Artificial Intelegence -...
Transcript of Artificial Intelegence -...
Ketidakpastian
• Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh.
• Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian.
• Hasil yang tidak pasti disebabkan oleh dua faktor yaitu: Aturan yang tidak pasti Jawaban pengguna yang tidak pasti atas suatu
pertanyaan yang diajukan oleh sistem
• Hal ini bisa dilihat pada sistem diagnosa penyakit dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, Dan pasien tidak dapat merasakan suatu gejala dengan pasti pula.
• Sedangkan menurut (Giarattano dan Riley, 1994), sistem pakar harus mampu bekerja dalam ketidakpastian.
Teori Penyelesaian Ketidakpastian
• Probabilitas klasik (classical probability) • Probabilitas Bayes (Bayesian probability) • Teori Hartley berdasarkan himpunan klasik
(Hartley theory based on classical sets) • Teori Shannon berdasarkan pada probabilitas
(Shanon theory based on probability) • Teori Dempster-Shafer (Dempster-Shafer
theory) • Teori fuzzy Zadeh (Zadeh’s fuzzy theory) • Faktor kepastian (certainty factor)
Ketidakpastian Aturan
• Ada tiga penyebab ketidakpastian aturan yaitu
Aturan tunggal
Ketidakcocokan (incompatibility) antar konsekuen dalam aturan
Penyelesaian konflik
Aturan Tunggal
• Kesalahan Ambiguitas, sesuatu didefinisikan dengan lebih
dari satu cara Ketidaklengkapan data Kesalahan informasi Ketidakpercayaan terhadap suatu alat Adanya bias
• Probabilitas disebabkan ketidakmampuan seorang pakar merumuskan suatu aturan secara pasti
• kombinasi gejala (evidence)
Incompability Aturan
• Kontradiksi aturan
• Subsumpsi aturan
• Redundancy aturan
• Kehilangan aturan
• Penggabungan data
Kontradiksi Aturan
• aturan 1 :
JIKA anak demam
MAKA harus dikompres
• aturan 2 :
JIKA anak demam
MAKA jangan dikompres
Subsumpsi Aturan
• aturan 3 : JIKA E1 MAKA H
• aturan 4 : JIKA E1 DAN E2 MAKA H
• jika hanya E1 yang muncul, maka masalah tidak akan timbul karena aturan yang akan digunakan adalah aturan 3, tetapi apabila E1 dan E2 sama-sama muncul maka kedua aturan (aturan 3 dan 4) sama-sama akan dijalankan
Redudancy Aturan
• aturan 5 : JIKA E1 DAN E2 MAKA H
• aturan 6 : JIKA E2 DAN E1 MAKA H
dalam kasus ini ditemui aturan-aturan yang sepertinya berbeda tetapi memiliki makna yang sama
Probabilitas
• Untuk mengetahui besarnya kemungkinan dihitung dari prosentase jumlah premis yang dialami
Probabilitas Berbobot
• Untuk mengetahui besarnya kemungkinan dihitung dari prosentase jumlah bobot premis yang dialami
Teori Probabilitas
Digunakan dalam menarik kesimpulan dari eksperimen yang memuat suatu kejadian yang tidak pasti
Konsep Probabilitas
Eksperimen yang diulan-ulang dalam kondisi yang sama akan memberikan hasil yang berbeda-beda. Hasil eksperimen ini, sangat bervariasi dan tidak tunggal
Misalnya
Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali diantara N peristiwa yang saling eksklusif (saling asing/ terjadinya peristiwa yang satu mencegah terjadinya peristiwa yang lain) dan masing-masing terjadi dengan kesempatan yang sama, maka probabilitas terjadinya peristiwa E adalah :
Jika P(E) = 0, maka diartikan peristiwa E pasti tidak terjadi, sedangkan P(E)=1, dapat diartikan peristiwa E pasti terjadi, apabila E menyatakan buka peristiwa E, maka diperoleh :
Atau berlaku hubungan : P(E) + P(E) = 1
Probabilitas Bersyarat
• Jika P(A) menyatakan probabilitas kejadian A, P(B) menyatakan probabilitas kejadian B, dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(A |B), dan besarnya adalah :
• Dengan cara yang sama, probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah :
Contoh
• P(Dila terkena cacar|Dila mempunyai bintik-bintik di wajah) adalah 0,8
• Ini sama dengan rule berikut :
• IF Dila mempunyai bintik-bintik di wajah THEN Dila terkena cacar (0,8)
• Rule ini mempunyai arti sbb :
• Jika Dila mempunyai bintik-bintik diwajah, maka probabilitas (kemungkinan) Dila terkena cacar adalah 0,8
Teorema Bayes
• Ditemukan oleh Reverend Thomas Bayes abad ke 18.
• Dikembangkan secara luas dalam statistik inferensia.
• Aplikasi banyak untuk : DSS
• Brntuk teorema Bayes untuk evidence tunggal E dan hipotesis tunggal H adalah :
• Dengan :
• p(H|E) = probabilitas hipotesis H terjadi jika evidence E terjadi
• P(E|H) = probabilitas munculnya evidence E, jika hipotesis H terjadi
• P(H) = probabilitas hipotesis H tanpa memandang evidence apapun
• P(E) = probabilitas evidence E tanpa memandang apa pun
Soal
• Diketahui :
p (demam)= 0,4
p (muntah)= 0,3
p (demam|muntah) = 0,75
• Pertanyaan :
a. Berapa nilai dari p(muntah|demam) ?
b. Berapa nilai dari p(muntah|demam) jika p(demam) = 0,1
Jawaban Soal A
• p(muntah|demam) = p(demam|muntah) x p(muntah)
▫ p(muntah)
▫ = 0,75 x 0,3
▫ 0,4
▫ = 0,56
▫Tentukan Jawaban Soal B?
Bentuk Teorema Bayes untuk evidence tunggal
E dan hipotesis ganda H1, H2, …. Hn
dengan: p(Hi|E) = probabilitas hiposesis Hi benar jika
diberikan evidence E. p(E|Hi) = probabilitas munculnya evidence E, jika
diketahui hipotesis Hi benar. p(Hi) = probabilitas hipotesis Hi (menurut hasil
sebelumnya) tanpa memandang evidence apapun. n = jumlah hipotesis yang mungkin.
Untuk evidence ganda E1, E2,…., Em dan hipotesis
ganda H1, H2, …., Hn adalah :
untuk mengaplikasikan persamaan di atas, maka harus diketahui probabilitas bersyarat dari semua kombinasi yang mungkin dari evidence-evidence untuk seluruh hipotesis. Secara praktis, ini tidak mungkin. Oleh karena itu, persamaan di atas, diganti dengan persamaan :
Contoh Kasus • Tabel berikut menunjukkan tabel probabilitas bersyarat evidence
E1E2E3 dan hipotesis H1H2H3. Misalkan pertama kali kita hanya mengamati evidence E3, hitung probabilitas terjadinya hipotesis :
a. H1 jika semula hanya evidence E3 yang teramati
b. H2 jika semula hanya evidence E3 yang teramati
c. H3 jika semula hanya evidence E3 yang teramati
Probabilitas Hipotesis
i = 1 i = 2 i = 3
P(Hi) 0,4 0,35 0,25
P(E1|Hi) 0,3 0,8 0,5
P(E2|Hi) 0,9 0 0,7
P(E3|Hi) 0,6 0,7 0,9
• Persoalan ini adalah persoalan teorema bayes untuk evidence tunggal E dan hipotesis ganda H1H2H3 dengan persamaan berikut :
• Jadi
Kesimpulan
tampak bahwa setelah evidence E3 teramati, kepercayaan terhadap hipotesis Hi berkurang dan menjadi sama dengan kepercayaan terhadap H2 kepercayaan terhadap hipotesis H3 bertambah bahkan hampir sama dengan H1 dan H2
Contoh Lainnya
• Si Ani mengalami gejala ada bintik-bintik di wajahnya.
Dokter menduga bahwa Si Ani terkena:
1.Cacar, dengan:
Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(Bintik2|Cacar) = 0,8.
Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(Cacar) = 0,4
2.Alergi, dengan :
Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2|Alergi) = 0,3.
Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(Alergi) = 0,7.
3. Jerawat, dengan
Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(Bintik2|Jerawatan) = 0,9.
Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan) = 0,5.
• Bintik-bintik di wajah merupakan gejala bahwa seseorang terkena cacar.
• Observasi baru menunjukkan bahwa selain adanya bintik-bintik di wajah, panas badan juga merupakan gejala orang terkena cacar.
• Antara munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain
• Probabilitas YA di PENYAKIT 1 terhadap semua penyakit
P(PENYAKIT 1 | YA)
= P(YA | PENYAKIT 1)*P(PENYAKIT 1) / P(YA)
= 0.4*0.33/0.4818 = 0.274
• Probabilitas YA di PENYAKIT 2 terhadap semua probabilitas di semua penyakit:
P(PENYAKIT 2 | YA)
= P(YA | PENYAKIT 2)*P(PENYAKIT 2) / P(YA)
= 0.4*0.33/0.4818 = 0.274
• Probabilitas YA di PENYAKIT 3 terhadap semua probabilitas di semua penyakit:
P(PENYAKIT 3 | YA)
= P(YA | PENYAKIT 3)*P(PENYAKIT 3) / P(YA)
= 0.66*0.33/0.4818 = 0.452