490 likes | 1.12k Views
KETIDAKPASTIAN. PERTEMUAN 14. Ketidakpastian. Ketidakpastian data - informasi atau data diperoleh tdk lengkap - tidak dapat dipercaya sepenuhnya - berasal dari berbagai sumber dan saling bertolak belakang - bahasa penyajiannya kurang tepat
E N D
KETIDAKPASTIAN PERTEMUAN 14
Ketidakpastian • Ketidakpastian 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
Teorema Bayes • Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan yang diukur dengan probabilitas. • Teorema bayes dikemukakan oleh Thomas Bayes.
Teorema Bayes BentukumumteoremaBayes: (evidence tunggal dan hipotesis tunggal) Dimana Probabilitas Bersyarat: P(x | h) menyatakan peluang munculnya x jika diketahui h. dan: atau
Contoh 1 Diketahui suatu kondisi sbb: Peluangmunculnyacacatjikadiambilprodukdaripabrik A adalah: Jikasecara random diambildanternyatahasilnyacacat, makapeluangbarang yang terambiltsbdaripabrik A adalah:
TeoremaBayes(ProbabilitasBersyarat) evidence tunggal dan hipotesis ganda) 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
Teorema Bayes (Probabilitas Bersyarat) Contoh : Si Animengalamigejalaadabintik-bintikdiwajahnya. Doktermendugabahwa Si Aniterkenacacardengan: • Probabilitasmunculnyabintik-bintikdiwajah, jika Si Aniterkenacacar; p(Bintik2| Cacar) = 0.8 • Probabilitas Si Aniterkenacacartanpamemandanggejalaapapun; p(Cacar) = 0.4 • Probabilitasmunculnyabintik-bintikdiwajah, jika Si Anialergi; p(Bintik2| Alergi) = 0.3 • Probabilitas Si Aniterkenaalergitanpamemandanggejalaapapun; p(Alergi) = 0.7 • Probabilitasmunculnyabintik-bintikdiwajah, jika Si Anijerawatan; p(Bintik2| Jerawatan) = 0.9 • Probabilitas Si Anijerawatantanpamemandanggejalaapapun; p(Jerawatan) = 0.5
TeoremaBayes (ProbabilitasBersyarat) 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
TeoremaBayes (ProbabilitasBersyarat) 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
TeoremaBayes (ProbabilitasBersyarat) 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 Hitung Probabilitas Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya
Certainty Factors (CF) And Beliefs • Meyatakan kepercayaan dalam suatu “event” Taksiran Pakar • Ukuran keyakinan pakar fakta tertentu benar atau salah • Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan
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 factor MB[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]
P(H)=1 lainnya P(H)=0 lainnya P(H) = probabilitas kebenaran hipotesis H P(H|E) = probabilitas bahwa H benar karena fakta E
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
Contoh 2 • Seandainya 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.
P(edeme palbera inflamator ) = 0.02 P P(edeme palbera inflamator | peradangan mata) =40/100 = 0.4 MB(H|E) = max[0.4,0.02] – 0.02 1 – 0.02 = 0.4 -0.02 = 0.39 1-0.02 MD(H|E) = min [0.4 , 0.02] – 0.02 0 – 0,02 = 0.02 – 0.02 = 0 0 – 0.02 CF = 0.39 – 0 = 0.39 Rule : IF (Gejala = peradangan mata) THEN Penyakit = edeme palbera inflamator (CF = 0.39)
Wawancara seorang pakar Nilai CF (Rule) didapat dari interpretasi dari pakar yg diubah nilai CF tertentu. Pakar : Jika batuk dan panas, maka “hampir dipastikan” penyakitnya adalah influenza Rule : IF (batuk AND Panas) THEN penyakit = influenza (CF = 0.8)
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), AND IF 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
Operator AND (lanjutan) 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
Kombinasi beberapa Certainty Factors dalam Satu Rule (lanjutan) • Operator OR Contoh 1 • IF inflasi turun, CF = 70 %, (A), OR • IF harga obligasi tinggi, CF = 85 %, (B) • THEN harga saham akan tinggi Hanya 1(satu) IFuntukpernyataaninidikatakanbenar. Kesimpulanhanya 1(satu)CFdengannilaimaksimum CF (A or B) = Maximum [CF(A), CF(B)] • The CF for “harga saham akan tinggi” = 85 percent
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)
Jawabsoal CF(R1) = 0.7 CF(R2) = 0.6, CF(R1,R2) = 0.7 + 0.6(1 - 0.7) = 0.7 + 0.6(0.3) = 0.88 Misalkanada 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)
Dempster-Shafer Theory SecaraumumteoriDempster-Shafer ditulisdalamsuatu interval : [Belief, Palusibility] • Belief (Bel) adalahukurankekuatan evidence dalammendukungsuatuhimpinanproposisi. Jikabernilai 0 mengindikasikanbahwatidakada evidence, danPalusibility (Pl) jikabernilai 1 menunjukkanadanyakepastian. • Plausibility dinotasikansebagai : Pl(s) = 1 – Bel(s) Jikayakinakans makadikatkanbahwaBel(s) = 1 danpl(s) = 0.
Dempster-Shafer Theory • Pada teori Dempster-Shafer dikenal adanya frame of discernment yang dinotasikan dengan (theta). • Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. • Misal = {A,F,D,B} • dengan : A = Alergi F = Flue D = Demam B = Bronkitis
Dempster-Shafer Theory • Tujuanya adalah untuk mengkaitkan ukuran kepercayaan elemen-elemen dari . Tidak semua evidence secara langsung mendukung tiap-tiap elemen. • Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen saja, tetapi juga semua himpunan bagianya (sub-set). • Sehingga jika berisi n elemen, maka sub-set dari berjumlah 2n. • Selanjutnya harus ditunjukkan bahwa jumlah semua densitas (m) dalam sub-set sama dengan 1.
Dempster-Shafer Theory • Misal = {A,F,D,B} • dengan : A = Alergi F = Flue D = Demam B = Bronkitis • Andaikan tidak ada informasi apapun untuk memilih keempat hipotesis tersebut, maka nilai dari : • m{ } = 1, 0
Dempster-Shafer Theory • Jikakemudiadiketahuibahwapanasmerupakangejaladari Flue, DemamdanBronkitisdengan m = 0,8 maka : M{F, D, B} = 0,8 m{} = 1 – 0,8 = 0,2 Andaikandiketahui X adalah sub-set dari dengan m1sebagaifungsidensitasnya, dan Y jugamerupakan sub-set dari dengan m2sebagaifungsidensitasnya, makadapatdibentuksuatufungsikombinasi m1dan m2sebagai m3,
Dempster-Shafer Theory Fungsikombinasi m1 dan m2 sebagai m3 dibentukdenganpersamaandibawahini.
Dempster-Shafer Theory • Perhatikan CONTOH berikutini : • Vanymengalamigejalapanasbadan. Dari diagnose dokterkemungkinanVanymenderita Flue, DemamatauBronkitis. Tunjukkankaitanukurankepercayaandarielemen-elemen yang ada ! • Gejala 1: panas Apabiladiketahuinilaikepercayaansetelahdilakukanobservasipanassebagaigejalan Flue, DemamdanBronkitisadalah : m1{F,D,B} = 0,8 m1{} = 1 – 0,8 = 0,2. SeharikemudianVanydatangkedokterlagidengangejalahidungbuntu.
Dempster-Shafer Theory • Gejala 2: hidungbuntu SetelahobservasidiketahuibahwanilaikepercayaanhidungbuntusebagaigejalaAlergi, Flue danDemanadalah : m2{A, F,D} = 0,9 m2{} = 1 – 0,9 = 0,1 Munculnyagejalabarumakaharusdihitungdensitasbaruuntukbeberapakombinasi (m3). Untukmemudahkanperhitunganmakahimpunan-himpunanbagiandibawakebentuktabel.
Dempster-Shafer Theory • Tabel 8.4.1. Aturan Kombinasi untuk m3 • Keterangan : • Kolom pertama berisikan semua himpinan bagian pada gejala pertama (panas) dengan m1 sebagai fungsi densitas. • Baris pertama berisikan semua himpunan bagian pada gejala kedua (hidung buntu) dengan m2 sebagai fungsi densitas. • Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua himpunan
Dempster-Shafer Theory Selanjutnya dihitung densitas baru untuk beberapa kombinasi (m3) dengan persamaan Dempster-Shafer sbb :
Dempster-Shafer Theory • Keterangan : • Terlihatbahwapadamulanyadenganhanyagejalapanas, m{F,D,B} = 0,8. Namunsetelahadagejalabaru (hidungbuntu), makanilai m{F,D,B} = 0,08. • Demikian pula padamulanyahanyadengangejalahibungbuntu, m{A,F,D} = 0,9. Namunsetelahadagejalabaru (panas) maka m{A,F,D} = 0,18. • Denganadanya 2 gejalatersebut, makanilaidensitas yang paling kuatadalah m{F,D} = 0,72. • BagaimanajikaVanykedokterlagidanditemukangejalabarulagiberupaVanymakanudang.
Dempster-Shafer Theory • Setelahdilakukanobservasi, diketahuibahwaudangsebagaigejalaAlergidengannilaikepercayaan : m4{A} = 0,6 m4{} = 1 – 0,6 = 0,4 • Gejala3 : makanudang • Makaharusdihitungdensitasbaruuntuksetiaphimpunanbagiandenganfungsidensitas m5 • Untukmemudahkandibuattabeldengankolompertamaberisihimpunanbagian-himpunanbagianhasilkombinasigejala 1 dangejala 2 denganfungsidensitas m3. Sedangkanbarispertamaberisihimpunanbagian-himpunanbagianpadagejala 3 denganfungsidensitas m4. • Sehinggadihasilkantabelsbb :
Dempster-Shafer Theory • Tabel 8.4.2. Aturan kombinasi untk m5 • Sehingga dapat dihitung densitas baru m5 hasil kombinasi dari gejala lama dengan gejala baru.
Dempster-Shafer Theory • Densitas baru m5 adalah sbb :
Dempster-Shafer Theory • TernyatadengangejalabaruinikarenaVanymakanudangdimanaVanyalergiterhadapudang, nilaidensitas yang paling tetapyaitu m5{F,D} = 0,554. • Jadidengantigajenisgejala yang dialamiolehVany, kemungkinan paling kuatVanyterkena Flue danDemam.
Dempster-Shafer Theory Bagaimanadengankasusberikutini. • TomyadalahcalonmahasiswaBinusberasaldarikotaKabupatren di Sumatra. Terdapat 3 jurusan yang diminatiolehTomyyaituTeknikInformatika (I), Ekonomi (E) danPariwisata(P). Untukitudiamencobamengikutibeberapa test ujicoba. Ujicobapertama test Logikadenganhasil test menunjukkanbahwaprobabilitasdensitas m1{I,E} = 0,75. • Test keduaadalah test matematika, hasil test menunjukkanbahwaprobabilitasdensitas m2(I} = 0,8. • Test ketigaadalahwawancara. Hasil test menunjukkanbahwadensitasprobabilitas m4{P} = 0,3. • Tentukanprobabilitasdensitasdarikombinasigejala (hasil test) yang didapatolehTomy.