Computational

Intelligence
Kelompok 3
Baskoro

Utama Nur Ariputra

PEMBAHASAN

Pembahasan dalam kelompok ini mencakup :

1. Konsep Reasoning.
2. Bayesian Reasoning.
3. Teori Dempster - Shafer.
Konsep Reasoning

Reasoning adalah cara merepresentasikan setiap fakta dalam

bahasa formal, seperti dalam logika predikatif. Sehingga pada saat
diajukan pertanyaan yang berhubungan dengan alur fakta tersebut
dan dengan metode inferensi (sebab akibat), maka akan didapat
jawaban dari pertanyaan tersebut.
Konsep Reasoning

Contoh permasalahan untuk mendapatkan jawaban dari suatu pertanyaan yang

didasarkan pada data mengenai fakta sederhana sebagai berikut :
1. Agus adalah seorang lelaki.
2. Agus adalah seorang berkebangsaan x.
3. Agus dilahirkan pada tahun 1908
4. Semua manusia adalah fana.
5. Semua orang berkebangsaan x meninggal karena adanya bencana banjir tahun
1995
6. Tidak ada manusia yang dapat hidup lebih lama dari 80 tahun.
7. Sekarang tahun 2006
Konsep Reasoning

Apabila kita mangajukan pertanyaan apakah Agus masih hidup?. Dengan merepresentasikan setiap
fakta diatas dalam bahasa formal, seperti dalam representasi logika, maka akan didapat
representasi sbb :
Konsep Reasoning

Dengan representasi menggunakan bahasa pemrograman Prolog diatas, kita

dihadapkan pada pertanyaan Apakah Agus sudah meninggal.? :

Jika jawaban yang didapatkan adalah yes, maka telah disimpulkan jawaban bahwa
agus telah meninggal. Jika jawaban no maka disimpulkan agus masih belum jelas
apakah sudah mati atau hidup.
Konsep Reasoning
Untuk mendapatkan jawaban diatas, terdapat 2 kemungkinan yang menjadi
alasan hingga didapatkan jawaban yes, yaitu:
(A). 1. Agus adalah seorang lelaki.
2. Semua manusia adalah fana (4).
3. Umurnya lebih dari 80. (7) + (3)
Sehingga dia disimpulkan sudah mati.
(B). (1) Agus adalah kebangsaan x
(2) Semua orang berkebangsaan x meninggal pada tahun 1995.
(3) Sekarang tahun 2006
Sehingga disimpulkan Agus sudah mati.
Bayesian Reasoning
Probabilitas Bersyarat

Berapakah probabilitas event A dan B?

Berapakah probabilitas bahwa seseorang adalah mahasiswa MIT, given that (dengan syarat/jika)
bahwa orang tersebut tinggal di Cambridge?
Definisi

Probabilitas seperti itu disebut conditional probability (probabilitas

bersyarat), dengan bentuk berapakah probabilitas suatu event, given
that (dengan syarat/jika) event yang lain terjadi?

Probabilitas seperti ini sering muncul, umpamanya:

Berapakah probabilitas bahwa sore ini hujan, jika pagi ini berawan?
Berapakah probabilitas pelemparan dua buah dadu menghasilkan 10,
jika masing-masing menghasilkan ganjil?
Berapakah probabilitas saya memperoleh hand four-of-a-kind, jika pada
awalnya saya memperoleh 2 ueen?
Definisi

Probabilitas bersyarat event A muncul, jika event B muncul biasanya

dilambangkan dengan Pr[A | B].
Bagaimana cara menghitungnya? Karena kita diberi syarat bahwa orang tersebut
tinggal di Cambridge, kita bias mengabaikan semua orang yang lain. Oleh karena
itu semua outcome di luar B tidak relevant.
Dengan demikian, secara intuitif, Pr[A | B] adalah bagian dari penduduk
Cambridge yang juga mahasiswa MIT.

Jika Pr[B] = 0, maka probabilitas bersyarat Pr[A | B] tidak

terdefinisi.
Permasalahan Uji Medis

Sebuah penyakit menyerang 10% dari populasi. Untungnya, ada sebuah tes
yang dapat menguji apakah seseorang mengidap pernyakit tersebut.
Namun, test tersebut tidak sempurna:
Jika seseorang mengidap, terdapat probabilitas 10% bahwa tes
menyebutkan bahwa orang tersebut tidak mengidap. Ini disebut false
negatives.
Jika seseorang tidak mengidap, terdapat probabilitas 30% bahwa tes
menyebutkan bahwa orang tersebut mengidap. Ini disebut false
positives.
Andaikan seseorang secara random diberikan tes ini. Jika tes
menghasilkan positive, berapakah probabilitas bahwa orang tersebut
mengidap penyakit tersebut?
Konsep Diagram Pohon Uji Medis
Cara Kerja Diagram Pohon

Mengapa diagram pohon berfungsi? Apa justifikasi matematisnya?

Jawabannya adalah probabilitas bersyarat. Probabilitas yang kita
tuliskan pada edge dari diagram pohon adalah probabilitas bersyarat.
Sebagai contoh, perhatikan path yang bersesuaikan dengan outcome Y
di diagram pohon sebelumnya.
Edge yang pertama dilabeli 0.1, yaitu probabilitas penyakit yang
menyerang populasi manusia.
Edge yang kedua dilabeli 0.9. Ini adalah probabilitas jika seseorang
mengidap penyakit dan hasil tes menunjukan positive.
Pertanyaannya adalah mengapa kita mengalikan saja probabilitas dari
edge-edge yang ada?
Cara Kerja Diagram Pohon

Jawabannya adalah definisi sebelumnya tentang probabilitas bersyarat, yang dapat juga
diungkapkan dalam bentuk berikut:

Pada kasus kita sebelumnya untuk outcome Y:

Pr[Y ]
= Pr [Y] . Pr [ | Y]
= 0.1 . 0.9 = 0.09
Cara Kerja Diagram Pohon
Langkah 1

Menentukan Sample Space

Sample space adalah:

S = {Y,Y,N,N}.
Langkah 2

Mendefinisikan Event of Interest

Event A, seseorang mengidap penyakit tersebut, adalah:

A = {Y,Y}.

Event B, tes menghasilkan positif, adalah:

B = {Y,N}.
Langkah 3

Menentukan Probabilitas Outcome

Probabilitas dari masing-masing edge dan masing-masing outcome
bisa dilihat di diagram pohon yang telah diberikan.
Langkah 4

Menghitung Probabilitas Event

Berdasarkan definisi dari probabilitas bersyarat, kita bisa menghitung:

Dengan demikian, jika hasil tes seseorang positif, hanya 25% kans bahwa dia mengidap penyakit
tersebut.
Pertanyaan

Kalau anda perhatikan, uji medis yang telah dijelaskan kelihatannya

memiliki masalah.
Pada waktu seseorang dites, sudah jelas apakah dia mengidap penyakit
tersebut atau tidak, tanpa memperdulikan hasil tes tersebut.
Oleh karena itu, pernyataan jika seseorang mendapatkan hasil tes
positif, maka dia memiliki probabilitas 25% mengidap penyakit
tersebut sepertinya tidak masuk akal.
Namun sebenarnya pernyataan tersebut masuk akal. Pernyataan
tersebut berarti 25% dari orang-orang yang mendapatkan hasil tes
positif, mengidap penyakit tersebut.
Teori Dempster Shafer

Secara Umum Teori Dempster Shafter dituliskan dalam interval :

[Belief , Plausability]

Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung

suatu himpunan proposisi. Jika bernilai 0, maka mengindikasikan
bahwa tidak ada evidence , dan jika bernilai 1 menunjukkan
adanya kepastian.
Teori Dempster Shafer

Plausibility (PL) dinotasikan sebagai :

Pl (s) = 1 Bel ( - s)

Plausibility juga bernilai 0 sampai 1, jika kita yakin akan s , maka

dapat dikatakan bahwa Bel(-s) = 1, dan Pl(-s)=0.
Teori Dempster Shafer

Pada teori Dempster-Shafer dikenal adanya frame of

discernment yang dinotasikan dengan (theta).
Frame ini merupakan semesta pembicaraan dari
sekumpulan hipotesis.
 Teori Dempster Shafer
Contoh : = {A,F,D,B}

Dengan :

A = Alergi; F = Flu; D = Demam; B = Bronkitis;

Tujuan kita adalah mengaitkan ukuran kepercayaan elemen elemen . Tidak

semua evidence secara langsung mendukung tiap tiap elemen. Sebagai contoh,
panas mungkin hanya mendukung [F, D, B].

Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya
mendefinisikan elemen elemen saja, namun juga semua subset-nya. Sehingga
n
jika berisi n elemen, maka subset dari semuanya berjumlah 2
Teori Dempster Shafer

Andaikan diketahui X adalah subset dari , dengan m1 sebagai fungsi

densitasnya, dan Y juga merupakan subset dari dengan m2 sebagai fungsi
densitasnya, maka dapat membentuk fungsi kombinasi m1 dan m2 sebagai m3,
yaitu :
 Teori Dempster Shafer

Disini, harus ditunjukkan bahwa jumlah semua m dalam subset sama dengan 1.
andaikan tidak ada informasi apapun dalam memilih keempat hipotesis tsb, maka
nilai :

m { } = 1,0

Diketahui bahwa panas merupakan gejala flu, demam, dan bronkhitis dengan m
= 0,8 maka :

m (F,D,B) = 0,8

m { } = 1 - 0,8 = 0,2
 Teori Dempster Shafer
Contoh kasus 1.

Si Ani mengalami gejala panas badan. Dari diagnosa dokter, penyakit

yang mungkin diderita Ani adl Flu, Demam atau Bronkhitis.

Gejala 1 : Panas.

Apabila diketahui nilai kepercayaan setelah di lakukan observasi

panas sebagai gejala dari penyakit flu, demam, dan bronkhitis adalah
:

m1[F,D,B] = 0,8

m1() = 1 - 0,8 = 0,2

 Teori Dempster Shafer
Sehari kemudian, Ani datang kembali dengan gejala baru, yaitu hidungnya buntu.

Gejala 2 : Hidung buntu.

Kemudian diketahui juga nilai kepercayaan setelah dilakukan observasi terhadap hidung
buntu sebagai gejala dari alergi, penyakit flu, dan demam adalah :

m2 (A,F,D) = 0,9

m2 () =1 0,9 = 0,1

Munculnya gejala baru ini mengharuskan untuk menghitung densitas baru untuk beberapa
kombinasi (m3). Untuk memudahkan perhitungan , terlebih dahulu himpunan himpunan
bagian yang terbentuk kita bawa ke bentuk tabel seperti terlihat pada tabel 4.2
 Teori Dempster Shafer
Dibawah ini, kolom pertama berisi semua himpunan bagian pada gejala
pertama (panas) dengan m1 sebagai fungsi densitas. Sedangkan baris
pertama berisi semua himpunan bagian pada gejala kedua (hidung
buntu) dengan m2 sebagai fungsi densitas.

Tabel 4.2
Teori Dempster Shafer
Keterangan :

-Kolom pertama berisikan semua himpinan bagian pada gejala

pertama (panas) dengan m1 sebagai fungsi densitas.

-Baris pertama berisikan semua himpunan bagian pada gejala kedua

(hidung buntu) dengan m2 sebagai fungsi densitas.

-Baris kedua dan ketiga pada kolom kedua merupakan irisan dari
kedua himpunan
Teori Dempster Shafer
Selanjutnya dihitung densitas baru untuk beberapa kombinasi (m 3) dengan persamaan
Dempster-Shafer sbb :
Teori Dempster Shafer
Keterangan :

Terlihat bahwa pada mulanya dengan hanya gejala panas, m{F,D,B} = 0,8.
Namun setelah ada gejala baru (hidung buntu), maka nilai m{F,D,B} =
0,08.

Demikian pula pada mulanya hanya dengan gejala hibung buntu, m{A,F,D} =
0,9. Namun setelah ada gejala baru (panas) maka m{A,F,D} = 0,18.

Dengan adanya 2 gejala tersebut, maka nilai densitas yang paling kuat adalah
m{F,D} = 0,72.

Bagaimana jika Ani ke dokter lagi dan ditemukan gejala baru lagi berupa Ani
makan udang.
Teori Dempster Shafer
Gejala 3 : makan udang

Setelah dilakukan observasi, diketahui bahwa udang sebagai gejala Alergi dengan nilai
kepercayaan :

m4{A} = 0,6
m4{} = 1 0,6 = 0,4
Maka harus dihitung densitas baru untuk setiap himpunan bagian dengan fungsi densitas
m5

Untuk memudahkan dibuat tabel dengan kolom pertama berisi himpunan bagian-
himpunan bagian hasil kombinasi gejala 1 dan gejala 2 dengan fungsi densitas m 3.
Sedangkan baris pertama berisi himpunan bagian-himpunan bagian pada gejala 3
Teori Dempster Shafer

Tabel 4.3

Sehingga dapat dihitung densitas baru m5 hasil kombinasi dari gejala lama dengan gejala baru.
Teori Dempster Shafer
Densitas baru m5 adalah sbb :
Teori Dempster Shafer

- Ternyata dengan gejala baru ini karena Ani makan udang dimana
Ani alergi terhadap udang, nilai densitas yang paling tetap yaitu
m5{F,D} = 0,554.

- Jadi dengan tiga jenis gejala yang dialami oleh Ani, kemungkinan
paling kuat Ani terkena Flu dan Demam.
Teori Dempster Shafer

Contoh Soal (2);

Bagaimana dengan kasus berikut ini.
Tomy adalah calon mahasiswa Binus berasal dari kota Kabupatren di Sumatra. Terdapat 3
jurusan yang diminati oleh Tomy yaitu Teknik Informatika (I), Psikologi (P) dan Hukum (H).
Untuk itu dia mencoba mengikuti beberapa test uji coba. Ujicoba pertama test Logika
dengan hasil test menunjukkan bahwa probabilitas densitas m 1{I,P} = 0,75.

Test kedua adalah test matematika, hasil test menunjukkan bahwa probabilitas densitas
m2(I} = 0,8.
Test ketiga adalah wawancara. Hasil test menunjukkan bahwa densitas probabilitas m 4{P}
= 0,3.
Tentukan probabilitas densitas dari kombinasi gejala (hasil test) yang didapat oleh Tomy.
SEKIAN DAN TERIMA KASIH