357ba p6 artificial intelegence

40 

Loading....

Loading....

Loading....

Loading....

Loading....

Teks penuh

(1)

Artificial Intelegence

(2)

Pokok Bahasan

• Ketidak Pastian

• Teorema Bayes

(3)

Ketidakpastian

• Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh.

• Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian.

• Hasil yang tidak pasti disebabkan oleh dua faktor yaitu:

Aturan yang tidak pasti

(4)

• Hal ini bisa dilihat pada sistem diagnosa penyakit dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, Dan pasien tidak dapat merasakan suatu gejala dengan pasti pula.

(5)

Teori Penyelesaian Ketidakpastian

• Probabilitas klasik (classical probability)

• Probabilitas Bayes (Bayesian probability)

• Teori Hartley berdasarkan himpunan klasik (Hartley theory based on classical sets)

• Teori Shannon berdasarkan pada probabilitas (Shanon theory based on probability)

• Teori Dempster-Shafer (Dempster-Shafer theory)

• Teori fuzzy Zadeh (Zadeh’s fuzzy theory)

(6)

Ketidakpastian Aturan

• Ada tiga penyebab ketidakpastian aturan yaitu Aturan tunggal

Ketidakcocokan (incompatibility) antar konsekuen dalam aturan

(7)

Aturan Tunggal

• Kesalahan

Ambiguitas, sesuatu didefinisikan dengan lebih dari satu cara

Ketidaklengkapan data

Kesalahan informasi

Ketidakpercayaan terhadap suatu alat

Adanya bias

• Probabilitas

disebabkan ketidakmampuan seorang pakar merumuskan suatu aturan secara pasti

(8)

Incompability Aturan

• Kontradiksi aturan

• Subsumpsi aturan

• Redundancy aturan

• Kehilangan aturan

(9)

Kontradiksi Aturan

• aturan 1 :

JIKA anak demam

MAKA harus dikompres

• aturan 2 :

JIKA anak demam

(10)

Subsumpsi Aturan

• aturan 3 : JIKA E1 MAKA H

• aturan 4 : JIKA E1 DAN E2 MAKA H

(11)

Redudancy Aturan

• aturan 5 : JIKA E1 DAN E2 MAKA H

• aturan 6 : JIKA E2 DAN E1 MAKA H

(12)

Kehilangan Aturan

• aturan 7 : JIKA E4 MAKA H

(13)

Probabilitas

(14)
(15)

Probabilitas Berbobot

(16)
(17)

Teori Probabilitas

Digunakan dalam menarik kesimpulan dari eksperimen yang memuat suatu kejadian yang tidak pasti

Konsep Probabilitas

Eksperimen yang diulan-ulang dalam kondisi yang sama akan memberikan hasil yang berbeda-beda. Hasil eksperimen ini, sangat bervariasi dan tidak tunggal

(18)

Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali diantara N peristiwa yang saling eksklusif (saling asing/ terjadinya peristiwa yang satu mencegah terjadinya

peristiwa yang lain) dan masing-masing terjadi dengan

kesempatan yang sama, maka probabilitas terjadinya peristiwa E adalah :

Jika P(E) = 0, maka diartikan peristiwa E pasti tidak terjadi, sedangkan P(E)=1, dapat diartikan peristiwa E pasti terjadi, apabila E menyatakan buka peristiwa E, maka diperoleh :

(19)

Probabilitas Bersyarat

• Jika P(A) menyatakan probabilitas kejadian A, P(B) menyatakan probabilitas kejadian B, dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(A |B), dan besarnya adalah :

(20)

Contoh

• P(Dila terkena cacar|Dila mempunyai bintik-bintik di wajah) adalah 0,8

• Ini sama dengan rule berikut :

• IF Dila mempunyai bintik-bintik di wajah THEN Dila terkena cacar (0,8)

• Rule ini mempunyai arti sbb :

(21)

Teorema Bayes

• Ditemukan oleh Reverend Thomas Bayes abad ke 18.

• Dikembangkan secara luas dalam statistik inferensia.

(22)

• Brntuk teorema Bayes untuk evidence tunggal E dan hipotesis tunggal H adalah :

• Dengan :

• p(H|E) = probabilitas hipotesis H terjadi jika evidence E terjadi

• P(E|H) = probabilitas munculnya evidence E, jika hipotesis H terjadi

• P(H) = probabilitas hipotesis H tanpa memandang evidence apapun

(23)

Soal

• Diketahui :

p (demam)= 0,4 p (muntah)= 0,3

p (demam|muntah) = 0,75

• Pertanyaan :

a. Berapa nilai dari p(muntah|demam) ?

(24)

Jawaban Soal A

• p(muntah|demam) = p(demam|muntah) x p(muntah)

▫ p(muntah)

▫ = 0,75 x 0,3

▫ 0,4

▫ = 0,56

(25)

Bentuk Teorema Bayes untuk evidence tunggal

E dan hipotesis ganda H1, H2, …. Hn

dengan:

p(Hi|E) = probabilitas hiposesis Hi benar jika diberikan evidence E.

p(E|Hi) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi benar.

p(Hi) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun.

(26)

Untuk evidence ganda E1, E2,…., Em dan hipotesis ganda H1, H2, …., Hn adalah :

(27)

Contoh Kasus

• Tabel berikut menunjukkan tabel probabilitas bersyarat evidence E1E2E3 dan hipotesis H1H2H3. Misalkan pertama kali kita hanya mengamati evidence E3, hitung probabilitas terjadinya hipotesis : a. H1 jika semula hanya evidence E3 yang teramati

b. H2 jika semula hanya evidence E3 yang teramati c. H3 jika semula hanya evidence E3 yang teramati

Probabilitas Hipotesis

i = 1 i = 2 i = 3 P(Hi) 0,4 0,35 0,25

P(E1|Hi) 0,3 0,8 0,5

P(E2|Hi) 0,9 0 0,7

(28)

• Persoalan ini adalah persoalan teorema bayes untuk

evidence tunggal E dan hipotesis ganda H1H2H3 dengan persamaan berikut :

(29)
(30)

Kesimpulan

(31)

Contoh Lainnya

• Si Ani mengalami gejala ada bintik-bintik di wajahnya.

Dokter menduga bahwa Si Ani terkena:

1.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

2.Alergi, dengan :

 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2|Alergi) = 0,3.

(32)

3.Jerawat, dengan

 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan;

p(Bintik2|Jerawatan) = 0,9.

 Probabilitas Si Ani jerawatan tanpa

(33)
(34)
(35)
(36)

• Bintik-bintik di wajah merupakan gejala bahwa seseorang terkena cacar.

• Observasi baru menunjukkan bahwa selain adanya bintik-bintik di wajah, panas badan juga merupakan gejala orang terkena cacar.

(37)
(38)
(39)
(40)

• Probabilitas YA di PENYAKIT 1 terhadap semua penyakit P(PENYAKIT 1 | YA)

= P(YA | PENYAKIT 1)*P(PENYAKIT 1) / P(YA) = 0.4*0.33/0.4818 = 0.274

• Probabilitas YA di PENYAKIT 2 terhadap semua probabilitas di semua penyakit:

P(PENYAKIT 2 | YA)

= P(YA | PENYAKIT 2)*P(PENYAKIT 2) / P(YA) = 0.4*0.33/0.4818 = 0.274

• Probabilitas YA di PENYAKIT 3 terhadap semua probabilitas di semua penyakit:

P(PENYAKIT 3 | YA)

Figur

Memperbarui...

Referensi

Memperbarui...

Related subjects :