jaringan Syaraf Tiruan
▷ Logika Fuzzy
▷ Algoritma Genetika

Tiap kelompok membuat materi presentasi

(pengertian, penerapan, contoh aplikasi &
contoh soal untuk diskusi)
Thanks!
Ada pertanyaan?
Tugas dikerjakan berkelompok.
Soft copy dikumpulkan ke
vidamastrika@gmail.com.