Metode Inferensi dan Penalaran

  • View
    100

  • Download
    3

Embed Size (px)

DESCRIPTION

Metode Inferensi dan Penalaran. Decision Tree. Merupakan salah satu contoh aplikasi dari tree Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan node. - PowerPoint PPT Presentation

Text of Metode Inferensi dan Penalaran

  • Metode Inferensi dan Penalaran

  • Decision TreeMerupakan salah satu contoh aplikasi dari treeTree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan node.Decision tree pohon keputusanMenggunakan model tree untuk menggambarkan keputusan-keputusan dan konsekuensinya

  • Contoh Decision Tree

  • Logika Deduktif Logika deduktif : kesimpulan merupakan konsekuensi logis dari premis-premis yang adaMengambil kesimpulan khusus dari premis yang bersifat umumPengambilan kesimpulan dapat secara langsung (hanya 1 premis) atau tidak langsung (beberapa premis)Karakteristik pokok : kesimpulan benar harus mengikuti dari premis yang benarPremis disebut juga anteseden dan kesimpulan disebut konsekuenSalah satu jenis logika deduktif tidak langsung adalah syllogisme

  • Struktur SyllogismeTerdiri 3 proposisi / pernyataanPremis mayor Premis minor KesimpulanJenis Silogisme : Silogisme kategorialSilogisme hipotesisSilogisme alternatif

  • Silogisme Kategorial : Silogisme yang terjadi dari tiga proposisi.Premis umum : Premis Mayor (My)Premis khusus :Premis Minor (Mn)Premis simpulan : Premis Kesimpulan (K)

    M : middle termS : subjekP : predikat

  • Contoh silogisme Kategorial:My: Semua mahasiswa adalah lulusan SLTA M/Middle term P/Major termMn: Badu adalah mahasiswa S/Minor term M/Middle termK: Badu lulusan SLTA

    My: Tidak ada manusia yang kekal Mn: Andi adalah manusiaK: Andi tidak kekal

    My: Semua mahasiswa memiliki ijazah SLTA.Mn: Amir tidak memiliki ijazah SLTAK: Amir bukan mahasiswa

  • b. Silogisme Hipotesis: Silogisme yang terdiri atas premis mayor yang berproposisi konditional hipotesis.

    Konditional hipotesis yaitu : bila premis minornya membenarkan anteseden, simpulannya membenarkan konsekuen. Bila minornya menolak anteseden, simpulannya juga menolak konsekuen.

    Contoh :My: Jika tidak ada air, manusia akan kehausan.Mn: Air tidak ada.K: Jadi, Manusia akan kehausan.

    My: Jika tidak ada udara, makhluk hidup akan mati.Mn: Makhluk hidup itu mati.K: Makhluk hidup itu tidak mendapat udara.

  • c. Silogisme Alternatif : Silogisme yang terdiri atas premis mayor berupa proposisi alternatif.Proposisi alternatif yaitu bila premis minornya membenarkan salah satu alternatifnya, simpulannya akan menolak alternatif yang lain.Contoh :My: Nenek Sumi berada di Bandung atau Jakarta.Mn: Nenek Sumi berada di Bandung.K: Jadi, Nenek Sumi tidak berada di Jakarta.

    My: Nenek Sumi berada di Bandung atau Bogor.Mn: Nenek Sumi tidak berada di Jakarta.K: Jadi, Nenek Sumi berada di Bandung.

  • Forward ChainingForward chaining merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg tersedia dan baru konklusi diperolehMencari aturan inferensi sampai ditemukan satu dimana anteseden (If clause) bernilai true. Ketika ditemukan, bisa ditarik kesimpulan, menghasilkan informasi baru.

  • Forward ChainingContoh : Menentukan warna binatang bernama Tweety. Data awal adalah Tweety terbang dan bernyanyi.Misalkan ada 4 aturan :If x melompat dan memakan serangga, maka x adalah katakIf x terbang dan bernyanyi, maka x adalah burung kenariIf x adalah katak, maka x berwarna hijau If x adalah burung kenari, maka x berwarna kuning

  • Forward ChainingYang dicari pertama adalah aturan nomor 1, karena anteseden-nya cocok dengan data kita (if Tweety terbang dan bernyanyi)Konsekuen (then Tweety adalah burung kenari) ditambahkan ke data yang dimilikiIf tweety adalah burung kenari, maka Tweety berwarna kuning (tujuan)

  • Backward ChainingDimulai dengan tujuan (goal) yang diverifikasi apakah bernilai TRUE atau FALSEKemudian melihat rule yang mempunyai GOAL tersebut pada bagian konklusinya.Mengecek pada premis dari rule tersebut untuk menguji apakah rule tersebut terpenuhi (bernilai TRUE)Proses tersebut berlajut sampai semua kemungkinan yang ada telah diperiksa atau sampai rule inisial yang diperiksa (dg GOAL) telah terpenuhiJika GOAL terbukti FALSE, maka GOAL berikut yang dicoba.

  • Backward ChainingDimulai dari daftar tujuan dan bergerak ke belakang dari konsekuen ke anteseden untuk melihat data yang mendukung konsekuen.Mencari sampai ada konsekuen (Then clause) yang merupakan tujuan. Jika antecedent (If clause) belum diketahui nilainya (bernilai benar/salah), maka ditambahkan ke daftar tujuan.

  • Backward ChainingContoh : Menentukan warna binatang bernama Tweety. Data awal adalah Tweety terbang dan bernyanyi.Misalkan ada 4 aturan :If x melompat dan memakan serangga, maka x adalah katakIf x terbang dan bernyanyi, maka x adalah burung kenariIf x adalah katak, maka x berwarna hijau If x adalah burung kenari, maka x berwarna kuning

  • Backward ChainingPertama akan mencari aturan 3 dan 4 (sesuai dengan tujuan kita mencari warna)Belum diketahui bahwa Tweety adalah burung kenari, maka kedua anteseden (If Tweety adalah katak, If Tweety adalah burung kenari) ditambahkan ke daftar tujuan.Lalu mencari aturan 1 dan 2, karena konsekuen-nya (then x adalah katak, then x adalah burung kenari) cocok dengan daftar tujuan yang baru ditambahkan.

  • Backward ChainingAnteseden (If Tweety terbang dan bernyanyi) bernilai true/benar, maka disimpulkan Tweety adalah burung kenari. Tujuan menentukan warna Tweety sekarang sudah dicapai (Tweety berwarna hijau jika katak, dan kuning jika burung kenari, Tweety adalah burung kenari karena terbang dan bernyanyi, jadi Tweety berwarna kuning).

  • Contoh KasusSeorang user ingin berkonsultasi apakah tepat jika dia berinvestasi pada IBM?Variabel-variabel yang digunakan:A= memiliki uang $10.000 untuk investasiB= berusia < 30 tahunC= tingkat pendidikan pada level collegeD= pendapatan minimum pertahun $40.000E= investasi pada bidang Sekuritas (Asuransi)F= investasi pada saham pertumbuhan (growth stock)G= investasi pada saham IBM

    Setiap variabel dapat bernilai TRUE atau FALSE

  • Contoh KasusFakta Memiliki uang $10.000(A TRUE) Berusia 25 tahun(B TRUE)Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock?

  • RulesR1 : IF seseorang memiliki uang $10.000 untuk berinvestasi AND dia berpendidikan pada level college THEN dia harus berinvestasi pada bidang sekuritasR2 :IF seseorang memiliki pendapatan per tahun min $40.000 AND dia berpendidikan pada level college THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks)R3 :IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham pertumbuhanR4 :IF seseorang berusia < 30 tahun dan > 22 tahun THEN dia berpendidikan collegeR5 :IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM.

  • R1: IF A AND C, THEN ER2: IF D AND C, THEN FR3: IF B AND E, THEN FR4: IF B, THEN CR5: IF F, THEN G

  • Forward Chaining

  • Backward Chaining

  • PenalaranSuatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, ciri-ciri penalaran sebagai berikut : adanya ketidakpastian adanya perubahan pada pengetahuan adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk

  • PenalaranContoh :Premis 1 : Aljabar adalah pelajaran yang sulit Premis 2 : Geometri adalah pelajaran yang sulit Premis 3 : Kalkulus adalah pelajaran yang sulit Kesimpulan : Matematika adalah pelajaran yang sulit muncul premis 4 : sosiologi adalah pelajaran yang sulit, akan menyebabkan kesimpulan (Matematika adalah pelajaran yang sulit) menjadi tidak berlaku karena sosiologi bukan bagian dari matematika penalaran induktif sangat dimungkinkan adanya ketidakpastian.

  • Ketidakpastian (uncertainty)Kurang informasi yang memadaiMenghalangi untuk membuat keputusan yang terbaikSalah satu teori yang berhubungan dengan ketidakpastian : Probabilitas Bayes

  • ProbabilitasProbabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak

  • ProbabilitasContoh :Misal dari 10 orang sarjana , 3 orang menguasai java, sehingga peluang untuk memilih sarjana yang menguasai java adalah : p(java) = 3/10 = 0.3

  • Probabilitas Bayes

  • Probabilitas BayesContoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan : probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar p(bintik | cacar) = 0.8 probabilitas Asih terkena cacar tanpa memandang gejala apapun p(cacar) = 0.4 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi p(bintik | alergi) = 0.3 probabilitas Asih terkena alergi tanpa memandang gejala apapun p(alergi) = 0.7 probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan p(bintik | jerawatan) = 0.9 probabilitas Asih jerawatan tanpa memandang gejala apapun p(jerawatan) = 0.5

  • Probabilitas BayesProbabilitas Asih terkena cacar karena ada bintik2 di wajahnya :

  • Probabilitas BayesProbabilitas Asih terkena alergi karena ada bintik2 di wajahnya :

  • Probabilitas BayesProbabilitas Asih jerawatan karena ada bintik2 di wajahnya :

  • Probabilitas BayesJika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence (fakta) atau observasi baru maka :

  • Probabilitas BayesMisal : Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru menunjukkan bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang kena cacar. Jadi antara munc