KECERDASAN BUATANKECERDASAN BUATAN(ARTIFICIAL INTELLIGENCE)(ARTIFICIAL INTELLIGENCE)

PERTEMUAN 7PERTEMUAN 7

KETIDAKPASTIANKETIDAKPASTIAN

BahasanBahasan Review Probabilistic dan kompleksitasReview Probabilistic dan kompleksitas Independence = efficiencyIndependence = efficiency Pendahuluan “Ketidakpastian”Pendahuluan “Ketidakpastian” Teorema BayesTeorema Bayes RingkasanRingkasan

Review: Probabilistic InferenceReview: Probabilistic Inference

Dengan joint probability distribution, probability sembarang Dengan joint probability distribution, probability sembarang proposition dapat dihitung sbg. jumlah probability sample proposition dapat dihitung sbg. jumlah probability sample point yang bernilai true.point yang bernilai true.

NORMALISASI

Beberapa istilahBeberapa istilah

Complexity inference dgn joint Complexity inference dgn joint distributiondistribution

OutlineOutline

1 Review & kompleksitas1 Review & kompleksitas

2 Independence = efficiency2 Independence = efficiency

3 Pendahuluan Ketidakpastian3 Pendahuluan Ketidakpastian

Bayes’ RuleBayes’ Rule

4 Ringkasan4 Ringkasan

IndependenceIndependence

Contoh lainContoh lain

Conditional IndependenceConditional Independence

Conditional independence = efisienConditional independence = efisien

Pendahuluan KetidakpastianPendahuluan Ketidakpastian Banyak masalah di dunia ini yang tidak dapat dimodelkan Banyak masalah di dunia ini yang tidak dapat dimodelkan

secara lengkap dan konsistensecara lengkap dan konsisten Contoh penalaran induktif:Contoh penalaran induktif:

premis 1:aljabar adalah pelajaran sulitpremis 1:aljabar adalah pelajaran sulitpremis 2:geometri adalah pelajaran sulitpremis 2:geometri adalah pelajaran sulitpremis 3:kalkukus adalah pelajaran sulitpremis 3:kalkukus adalah pelajaran sulitkonklusi: matematika adalah pelajaran sulitkonklusi: matematika adalah pelajaran sulit

Munculnya premis baru bisa mengubah konklusi yang ada, Munculnya premis baru bisa mengubah konklusi yang ada, misal:misal:premis 4:biologi adalah pelajaran sulitpremis 4:biologi adalah pelajaran sulitkonklusi ?????konklusi ?????

Macam PenalaranMacam Penalaran Penalaran non monotonisPenalaran non monotonis

suatu penalaran dimana fakta baru mengakibatkan ketidak suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenankonsistenanCiri:Ciri:

1. mengandung ketidakpastian1. mengandung ketidakpastian2. adanya perubahan pada pengetahuan2. adanya perubahan pada pengetahuan3. adanya penambahan fakta baru merubah konklusi3. adanya penambahan fakta baru merubah konklusi

( dibutuhkan penalaran statistik !!! )( dibutuhkan penalaran statistik !!! ) Penalaran monotonisPenalaran monotonis

Ciri:Ciri:1. konsisten1. konsisten2. pengetahuannya lengkap2. pengetahuannya lengkap

OutlineOutline

1 Review & kompleksitas1 Review & kompleksitas

2 Independence = efficiency2 Independence = efficiency

3 Bayes’ Rule3 Bayes’ Rule

4 Ringkasan4 Ringkasan

Bayes' RuleBayes' Rule

Rule Poduct P(aRule Poduct P(ab) = P(a | b) P(b) = P(b | a) P(a) b) = P(a | b) P(b) = P(b | a) P(a) Bayes' rule: P(a | b) = P(b | a) P(a) / P(b)Bayes' rule: P(a | b) = P(b | a) P(a) / P(b)

Atau dalam bentuk distribusi Atau dalam bentuk distribusi PP(Y|X) = (Y|X) = PP(X|Y) (X|Y) PP(Y) / (Y) / PP(X) = α(X) = αPP(X|Y) (X|Y) PP(Y)(Y)

Kegunaan menentukan probabilitas diagnostik dari probabilitas Kegunaan menentukan probabilitas diagnostik dari probabilitas kausal:kausal: P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)P(Cause|Effect) = P(Effect|Cause) P(Cause) / P(Effect)

Contoh: Anggap Contoh: Anggap MM adalah meningitis, adalah meningitis, SS adalah sakit leher: adalah sakit leher:P(m|s) = P(s|m) P(m) / P(s) = 0.8 P(m|s) = P(s|m) P(m) / P(s) = 0.8 × × 0.0001 / 0.1 = 0.00080.0001 / 0.1 = 0.0008

Catatan: probabilitas posterior meningitis masih sangat kecil!Catatan: probabilitas posterior meningitis masih sangat kecil!

Bayes' Rule dan kebebasan Bayes' Rule dan kebebasan kondisionalkondisional

PP((Cavity | toothache Cavity | toothache catch catch) ) = α= αPP((toothache toothache catch | Cavity catch | Cavity) ) PP((CavityCavity) ) = α= αPP((toothache | Cavitytoothache | Cavity) ) PP((catch | Cavitycatch | Cavity) ) PP((CavityCavity) )

Ini adalah contoh model Bayes yang Ini adalah contoh model Bayes yang naïve naïve ::PP(Cause,Effect(Cause,Effect11, … ,Effect, … ,Effectnn) = ) = PP(Cause) (Cause) ππiiPP(Effect(Effectii|Cause)|Cause)

Jumlah parameter total Jumlah parameter total linearlinear dalam dalam nn

Dari mana asalnya nilai P?Dari mana asalnya nilai P?

Bayes’ RuleBayes’ Rule

Bayes’ Rule & DistributionBayes’ Rule & Distribution

TugasTugas

Cari / resume metode Cari / resume metode ketidakpastian:ketidakpastian:

1(ganjil). Certainty Factor1(ganjil). Certainty Factor

2(genap). Teorema Dempster 2(genap). Teorema Dempster ShaferShafer

OutlineOutline

1 Review & kompleksitas1 Review & kompleksitas

2 Independence2 Independence

3 Bayes’ Rule3 Bayes’ Rule

4 Ringkasan4 Ringkasan

RingkasanRingkasan Inference dengan full joint distribution konsepnyaInference dengan full joint distribution konsepnya

sangat mudah dimengerti, tetapi dalam kenyataan tidak sangat mudah dimengerti, tetapi dalam kenyataan tidak feasible feasible (exponential time & space complexity)(exponential time & space complexity)

Agar inference bisa tractable, kita mengambil asumsiAgar inference bisa tractable, kita mengambil asumsiindependenceindependence..

Dalam kenyataan, kita hanya bisa mengambil asumsiDalam kenyataan, kita hanya bisa mengambil asumsiconditional independenceconditional independence..

Bayes’ Rule,Bayes’ Rule, ditambah dengan conditional independence, ditambah dengan conditional independence, adalah mekanisme yang sangat berguna.adalah mekanisme yang sangat berguna.