QUANTIFYING UNCERTAINTY I

ARTIFICIAL INTELLIGENCE COURSE

Narapatya Dhiyaskara / 2101698291 / LB07

Indah Faradilla / 2101700005 / LB07
Kana Hayalia Ahmad / 2101707900 / LB07

ABSTRAK

Jurnal ini membahas tentang Quantifying Uncertainty I. Tujuan utama dari

pembahasan ini adalah agar lebih memahami bagaimana menghadapi sebuah
ketidakpastian yang mungkin terjadi saat agent hendak mengambil suatu keputusan.
Ada dua materi yang akan dibahas yaitu Acting Under Uncertainty dan Basic Probability
Notation. Pada Acting Under Uncertainty akan dibahas apa saja yang harus dilakukan
oleh agent jika ada suatu kepastian sedangkan pada Basic Probability Notation akan
dibahas tata cara menulis bahasa formal agar agent dapat merepresentasikan dan
menggunakan informasi probabilistic.

Kata Kunci – uncertainty, acting, notation

1
 PENDAHULUAN

Setiap agent pasti akan menghadapi suatu permasalahan dimana untuk menyelesaikan
permasalahan tersebut, mereka harus mengambil satu aksi atau keputusan. Namun, aksi atau
keputusan yang mereka ambil belum tentu menyelesaikan permasalahan tersebut secara
maksimal ditambah agent terkadang sebelum mengambil aksi atau keputusan tidak disertai data
yang tepat sehingga muncul rasa ketidakpastian (uncertainty) apakah aksi atau keputusan yang
diambil sudah tepat. Oleh karena itu, agent harus mengetahui aksi atau keputusan apa yang
harus diambil ketika menghadapi suatu ketidakpastian atau biasa disebut dengan Acting Under
Uncertainty. Dengan mengetahui Acting Under Uncertainty, agent dapat meningkatkan
probabilitas terselesaikannya suatu masalah dan juga dapat mengurangi pengambilan
keputusan yang kurang tepat. Selain Acting Under Uncertainty, agent juga harus mengetahui
Basic Probability Notation. Basic Probability Notation digunakan sebagai bahasa formal agar
agent dapat merepresentasikan dan menggunakan probabilistic information. Acting Under
Uncertainty dan Basic Probability Notation menjadi dua hal yang sangat penting bagi agent
untuk penyelesaian masalah yang muncul dalam kehidupan sehari-hari sehingga fungsi dari
agent akan semakin krusial sebagai partner dari manusia.

2
 PEMBAHASAN

Acting Under Uncertainty

Setiap agent harus dapat menyelesaikan suatu ketidakpastian (uncertainty) dalam

mengambil sebuah keputusan, baik karena kemampuan observasi yang kurang mumpuni atau
nondeterminsm. Sebuah agent tidak akan mengetahui secara pasti keadaan apa yang sedang
terjadi atau apa yang akan terjadi selanjutnya setelah pengambilan suatu keputusan. Beberapa
agent telah didesain untuk mengatasi uncertainty dengan belief state. Namun, belief state
mempunyai beberapa kekurangan, antara lain:

a. Saat menginterpretasikan informasi dari sensor, agent harus mempertimbangkan seluruh

penjelasan yang masuk akal untuk observasi sehingga akan membuat representasi dari belief
state menjadi besar dan kompleks.
b. Tidak ada keputusan yang memastikan tujuan akan tercapai.

Contoh kasus dari kekurangan diatas adalah sebagai berikut:

Taksi online otomatis mempunyai tujuan mengantar penumpang ke stasiun dan harus tepat
waktu. Agent membuat rencana 𝐴100 , yaitu berangkat 100 menit sebelum keberangkatan kereta
dan berkendara dengan kecepatan standar. Namun, taxi agent tidak dapat memberi kepastian
bahwa jika berangkat 100 menit sebelumnya, penumpang dapat sampai dengan tepat waktu.
Taxi agent malah menyimpulkan bahwa “𝐴100 akan membuat kita sampai stasiun dengan tepat
waktu, selama mobil tidak rusak, tidak terjadi accident, dan lain-lain”.

Hal di atas menyebabkan kemungkinan keberhasilan dari suatu rencana tidak dapat
disimpulkan dengan pasti. Inilah yang disebut dengan Qualification Problem dan belum ada
solusi pasti nya sehingga yang harus dilakukan pertama untuk mengurangi potensi
Qualification Problem adalah menyimpulkan segala ketidakpastian (Summarizing
Uncertainty).

Berikut kami lampirkan contoh kasus dari sebuah alasan yang belum pasti
kebenarannya: Penggunaan sabun untuk memutihkan kulit. Dibawah ini adalah propositional
logic, yang digunakan agar kita dapat melihat bagaimana pendekatan logical terbagi.

Berikut rule nya:

3
Memutihkan kulit ⇒ Sabun.

Rule diatas merupakan suatu kesalahan. Tidak semua orang menggunakan sabun untuk
memutihkan kulit; ada yang menggunakan handbody, ada yang menggunakan cream dan lain-
lain:

Memutihkan kulit ⇒ Sabun v Handbody v Cream …

Agar rule diatas dapat menjadi benar (True), kita harus menambahkan seluruh masalah yang
tidak terbatas (infinite) yang mungkin terjadi. Namun, kita dapat membuat rule diatas menjadi
causal rule yaitu menukar posisi yang sebelah kanan ke sebelah kiri:

Sabun ⇒ Memutihkan kulit.

Rule diatas belum benar juga, karena tidak semua sabun memutihkan kulit.

Ada 3 alasan yang menyebabkan rule diatas tidak bisa menjadi benar (True):

a) Laziness
b) Theoretical Ignorance
c) Practical Ignorance.

Pengetahuan agent hanya dapat memberikan tingkat kepercayan (degree of belief) terhadap
kalimat relevan. Untuk mengatasi degree of belief, kita dapat menggunakan tool yang disebut
probability theory. Probability memberikan cara untuk menyimpulkan suatu ketidakpastian
yang datang dari Laziness dan Ignorance, sehingga menyelesaikan Qualification Problem.

Kita kembali ke contoh 𝐴100 untuk pemberangkatan ke stasiun. Misalkan rencana ini
memberikan kemungkinan sampai tepat waktu sebesar 95%. Tapi apakah pilihan ini sudah
yang paling tepat? Tidak juga. Ada rencana lain seperti 𝐴150 dengan kemungkinan sukses lebih
tinggi. Untuk memilih pilihan rencana yang ada, agent harus memiliki preferences, harus dapat
memilih outcome dari segala rencana yang ada. Kita dapat menggunakan Utility Theory untuk
mengatasi preferences. Setiap keadaan atau keputusan yang sedang diambil memiliki tingkat
kegunaan, atau biasa disebut utility, untuk agent dan agent lebih memilih keadaan atau
keputusan yang tingkat utility nya paling tinggi. Maka dari itu, utility theory digunakan untuk
menentukan mana keputusan yang memiliki tingkat utility paling tinggi.

Preferences dalam utility theory, jika digabungkan dengan probability maka akan
menghasilkan Decision Theory:

4
Decision Theory = probability theory + utility theory.

Penjelasan Decision Theory merupakan seorang agent dikatakan rational jika dan hanya jika ia
memilih aksi atau keputusan yang memiliki hasil utility yang paling tinggi dari rata-rata seluruh
keputusan yang ada. Ini disebut dengan Maximum Expected Utility (MEU).

Basic Probability Notation

Untuk merepresentasikan dan menggunakan informasi probabilistic, agent

membutuhkan bahasa formal. Seperti pernyataan logical, pernyataan probabilistic merupakan
seluruh kemungkinan yang dapat terjadi (possible worlds). Pada probability theory, kumpulan
set dari semua kemungkinan disebut sample space. Sebagai contoh, jika kita melempar dua
koin maka ada empat kemungkinan yang ada, yaitu: (depan, depan), (depan, belakang),
(belakang, depan), (belakang, belakang).

Maka dari itu kita dapat menuliskan notasinya seperti ini:

Setiap aksi yang akan terjadi hanya memiliki kemungkinan terjadi sebesar 1.

Contoh:

saat melempar koin, kemungkinan yang terjadi hanya ada 1 aksi dari 4 aksi yang ada, entah itu
(bagian depan, bagian depan), (bagian depan, bagian belakang), (bagian belakang, bagian
depan) atau (bagian belakang, bagian belakang).

Pernyataan probabilistic tidak hanya untuk satu kejadian saja (particular possible world) tetapi
banyak kejadian (Sets of possible worlds). Penulisan notasi nya adalah sebagai berikut:

Probabilities sendiri terdiri dari dua jenis, yaitu:

a) Unconditional atau Prior Probabilities

Tingkat kepercayaan kepada suatu kemungkinan tetapi tidak diberikan informasi sama
sekali.

5
b) Conditional atau Posterior Probabilities
Tingkat kepercayaan pada suatu kemungkinan dengan adanya informasi tambahan
(evidence).
Contoh:
Koin pertama menghasilkan tampilan depan (ini yang dinamakan evidence) dan kita
menunggu kira-kira koin kedua menghasilkan tampilan apa. Kemungkinan koin ini dapat
kita tuliskan notasinya 𝑃(𝐹𝑖𝑛𝑎𝑙 | 𝐾𝑜𝑖𝑛1 = 𝐷𝑒𝑝𝑎𝑛) dimana | maksudnya “memberikan
(given)”.

Secara matematika, Conditional Probabilities dijabarkan di dalam Unconditional Probabilities.

Variable pada Probability Theory dinamakan random variables dan namanya dimulai
dengan huruf kapital. Contoh nya adalah Final dan 𝐾𝑜𝑖𝑛1 . Setiap random variable mempunyai
Domain – kumpulan kemungkinan value yang dapat ditampung. Domain untuk Final adalah
{4} dan untuk 𝐾𝑜𝑖𝑛1 adalah {depan, belakang}.

Exercise

1. In a group of 100 sports car buyers, 30 bought alarm systems, 20 purchased bucket seats,
and 10 purchased an alarm system and bucket seats. If a car buyer chosen at random, bought
an alarm system, what is the probability he/she also bought bucket seats?
Jawaban:
P(a) = yang membeli alarm, P(b) yang membeli bucket seats.

Yang dicari ada P(b|a) atau dapat dibilang bucket seat diberikan ke pembeli alarm.
Tentukan 𝑃(𝑎 ∩ 𝑏) dimana sudah diketahui di soal sebanyak 10 orang yang berarti 0,1 (dari
10/100).
Tentukan P(a) dimana disoal sudah diberi tahu sebanyak 30 orang yang membeli alarm yang
berarti 0,3.
Maka P(b|a) adalah 0,1/0,3 = 0,3333.
Berarti kemungkinan seseorang membeli bucket seats setelah membeli alarm system adalah
33%.

6
 DAFTAR PUSTAKA

Stuart Russell. (2010). Artificial intelligence: a modern approach. 3rd Edition. Pearson
Education. New Jersey. ISBN: 9780132071482.

“27+ Contoh Paper Singkat, Sederhana, penelitian, kuliah & Cara Membuat”.
moondoggiesmusic.com. 02 Februari 2018. 14 Oktober 2019.
<https://moondoggiesmusic.com/contoh-paper/>