ai2011 4 manajemen ketidakpastian sistem pakar (1)
TRANSCRIPT
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 1/48
Manajemen Ketidakpastian
Sistem Pakar(Uncertainty ManagementExpert Systems)
KECERDASAN BUATAN(Artificial Intelligence)
Materi 4
Eko PrasetyoTeknik Informatika
Univ. Pembangunan Nasional Veteran Jawa Timur2011
1
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 2/48
Uncertainty ?
Karakteristik umum informasi yangdapat disediakan pada manusia pakaradalah tidak sempurna.
Informasi bisa tidak lengkap, tidakkonsisten, tidak pasti, atau ketiganya.
Dengan kata lain, informasi seringtidak cocok untuk menyelesaikanmasalah.
Tetapi, pakar dapat mengatasikelemehaan ini dan biasanya dapatmembuat koreksi penilaian dankeputusan yang benar.
Sistem pakar juga mempunyaikemampuan untuk menanganiketidakpastian dan membuatkesimpulan yang benar.
Apa maksud uncertainty(ketidakpastian) dalam sistem pakar ?
Uncertainty adalah kurangnyapengetahuan yang dapat membuat kitabisa mencapai kesimpulan yang handaldengan baik [Stephanou and Sage,1987].
Logika klasik:
◦ IF A is true
◦ THEN A is not false
◦ IF B is false
◦ THEN B is not true
Sayangnya, masalah di dunia nyatadimana dimana sistem pakar dapatdigunakan tidak memfasiltasi kitadengan pemangkasan pengetahuansecara jelas. Informasi yang tersediasering berisi data yang tidak tepat,tidak lengkap, atau bahkan tidak dapat
diukur.2
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 3/48
Sumber Pengetahuan yang tidakpasti dalam Sistem Pakar Ada 4: weak implications, imprecise language, unknown data, and the difficulty of combiningthe views of different experts [Bonissone and Tong, 1985]
weak implications
◦ SP seringkali lemah dalam implikasi dan asosiasi yang tidak jelas.
◦ Domain pakar dan Perekayasa pengetahuan sulit membangun korelasi antara IF dan THEN.
◦ SP perlu memiliki kemmapuan menangani asosiasi yang tidak jelas: misal dengan menerima tingkatkorelasi sebagai faktor kepastian secara numerik.
imprecise language◦ Bahasa alamiah kita (secara turun temurun) ambigu dan tidak jelas.
◦ Misal: perbedaan pendangan mengenai kata “sering”, “ jarang”, “biasanya”, dsb.
◦ Akibatnya sulit mengekspresikan pengetahuan tersebut secara tepat dalam bentuk aturan produksi IF-THEN.
◦ Ray Simpson (1944) mensurvey makna kata-kata tersebut pada 355 sekolah dan mahasiswauntukmenempatkan 20 istilah ketidakpastian pada skala 0 – 100.
◦ Hakel (1968) melakukan hal yang sama.
unknown data◦ Jika data tidak diketahui atau hilang, maka jawabannya adalah “tidak dapat memberikan kesimpulan”
the difficulty of combining the views of different experts
3
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 4/48
4
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 5/48
Sumber Pengetahuan yang tidakpasti dalam Sistem Pakar the difficulty of combining the views of different experts
◦ Sistem Pakar yang besar biasanya menggabungkanpengetahuan dan keahlian sejumlah pakar. Misal: PROSPECTOR ada 9 pakar yang berkontribusi.
◦ Sayangnya, pakar jarang mencapai kesimpulan yang sama
persis.◦ Mereka biasanya mempunyai pendapat yang berbeda dan
menghasilkan aturan yang bertentangan satu sama lain.
◦ Untuk mengatasinya, perekayasa pengetahuan biasanyamenyertakan bobot masing-masing pakar, kemudianmenghitung kesimpulan komposit.
◦ Tetapi, seorang pakar umumnya tidak mempunyai tingkatkeahlian yang sama dalam wilayah domainnya.
◦ Juga tidaka da metode yang sistematis untuk memperolehbobot data.
5
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 6/48
Teori Probabilitas Dasar
Probabilitas suatu kejadian adalah proporsi kasus di mana peristiwa ituterjadi (Bagus, 1959).
Probabilitas juga dapat didefinisikan sebagai ukuran ilmiah kesempatan.
Probabilitas matematis dapat dinyatakan sebagai indeks numerik denganberkisar antara nol (suatu kemustahilan mutlak) sampai satu (sebuahkepastian yang mutlak).
Kebanyakan peristiwa memiliki indeks probabilitas antara 0 dan 1.◦ Yang berarti bahwa setiap kejadian mempunyai paling sedikit 2 kemungkinan yang
terjadi: favourable outcome atau sukses, dan unfavourable outcome atau gagal.
Probabilitas sukses dan gagal:
Jika s adalah jumlah yang sukses, dan f adalah jumlah yang gagal, maka:
dan
6
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 7/48
Contoh
Perhatikan sebuah koin (uang):◦ Ada 2 sisi: gambar (G) dan angka (A)
Jika kita melempar koin, maka kemungkinan mendapatkan gambar atauangka adalah sama.◦ Dalam satu kali lemparan: s = f = 1, maka probabilitas mendapatkan gambar atau angka
adalah ½ = 0.5
Jika sebuah dadu kita lempar◦ Kita menentukan probabilitas mendapatkan 6 dalam satu kali lemparan.
◦ Jika kita mengasumsikan munculnya 6 sebagai kesuksesan, maka s = 1, dan f = 5.
◦ Karena ada 1 cara untuk mendapatkan 6, dan ada 5 cara tidak mendapatkan 6, makaprobabilitas mendapatkan 6 adalah:
◦ Dan probabilitas tidak mendapatkan 6 adalah:
◦ Kejadian disini tidak independen, artinya jika 6 terjadi maka 1 sampai 1 tidak akanterjadi.
7
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 8/48
Bayesian Rule
Pandanglah A sebagai sebuah kejadian, dan B adalahkejadian yang lain.
Andaikan bahwa kejadian A dan B adalah kejadianyang secara eksklusif tidak terjadi bersama-sama ,tetapi terjadi secara bersyarat pada terjadinya kejadian
yang lain.◦ Probabilitas bahwa kejadian A akan terjadi jika kejadian B
terjadi disebut conditional probability (probabilitas bersyarat) .
Conditional probability dinyatakan secara matematis
sebagai p(A|B), lambang | artinya diberikan (GIVEN). Pernyataan lengkap probabilitas diinterpretasikan
sebagai „Conditional probability of event Aoccurring given that event B has occurred ‟.
8
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 9/48
Bayesian Rule
“The number of times A and B can occur ”, atauprobabilitas bahwa A dan B terjadi, disebut “ joint probability of A and B ”.◦ Direpresentasikan secara matematis sebagai p(AB)
Jumlah cara B dapat terjadi disebut probablitas B.◦ Dinyatakan p(B).
Maka conditional probability kejadian A terjadi jika B
terjadi:
Sehingga conditional probability kejadian B terjadi jikaA terjadi:
9
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 10/48
Bayesian Rule
Dari
Didapatkan
Sifat komutatif
Maka
Mensubstitusikan kedalam
Didapatkan : Disebut Bayesian Rule
•p(A|B) adalah probabilitas bersyarat dimana kejadian A terjadi ketikadiberikan bahwa kejadian B telah terjadi.•p(B|A) adalah probabilitas bersyarat dari B peristiwa yang terjadi diberikanbahwa kejadian A telah terjadi.•p(A) adalah probabilitas kejadian A terjadi.•p(B) adalah probabilitas kejadian B terjadi.
10
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 11/48
Bayesian Rule
Konsep conditional probability diatas memandang kejadian Atergantung pada kondisi B. Prinsip ini bisa dikembangkan sehinggakejadian A tergantung pada sejumlah kejadian: B1, B2, B3, …, Bn.Sehinga persamaan sebelumnya dapat diturunkan menjadi:
Atau ketika dikombinasikan:
Ruas kanan adalah akumulasi probabilitas kejadian A. bisa ditulis:
Persamaan sebelumnya menjadi:
11
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 12/48
Uncertainty Management
Jika timbulnya kejadian A tergantung hanya pada dua kejadian salingeksklusif, misalnya B dan NOT B, maka persamaan
Menjadi:
Dimana adalah fungsi logika NOT
Dengan cara yang sama:
Dengan mensubstituasikan persamaan diatas ke persamaan
Bayesian Rule:
didapatkan Teori probabilitas untukmengelola uncertainty dalam Sistem Pakar
12
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 13/48
BAYESIAN REASONING
13
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 14/48
Bayesian reasoning
IF E is true
THEN H is true {with probability p}
Misalkan semua aturan dalam basis pengetahuan yang diwakilidalam bentuk berikut:
Aturan ini berarti bahwa jika peristiwa E terjadi , maka probabilitasbahwa peristiwa H akan terjadi adalah p
H merepresentasikan hipotesis , E menyatakan evidence yang terjadi
Persamaan uncertainty dapat mengekspresikan hipotesis danevidence [Firebaugh, 1989] menjadi seperti berikut:
•p(H) : probabilitas awal hipotesis H benar•p(E|H) : probabilitas bahwa hipotesis H benar akan didapatkandengan bukti E
•p(H) : probabilitas awal hipotesis H salah•p(E|H) : probabilitas untuk menemukan bukti E meskipun ketika
hipotesis H salah14
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 15/48
Bayesian reasoning (2)
Beberapa hipotesis dengan satu evidence:
Beberapa hipotesis dengan beberapa evidence:
Beberapa hipotesis dengan beberapa evidence, dijabarkan menjadi:
15
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 16/48
Kasus nyata “kemacetan jalan”
16
Di jalan raya porong terjadi kemacetan yang luar biasa. Para supir menduga bahwa terjadiluapan lumpur panas lapindo dengan :
* Probabilitas terjadinya kemacetan di jalan, jika terjadi luapan Lumpur;p(macet|luapan_lumpur) = 0.55
* Probabilitas terjadinya luapan lumpur tanpa memandang kejadian apapunp(luapan_lumpur) = 0.4
* Probabilitas terjadinya kemacetan di jalan, jika terjadi kecelakaan;p(macet|kecelakaan) = 0.8
* Probabilitas terjadinya kecelakaan tanpa memandang kejadian apapun p(kecelakaan)= 0.35
* Probabilitas terjadinya kemacetan di jalan, jika terlalu banyak kendaraan;p(macet|banyak_kendaraan) = 0.8
* Probabilitas terjadinya banyak kendaraan tanpa memandang kejadian apapunp(banyak_kendaraan) = 0.15
* Probabilitas terjadinya kemacetan di jalan, jika terjadi kerusakan jalan;
p(macet|kerusakan_jalan) = 0.4* Probabilitas terjadi kerusakan jalan tanpa memandang kejadian apapun
p(kerusakan_jalan) = 0.1
Dapatkan probabilitas adanya luapan lumpur panas, kecelakaan, banyaknyakendaraan dan jalanan rusak karena terjadi kemacetan !
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 17/48
Kasus nyata “kemacetan jalan”
17
H1 = Luapan lumpurH2 = KecelakaanH3 = Banyak kendaraanH4 = Kerusakan jalanE = Macet
Hasilnya :
p(H1|E) = 0.3548p(H2|E) = 0.4106p(H3|E) = 0.1760p(H4|E) = 0.0587
p(E|H1)= 0.55p(H1)= 0.4
p(E|H2)= 0.8p(H2)= 0.35
p(E|H3)= 0.8p(H3)= 0.15
p(E|H4)= 0.4p(H4)= 0.1
Hipotesis terkuat asalnya adalah H 1 (0.4)yaitu luapan lumpur ,karena ada bukti Macet, maka Sekarang yang paling diyakini terjadi adalah H 2 yaitu kecelakaan dengan
keyakinan 0.4106
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 18/48
Contoh lain
Misal, diberikan 3 evidence conditional independenE1, E2, dan E3, dibuat 3 hipotesis H1, H2, H3 secaraeksklusif dan ekshaustik, dan memberikanprobabilitas awal untuk ketiga hipotesis.
Sistem Pakar dapat menghitung
posterior propabilitas untuk semuahipotesis untuk evidence E3 denganpersamaan:
Sistem Pakar dapat menghitungconditional probability untuk ketigahipotesis berdasarkan evidence E3 :
18
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 19/48
Contoh lain (2)
19
Terbukti bahwa keyakinan H1 asalnya 0.4, turun menjadi 0.34 Keyakinan H2 asalnya 0.35, turun menjadi 0.34 Keyakinan H3 asalnya 0.25, naik menjadi 0.32 Ketiga hal diatas terjadi setelah adanya evidence/bukti E 3
Artinya : Hipotesis terkuat awalnya adalah H 1
(0.4), setelah ada bukti E 3
maka hipotesis terkuat yang akan terjadi adalah H 1 dan H 2 yang bernilai keyakinan sama yaitu 0.34
Sekarang, bagaimana jika E 1 juga ada , mana hipotesis yang akan berkandidat sebagai kejadian yang paling mungkin akan terjadi ?
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 20/48
Contoh lain (3)
20
Sekarang, dengan bukti E 1 dan E 3 , ternyata hipotesis yang diyakini berkandidat akan terjadi adalah H 2 saja , hipotesis H 1 turun menjadikejadian yang kemungkinannya paling kecil.
Bagaimana jika bukti E 2 juga ada ?
Mana hipotesis yang lebih diyakini akan terjadi ?
p(H1|E1 E2 E3) = 0.45p(H2|E1 E2 E3) = 0p(H3|E1 E2 E3) = 0.55
Dengan adanya ketiga bukti ,ternyata H 2 menjadi ditolak (abandon ), sedangkan yang diyakini akan terjadi adalah H 3
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 21/48
21
1. Probabilitas menderita penyakit Alergi tanpa memandang gejala apapun adalah 0.4 2. Probabilitas menderita penyakit Bisul tanpa memandang gejala apapun adalah 0.3 3. Probabilitas menderita penyakit Jerawat tanpa memandang gejala apapun adalah 0.3
4. Probabilitas gejala Bintil jika menderita Alergi adalah 0.85 5. Probabilitas gejala Bintil jika menderita Bisul adalah 0.65 6. Probabilitas gejala Bintil jika menderita Jerawat adalah 0.95 7. Probabilitas gejala Gatal jika menderita Alergi adalah 0.9 8. Probabilitas gejala Gatal jika menderita Bisul adalah 0.05 9. Probabilitas gejala Gatal jika menderita Jerawat adalah 0.1 10. Probabilitas gejala Nyeri jika menderita Alergi adalah 0.04 11. Probabilitas gejala Nyeri jika menderita Bisul adalah 0.9 12. Probabilitas gejala Nyeri jika menderita Jerawat adalah 0.9 13. Probabilitas gejala Merah jika menderita Alergi adalah 0.6 14. Probabilitas gejala Merah jika menderita Bisul adalah 0.01 15. Probabilitas gejala Merah jika menderita Jerawat adalah 0.4 16. Probabilitas gejala Tebal jika menderita Alergi adalah 0.9
18. Probabilitas gejala Tebal jika menderita Bisul adalah 0.1 19. Probabilitas gejala Tebal jika menderita Jerawat adalah 0.1 20. Probabilitas gejala Demam jika menderita Alergi adalah 0.02 21. Probabilitas gejala Demam jika menderita Bisul adalah 0.95 22. Probabilitas gejala Demam jika menderita Jerawat adalah 0.02
Diagnosis Penyakit Kulit
1. Jika user memasukkan fakta:
Bintil
Apa penyakit yang diderita ?
Berapa persen keyakinannya ?
2. Jika ditambah Tebal , bagaimana ?
3. Jika ditambah Demam, bagaimana ?
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 22/48
22
H1 = alergi
H2 = bisul
H3
= jerawat
E1 = Bintil
E2 = Tebal
E3 = Demam
Diagnosis Penyakit Kulit
1. Fakta Nyeri :
p(H1|E1) = 0.4964
p(H2|E1) = 0.2847p(H3|E1) = 0.2190
Penyakit yang paling diyakini: Alergi
3. Fakta Nyeri, Merah dan Demam :
p(H1|E1, E2, E3) = 0.2453p(H1|E1, E2, E3) = 0.7426
p(H1|E1, E2, E3) = 0.0120
Keyakinan bahwa penyakitnya adalah alergi menjadi diragukan setelah masuknya
fakta Demam, hipotesis yang lebih diyakini berubah menjadi Bisul
Penyakit yang paling diyakini: Bisul
2. Fakta Nyeri dan Merah :
p(H1|E1, E2) = 0.8987
p(H1|E1, E2) = 0.0573
p(H1|E1, E2) = 0.0440
Keyakinan pada penyakit alergi semakin meningkat setelah masuknya fakta tebal
Penyakit yang paling diyakini: Alergi
Tugas berkelompok…
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 23/48
BAYESIANACCUMULATION OFEVIDENCE
23
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 24/48
FORECAST: Bayesian accumulationof evidence
Sistem pakar berikut (ramalan cuaca diLondon, Maret 1982) adalah untukmeramal cuaca yang akan terjadi besok apakah hujan atau cerah ?
Dibutuhkan beberapa data nyata yangdidapat dari badan statistik.
Data nyata untuk masukan yang
dibutuhkan adalah: suhu minimum dan maksimum, curah hujan, dan intensitas sinar matahari . Jika curahhujan bernilai nol, artinya hari cerah.
Sistem Pakar memberikan 2kemungkinan yang akan terjadi: besok hujan dan besok cerah .
SP harus menentukan conditionalprobabilities dua hipotesis: besok hujan dan besok cerah .
Probabilitas hipotesis:
24
Rule: 1
IF today is rain
THEN tomorrow is rain
Rule: 2
IF today is dry
THEN tomorrow is dry
Rule awal:
Rule: 1
IF today is rain {LS 2.5 LN 0.6}
THEN tomorrow is rain {prior 0.5}
Rule: 2
IF today is dry {LS 1.6 LN 0.4}THEN tomorrow is dry {prior 0.5}
Prior Probabilities :
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 25/48
Peramalan Cuaca
25
Rule: 1
IF today is rain {LS 2.5 LN 0.6}
THEN tomorrow is rain {prior 0.5}
Rule: 2
IF today is dry {LS 1.6 LN 0.4}
THEN tomorrow is dry {prior 0.5}
Prior Probabilities :
Nilai LS merepresentasikan ukuranpakar meyakini hipotesis H jikaevidence E ada/muncul. Disebutlikelihood of sufficiency .LS didefinisikan sebagai rasiop(E|H) dengan p(E|H)
Dalam kasus kita, LS adalah probabilitas hariini hujan jika kita mendapat hujan besokdibagi probabilitas mendapat hujan hari ini
jika besok tidak hujan
Nilai LN merepresentasikan ukuranpakar meragukan hipotesis H jikaevidence E tidak ada. Disebutlikelihood of necessity .LS didefinisikan sebagai rasiop( E|H) dengan p( E|H)
Dalam kasus kita, LN adalah probabilitas hariini tidak hujan jika kita mendapat hujan besokdibagi probabilitas mendapat tidak hujan hariini jika besok tidak hujan
Catatan: LN tidak dapat diturunkan dari LS, pakar harus memberikan nilai LN dan LS secara independen.
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 26/48
Bagaimana menentukan probabilitaskeseluruhan besok hujan atau cerah ?
Dari rule-based Expert Systems, probabilitas awal konsekuen p(H), harusdikonversi menjadi kemungkinan awal (prior odds )
prior probability hanya digunakan ketika ketidakpastian dari konsekuen(bagian THEN) disesuaikan untuk pertama kali.
Dengan tujuan untuk mendapatkan posterior odds , maka prior odds diubaholeh LS jika evidence dari rule bernilai benar , dan oleh LN jika evidence dari rule bernilai salah .
Dan
Kemudian posterior odds digunakan untuk mengembalikan probabilitas akhir(posterior probabilities ).
26
Dan
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 27/48
Contoh cara meramalkan
Andaikan user memberikan masukan bahwa today is rain . Rule 1 tertembak dan probabilitas awal (prior probability) bahwa
tomorrow is rain dikonversi kedalam kemungkinan awal (prior odds):
Evidence today is rain meningkatkan kemungkinan (odds) denganfaktor 2.5, maka hal ini akan meningkatkan probabilitas dari 0.5menjadi 0.71:
Rule 2 juga tertembak. Prior probability tomorrow is dry dikonversi
menjadi prior odds, tapi evidence today is rain mengurangi oddsdengan faktor 0.4.
Hal ini mengurangi probabilitas tomorrow is dry dari 0.5 menjadi 0.29.
27
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 28/48
Contoh cara meramalkan
28
Sehingga hujan hari ini memberikan probabilitas 71% besok Hujan ,dan 29% besok Cerah Ramalan adalah Hujan
Andaikan user memasukkan hari ini cerah , berapa persen probabilitasbesok cerah dan besok hujan ?
62% besok Cerah, dan 38% besok Hujan Ramalan adalah Cerah
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 29/48
Knowledge base PeramalanCuaca
29
/* FORECAST: BAYESIAN ACCUMULATION OF EVIDENCERule: 1if today is rain {LS 2.5 LN 0.6}then tomorrow is rain {prior 0.5}
Rule: 2if today is dry {LS 1.6 LN 0.4}
then tomorrow is dry {prior 0.5}Rule: 3
if today is rainand rainfall is low {LS 10 LN 1}then tomorrow is dry {prior 0.5}
Rule: 4
if today is rainand rainfall is lowand temperature is cold {LS 1.5 LN 1}then tomorrow is dry {prior 0.5}
Rule: 5if today is dryand temperature is warm {LS 2 LN 0.9}then tomorrow is rain {prior 0.5}
Rule: 6
if today is dryand temperature is warmand sky is overcast {LS 5 LN 1}then tomorrow is rain {prior 0.5}
/* The SEEK directive sets up the goal of
the rule set
Asumsi•The rainfall : low jika < 4.1mm•The temperatur : cold jika <= 7.0oC,warm jika > 7.0oC
•Sunshine : overcast jika > 4.6 hours
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 30/48
30
Keterangan: Kondisi Cuaca hari ini,digunakan untuk meramalkan
cuaca yang terjadi besok.
Contoh:Cuaca tanggal 1 digunakan untuk meramal cuaca tanggal 2
Asumsi•The rainfall : low jika < 4.1mm•The temperatur : cold jika rata-ratasuhu <= 7.0oC, warm jika > 7.0oC•Sunshine : overcast jika < 4.6 hours
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 31/48
Dialog
31
1. What is the weather today? rain
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 32/48
Dialog (2)
32
2. What is the rainfall today? low
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 33/48
Dialog (3)
33
3. What is the temperature today? cold
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 34/48
Dialog (4)
34
4. What is the cloud cover today? overcast
Artinya, kita mempunyai 2 potensi yang besar pada cuaca: besok cerah (0.86) atau besok hujan (0.69) tetapi yang lebih besar probabilitasnya adalah cerah
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 35/48
CERTAINTY FACTORS
THEORY AND EVIDENTIAL
REASONING
35
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 36/48
Teori Certainty Factor
CF merupakan alternatif carapenalaran Sistem Pakar selainBayesian◦ Mis. MYCIN
Certainty factor (cf) adalah nilai untukmengukur keyakinan pakar.
Nilai tertinggi adalah +1.0 (pasti benar
/ Definitely ), terendah -1.0 (pastisalah / Definitely not ).
Nilai positif merepresentasikanderajat keyakinan, nilai negatifmerepresentasikan derajatketidakyakinan.
Misal, jika pakar menyatakanbeberapa evidence adalah hampirpasti benar (almost certainly ), makanilai cf 0.8 akan diberikan padaevidence ini.
36
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 37/48
Teori Certainty Factor (2)
37
Knowledge base terdiri dari sejumlahaturan yang mempunyai sintaks dasar :
Dimana cf merepresentasikan keyakinan hipotesis H jika diberikan evidence E telah terjadi.
Teori CF didasarkan pada dua fungsi:ukuran keyakinan atau Measure of Belief MB(H,E),dan ukuran ketidakyakinan atau Measure of Disbelief MD(H,E)[Shortliffe and Buchanan, 1975]
p(H) adalah probabilitas awalhipotesis H akan benar
p(H|E) adalah probabilitas bahwahipotesis H benar jika diberikanevidence E
Nilai MB(H,E) dan MD(H,E) dalam jangkauan 0 dan 1
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 38/48
Teori Certainty Factor (3)
CF yang diberikan oleh aturan kemudian dirambatkan pada rantaipenalaran.
Perambatan CF tersebut meliputi pemunculan certanty aturan yang baru
ketika evidence dalam bagian antecedent aturan juga tidak pasti. Dilakukan dengan mendapatkan cf tunggal, cf(H,E), dengan mengalikan cf
antecedent, cf(E), dengan certainty factor aturan, cf.
38
Formula Certainty Factor
Formula perambatan untuk mendapatkan
IF the sky is clear
THEN the forecast is sunny {cf 0.8}
Misal:
Jika CF dari sky is clear adalah 0.5 (dimasukkan user ), maka:
cf(H,E) = cf(E) x cf = 0.5 x 0.8 = 0.4 Artinya ‘Maybe sunny’
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 39/48
CF dengan beberapa antecedent
39
Aturan konjungsi:
Certanty hipotesis H didapatkan dengan formula:
IF sky is clear
AND the forecast is sunny
THEN the action is ‘wear
sunglasses’ {cf 0.8}
Misal:
Nilai certainty sky is clear diberikan 0.9 (dimasukkan user ) dan
certainty forecast is sunny adalah 0.7 (dimasukkan user ), maka:
Artinya ‘ Probably it would be a good idea to wear sunglasses today’
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 40/48
CF dengan beberapa antecedent(2)
40
Aturan disjungsi:
Certanty hipotesis H didapatkan dengan formula:
IF sky is overcast
OR the forecast is rain
THEN the action is ‘take an
umbrella’ {cf 0.9}
Misal:
Nilai certainty sky is overcast diberikan 0.6 (dimasukkan user ) dan
certainty forecast is rain adalah 0.8 (dimasukkan user ), maka:
Artinya ‘ Almost certainly an umbrella should be taken today ‟
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 41/48
CF pada 2 aturan atau lebih denganhipotesis yang sama
Ketika consequent yang sama didapatkan sebagai hasil eksekusi dua ataulebih aturan, maka CF dari masing-masing aturan harus digabung padahipotesis.
Misal ada aturan berikut:
Certainty manakah yang diberikan pada obyek C ? Apakah Z dalam rule 1atau rule 2 ?
Evidence dari 2 aturan tadi berbeda, tetapi memberikan hipotesis yang sama(C is Z). Maka hipotesis aturan pertama bisa diperkuat/diperlemah denganhipotesis aturan kedua.
Persamaan untuk menghitung CF gabungan:
41
•cf1 adalah cf dalam hypothesis H muncul oleh Rule 1;•cf2 adalah cf dalam hypothesis H muncul oleh Rule 2;
•|cf1| dan |cf2| adalah nilai absolut cf1 dan cf2
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 42/48
Contoh CF pada hipotesis yangsama dari 2 rule
42
Misal, ada aturan:
Misalkan cf(E1) = 1.0 dan cf(E2) = 1.0, maka:
Karena cf1 > 0 dan cf2 > 0, menurut persamaan diatas:
Artinya Keyakinan hipotesis rule 1 meningkat karena didukung hipotesis rule 2 yang nilainya positif
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 43/48
Contoh CF pada hipotesis yangsama dari 2 rule (2)
43
Misal, ada aturan:
Misalkan cf(E1) = 1.0 dan cf(E2) = -1.0, maka:
Karena cf1 > 0 dan cf2 < 0, menurut persamaan diatas:
Artinya Keyakinan hipotesis rule 1 menurun karena hipotesis rule 2 yang memotongnya
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 44/48
Contoh CF pada hipotesis yangsama dari 2 rule (3)
44
Misal, ada aturan:
Misalkan cf(E1) = -1.0 dan cf(E2) = -1.0, maka:
Karena cf1 < 0 dan cf2 < 0, menurut persamaan diatas:
Artinya Peningkatan ketidakyakinan pada hipotesis, asalnya -0.8 dan -0.6 bergabung menjadi -0.92
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 45/48
FORECAST: an application ofcertainty factors
45
Rule: 1if today is rainthen tomorrow is rain {cf 0.5}
Rule: 2if today is drythen tomorrow is dry {cf 0.5}
Rule: 3if today is rainand rainfall is lowthen tomorrow is dry {cf 0.6}
Rule: 4if today is rain
and rainfall is lowand temperature is coldthen tomorrow is dry {cf 0.7}
Rule: 5if today is dryand temperature is warmthen tomorrow is rain {cf 0.65}
Rule: 6if today is dry
and temperature is warmand sky is overcastthen tomorrow is rain {cf 0.55}
Dialog:1. What is the weather today? rain
2. What is the rainfall today? low CF(rainfall is low) = 0.8
3. What is the temperature today? cold CF(temperatur is cold) = 0.9
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 46/48
Dialog
46
1. What is the weather today? rain
cf (tomorrow is rain, today is rain) = cf(today is rain) x cf = 1.0 x 0.5 = 0.5tomorrow is rain {0.50}
Rule 2 tidak dieksekusi, karena bagian antecedent tidak terpenuhi
2. What is the rainfall today? low
To what degree do you believe the rainfall is low? Enter a numericcertainty between 0 and 1.0 inclusive ! 0.8
5/17/2018 Ai2011 4 Manajemen Ketidakpastian Sistem Pakar (1) - slidepdf.com
http://slidepdf.com/reader/full/ai2011-4-manajemen-ketidakpastian-sistem-pakar-1 47/48
Dialog (2)
47
3. What is the temperature today? cold
To what degree do you believe the temperature is cold? Enter anumeric certainty between 0 and 1.0 inclusive ! 0.9
Rule 3 dan rule 4 menyimpulkan hipotesis yang sama , makaharus digabungkan :
Setelah digabungkan, didapatkan:
Kesimpulan: besok cerah adalah hampir pasti (almost certain) , tapi masih
dimungkinkan hujan