PENGANTAR TEKNOLOGI SISTEM CERDAS
DISUSUN OLEH
CLAUDYA TUPAMAHU
11115533
11115533
3KA12
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.
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 panjang
·
M adalah kejadian percakapan dilakukan dengan seorang pria
Kita dapat berasumsi bahwa wanita
adalah setengah dari populasi. Artinya peluang kawan Anda berbicara dengan
wanita:
P(W) = 0,5
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:
P(L|W) = 0,75
Sebagai keterangan tambahan kita juga
mengetahui bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata
lain:
P(L|M) = 0,3
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). 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
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
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
Teori Dempster-Shafer (
DST ) merupakan teori matematika dari evidence. Teori tersebut dapat
memberikan sebuah cara untuk menggabungkan evidence dari beberapa sumber dan
mendatangkan/memberikan tingkat kepercayaan (direpresentasikan melalui fungsi
kepercayaan) dimana mengambil dari seluruh evidence yang tersedia. Teori
tersebut pertama kali dikembangkan oleh Arthur P. Dempster and Glenn
Shafer.
Dalam
sebuah akal yang sempit, definisi teori Dempster-Shafer mengacu pada
konsepsi original dari pada teori oleh Dempster dan Shafer. Bagaimanapun,
merupakan sebuah teori yang biasa digunakan untuk mendefinisikan akal secara
lebih luas dari beberapa pendekatan umum serupa, sebagaimana telah diadaptasi
untuk beberapa jenis dari situasi. Pada situasi tertentu , banyak penulis telah
menawarkan aturan berbeda untuk menggabungkan barang bukti, biasanya dengan
melihat kembali dan menangani konflik barang bukti secara lebih baik.
Teori Dempster–Shafer merupakan
generalisasi dari teori Bayesian probabilitas subjektif. Dimana kebutuhan
probabilitas yang akan dibutuhkan untuk setiap pertanyaan dari keinginan,
fungsi kepercayaan berdasarkan pada tingkat kepercayaan ( percaya diri atau
percaya ) untuk sebuah pertanyaan dalam probabilitas untuk sebuah pertanyaan
tertentu. Derajat kepercayaan dapat memiliki atau tidak memiliki properti
matematika dari probabilitas, berapa banyak perbedaan yang bergantung dari
seberapa dekat 2 buah pertanyaan berelasi. Tempatkan di jalur lain, yang
merupakan jalur untuk merepresentasikan epistemic plausibilitas, tetapi hal tersebut
dapat memberikan hasil jawaban yang kontradiksi dimana dapat dihasilkan
menggunakan teori probabilitas.
Melalui
yang digunakan sebagai metode dari penggabungan sensor, teori dempster shafer
beradasarkan pada dua ide : memperoleh tingkat kepercayaan untuk sebuah
pertanyaan dari probabilitas subjektif dimana dapat berdasarkan pada item
independent sebuah barang bukti. Dengan esensi, derajat dari kepercayaan dalam
sebuah proporsi yang bergantung secara primer daripada jumlah jawaban ( untuk
pertanyaan yang berelasi ) yang berisikan proposi. Dan probabilitas subjektif
untuk setiap pertanyaan. Dan juga berkontribusi pada aturan dari kombinasi yang
merefleksikan asumsi umum mengenai data.
Melalui
formalisasi sebuah derajat kepercayaan ( dan juga diferensikan secara umum )
merupakan sebuah representasi sebagai fungsi kepercayaan dari pada distribusi
probabilitas Bayesian . Nilai probabilitas diberikan untuk sekumpulan dari
kemungkinan daripada sebuah acara tunggal. : melalui perbandingan tersebut
ditetapkan dari fakta dimana secara natural menyandikan barang bukti sesuai
dengan keinginan dari proporsi.
Kerangka
shafer’s dapat memberikan kepercayaan mengenai proposi untuk dapat
direpresentasikan sebagai interval, diliputi dengan 2 buah nilai, keperyaan (
atau dukungan ) dan hal yang masuk akal.
belief ≤
plausibility
Kepercayaan
dalam hipotesis di konstitusikan melalui jumlah dari masa dari keseluruhan
kumpulan dengan (seperti jumlah dari masa untuk keseluruhan subset dari
hipotesis ). Merupakan jumlah dari kepercayaan dimana secara langsung mendukung
sekumpulan hipotesis yang diberikan terakhir, membentuk dasar.
Kepercayaan
( biasanya dinotasikan dengan Bel ) mengukur kekuatan dari barang bukti dalam
kesukaan dari sekumpulan atau proporsi. Memiliki rentang antara 0 (
mengindikasikan tidak ada barang bukti ) sampai 1 ( yang menunjukan kepastian
). Hal yang masuk akal merupakan 1 dikurangi jumlah dari masa dari semua
kumpulan masa untuk seluruh kumpulan yang berinterseksi dengan hipotesis adalah
kosong.
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 kepastian. Dimana nilai bel yaitu (0-0.9).
Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan-s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.
Contoh :
Plausibility (Pl) dinotasikan sebagai : Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin akan-s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.
Contoh :
Diketahui nilai belief adalah 0,5 dan nilai plausibility adalah 0,8 untuk proposisi “the cat in the box is dead”
Bel = 0,5
Fakta yang mendukung proposisi tersebut memiliki nilai kepercayaan sebesar 0,5
Pl = 0,8
Fakta yang melawan proposisi tersebut hanya memiliki nilai kepercayaan sebesar 0,2
Pada
teori Dempster-Shafer dikenal adanya frame of discernment (θ) yaitu
semesta pembicaraan dari sekumpulan hipotesis. Nilai probabilitas densitas (m)
mendefinisikan elemen-elemen θ serta semua subsetnya. Jika θ berisi n
elemen, subset dari θ adalah 2n
Merupakan
sebuah batas atas dari kemungkinan dimana hipotesis dapat menjadi benar. Dapat
memungkinkan menjadi kondisi dari sistem menuju nilai yang diinginkan,
dikarenakan terdapat banyak barang bukti, dikarenakan terdapat banyak barang
bukti yang kontradiksi hipotesis. Plausability ( hal yang masuk akal )
didefinisikan sebagai Pl(s) = 1 – Bel ( ~s). juga memiliki rentang dari 0
sampai 1 dan mengukur tambahan dimana setiap barang bukti merupakan selera dari
~s merupakan ruang diluar dari pada s.
Tabel
Probabilitas
Hypothesis
|
Mass
|
Belief
|
Plausibility
|
Null
(neither alive nor dead)
|
0.0
|
0.0
|
0.0
|
Alive
|
0.2
|
0.2
|
0.5
|
Dead
|
0.5
|
0.5
|
0.8
|
Either
(alive or dead)
|
0.3
|
1.0
|
1.0
|
KONSEP PROBABILITAS
Pengukuran
kerugian baik dari dimensi frekuensi dan kegawatan berhubungan dengan
kemungkinan (probabilitas) dari kerugian potensiil tersebut. Untuk melakukan
analisa terhadap kemungkinan dari suatu kerugian potensiil perlu memahami
prinsip dasar teori probabilitas.
Probabilitas adalah kesempatan
atau kemungkinan terjadinya suatu kejadian/ peristiwa.
a. Konsep “sample space” dan “event”
Sample Space (Set S)
merupakan suatu set dari kejadian tertentu yang diamati. Misalnya: jumlah kecelakaan mobil di wilayah tertentu
selama periode tertentu. Suatu Set S bisa terdiri dari beberapa segmen (sub
set) atau event (Set E). misalnya :
jumlah kecelakaan mobil di atas terdiri dari segmen mobil pribadi & mobil
penumpang umum.
Untuk menghitung secara cermat
probabilitas dari kecelakaan mobil tersebut masing-masing Set E perlu diberi
bobot. Pembobotan tersebut biasanya
didasarkan pada bukti empiris dari pengalaman masa lalu. Misalnya :
untuk mobil pribadi diberi bobot 2, sedang untuk mobil penumpang umum
diberi bobot 1, maka probabilitas dari kecelakaan mobil tersebut dapat dihitung
dengan rumus:
a.
bila
tanpa bobot : P
(E) = E/S
b. bila
dengan bobot : P (E) =
Keterangan : P
(E) =
probabilitas terjadinya event.
E = sub set atau event
S =
sample space atau set
W =
bobot dari masing-masing event
b. Asumsi dalam probabilitas
1.
Bahwa
kejadian atau event tersebut akan terjadi.
2.
Bahwa kejadian-kejadian
adalah saling pilah, artinya dua event tersebut (kecelakaan mobil pribadi dan
mobil penumpang umum tidak akan terjadi secara bersamaan.
Asumsi diatas membawa kita pada “hukum penambahan”
yang menyatakan bahwa total probabilitas dari 2 event atau lebih dari
masing-masing event yang saling pilah tersebut.
3.
Bahwa
pemberian bobot pada masing-masing event dalam set adalah positif, sebab
besarnya probabilitas akan berkisar antara event yang pasti terjadi
probabilitasnya 1, sedangkan event yang pasti tidak terjadi probabilitasnya 0.
c. Aksioma defenisi probabilitas
Ada 3 aksioma probabilitas,
yaitu :
·
Probabilitas suatu event bernilai antara 0 dan 1.
·
Jumlah
hasil penambahan keseluruhan probabilitas dari event-event (Set E) yang
saling pilah dalam Set S adalah 1.
·
Probabilitas
suatu event yang terdiri dari sekelompok event yang saling pilah dalam
suatu Set S adalah merupakan hasil penjumlahan dari masing-masing probabilitas
yang terpisah.
LOGIKA FUZZY (FUZZY LOGIC)
Logika fuzzy adalah suatu cara yang tepat untuk
memetakan suatu ruang input ke dalam suatu ruang output. Skema logika fuzzy
adalah sebagai berikut:
Pada gambar dapat diketahui bahwa antara input dan
output terdapat sebuah kotak hitam yang sesuai. Berikut ini adalah beberapa
contoh konsep logika fuzzy yang dapat diterapkan dalam berbagai kasus:
Manajer pergudangan mengatakan pada manajer
produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian
manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari
Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan
Penumpang taksi berkata pada sopir taksi seberapa
cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas
taksinya
Ada beberapa cara atau metode yang mampu bekerja di
kotak hitam tersebut, seperti sistem fuzzy, jaringan syaraf tiruan, sistem
linier, sistem pakar, persamaan diferensial, dan sebagainya. Namun menurut
Prof. Lotfi A. Zadeh seorang profesor dari Universitas California, Berkeley,
yang adalah penemu Logika fuzzy pada tahun 1960-an menyatakan bahwa setiap
kasus dapat saja diselesaikan tanpa menggunakan logika fuzzy, tetapi
pemanfaatan logika fuzzy akan mempercepat dan mempermudah hasil dalam setiap
kasus.
DAFTAR
PUSTAKA :
Tidak ada komentar:
Posting Komentar