PENALARAN
KETIDAKPASTIAN
Ketidakpastian dapat dianggap sebagai suatu
kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian
merupakan suatu permasalahan karena mungkin menghalangi kita dalam membuat
suatu keputusan yang terbaik bahkan mungkin dapat menghasilkan suatu keputusan
yang buruk. Dalam dunia medis, ketidakpastian mungkin menghalangi pemeriksaan
yang terbaik untuk para pasien dan berperan untuk suatu terapi yang keliru.
Dalam bisnis, ketidakpastian dapat berarti kerugian keuangan.
Sejumlah teori yang berhubungan dengan
ketidakpastian telah ditemukan, diantaranya probabilitas klasik, probabilitas
Bayes, teori Hartley yang berdasarkan pada himpunan klasik, teori Shanon yang
didasarkan pada peluang, teori Dempester-Shafer dan teori fuzzy Zadeh.
Contoh-contoh klasik system pakar yang sukses yang bergubungan dengan
ketidakpastian adalah MYCIN yang berguna untuk diagnose medis dan PROSPECTOR
untuk eksplorasi mineral.
Suatu penalaran dimana adanya penambahan fakta baru
mengakibatkan ketidakkonsistenan, disebut dengan “Penalaran Non Monotonis”.
Ciri-ciri penalaran tsb sebagai berikut :
·
mengandung ketidakpastian
·
adanya perubahan pada pengetahuan
·
adanya penambahan fakta baru dapat
mengubah konklusi yang sudah terbentuk, misalkan S adalah konklusi dari D, bisa
jadi S tidak dibutuhkan sebagai konklusi D + fakta baru
·
untuk mengatasi ketidakpastian maka
digunakan penalaran statistik.
Contoh
aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian:
·
MYCIN untuk diagnosa medis
·
PROPECTOR untuk ekplorasi mineral
Banyak kemungkinan dan ketidakpastian menyertai
dalam masalah dan solusinya. Ada beberapa sumber dari ketidakpastian, beberapa
diantaranya adalah :
1. Masalah
Beberapa masalah meliputi factor-faktor yang oleh
sifat mereka, tidak pasti atau acak. Sebagai contoh, dalam pengobatan, penyakit
yang sama dapat member gejala yang berbeda untuk pasien yang lain.
2. Data
Beberapa masalah mungkin memiliki batasan yang
kurang jelas bagi seseorang. Orang yang menghadirkan masalah mungkin mengetahui
beberapa fakta untuk kepastian, menuduh lainnya dan tidak mengetahui lainnya.
Angka-angka dan nilai-nilai dapat tidak tepat, ditebak atau tidak diketahui.
3. Pakar
Manusia sering dapat memakai pengetahuan mereka
tanpa mengetahui secara eksplisit apa pengetahuan itu sendiri. Mereka mungkin
harus meningkatkan secara detail apa yang mereka lakukan dan bagaimana dan
tampak tak jelas atau bahkan bertentangan dengan dirinya sendiri.
4. Solusi
Ada beberapa area tertentu dimana tidak terdapat
pakar yang diakui. Pakar sendiri mungkin tidak setuju satu sama lain dan tak
seorangpun dapat memutuskan solusi yang baik. Domain seperti itu dapat berupa
strategi militer.
TEOREMA
DAN PROBABILITAS BAYES
Dalam teori probabilitas dan statistika, Pengertian
Teorema Bayes adalah teorema yang digunakan untuk menghitung peluang dalam
suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang
ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan
keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian
mengubahnya dengan nilai Probabilitas yang akan dibandingkan dengan nilai
Probabilitas. teorema ini juga merupakan dasar dari statistika Bayes yang
memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan
kedokteran.
Teorema Bayes akhirnya dikembangkan dengan berbagai
ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai
probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang
didapat dari objek yang diagnosa. Teorama Bayes ini membutuhkan biaya komputasi
yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap
nilai dari perkalian kartesius. penerapan Teorema Bayes untuk mencari penerapan
dinamakan inferens Bayes.
Contoh Soal :
Misalkan kawan Anda bercerita dia bercakap-cakap
akrab dengan seseorang lain di atas kereta api. Tanpa informasi tambahan,
peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan
Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari
keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap dengan
perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat
digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan
seorang wanita, bila diketahui berapa peluang seorang wanita berambut panjang.
Misalkan:W adalah kejadian percakapan dilakukan
dengan seorang wanita.L adalah kejadian percakapan dilakukan dengan seorang
berambut panjangM adalah kejadian percakapan dilakukan dengan seorang pria
Kita dapat berasumsi bahwa wanita adalah setengah
dari populasi. Artinya peluang kawan Anda berbicara dengan wanita,
Misalkan juga bahwa diketahui 75 persen wanita
berambut panjang. Ini berarti bila kita mengetahui bahwa seseorang adalah
wanita, peluangnya berambut panjang adalah 0,75. Kita melambangkannya sebagai:
Sebagai keterangan tambahan kita juga mengetahui
bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata lain:
Di sini kita mengasumsikan bahwa seseorang itu
adalah pria atau wanita, atau P(M) = 1 - P(W) = 0,5. Dengan kata lain M adalah
kejadian komplemen dari W.
Tujuan kita adalah menghitung peluang seseorang itu
adalah wanita bila diketahui dia berambut panjang, atau dalam notasi yang kita
gunakan, P(W|L). Menggunakan teorema Bayes, kita mendapatkan:
Di sini kita menggunakan aturan peluang total. Dengan
memasukkan nilai-nilai peluang yang diketahui ke dalam rumus di atas, kita
mendapatkan peluang seseorang itu wanita bila diketahui dia berambut panjang
adalah 0,714. Angka ini sesuai dengan intuisi awal kita, bahwa peluang kawan
kita itu bercakap-cakap dengan wanita meningkat.
FAKTOR
KEPASTIAN (CERTAINTY FACTOR)
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
dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh
sistem. Hal ini sangat mudah dilihat pada system diagnosis penyakit, dimana
pakar tidak dapat mendefinisikan tentang hubungan antara gejala dengan
penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan
pasti pula. Pada akhirnya ditemukan banyak kemungkinan diagnosis.
Sistem pakar harus mampu bekerja dalam
ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan
ketidakpastian,termasuk diantaranya probabilitas klasik (classical
probability), probabilitas Bayes (Bayesian probability), teori Hartley berdasarkan
himpunan klasik (Hartley theory based on classical sets), teori Shannon
berdasarkan pada probabilitas (Shannon theory based on probability), teori
Dempster-Shafer (Dempster-Shafer theory), teori fuzzy Zadeh (Zadeh.s fuzzy
theory) dan faktor kepastian (certainty factor). Dalam penelitian ini yang
digunakan adalah factor kepastian.
Faktor kepastian merupakan cara dari penggabungan
kepercayaan (belief) dan ketidapercayaan (unbelief) dalam bilangan yang
tunggal. Dalam certainty theory, data-data kualitatif direpresentasikan sebagai
derajat keyakinan (degree of belief).
Kelebihan dan Kekurangan Metode Certainty Factor
Kelebihan Certainty Factor:
Kelebihan dan Kekurangan Metode Certainty Factor
Kelebihan Certainty Factor:
- Metode
ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti
atau tidak pasti dalam mendiagnosa penyakit.
- Perhitungan
dengan menggunakan metode ini dalam sekali hitung hanya dapat mengelola
dua data saja sehingga keakuratan data dapat terjaga.
Kekurangan Metode Certainty Factor : - Ide
umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik
metode certainty factors biasanya diperdebatkan. Sebagian orang akan
membantah pendapat bahwa formula untuk metode certainty factor diatas
memiliki sedikit kebenaran.
- Metode
ini hanya dapat mengolah ketidakpastian/kepastian hanya dua data saja.
Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari
dua buah.
- Nilai
CF yang diberikan bersifat subyektif karena penilaian setiap pakar bisa
saja berbeda-beda tergantung pengetahuan dan pengalaman pakar.
Tahapan Representasi Data Kualitatif
Tahapan dalam merepresentasikan data-data kualitatif
:
· kemampuan
untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah dibahas
sebelumnya.
· kemampuan
untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut dalam sistem
pakar.
Dalam mengekspresikan derajat keyakinan digunakan
suatu nilai yang disebut certainy factor (CF) untuk mengasumsikan derajat
keyakinan seorang pakar terhadap suatu data.
TEORI
DEMPSTER-SHAFER
Dempster shafer adalah suatu teori matematika untuk
pembuktian berdasarkan belief functions and plausible reasoning (Fungsi
kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk
mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi
kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P.Dempster
dan Glenn 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 mengindikasikan bahwa tidak
ada evidence, dan Plausibility (Pl) jika bernilai 1 menunjukkan adanya
kepastian.
Plausibility dinotasikan sebagai :
Pl(s) = 1 – Bel(Øs)
Jika yakin akan Øs maka dikatakan bahwa Bel(s) = 1
dan pl(Øs) = 0.
Misal q = {A,F,D,B}
dengan :
A = Alergi
F = Flue
D = Demam
B = Bronkitis
ppt:
https://docs.google.com/presentation/d/1MR3IFpz_UhwgLGKuIYbZlNwf7zfBmT3H04_kXQIBHyk/edit#slide=id.p1
Referensi:
Komentar
Posting Komentar