LECTURE NOTES

Artificial Intelligence

Minggu 5

Quantifying Uncertainty

Artificial Intelligence
 LEARNING OUTCOMES

LO2: Menjelaskan bagaimana cara menggunakan representasi pengetahuan dalam

penalaran

OUTLINE MATERI (Sub-Topic):

1. Bertindak berdasarkan ketidakpastian
2. Notasi Dasar Probabilitas
3. Penarikan Kesimpulan Menggunakan Full Joint Distribution
4. Probabilitas Tak Bersyarat
5. Aturan Bayes
6. Simpulan

Artificial Intelligence
 ISI MATERI

1. BERTINDAK DIBAWAH KETIDAKPASTIAN

Agen mungkin perlu menangani ketidakpastian, yang terjadi karena karena
pengamatan parsial, nondeterminisme, atau gabungan keduanya. Seorang agen
mungkin tidak pernah tahu secara pasti apa keadaannya atau kapan akan berakhir
setelah serangkaian tindakan. Pengetahuan agen dapat hanya memberi tingkat
keyakinan pada semua kemungkinan yang ada. Alat utama untuk menangani tingkat
kepercayaan adalah teori probabilitas. Probabilitas menyediakan cara untuk
menangani ketidakpastian yang datang dari ketidaktahuan, sehingga memecahkan
masalah kuantifikasi. Contoh penalaran dalam ketidakpastian: mendiagnosis sakit
gigi pada pasien. Mari kita coba menulis aturan untuk diagnosis penyakit gigi
menggunakan logika proposisional, sehingga kita dapat melihat bagaimana
pendekatan logis bekerja. Perhatikan atuan sederhana berikut:

Toothache ⇒ Cavity (1)

Aturan diatas salah, karena tidak semua pasien sakit gigi mempunyai gigi yang
berlubang. Bisa disebabkan oleh penyakit gusi, abses atau penyakit lainnya.
Sayangnya, untuk membuat aturan itu benar, kita harus menambahkan daftar
kemungkinan penyebab yang tidak terbatas.

Toothache ⇒ Cavity ∨ GumProblem ∨ Abscess ...

Aturan diatas kita coba ubah menjadi aturan kausal

Cavity ⇒ Toothach (2)

Tetapi aturan kedua ini juga tidak benar; tidak semua gigi berlubang menyebabkan rasa sakit.
Satu-satunya cara untuk memperbaiki aturan tersebut adalah membuatnya lengkap secara
logika. Hubungan antara sakit gigi dan gigi berlubang bukanlah konsekuensi logis dua arah.
Kita mungkin tidak tahu pasti apa yang terjadi pada pasien tertentu, tetapi kami, katakanlah,
kemungkinan 80%—yaitu, probabilitas 0,8—bahwa pasien yang sakit gigi memiliki gigi
berlubang.

2. NOTASI DASAR PROBABILITAS

Untuk menggunakan teori probabilitas, agen membutuhkan bahasa formal. Dalam
teori probabilitas, himpunan semua kemungkinan dalam semesta pembicaraan
disebut ruang sampel. Semua kemungkinan yang ada, saling eksklusif dan lengkap.
Misalnya, jika kita melempar dua buah dadu yang berbeda, ada 36 kemungkinan
yang mungkin terjadi: (1,1), (1,2), ..., (6,6). Aksioma dasar teori probabilitas
mengatakan bahwa setiap kemungkinan memiliki probabilitas antara 0 dan 1 dan
total kemungkinan dari himpunan probabilitas adalah 1

Artificial Intelligence
 (3)

Dalam AI, himpunan selalu digambarkan dengan proposisi dalam bahasa formal.
Untuk setiap proposisi, himpunan yang sesuai hanya berisi itu kemungkinan di mana
proposisi itu berlaku. Probabilitas yang terkait dengan proposisi didefinisikan sebagai
jumlah dari probabilitas di mana proposisi itu berada

(4)

Misalnya, ketika melempar dua dadu untuk melihat kemungkinan dua buah dadu
tersebut menghasilkan jumlahan total 11 P(Total = 11) = P((5, 6)) + P((6, 5)) = 1/36
+ 1/36 = 1/18. Perhatikan bahwa teori probabilitas tidak memerlukan pengetahuan
lengkap tentang probabilitas dari setiap kemungkinan yang ada.

Probabilitas P(Total = 11) disebut sebagai probabilitas tanpa syarat atau

probabilitas prior. Probabilitas ini mengacu pada derajat kepercayaan proposisi
tanpa adanya informasi lain. Namun, jika terdapat informasi lain-disebut sebagai
bukti (evidence). Misalnya, dadu pertama sudah menunjukkan angka 5 dan
selanjunta kita menunggu dadu kedua berhenti berputar. Dalam hal ini, berhentinya
putrana dadu kedua disebut probabilitas bersyarat atau posterior pelemparan ganda
dadu pertama adalah 5. Untuk kasus diatas probabilitas ditulis P(ganda | dadu1 = 5),
di mana " | ” disebut dengan “diberikan”.

Secara matematis, probabilitas bersyarat didefinisikan sebagai probabilitas tak

bersyarat: untuk setiap proposisi a dan b.

yang berlaku untuk P(b) >0 (5)

Definisi probabilitas bersyarat, pada persamaan (5), dapat ditulis dalam bentuk lain
yang disebut aturan produk

Variabel dalam teori probabilitas disebut variabel random dan aturan penamaannya
dimulai dengan huruf besar. Setiap variable random mempunyai domain. Variabel
Boolean mempunyai domain {true,false}. Perlu diperhatikan bahwa untuk
penulisan nilai variable diawali dengan huruf kecil.
Contoh:
Umur{anak-anak, remaja, parobaya}
Cuaca{cerah, berawan, hujan}

Artificial Intelligence
 Untuk menyatakan probabilitas kemungkinan semua nilai dari variabel, dapat
ditulis:

P(Cuaca = cerah)=0.6
P(Cuaca = hujan)=0.1
P(Cuaca = berawan)=0.29

atau dapat juga ditulis P(Weather ) = <0.6, 0.1, 0.29>

Huruf P dicetak tebal menunjukkan bahwa hasilnya adalah vektor angka di mana
urutan cerah, hujan, berawan telah ditentukan sebelumnya di domain Cuaca. Notasi
P juga digunakan untuk distribusi bersyarat: P(X | Y) dengan nilai variabel P(X = xi
| Y = yj ) untuk setiap pasangan i, j yang mungkin.

Persoalan lain yang dapat diselesaikan dengan probablitas bersyarat adalah:

Misalnya terdapat hasil survey dari 100 mahasiswa terhadap kesukaan matakuliah
Algoritma Pemrograman dan Kecerdasan Buatan. Dari 100 mahasiswa, 20 orang
menyatakan menyukai keduanya, 50 orang menyatakan hanya menyukai Algoritma
Pemrograman dan 20 hanya menyukai Kecerdasan Buatan dan 10 orang tidak
menyukai keduanya. Bila data tersebut dibuat tabel distribusi, maka diperoleh:

Jika A menyatakan menyukai Algoritma dan Pemrograman dan B menyatakan menyukai

Kecerdasan Buatan, maka probabilitas seorang mahasiswa menyukai Algoritma
Pemrograman bila diketahui dia juga menyukai Kecerdasan Buatan adalah:

3. PENARIKAN KESIMPULAN MENGGUNAKAN FULL JOINT

DISRIBUTION
Penarikan kesimpulan probabilistic adalah perhitungan probabilitas posterior untuk
melakukan kueri terhadap bukti yang diberikan. Full joint distribution digunakan
sebagai "basis pengetahuan" untuk memberi jawaban dari semua pertanyaan yang
mungkin muncul. Contoh penarikan kesimpulan menggunakan full joint distribution

Artificial Intelligence
 dapat dilihat dibawah ini. Diberikan tiga buah variabel beserta dengan
probabilitasnya.
Tabel 1. Full Joint Distribution untuk toothache, cavity, catch

toothache ¬ toothache
catch ¬ catch catch ¬ catch
cavity 0.108 0.012 0.072 0.008
¬ cavity 0.016 0.064 0.144 0.576

Sebagai contoh, terdapat enam kemungkinan yang dapat digunakan untuk

menyatakan cavity ∨ toothache, sehingga propabilitas adalah
P(cavity  toothache) = 0.108 + 0.012 + 0.072 + 0.008 + 0.016 + 0.064 = 0.28

Untuk mengetahui probabilitas kejadian gigi berlubang (cavity) jika diketahui terjadi
sakit gigi (toothache), kita bisa gunakan rumus probabilitas bersyarat

𝑃(𝑐𝑎𝑣𝑖𝑡𝑦 ∧ 𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒)
𝑃(𝑐𝑎𝑣𝑖𝑡𝑦|𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒) =
𝑃(𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒)

= 0.108 + 0.012/0.108+0.012+0.016+0.064
= 0.6

Kita juga dapat menghitung probabilitas tidak ada kejadian gigi berlubang jika
dialami sakit gigi

𝑃(¬𝑐𝑎𝑣𝑖𝑡𝑦 ∧ 𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒)
𝑃(¬𝑐𝑎𝑣𝑖𝑡𝑦|𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒) =
𝑃(𝑡𝑜𝑜𝑡ℎ𝑎𝑐ℎ𝑒)

= 0.016+0.064/0.108+0.012+0.016+0.064
= 0.4

4. PROBABILITAS TAK BERSYARAT

Kejadian tak bersyarat.adalah dua event (kejadian) yang tidak saling mempengaruhi
probabilitas pada kejadian yang lain. Misalnya kita melempar dua dadu secara
bersamaan. Peluang kejadian pada dadu A tidak akan mempengaruhi peluang
kejadian pada dadu B.

Kejadian tak bersyarat pada proposisi a dan b dapat dituliskan

P(a|b) = P(a) atau
P(b|a) = P(b) atau
P(a∧b) = P(a)P(b)

Artificial Intelligence
 Mari kita lihat kembali 3 variabel pada full joint distribution sebelumnya, lalu kita
tambahkan dengan variabel keempat yaitu Weather sehingga menjadi P(Toothache,
Catch, Cavity, Weather). Penambahan variabel keempat mengakibatkan terdapat 32
kemungkinan yang berasal dari (2x2x2x4).

Lalu bagaimana P(toothache, catch, cavity, cloudy) dan P(toothache, catch, cavity)
saling terhubung? Dengan menngunakan formula diatas maka

P(toothache, catch, cavity, cloudy) =

P(cloudy| toothache, catch, cavity) P(toothache, catch, cavity)
P(cloudy| toothache, catch, cavity) = P(cloudy)

Cavity

Toothache Catch

Weather

Cavity
Weather
Toothache Catch

Gambar 1

Pada gambar 1 dapat dilihat ekspansi joint distribution menggunakan probabilitas tak
bersyarat

5. ATURAN BAYES
Teorema bayes digunakan untuk menggambarkan hubungan antara peluang bersyarat
dari dua kejadian. Notasi yang digunakan pada teorema Bayes adalah

Artificial Intelligence
Contoh penerapan teorema bayes pada kasus sederhana
Diketahui :
P(demam)=0,4 . P (muntah) = 0,3. P(demam|muntah)=0,75
Berapa nilai P(muntah|demam) ?

P(demam | muntah) xP(muntah) 0,75 x0,3

P (muntah | demam) = = = 0,56
P(demam) 0,4
Contoh kedua
Maria akan menikah besok, dengan resepsi acara akan dilakukan outdoor di padang
gurun. Pada beberapa tahun di padang gurun tersebut hujan hanya terjadi 5 hari setiap
tahunnya. Sayangnya menurut ramalan cuaca besok diprediksi terjadi hujan di
padang gurun. Jika memang besok terjadi hujan, maka ramalan cuaca memperkirakan
90% benar terjadi hujan, tetapi jika besok tidak terjadi hujan, ramalan cuaca mka
10% perkiraan salah. Berapa peluang akan turun hujan pada hari pernikahan Maria?

Solusi
Peristiwa A1. Hujan di pernikahan Maria.
Peristiwa A2. Tidak hujan di pernikahan Maria.
Peristiwa B. Ramalan cuaca diprediksi hujan.

o P( A1 ) = 5/365 = 0.0136985 [5 hari hujan dalam 1 tahun.]

o P( A2 ) = 360/365 = 0.9863014 [360 hari tidak terjadi hujan]
o P( B | A1 ) = 0.9 [jika benar turun hujan, ramalan cuaca 90% benar terjadi hujan]
o P( B | A2 ) = 0.1 [jika tidak turun hujan, ramalan cuaca 10% salah prediksi]

Untuk menjawab peluang turunhujan pada hari pernikahan Maria menggunakan

teorema bayes

Artificial Intelligence
 SIMPULAN

1. Ketidakpastian muncul karena adanya laziness dan ketidaktahuan. Hal ini tidak
dapat dihindari dalam permasalahan yang kompleks, nondeterministik, atau hanya
sebagian yang dapat diamati.

2. Probabilitas dasar mencakup probabilitas sebelumnya dan probabilitas bersyarat

atas proposisi sederhana dan kompleks.

3. Aksioma probabilitas membatasi kemungkinan penugasan probabilitas ke

proposisi.

Artificial Intelligence
 DAFTAR PUSTAKA

• Stuart Russell, Peter Norvig,. 2010. Artificial intelligence: a modern

approach. PE. New Jersey. ISBN:9780132071482, Chapter 13
• Elaine Rich, Kevin Knight, Shivashankar B. Nair. 2010. Artificial
Intelligence. MHE. New York. , Chapter 7
• Reasoning under Uncertainty: http://aitopics.net/Uncertainty
• Handling Uncertainty in Artificial Intelligence, and the Bayesian
Controversy: http://eprints.ucl.ac.uk/16378/1/16378.pdf

Artificial Intelligence