Penanganan Ketidakpastian Ketidakpastian Ketidakpastian dapat diartikan sebagai kurangnya

Penanganan Ketidakpastian

Ketidakpastian • Ketidakpastian dapat diartikan sebagai kurangnya informasi untuk mengambil keputusan. • Sumber dari ketidakpastian berasal dari validitas kaidah berbasis pengetahuan dan validitas yang berasal dari respon pengguna sistem pakar terhadap query yang diminta oleh sistem pakar.

Ketidakpastian yang terjadi pada suatu kaidah disebabkan oleh 3 hal: 1. Aturan tunggal 2. Ketidaksesuaian antar kaidah 3. Resolusi konflik

Aturan tunggal • Tiga hal yg mempengaruhi aturan tunggal: kesalahan, probabilitas, dan kombinasi premis. • Kesalahan disebabkan oleh: ØAmbiguitas, sesuatu didefinisikan lebih dari satu cara. ØKetidaklengkapan data/informasi, misalnya data hilang. ØKesalahan informasi, misal: kesalahan manusia dalam membaca data, meletakkan data, informasi yang tidak benar. ØKesalahan pengukuran: ketidaktepatan dalam melakukan pengukuran data

Aturan tunggal • Probabilitas disebabkan ketidakmampuan pakar dalam merumuskan kaidah secara pasti. • Kombinasi premis yang dimaksud adalah suatu kaidah yang terdiri dari lebih satu premis dan antar premis tersebut dihubungkan dengan beberapa operator yang berbeda. Contoh kombinasi premis: A 1 AND A 2 AND A 3, atau A 1 AND A 2 OR A 3, atau A 1 AND NOT A 2 OR A 3

Ketidaksesuaian antar kaidah • Kontradiksi kaidah R 1: IF terdapat api THEN siramlah dengan air. R 2: IF terdapat api THEN jangan disiram dengan air. • Subsumsi kaidah R 1: IF E 1 THEN H R 2: IF E 1 and E 2 THEN H

Ketidaksesuaian antar kaidah • Redundansi kaidah R 1: IF E 1 and E 2 THEN H R 2: IF E 2 and E 1 THEN H • Kaidah yang hilang (missing rule) IF E 4 THEN H. Jika E 4 diabaikan maka tidak akan pernah menyimpulkan H.

Ketidaksesuaian antar kaidah • Penggabungan data merujuk kepada ketidakpastian yang dihubungkan dengan perpaduan data dari tipe informasi yang berbeda. Kesemua tipe yang berbeda tersebut harus digabungkan untuk menjadikan mereka sebagai suatu informasi yang mendukung dan menjadi pertimbangan saat pengambilan keputusan akhir. Contoh : Dokter membuat diagnosis penyakit tidak hanya dari hasil pemeriksaan fisik, tetapi juga hasil laboratorium, riwayat penyakit pasien dsb.

Resolusi konflik • Resolusi konflik merupakan proses menyeleksi atau memilih kaidah yang ada jika terdapat lebih dari satu kaidah yang diaktivasi dan resolusi konflik disebabkan oleh interaksi antarkaidah.

Metode Resolusi konflik Metode-metode utk resolusi konfik: • Memicu kaidah berdasarkan prioritas. If the set contains rules 2, 5, 7 and 9, then fire rule 2. • Mempunyai kadiah yang mempunyai banyak premis yang harus dipenuhi Rule 1: IF A AND B THEN C Rule 2: IF D AND E AND F THEN G Rule 2 is fired because it has 3 conditions attached as opposed to the 2 conditions in rule 1

Metode Resolusi konflik • Memilih kaidah berdasarkan data yang terakhir dimasukkan dalam working memory. Rule 1: IF A AND B THEN C Rule 2: IF D AND E THEN F Rule 4: IF G AND H THEN I If the contents of working memory are B, A, H, G, E, D (added in that order with D most recent addition) then rule 2 will fire, as D and E are the most recent additions.

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) • Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis) didasarkan kepada evidence (atau expert’s assessment) CF[H, E] = MB[H, E] - MD[H, E] • • • CF MB MD H E = certainty factor = measure of belief = measure of disbelief = hipotesa = evidence, atau event

Certainty Factor (Lanjutan) 1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis. Jika e 1 dan e 2 adalah observasi, maka:

Contoh : • Si Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Asih terkena cacar dengan ukuran kepercayaan, MB[Cacar, Bintik 2] = 0. 8 dan MD[Cacar, Bintik 2] = 0. 01 CF[Cacar, Bintik 2] = 0. 80 - 0. 01 = 0. 79 Jika ada observasi baru bahwa Asih juga panas badan dengan kepercayaan MB[cacar, panas]=0, 7 dan MD[cacar, panas]=0, 08 maka : MB[cacar, bintik ∧ panas] 0, 8 + 0, 7 * (1 – 0, 8)=0, 94 MD[cacar, bintik ∧ panas] 0, 01 + 0, 08 * (1 – 0, 01) = 0, 0892 CF[cacar, bintik ∧ panas] 0, 94 – 0, 0892 = 0, 8508

Certainty Factor (Lanjutan) 2. CF dihitung dari kombinasi beberapa hipotesis Jika h 1 dan h 2 adalah hipotesis maka :

Contoh: Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan kepercayaan MB[cacar, bintik]= 0, 80 dan MD[cacar, bintik]= 0, 01 maka: CF[cacar, bintik] = 0, 80 - 0, 01 = 0, 79 • Jika observasi tersebut juga memberikan kepercayaan bahwa Asih mungkin juga terkena alergi dengan kepercayaan MB[alergi, bintik] = 0, 4 dan MD[alergi, bintik]=0, 3 maka CF[alergi, bintik] = 0, 4 – 0, 3 = 0, 1 • Untuk mencari CF[cacar^alergi, bintik] diperoleh dari MB[cacar^alergi, bintik] = min (0, 8 ; 0, 4) = 0, 4 MD[cacar^alergi, bintik] = min (0, 01 ; 0, 3) = 0, 01 CF[cacar^alergi, bintik] = 0, 4 – 0, 01 = 0, 39

Contoh (Lanjutan) • Untuk mencari CF[cacar v alergi, bintik] diperoleh dari alergi, MB[cacar v alergi, bintik] = max (0, 8 ; 0, 4) = 0, 8 MD[cacar v alergi, bintik] = max (0, 01 ; 0, 3) CF[cacar v alergi, bintik] = 0, 8 – 0, 3 = 0, 5 • Kesimpulan : semula faktor kepercayaan bahwa Asih terkena cacar dari gejala munculnya bintik-bintik di wajahnya adalah 0, 79. Demikian pula faktor kepercayaan bahwa Asih terkena alergi dari gejala munculnya bintik di wajah adalah 0, 1. Dengan adanya gejala yang sama mempengaruhi 2 hipotesis yang berbeda ini memberikan faktor kepercayaan : Asih menderita cacar dan alergi = 0, 39 Asih menderita cacar atau alergi = 0, 5

Kombinasi beberapa Certainty Factors dalam Satu Rule • Operator AND IF inflation is high, CF = 50 %, (E 1), AND IF unemployment rate is above 7 %, CF = 70 %, (E 2), AND IF bond prices decline, CF = 100 %, (E 3) THEN stock prices decline CF[H, E 1^E 2^E 3] = Minimum (CF[H, E 1], CF[H, E 2], CF[H, E 3]) The CF for “stock prices to decline” = 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 OR Contoh 1 • IF inflation is low, CF = 70 %, (A), OR • IF bond prices are high, CF = 85 %, (B) • THEN stock prices will be high Hanya 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 “stock prices to be high” = 85 percent

To calculate a combined certainty factor we can use the following equation: where: cf 1 is the confidence in hypothesis H established by Rule 1; cf 2 is the confidence in hypothesis H established by Rule 2; |cf 1| and |cf 2| are absolute magnitudes of cf 1 and cf 2, respectively.

Kombinasi 2 (dua) atau lebih Rule • Contoh : – R 1 : – R 2: IF the inflation rate is less than 5 %, THEN stock market prices go up (CF = 0. 7) IF unemployment level is less than 7 %, THEN stock market prices go up (CF = 0. 6) Hitung kombinasi CF untuk dua rule di atas (0. 88)

Jawab soal CF(R 1) CF(R 2) = = 0. 7 0. 6, CF(R 1, R 2) = 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(R 1, R 2, R 3) = CF(R 1, R 2) + CF(R 3) [1 - CF(R 1, R 2)] R 3 : IF bond price inceases, THEN stock prices go up (CF = 0. 85) Hitung CF baru ? (0. 982)

Kombinasi 2 (dua) atau lebih Rule A jurors beliefs: 1. If defendant’s fingerprints on gun then guilty (0. 75) 2. If defendant has motive then guilty (0. 6) 3. If defendant has alibi then guilty (-0. 8) CF(cf 1, cf 3)=(0. 75+(-0. 8))/(1 -0. 75)=-0. 05/0. 25=-0. 20

Rules with uncertain evidence: 1 premise • When a rule has a single premise, the certainty of the conclusion is the PRODUCT of the certainty of the premise multiplied by the certainty of the rule: • I. E. R 1: if P then C CF(C) = CF(P) * CF(R 1) • Example: – R 1: IF pregnant(X) THEN has_diabetes(X) CF=0. 3 – R 2: IF has_diabetes(X) THEN kidney_damaged(X) CF=0. 2 – CF(pregnant(Mary)) =0. 9 – Thus: CF(diabetes(Mary)) = CF(pregnant(Mary)) * CF(R 1) = 0. 27 – Thus: CF(kidney_dam(Mary)) = CF(diabetes(Mary)) * CF(R 2) = 0. 054

Rules with uncertain evidence: negative evidence A rule is only applicable if you believe the premise to be true Thus, if the CF of the Premises is negative (you do not believe them) then the rule does not apply. E. g. IF has_fever(X) THEN has_COLD(X) CF 0. 7 But has_fever(John) has CF -0. 2 Then I cannot say anything about John having a cold.

Rules with uncertain evidence: more than one premise • If a rule has more than one premise: IF P 1&P 2&P 3 THEN C • We find the CF of the set of premises – WHICH is just the MIN • CF(C) is thus calculated: CF(C)= CFPs * CF(RULE) if CFPs>0 CFPs = MIN(CF(P 1), CF(P 2), CF(P 3))

Rules with uncertain evidence: more than one premise Implementation shortcut: • Note: IF the CF of any one premise is ≤ 0 THEN the CF of the set is ≤ 0 THUS: The rule does not apply! • THUS, when evaluating the premises of a rule, one can stop processing if a premise has CF ≤ 0

Contoh: Terdapat kaidah: IF sesak nafas AND ronkhi krepitasi AND demam AND sesak nafas berat THEN menderita Pneumonia, dengan CF = 0. 87 dengan memberikan notasi: E 1 = sesak nafas E 2 = ronkhi krepitasi E 3 = demam E 4 = sesak nafas berat H = menderita Pneumonia Dalam kasus ini, kondisi pasien tidak dapat ditentukan secara pasti karena dipengaruhi oleh evidence e, sehingga besarnya nilai CF(E) untuk masing-masing evidence E sebagai berikut: CF(E 1)=0. 8, CF(E 2)=0. 5, CF(E 3)=0. 75, CF(E 4)=0. 4. Carilah CF pasien menderita penumonia.