KETIDAKPASTIAN

Ketidakpastian

Penalaran dimana adanya penambahan fakta baru

mengakibatkan ketidakkonsistenan disebut dengan Penalaran
Non Monotonis
Ciri-ciri dari penalaran non monotonis :
1. Mengandung ketidakpastian
2. Adanya perubahan pada pengetahuan
3. Adanya penambahan fakta baru dapat mengubah konklusi
yang sudah terbentuk
4. Misalkan S adalah konklusi dari D, bisa jadi S tidak
dibutuhkan sebagai konklusi D + fakta-fakta baru
 Penalaran Monotonis

Ciri-ciri :
1. Konsisten
2. Pengetahuannya lengkap

* Untuk mengatasi ketidakpastian pada penalaran non

monotonis, maka digunakan penalaran Statistik
 Probabilitas dan Teorema Bayes

Bentuk Umum 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 :

Ani mengalami gejala bintik-bintik di wajahnya. Dokter menduga bahwa

Ani terkena cacar dengan :

o Probabilitas munculnya bintik-bintik di wajah, jika Ani terkena cacar : 0.8

o Probabilitas Ani terkena cacar tanpa memandang gejalan apapun : 0.4
o Probabilitas munculnya bintik-bintik di wajah, jika Ani alergi : 0.3
o Probabilitas Ani terkena alergi tanpa memandang gejalan apapun : 0.7
o Probabilitas munculnya bintik-bintik di wajah, jika Ani jerawatan : 0.9
o Probabilitas Ani jerawatan tanpa memandang gejala apapun : 0.5
 Jika muncul satu atau lebih evidence baru, maka :

e = evidence lama
E = evidence atau 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|H,E) = kaitan antara e dan E jika hipotesis H benar
P(e|E) = kaitan antara e dan E tanpa memandang hipoteis apapun
Hubungan Bintik2 dan Panas Terhadap Cacar
Contoh :

Ada observasi bahwa orang yang terkena cacar pasti mengalami

panas badan. Jika diketahui probabilitas orang terkena cacar
apabila mengalami panas badan : 0.5, keterkaitan antara adanya
bintik-bintik diwajah dan panas badan apabila seseorang terkena
cacar : 0.4, sedangkan keterkaitan antara bintik-bintik di wajah dan
panas badan : 0.6, maka berapa probabilitas seseorang terkena
cacar yang diakibatkan oleh bintik-bintik di wajah dan panas
badan ?
Pengembangan lebih jauh dari Teorema Bayes adalah dibentuknya Jaringan
Bayes

Gambar Jaringan Bayes

 Faktor Kepastian (Certainty Factor)

Menunjukan ukuran kepastian terhadap suatu fakta atau aturan.

Notasi Faktor Kepastian :

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)
 Ada 3 hal yang mungkin terjadi :

Beberapa evidence dikombinasikan untuk menentuka CF dari suatu hipotesis.

Jika e1 dan e2 adalah observasi, maka :
Contoh :

Suatu observasi memberika kepercayaan terhadap h dengan MB[h,e1]: 0.3 dan

MD[h,e1] : 0
Sehingga CF [h,e1] = 0.3 0 = 0.3

Jika ada observasi baru dengan MB[h,e2] : 0.2 dan MD[h,e2] : 0 maka ;
MB[h,e1 e2] : 0.3 + 0.2 * (1 0.3]) = 0.44
MD[h,e1 e2] : 0
CF[h, e1 e2] : 0.44 0 = 0.44

Ani menderita bintik2 di wajahnya. Dokte memperika ani terkena cacar dengan
kepercayaan, MB[cacar|bintik2] : 0.8 dan MD[cacar|bintik2] : 0.01, berapa faktor
kepastian dari [cacar|bintik2] ?
Jika ada observasi baru bahwa ani juga panas badan dengan kepercayaan,
MB[cacar,panas] : 0.7 dan MD[cacar|panas] : 0.08, berapa faktor kepastian dari
[cacar, bintik2 panas] ?
 CF dihitung dari kombinasi beberapa hipotesis, jika h1 dan h2 adalah
hipotesis, maka:

Suatu observasi memberikan kepercayaan terhadap h1 dengan MB[h1,e] : 0.5 dan

MD[h1,e] : 0.2, berapa fakator kepastian dari hipotesis h1 jika diberikan evidence e ?
CF[h1,e] = 0.5 0.2 = 0.3

Jika observasi tersebut juga memberikan kepercayaan terhadap h2 dengan MB[h2,e] :

0.8 dan MD[h2,e] : 0.1, berapa faktor kepastian h1 dan h2 jika diberikan evidence e
dan berapa faktor kepastian h1 atau h2 jika diberikan evidence e ?
Untuk CF[h1 h2,e] : dapat diperoleh :
MB[h1 h2,e] = min(0.5 ; 0.8) = 0.5
MD[h1 h2,e] = min(0.2 ; 0.1) = 0.1
CF[h1 h2,e] = 0.5 0.1 = 0.4
Untuk mencari CF[h1 V h2,e] dapat diperoleh :
MB[h1 V h2,e] : max(0.5 ; 0.8) = 0.8
MD[h1 V h2,e] : max(0.2 ; 0.1) = 0.2
CF[h1 V h2,e] : 0.8 0.2 = 0.6

Soal

*Ani menderita bintik2 di wajahnya. Dokter memperikan ani terkena cara dengan
kepercayaan MB[cacar,bintik2] : 0.8 dan MD[cacar,bintik2] : 0.01, berapa faktor
kepastian dari [cacar|bintik2] ?
* Jika observasi tersebut memberikan kepercayaan bahwa ani mungkin juga terkena
alergi dengan kepercayaan, MB[alergi,bintik2] : 0.4 dan MD[alergi|bintik2] : 0.3,
berapa faktor kepastian dari cacar dan alergi jika ani mengalami gejala bintik2 dan
berapa faktor kepastian dari cacar atau alergi jika ani mengalami gejala bintik2 ?
Latihan

a. Pada pertengahan 2002, ada indikasi bahwa turunnya devisa Indonesia

disebabkan oleh permasalahan TKI di Malaysia, apabila diketahui ;
MB[DevisaTurun|TKI] : 0.8 dan MD[DevisaTurun|TKI] : 0.3. maka carilah
faktor kepastian dari [DevisaTurun|TKI] ?
b. Ternyata pada akhir september 2002, kemarau yang berkepanjangan
mengakibatkan gagal panen yang cukup serius, hal ini ternyata juga berdampak
pada turunnya ekspor Indonesia. Apabila diketahui ;
MB[DevisaTurun|EksporTurun] : 0.75 dan MD[DevisaTurun|EksporTurun] : 0.1,
maka carilah berapa faktor kepastian dari [DevisaTurun|EksporTurun] dan berapa
faktor kepastian [DevisaTurun|TKI EksporTurun] ?
c. Isu terorisme di Indonesia pasca peristiwa Bom Bali pada tgl 12 Oktober 2002
ternyata juga ikut mempengaruhi turunnya devisa Indonesia sebagai akibat
berkurangnya wisatawan asing. Apabila diketahui ; MB[DevisaTurun|BomBali] :
0.5 dan MD[DevisaTurun|BomBali] : 0.3, maka carilah berpa faktor kepastian
dari [DevisaTurun|BomBali] dan berapa faktor kepastian dari [DevisaTurun,
TKI EksporTurun BomBali] ?
 Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi
input untuk aturan yang laiinya, maka :

MB[h,s] = MB[h,s] * max(0,CF[s,e])

*dengan MB[h,s] adalah ukuran kepercayaan h berdasarkan keyakinan penuh

terhadap validitas s.

Contoh :
If terjadi PHK maka muncul banyak pengangguran (CF[pengngguran,PHK] : 0.9)
If muncul pengangguran maka muncul banyak gelandangan
(CF[pengangguran,gelandangan] : 0.7)

MB[gelandangan, pengangguran] = 0.9 * 0.7 = 0.63

 TEORI DEMPSTER-SHAFER

Metode Dempster-Shafer pertama kali diperkenalkan oleh Dempster,

yang melakukan percoban model ketidakpastian dengan range
probabilitas sebagai probabilitas tunggal

Secara umum teori Dempster-Shafer ditulis dalam suatu interval:

[Belief,Plausibility]

Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu

himpunan proposisi. Jika bernilai 0 (nol) maka mengindikasikan bahwa
tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian
Plausibility (Pls) dinotasikan sebagai :
Pls (s) : 1 Bel(-s)

Plausibility juga bernilai 0 sampai 1

jika kita yakin akan s, maka dapat dikatakan bel(-s) = 1 dan pls (s) = 0

: frame of discrement frame ini merupakan semesta pembicaraan dari

sekumpulan hipotesis

C/o : = {A,F,D,B}
Dengan : A = Alergi
F = Flue
D = Demam
B = Bronkitis

* Tujuan nya untuk mengaitkan ukuran kepercayaan elemen-elemen

Tidak semua evidence secara langsung mendukung tiap-tiap elemen,
untuk itu perlu adanya probabilitas fungsi densitas m (mass function m)
Mass function m tingkat kepercayaan dari suatu evidence (gejala)

Jumlah semua m dalam subset sama dengan 1

Jika tidak ada informasi untuk memilih hipotesis maka nilai :
m () = [0,1]

Untuk mengatasi sejumlah evidence dalam suatu hipotesis, teori dempster-

shafer menggunakan aturan yang dikenal dengan Dempsters Rule of
Combination
secara umum formulasi untuk Dempsters Rule of Combination adalah:

m1( X )m2(Y )
m1 m2( Z ) X Y Z
1 k
Besarnya jumlah evidential conflict (k) dirumuskan dengan

k m1( X )m2(Y )
X Y
sehingga bila kedua persamaan disubstitusikan akan menjadi:

m1( X )m2(Y )
m1 m 2( Z ) X Y Z
1 m1( X ) m 2(Y )
X Y

m1 m2( Z ) = mass function dari evidence (Z)

m1( X ) = mass function dari evidence (X)
m 2(Y ) = mass function dari evidence (Y)

= operator direct sum

k =Jumlah evidential conflict

Contoh :

Ani mengalami gejala panas badan, dari diagnosa dokter, penyakit yang
mungkin diderita oleh ani adalah Flue, Demam atau Bronkitis.

Gejala 1 : Panas
Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas
adalah gejala dari F, D dan B = 0.8

Gejala 2 : Hidung Buntu

Diketahui nilai kepercayaan setelah dilakuakn observasi terhadap hidung
buntu sebagai gejala dari A, F dan D = 0.9

Gejala 3 : Piknik
Diketahui nilai kepercayaan setelah dilakuakn observasi terhadap piknik
sebagai gejala A = 0.6

Berapa nilai probabilitas densitas m yang paling kuat terhadap hipotesis ?

Latihan :

Ada 3 jurusan yang diminati oleh Ali, yaitu Teknik Informatika (T),
Psikologi (P), atau Hukum (H). Untuk itu dia mencoba mengikuti
beberapa tes ujicoba. Ujicoba pertama adalah tes logika, hasil tes
menunjukan bahwa probabilitas densitas : m1[T,P] = 0.75. tes kedua
adalah matematika, hasil tes menunjukan bahwa probabilitas densitas :
m2[T] = 0.8 .
Dihari berikutnya, Ali mengikuti tes ketiga yaitu tes wawancara
kewarganegaraan. Hasil tes menunjukan bahwa probabilitas densitas :
m4[H] = 0.3. tentukan probabilitas densitas yang baru untuk [T,P], [T] dan
[H] ?
Latihan :

Berikut ini adalah gejala yang sudah dipilih serta kode-kode penyakit yang
berhubungan dengan gejala yang dipilih. Penyakit disimbolkan dengan P
diikuti dengan urutan penyakitnya.
a. Gejala yang dipilih 1 : sulit untuk disiplin, mendukung penyakit
P1,P2 dan P3 dengan kepercayaan : 0.3
b. Gejala 2 yang dipilih : terlihat sangat pemalu dan menarik diri,
mendukung P1 dan P3 dengan kepercayaan : 0.6
c. Gejala 3 yang dipilih : sering mengambil mainan teman dengan
paksa, mendukung penyakit P3, sengan kepercayaan : 0.4
d. Gejala 4 yang dipilih : sikap menantang dan membangkan,
mendukung penyakit P3, dengan kepercayaan : 0.9

Tentukan nilai probabilitas densitas yang baru ?