Click here to load reader

Sistem Pakar 1

  • View
    49

  • Download
    6

Embed Size (px)

DESCRIPTION

a

Text of Sistem Pakar 1

  • INFERENSI DENGAN KETIDAK PASTIAN

  • PosiblePlausableImposibleCetainProbableFalseTrueDegrees of Belief

  • Inferensi Dengan Ketidakpastian Ketidakpastian dalam AI digambarkan dalam 3(tiga) tahap (Kanal and Lemmer, 1986 ; Parsaye and Chignell, 1988)

    Step 1 Rute Alternatif

    Step 2 Step 3Representasi Ketidakpastian dari Basic set of eventsMengkombinasikan Bodies dari Informasi yang Tidak PastiPengambilan Inferensi

  • PenjelasanStep 1 :Pakar memperoleh pengetahuan yang tidak pasti : numerik, grafik, atau simbolik (hampir pasti bahwa .)

    Step 2 :Pengetahuan yang tidak pasti dapat digunakan untuk menarik kesimpulan dalam kasus sederhana (step 3)

    Step 3 : Maksud dari sistem berbasis pengetahuan adalah untuk penarikan kesimpulan.

  • Representasi Ketidak pastianNumeric

    Graphic

    Symbolic

  • Representasi ketidakpastian NumerikSkala (0 1 atau 0 - 100)0 = Complete uncertainty (sangat tidakpasti)1 or 100 = Complete certainty (sangat pasti)

    Masalahnya, pakar memberikan angka tertentu sesuai dengan kognisi dan pengalamannya

    Orang cenderung tidak konsisten dalam menilai sesuatu untuk waktu yang berbeda (meskipun masalahnya sama)

  • GraphicHorizontal bars

    Tidak seakurat metode numerik.Beberapa pakar tidak mempunyai pengalaman dalam membuat tanda pada skala grafik. Beberapa pakar tidak biasa memberikan angka dalam skala, mereka lebih suka memberi ranking Expert A Expert B No confidence Little Some Much Complete confidence

  • Probabilitas dan Pendekatan lainnyaRatio Probabilitas

    Teorema Bayes

    Pendekatan Dempster-Shafer

  • Ratio ProbabilitasDerajat keyakinan dari kepercayaan dalam suatu premise atau konklusi dapat dinyatakan dengan probabilitas :

    Jumlah outcome dari occurrence XP(X) = Jumlah seluruh eventsContoh 1 : Jika P1 = 0.9 , P2 = 0.7 , dan P3 = 0.65, maka P = (0.9) (0.7) (0.65) = 0.4095

    Contoh 2 : Coba saudara buat !

  • BAYESIAN APPROACHP(Ai) * P(B | Ai)

    P(Ai | B) =P(B | A1) * P(A1) + .... + P(B | An) * P(An)

    dimana P(A1) + P(A2) + .... + P(An) = 1

  • Teorema Bayes (Probabilitas Bersyarat)Contoh :Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Si Ani terkena 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

    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

    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

  • Hitung :

    Probabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya

    P(Cacar|Bintik2) = p(Bintik2| Cacar)* p(Cacar)

    p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)

    = 0.327Teorema Bayes (Probabilitas Bersyarat)

  • Hitung :

    Probabilitas Si Ani terkena alergi karena ada bintik-bintik di wajahnya

    P(Alergi|Bintik2) = p(Bintik2| Alergi)* p(Alergi)

    p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)= 0.214Teorema Bayes (Probabilitas Bersyarat)

  • Hitung :

    Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya

    P(Cacar|Bintik2) = p(Bintik2| Jerawat)* p(Jerawat)

    p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)

    = 0.459Teorema Bayes (Probabilitas Bersyarat)

  • Certainty Factors (CF) And BeliefsMeyatakan kepercayaan dalam suatu event Taksiran PakarUkuran keyakinan pakar fakta tertentu benar atau salahPerbedaan nilai kepercayan dengan nilai ketidak percayaan

  • Certainty Factors And Beliefs (lanjutan)Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence/bukti (atau experts assessment)

    CF = certainty factorMB = measure of beliefMD = measure of disbeliefP = probabilityE = evidence, atau eventCF[P,E] = MB[P,E] - MD[P,E]

  • Contoh :Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Ani terkena cacar dengan ukuran kepercayaan,

    MB[Cacar, Bintik2] = 0.8 dan MD[Cacar, Bintik2] = 0.01

    CF[Cacar, Bintik2] = 0.80 - 0.01 = 0.79

  • Kombinasi beberapa Certainty Factors dalam Satu RuleOperator AND

    IF inflasi tinggi, CF = 50 %, (A), AND IF tingkat pengangguran meningkat 7 %, CF = 70 %, (B), ANDIF harga obligasi menurun, CF = 100 %, (C) THEN harga saham menurunCF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)]The CF for harga saham menurun = 50 percent

  • Operator AND (lanjutan)Contoh 2 IF Saya punya uang lebih, CF = 0.7, (A), AND IF kondisi badan sehat, CF = 0.8, (B), AND IF tidak turun hujan, CF = 0.9, (C) THEN Saya akan pergi memancing CF untuk Saya akan pergi memancing = 0.7

  • Kombinasi beberapa Certainty Factors dalam Satu Rule (lanjutan)Operator ORContoh 1 IF inflasi rendah, CF = 70 %, (A), OR IF harga oligasi tinggi, CF = 85 %, (B) THEN harga saham akan tinggiHanya 1(satu) IF untuk pernyataan ini dikatakan benar. Kesimpulan hanya 1(satu) CF dengan nilai maksimum

    CF (A or B) = Maximum [CF(A), CF(B)]The CF for harga saham menjadi tinggi = 85 percent

  • Kombinasi 2 (dua) atau lebih RuleContoh :R1 : IF tingkat inflasi rendah than 5 %, THEN harga pasar saham naik (CF = 0.7)R2:IF tingkat pengangguran kurang than 7 %,THEN harga pasar saham naik (CF = 0.6)

    Efek kombinasi dihitung dengan menggunakan rumus :

    CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; or CF(R1,R2) = CF(R1) + CF(R2) - CF(R1) CF(R2)

    Hitung kombinasi CF untuk dua rule di atas (0.88)

  • Jawab soalCF(R1)=0.7CF(R2)=0.6,

    CF(R1,R2) = 0.7 + 0.6(1 - 0.7) = 0.7 + 0.6(0.3) = 0.88

    Misalkan ada rule ke 3 yang merupakan rule baru, CF(R1,R2,R3) = CF(R1,R2) + CF(R3) [1 - CF(R1,R2)]

    R3:IF harga obligasi meningkat,THEN harga saham naik (CF = 0.85)

    Hitung CF baru ? (0.982)

    **********************