Modul 9 Ketidakpastian
-
Upload
davidx-blacxers -
Category
Documents
-
view
67 -
download
3
description
Transcript of Modul 9 Ketidakpastian
![Page 1: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/1.jpg)
![Page 2: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/2.jpg)
KetidakpastianKetidakpastian data
- informasi atau data diperoleh tdk lengkap- tidak dapat dipercaya sepenuhnya- berasal dari berbagai sumber dan saling bertolak belakang- bahasa penyajiannya kurang tepat
Ketidakpastian dlm proses inferensi, rule berdasarkan pengamatan pakar saja
![Page 3: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/3.jpg)
Teorema BayesTeorema Bayes adalah sebuah pendekatan
untuk sebuah ketidaktentuan yang diukur dengan probabilitas.
Teorema bayes dikemukakan oleh Thomas Bayes.
![Page 4: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/4.jpg)
Dimana Probabilitas Bersyarat: P(x | h)menyatakan peluang munculnya x jika diketahui h.dan:
Bentuk umum teorema Bayes: (evidence tunggal dan hipotesis tunggal)
atau
Teorema Bayes
![Page 5: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/5.jpg)
Contoh 1Diketahui suatu kondisi sbb:
Peluang munculnya cacat jika diambil produk dari pabrik A adalah:
Jika secara random diambil dan ternyata hasilnya cacat, maka peluang barang yang terambil tsb dari pabrik A adalah:
![Page 6: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/6.jpg)
P(hi) * P(x| hi)P(hi | x) =P(x | h1) * P(h1) + .... + P(x | hn) * P(hn)
dimana P(h1) + P(h2) + .... + P(hn) = 1
evidence tunggal dan hipotesis ganda)
![Page 7: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/7.jpg)
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
![Page 8: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/8.jpg)
P(Cacar|Bintik2) =
p(Bintik2| Cacar)* p(Cacar)
p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)
= (0.8 * 0.4) / ((0.8*0.4) + (0.3 * 0.7) + (0.9 * 0.5)) = 0.32 / 0.32 + 0.21 + 0.45 = 0.327
HitungProbabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya
![Page 9: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/9.jpg)
HitungProbabilitas 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)
= 0.214
![Page 10: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/10.jpg)
Hitung Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya
P(Jerawat|Bintik2) =
p(Bintik2| Jerawat)* p(Jerawat)
p(Bintik2|Cacar)*p(Cacar)+p(Bintik2|Alergi)*p(Alergi)+ p(Bintik2| Jerawatan)* p(Jerawatan)
= 0.459
![Page 11: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/11.jpg)
Meyatakan kepercayaan dalam suatu “event” Taksiran Pakar
Ukuran keyakinan pakar fakta tertentu benar atau salah
Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan
Certainty Factors (CF) And Beliefs
![Page 12: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/12.jpg)
Certainty Factors And Beliefs (lanjutan)
Cara mendapatkan tingkat keyakinan (CF)Metode “Net Belief” Certainty factors menyatakan belief dalam
suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence (atau expert’s assessment)
CF = certainty factorMB[H,E] = measure of belief (ukuran kepercayaan) terhadap
hipotesis H, jika diberikan evidence E(antara 0 dan 1)MD [H,E] = measure of disbelief (ukuran ketidakpercayaan)
terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1)
CF[Rule] = MB[H,E] - MD[H,E]
![Page 13: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/13.jpg)
P(H)=1lainnya
P(H)=0lainnya
P(H) = probabilitas kebenaran hipotesis H
P(H|E) = probabilitas bahwa H benar karena fakta E
![Page 14: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/14.jpg)
Contoh 1: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
![Page 15: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/15.jpg)
Contoh 2Seandainya seorang pakar penyakit mata
menyatakan bahwa probalitas seseorang berpenyakit edeme palbera inflamator adalah 0,02. Dari data lapangan menunjukkan bahwa dari 100 orang penderita penyakit edeme palbera inflamator , 40 orang memiliki gejala peradangan mata. Dengan menganggap H = edeme palbera inflamator , hitung faktor kepastian bahwa edeme palbera inflamator disebabkan oleh adanya peradangan mata.
![Page 16: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/16.jpg)
P(edeme palbera inflamator ) = 0.02P P(edeme palbera inflamator | peradangan mata)
=40/100= 0.4
MB(H|E) = max[0.4,0.02] – 0.021 – 0.02 = 0.4 -0.02 = 0.391-0.02
MD(H|E) = min [0.4 , 0.02] – 0.020 – 0,02 = 0.02 – 0.02 = 0 0 – 0.02
CF = 0.39 – 0 = 0.39Rule : IF (Gejala = peradangan mata) THEN Penyakit
= edeme palbera inflamator (CF = 0.39)
![Page 17: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/17.jpg)
Wawancara seorang pakarNilai CF (Rule) didapat dari interpretasi dari pakar yg diubah nilai
CF tertentu.
Pakar :Jika batuk dan panas, maka “hampir dipastikan” penyakitnya adalah
influenzaRule : IF (batuk AND Panas) THEN penyakit = influenza (CF = 0.8)
Uncertain Term CF
Definitely not (pasti tidak) -1.0
Almost certainly not (hampir pasti tidak) -0.8
Probably not (kemungkinan besar tidak -0.6
Maybe not (mungkin tidak) -0.2
Unknow (tidak tahu) -0.2 sampai 0.2
Maybe (mungkin) 0.4
Probably(kemungkinan besar) 0.6
Almost certainly (hampir pasti) 0.8
Definitely (pasti) 1.0
![Page 18: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/18.jpg)
Kombinasi beberapa Certainty Factors dalam Satu Rule
Operator AND
IF inflasi tinggi, CF = 50 %, (A), AND IF tingkat pengangguran kurang dari 7 %, CF = 70 %, (B), ANDIF harga obligasi naik, CF = 100 %, (C) THEN harga saham naik
CF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)]
The CF for “harga saham naik” = 50 percent
![Page 19: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/19.jpg)
Contoh 2
IF Saya punya uang lebih, CF = 0.7, (A), AND IF kondisi badan sehat, CF = 0.8, (B), ANDIF tidak turun hujan, CF = 0.9, (C) THEN Saya akan pergi memancing
CF untuk “Saya akan pergi memancing” = 0.7
Operator AND (lanjutan)
![Page 20: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/20.jpg)
Operator ORContoh 1
IF inflasi turun, CF = 70 %, (A), OR IF harga obligasi tinggi, CF = 85 %, (B) THEN harga saham akan tinggiHanya 1(satu) IFIF untuk pernyataan ini dikatakan
benar. Kesimpulan hanya 1(satu) CFCF dengan nilai
maksimum
CF (A or B) = Maximum [CF(A), CF(B)]
The CF for “harga saham akan tinggi” = 85 percent
Kombinasi beberapa Certainty Factors dalam Satu Rule (lanjutan)
![Page 21: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/21.jpg)
Kombinasi 2 (dua) atau lebih Rule
Contoh :R1 : IF tingkat inflasi kurang dari 5 %,
THEN harga saham di pasar naik(CF = 0.7)R2: IF tingkat pengangguran kurang dari 7 %,
THEN harga saham di pasar 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)
![Page 22: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/22.jpg)
![Page 23: Modul 9 Ketidakpastian](https://reader030.fdocuments.net/reader030/viewer/2022033015/5695cff61a28ab9b029052c4/html5/thumbnails/23.jpg)
ReferensiSutojo, T., Mulyanto, E., Suhartono, V. (2011),
“Kecerdasan Buatan”, Andi YogyakartaSlide kuliah “Data Mining” Nurdin Bahtiar, S.Si, MT
23