Ketidakpastian Kepastian REASONING Disampaikan oleh Yusuf Nurrachman ST
- Slides: 27
Ketidakpastian & Kepastian (REASONING) Disampaikan oleh : Yusuf Nurrachman, ST, MMSI
Ketidakpastian Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidak konsistenan disebut dengan “Penalaran Non Monotonis”. Ciri – ciri dari penalaran non monotonis adalah : 1. Mengandung ketidakpastian; 2. Adanya perubahan pada pengetahuan. 3. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk. 4. Misalkan S adalah konklusi dari D, bisa jadi S tidak dibutuhkan sebagai konklusi D + fakta – fakta baru. Sedangkan penalaran Monotonis memiliki ciri – ciri: 1. Konsisten; 2. Pengetahuannya lengkap.
Teorema Bayes • Bentuk Umum Teorema Bayes p(Hi|E) = n p(E|Hi)*p(Hi) p(E|Hk)*p(Hk) k=1 p(Hi|E) = probabilitas hiposesis Hi benar jika diberikan evidence E. p(E|Hi) = probablitas munculnya evidence E, jika diketahui hipotesis p(Hi) = n Hi benar probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun = jumlah hipotesis yang mungkin
Contoh: Kasus Gejala Ani q Si Ani mengalami gejala ada bintik – bintik diwajahnya. Dokter menduga bahwa si Ani terkena cacar dengan: • Probabilitas munculnya bintik 2 x di wajah, jika si Ani terkena cacar, p(Bintik 2|Cacar)=0, 8. • Probabilitas si Ani terkena cacar tanpa memandang gejala apapun p(Cacar)=0, 4. • Probabilitas munculnya bintik 2 x di wajah, jika si Ani alergi, p(Bintik 2|Alergi)=0, 3. • Probabilitas si Ani terkena alergi tanpa memandang gejala apapun p(Alergi)=0, 7. • Probabilitas munculnya bintik 2 x di wajah, jika si Ani jerawatan, p(Bintik 2|Jerawatan)=0, 9. • Probabilitas si Ani Jerawatan tanpa memandang gejala apapun p(Jerawatan)=0, 5.
Penyelesaian • Probabilitas si Ani terkena cacar karena ada bintik – bintik di wajahnya adalah : P(Bintik 2|Cacar)*p(Cacar) P(Cacar|Bintik 2) = p(Bintik 2|Cacar)*p(Cacar)+p(Bintik 2|Alergi)*p(Alergi)+p(Bintik 2|Jerawat)*p(Jerawat) P(Cacar|Bintik 2) = (0, 8) * (0, 4) (0, 8)*(0, 4)+(0, 3)*(0, 7)+(0, 9)*(0, 5) = 0, 32 0, 98 = 0, 327 • Probabilitas si Ani terkena alergi karena ada bintik – bintik di wajahnya adalah : P(Alergi|Bintik 2) = P(Bintik 2|alergi)*p(alergi) p(Bintik 2|Cacar)*p(Cacar)+p(Bintik 2|Alergi)*p(Alergi)+p(Bintik 2|Jerawat)*p(Jerawat) P(Alergi|Bintik 2) = (0, 3) * (0, 7) (0, 8)*(0, 4)+(0, 3)*(0, 7)+(0, 9)*(0, 5) = 0, 21 0, 98 = 0, 214
Penyelesaian • Probabilitas si Ani Jerawatan karena ada bintik – bintik di wajahnya adalah : P(Bintik 2|Jerawat)*p(Jerawat) P(Jerawat|Bintik 2) = p(Bintik 2|Cacar)*p(Cacar)+p(Bintik 2|Alergi)*p(Alergi)+p(Bintik 2|Jerawat)*p(Jerawat) P(Jerawat|Bintik 2) = (0, 9) * (0, 5) (0, 8)*(0, 4)+(0, 3)*(0, 7)+(0, 9)*(0, 5) = 0, 45 0, 98 = 0, 459
Setelah pengujian hipotesis • Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence atau observasi baru, maka : p(e|E, H) p(Hi|E, e) = p(Hi|E) * p(e|E) • e = evidence lama • E = evidence atau observasi baru • p(Hi|E, e)= probabilitas hipotesis H benar jika muncul evidence baru E dari evidence lama e • p(Hi|E) = probabilitas hipotesis H benar jika diberikan evidence E • p(e|E, H) = Kaitan antara e dan E jika hipotesis H benar • p(e|E) = Kaitan antara e dan E tanpa memandang hipotesis apapun
Ternyata cacar ada hubungan dengan panas badan !!! • Probabilitas, hipotesa orang yang terkena cacar pasti mengalami panas. orang terkena cacar apabila ada bintik 2 diwajah p(cacar|panas)=0, 5 • Keterkaitan antara adanya bintik di wajah dan panas seseorang terkena cacar p(Bintik 2|Panas, Cacar)=0, 4. • Keterkaitan antara adanya bintik – bintik di wajah dan panas, p(Bintik 2|Panas)=0, 6. maka : p(Bintik 2|Panas, Cacar) p(Bintik 2|Panas) 0, 4 p(Cacar|Panas, Bintik 2) = 0, 5* = 0, 33 0, 6 p(Cacar|Panas, Bintik 2) = p(Cacar|Panas)*
FAKTOR KEPASTIAN (CERTAINTY FACTOR) Certainty Faktor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Notasi Faktor Kepastian : CF[h, e] = MB[h, e] – MD[h, e] Dengan : CF[h, e] = Faktor kepastian MB[h, e] = Ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e(antara 0 dan 1). MD[h, e]= Ukuran ketidak percayaan terhadap evidence h, jika diberikan evidence e(antara 0 dan 1) Ada 3 hal yang mungkin terjadi :
A e 1 h e 2 (a) h 1 h 2 (b) B C (c) Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis (gambar (a)), jika e 1 dan e 2 adalah observasi , maka : MB[h, e 1 e 2] = MD[h, e 1 e 2] = 0 MB[h, e 1]+MB[h, e 2]. (1 -MB[h, e 1]) 0 MD[h, e 1]+MD[h, e 2]. (1 -MD[h, e 1]) MD[h, e 1 e 2] = 1 lainnya MB[h, e 1 e 2] = 1 lainnya
e 1 h e 2 (a) Contoh : Andaikata sebuah observasi memberikan kepercayaan terhadap h dengan MB[h, e 1] = 0, 3 dan MD[h, e 1]=0. Sehingga CF[h, e 1] = 0, 3 – 0 = 0, 3 Jika ada observasi baru dengan MB[h, e 2]=0, 2 dan MD[h, e 2]=0, maka MB[h, e 1 e 2] = 0, 3+0, 2*(1 -0, 3)=0, 44 MD[h, e 1 e 2] = 0 CF[h, e 1 e 2] = 0, 44 – 0 = 0, 44
Contoh lain dari gambar (a) • Si Ani menderita bintik – bintik di wajahnya. Dokter memperkirakan si Ani terkena cacar dengan kepercayaan – MB[Cacar, Bintik 2]=0, 80 dan MD[Cacar, Bintik 2]=0, 01, maka CF[Cacar, Bintik 2]=0, 80 – 0, 01=0, 79 • Jika ada observasi baru bahwa si Ani juga panas badan dengan kepercayaan, MB[Cacar, Panas]=0, 7 dan MD[Cacar, Panas]=0, 08 maka : – – MB[Cacar, Bintik 2 Panas] = 0, 8+0, 7*(1 -0, 8)=0, 94 MD[Cacar, Bintik 2 Panas]=0, 01+0, 08*(1 -0, 01)=0, 0892 CF[Cacar, Bintik 2 Panas]=0, 94 – 0, 0892 = 0, 8508 Dari hasil ini dapat disimpulkan bahwa faktor kepercayaan sebelumnya lebih kecil dibanding setelah muncul gejala baru yaitu panas.
Menghitung Faktor Kepastian(CF) dengan Hipotesa h 1 h 2 (b) CF dihitung dari kombinasi beberapa hipotesis (Gambar 4. 3 b) , jika h 1 dan h 2 adalah hipotesis, maka: MB[h 1 h 2, e]=min(MB[h 1, e], MB[h 2, e]) MB[h 1 h 2, e]=max(MB[h 1, e], MB[h 2, e]) MD[h 1 h 2, e]=min(MD[h 1, e], MD[h 2, e]) MD[h 1 h 2, e]=max(MB[h 1, e], MD[h 2, e])
Contoh: Faktor Kepastian dengan Hipotesa • • Si Paul menderita bintik 2 x diwajahnya. Dokter memperkirakan si Paul terkena cacar dengan kepercayaan, MB[Cacar, Bintik 2]=0, 80 dan MD[Cacar, Bintik 2]=0, 01. Maka: CF[Cacar, Bintik 2]=0, 80 – 0, 01 = 0, 79 Jika observasi tersebut juga memberikan kepercayaan, bahwa si Paul mungkin juga terkena alergi dengan kepercayaan, MB[Alergi, Bintik 2] = 0, 4 dan MD[Alergi, Bintik 2] = 0, 3; maka: CF[Alergi, Bintik 2]=0, 4 – 0, 3 = 0, 1. • Untuk mencari CF[Cacar Alergi, Bintik 2] dapat diperoleh dari: – MB[Cacar Alergi, Bintik 2] = min(0, 8; 0, 40) = 0, 4 – MD[Cacar Alergi, Bintik 2] = min(0, 01; 0, 3) = 0, 01 – CF[Cacar Alergi, Bintik 2] = 0, 4 – 0, 01 = 0, 39 • Untuk mencari CF[Cacar Alergi, Bintik 2] dapat diperoleh dari: – MB[Cacar Alergi, Bintik 2] = max(0, 8; 0, 40) = 0, 8 – MD[Cacar Alergi, Bintik 2] = max(0, 01; 0, 3) = 0, 3 – CF[Cacar Alergi, Bintik 2] = 0, 8 – 0, 3 = 0, 5
Kesimpulan • Dari hasil diatas Paul terkena cacar dari gejala muncul bintik 2=0, 79 • Paul terkena alergi dari gejala muncul bintik 2 X=0, 1 • hal ini mempengaruhi 2 hipotesis berbeda dengan gejala yang sama, memberikan faktor kepercayaan bahwa : – Si Paul menderita cacar dan alergi =0, 39 – Si Paul menderita cacar atau alergi = 0, 5
Kasus lain • Pada pertengahan tahun 2002, ada indikasi bahwa turunnya devisa indonesia disebabkan oleh permasalahan TKI di Malaysia. Apabila diketahui: MB[Devisa. Turun, TKI] = 0, 8 dan MD[Devisa Turun, TKI] = 0, 3; maka carilah berapa CF[Devisa Turun, TKI]? • Jawab : • CF[Devisa Turun, TKI] = MB[Devisa. Turun, TKI]MD[Devisa. Turun, TKI]; = 0, 8 - 0, 3 = 0, 5. • Ternyata pada akhir September 2002, kemarau yang berkepanjangan mengakibatkan gagal panen yang cukup serius, hal ini ternyata juga berdampak pada turunnya export Indonesia. Apabila diketahui MB[Devisa. Turun, Export. Turun]=0, 75 dan MD[Devisa. Turun, Expor. Turun]=0, 1, • maka carilah berapa CF[Devisa. Turun, Ekspor. Turun] dan berapa CF[Devisa. Turun, TKI Ekspor Turun]?
Jawaban Devisa Turun q CF[Devisa. Turun, Ekspor. Turun] = • =MB[Devisa. Turun, Ekspor. Turun] - MD[Devisa. Turun, Ekspor. Turun] • =0, 75 – 0, 1 = 0, 65 q MB[Devisa. Turun, TKI Ekspor Turun] – = MB[Devisa. Turun, TKI] + MB[Devisa. Turun, Export. Turun]*(1 MB[Devisa. Turun, TKI]) – = 0, 8 + 0, 75*(1 -0, 8) = 0, 95 q MD[Devisa. Turun, TKI Ekspor Turun] • = MD[Devisa. Turun, TKI] + MD[Devisa. Turun, Export. Turun]*(1 MD[Devisa. Turun, TKI]) • = 0, 3 + 0, 1 * (1 – 0, 3) = 0, 37 q CF[Devisa. Turun, TKI Ekspor. Turun] q MB[Devisa. Turun, TKI Ekspor Turun] - MD[Devisa. Turun, TKI Ekspor Turun] q = 0, 95 – 0, 37 = 0, 58 q Next -
Lanjutan soal Bom Bali • 12 Oktober 2002 terjadi bom bali sehingga hal ini mengakibatkan juga devisa turun karena wisatawan asing takut datang ke Indonesia. • Dik : MB[Devisa. Turun, Bom. Bali]=0, 5 dan MD[Devisa. Turun, Bom. Bali]=0, 3 • Maka carilah berapa CF[Devisa. Turun, Bom. Bali] dan berapa CF[Devisa. Turun, TKI^Ekspor. Turun^Bo m. Bali]?
A (c) Gambar (C) B C Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk aturan lainnya: Maka : MB[h, s] =MB’[h, s] * max(0, CF[s, e]) Dengan MB’[h, s] adalah keyakinan penuh terhadap validitas s. Contoh : PHK = terjadi PHK Pengangguran = muncul banyak pengangguran Gelandangan = muncul banyak gelandangan Aturan : /1/ If terjadi PHK Then muncul banyak pengangguran (CF[Pengangguran, PHK]=0, 9) /2/ If muncul banyak pengangguran Then muncul banyak gelandangan (MB[Gelandangan, Pengangguran]= 0, 7) Maka : MB[Gelandangan, Pengangguran] = (0, 7) * (0, 9) = 0, 63
Teori Dempster - Shafer • Secara umum Teori Dempster – Shafer ditulis dalam suatu interval: [Belief, Plausibility] • Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi, jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya Plausibility • Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel(-s) Plausability bernilai 0 sampai 1. jika kita yakin s, maka dapat dikatakan bahwa Bel( s)=1 dan Pl( s)=0, Pada teori Dempster-Shafer kita mengenal adanya frame of discernment yang dinotasikan dengan . Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis
Misal: • ={A, F, D, B} Dengan: A = Alergi; F = Flu; D = Demam; B = Bronkitis; • • Tujuan dari keterangan diatas adalah untuk mengaitkan ukuran kepercayaan elemen – elemen . Tidak semua evidence secara langsung mendukung tiap – tiap elemen. Sebagai contoh, panas mungkin hanya mendukung {F, D, B} Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen – elemen saja, namun juga semua subsetnya. Sehingga jika berisi n elemen, maka subset dari semuanya berjumlah 2 n. Kita harus menunjukkan jumlah m dalam subset sama dengan 1. Andaikan tidak ada informasi apapun untuk memilih keempat hipotesis tersebut, maka nilai : m( )= 1, 0 Jika kemudian diketahui bahwa panas merupakan gejala dari flu, demam, dan bronkitis dengan m= 0, 8, maka: M{F, D, B} = 0, 8 M{ } = 1 – 0, 8 = 0, 2
Jika diketahui ? • Jika diketahui x adalah subset dari , dengan m 1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari dengan m 2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m 1 dan m 2 sebagai m 3, yaitu : M 3(Z) = X Y=Zm 1(X). m 2(Y) 1 - X Y= m 1(X). m 2(Y) • Next Contoh Soalnya …. .
Case • Si Ani mengalami gejala panas badan. Dari diagnosa dokter, penyakit yang mungkin diderita oleh si Ani adalah Flu, demam atau bronkitis • Gejala 1 Panas – Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala dari penyakit flu, demam dan bronkitis adalah : – m 1{F, D, B} = 0, 8 – m 1{ } = 1 – 0, 8 = 0, 2, beberapa hari kemudian ada keluhan hidung buntu. • Gejala 2 Hidung Buntu – Setelah observasi gejala tersebut dikarenakan alergi, flue, demam, dengan nilai kepercayaan: – m 2{A, F, D} = 0, 9 – m 2{ } = 1 – 0, 9 = 0, 1
Munculnya gejala baru hidung buntu , harus dibuat tabel untuk penyelesaian • Munculnya gejala baru ini mengharuskan kita untuk menghitung densitas baru untuk beberapa kombinasi (m 3), sehingga harus dibuat tabel untuk menyelesaikan {A, F, D} (0, 9) (0, 1) {F, D, B} (0, 8) {F, D} (0, 72) {F, D, B} (0, 08) (0, 2) {A, F, D} (0, 18) (0, 02) {F, D} merupakan irisan dari {A, F, D} & {F, D, B} , kolom 1 {F, D, B} irisan dengan baris 1 kolom 2, {A, F, D} irisan dengan baris 2 kolom 1, Sehingga dapat dihitung nilai densitas m 3: m 3{F, D} = 0, 72/1 – 0 = 0, 72 m 3{A, F, D} = 0, 18/1 – 0 = 0, 18 m 3{F, D, B} = 0, 08/1 – 0 = 0, 08 m 3{ } = 0, 02/1 – 0 = 0, 02, didapat nilai densitas terkuat adalah m{F, D} sebesar 0, 72
Hari berikutnya? • Hari berikutnya si Ani datang lagi, dan memberitahukan bahwa minggu lalu dia baru saja datang dari piknik • Gejala 3 : • Jika diketahui nilai kepercayaan setelah dilakukan observasi terhadap piknik sebagai gejala dari alergi adalah: • m 4{A} • m 4{ } = 0, 6 = 1 – 0, 6 = 0, 4 • Maka kita harus menghitung kembali fungsi densitas baru m 5 dengan cara yang sama dimana fungsi densitas dari m 3 dan m 4 akan di proses dengan tabel
Aturan kombinasi untuk m 5 {A} {F, D} (0, 72) (0, 6) (0, 432) {F, D} (0, 288) {A, F, D} (0, 18) {A} (0, 108) {A, F, D} (0, 072) {F, D, B} (0, 08) (0, 048) {F, D, B} (0, 032) (0, 012) (0, 008) {A} Sehingga dapat dihitung : m 5{A} = 0, 108+0, 012 / 1 - (0, 432+0, 048) = 0, 231 m 5{F, D} = 0, 288 / 1 – (0, 432 + 0, 048) = 0, 554 m 5{A, F, D} = 0, 072 / 1 – (0, 432 + 0, 048) = 0, 138 m 5{F, D, B} = 0, 032 / 1 – (0, 432 + 0, 048) = 0, 062 m 5{ } = 0, 008 / 1 – (0, 432 + 0, 048) = 0, 015 (0, 432 + 0, 048) didapat apabila ada irisan kosong yang mempunyai nilai
H’WORK • Bila diketahui Ali menyukai 3 jurusan yaitu TI (I), Psikologi(P), atau Hukum (H). Untuk itu ia mencoba mengikuti tes 1 yaitu ujicoba logika dengan nilai densitas: m 1{I, P} = 0, 75 dan tes kedua adalah matematika { I }, hasil tes menunjukkan bahwa probabilitas densitas : m 2{I} = 0, 8 – Untuk tes yang kedua Carilah probabilitas densitas yang baru untuk {I, P} dan { I }? • Dihari berikutnya , Si Ali mengikuti tes yang ketiga yaitu PMP. Hasil tes menunjukkan bahwa probabilitas densitas: m 4[H] = 0, 3. – Tentukan probabilitas yang baru untuk {I, P}, {I}, dan {H}?
- Yusuf nurrachman
- Yusuf nurrachman
- Ll lll pln
- Yusuf nurrachman
- Yusuf nurrachman
- Yusuf nurrachman
- Hodan yusuf omar helsinki
- Kriteria majemuk dalam kepastian
- Audit kepastian mutu
- Kriteria majemuk dalam kepastian
- Audit kepastian mutu
- Contoh kasus culpa levis
- V
- Patterns and inductive reasoning
- Dedictive reasoning
- Deductibe reasoning
- Inductive vs deductive geometry
- Deductive reasoning
- Inductive vs deductive
- Pokok dari seluruh pidato disampaikan pada
- Pada poster disusun secara
- Informasi utama disampaikan melalui
- Ruang lingkup pengukuran dan ketidakpastian
- Risiko dinamis
- Penetapan harga dalam pasar yang mapan
- Detail 1
- Pengertian ketidakpastian (uncertainty)
- Rumus p(anb)