Dokumen tersebut membahas tentang sistem berbasis pengetahuan dengan fokus pada metode penanganan ketidakpastian seperti certainty factor, pendekatan Bayesian, dan logika fuzzy. Secara singkat, dibahas sumber ketidakpastian dalam sistem pengetahuan, penjelasan metode certainty factor termasuk rumusan dan contoh perhitungannya, penjelasan pendekatan Bayesian menggunakan teorema Bayes, serta rencana pembahasan mengenai logika fuzzy pada pertemuan berikutnya

1. Sistem Berbasis Pengetahuan
3 SKS
Eka Dyar W

2. Outline
 Uncertainty
 Metode penanganan uncertainty
 Certainty Factor (CF)
 Bayesian approach
 Fuzzy logic

3. Uncertainty (ketidakpastian)
 Definisi : kurangnya pengetahuan yang tepat yang
akan memungkinkan untuk mencapai kesimpulan
yang dapat diandalkan.
 Logika klasik hanya memungkinkan penalaran yang
tepat.
 ¬TRUE = FALSE.

4. Sumber Ketidakpastian
1. Bahasa yang kurang tepat
2. Data yang tidak diketahui nilainya (unknown)
3. Ketidaksepakatan di antara para expert

5. Metode penanganan uncertainty :
 Certainty Factors (CF)
 Bayesian Approach
 Fuzzy Logic

6. Certainty Factor

7. Certainty Factor (CF)
 Adalah suatu nilai yang mengasumsikan
derajat keyakinan seorang pakar terhadap
suatu data
 Merupakan penggabungan dari kepercayaan
(beliefs) dan ketidakpercayaan (disbeliefs)
yang dituangkan kedalam bilangan tunggal
Format : IF Premis THEN Konklusi (CF = …)

8.  Rentang nilai
+1,0  definitely true
-1,0  definitely false
 Rumusan CF
CF [H,E] = MB [H,E] – MD [H,E]

9. 1. Ukuran Kepercayaan, Measure Belief (MB(H,E)), nilai antara 0 – 1,
ditunjukkan sbg derajat kepercayaan thd hyp (H) yg didukung evidence
(E)
2. Ukuran Ketidakpercayaan, Measure Disbelief
3. CF mrpk gab antara MB & MD, nilai antara –1 (penolakan) &
+1 (penerimaan)

10. Konjungsi
Rule R1: IF A1 AND B1 THEN D1
Diberikan certainty factors seperti berikut :
CF(A1) = CA1
CF(B1) = CB1
Certainty factor dari rule R1 :
CF(D1) = CF(R1) = CF(A1 AND B1)
= min{CF(A1), CF(B1)}
= min{CA1, CB2}

11. Disjungsi
Rule R2: IF A2 OR B2 THEN D2
Given certainty factors:
CF(A1) = CA1
CF(B1) = CB1
The certainty factor of Rule R2
CF(D2) = CF(R2) = CF(A2 OR B2)
= max{CF(A2), CF(B2)}
= max{CA2, CB2}

12. Rule R3: IF A1 AND B1 THEN D1 (CF = c)
Certainty factor of R3 :
CF(D1) = CF(R3) = min{CA1, CB1} x c
Rule R4: IF A2 OR B2 THEN D2 (CF = c)
Certainty factor of R4 :
CF(D2) = CF(R4) = max{CA2, CB2} x c

13. Contoh
R1: IF F AND G THEN D
R2: IF D AND E THEN A
R3: IF A AND B THEN C
Diketahui :
CF(F) = 0.8, CF(G) = 0.9,
CF(E) = 0.95, CF(B) = 0.75,
CF(R1) = 0.85, CF(R2) = 0.9,
CF(R3) = 0.9
Cari : Certainty factor D, A, and C

14. CF(D) = min{CF(F), CF(G)} x CF(R1)
= min{0.8, 0.9} x 0.85
= 0.8 x 0.85
= 0.6800
CF(A) = min{CF(D), CF(E)} x CF(R2)
= min{0.68, 0.95} x 0.9
= 0.68 x 0.9
= 0.6120
CF(C) = min{CF(A), CF(B)} x CF(R3)
= min{0.612, 0.75} x 0.9
= 0.612 x 0.9
= 0.5508

15. Kombinasi Rule
Rule R1:
IF A1 AND B1 THEN D (CFR1(c))
Rule R2:
IF A2 OR B2 THEN D (CFR2(c))
CFR1
(C) + CFR2
(C) - CFR1
(C) * CFR2
(C)
jika CFR1
(C) and CFR2
(C)
keduanya positif
CFR1
(C) + CFR2
(C) + CFR1
(C) * CFR2
(C)
jika CFR1
(C) and CFR2
(C)
keduanya negatif
[CFR1
(C) + CFR2
(C)]/[1 - min(|CFR1
(C)|, |CFR2
(C)|)]
jika CFR1
(C) and CFR2
(C)
tandanya berbeda

16. Contoh
Rule R1 (CFR1 = c1 = 0.7):
IF the inflation rate is less than 5%
THEN stock market prices go up
Rule R2 (CFR2 = c2 = 0.6):
IF unemployment rate is less than 7%
THEN stock market prices go up
Kombinasi rule dihitung dengan menggunakan cara :
CF(R1, R2) = c1 + c2 - c1 * c2
= 0.7 + 0.6 - 0.42 = 0.88

17. Latihan
1. Diketahui rule R1:
if (P1 and P2 and P3) or (P4 and not P5) then C1 (0.7) and C2 (-
0.5)
CF(P1) = 0.8, CF(P2) = 0.7, CF(P3) = 0.6,
CF(P4) = 0.9, CF(P5) = -0.5.
Hitung CF R1 untuk konklusi C1 dan C2 (CFR1(C1) dan
CFR1(C2)) ?
2. Jika terdapat rule lain (R2) dengan konklusi yang sama
dengan R1 dan memiliki CFR2(C1) = 0.7, CFR2(C2) = -0.4.
Hitung faktor kepastian untuk C1 dan C2 setelah
kombinasi rule R1 dan R2 ?

18. 3. Diketahui rule :
if (P1 and P2) or P3 then C1 (0.7) and C2 (0.3)
Jika CF(P1) = 0.6, CF(P2) = 0.4,
CF(P3) = 0.2. Hitung CF(C1) dan CF(C2) !

19. Solusi 1
Untuk P1 and P2 and P3, CF :
min(CF(P1), CF(P2), CF(P3))
= min(0.8, 0.7, 0.6)
= 0.6. (CFA)
Untuk not P5, CF :
-CF(P5) = 0.5.
Untuk P4 and not P5, CF :
min(0.9, 0.5) = 0.5. (CFB)
Untuk (P1 and P2 and P3) or (P4 and notP), CF :
max(CFA, CFB) = max(0.6, 0.5) = 0.6.
CF(C1) = 0.7 * 0.6 = 0.42
and CF(C2) = -0.5 * 0.6 = -0.30

20. Solusi 2:
Untuk C1,
CF(C1) = CFR1(C1) + CFR2(C1) - CFR1(C1)*CFR2(C1)
= 0.42 + 0.7 - 0.42*0.7
= 1.12 - 0.294
= 0.826.
Untuk C2,
CF(C2) = CFR1(C2) + CFR2(C2) + CFR1(C2)*CFR2(C2)
= -0.3 + -0.4 + (-0.3)*(-0.4)
= -0.7 + 0.12
= -0.58
Solusi 3 :
CF(P1 and P2) = min(0.6, 0.4) = 0.4
CF(0.4, P3) = max(0.4, 0.2) = 0.4
CF(C1) = 0.7 * 0.4 = 0.28
CF(C2) = 0.3 * 0.4 = 0.12

21. Posttest
RULE :
Rule 1: IF Cuaca terlihat sangat buruk OR Saya tidak mood
THEN Saya tidak akan pergi bermain Sepakbola
(CF = 0,9)
Rule 2: IF Saya percaya bahwa hari ini akan hujan
THEN Cuaca terlihat sangat buruk (CF = 0,8)
Rule 3: IF Saya percaya bahwa hari akan hujan
AND Peramal cuaca menyatakan bahwa akan segera
turun hujan
THEN Saya tidak mood (CF = 0,9)
Rule 4: IF Peramal cuaca menyatakan bahwa hari akan hujan
THEN Cuaca terlihat sangat buruk (CF = 0.7)
Rule 5: IF Cuaca terlihat sangat buruk
THEN Saya tidak mood(CF = 0.95)

22. Bayesian Approach

23. Bayesian approach
 Rule sering dituliskan dengan ukuran uncertainty :
 R : x  y (0.6) : p(y|x) = 0.6
 Forward chaining: p(y) = p(y|x)p(x)
 Contoh, flu:
R1: {? Terserang flu}  {? Bersin-bersin} (0.75)
 Sam terserang flu (p=1), dapat disimpulkan bahwa
peluang akan bersin-bersin sebesar 0.75
 If p (Sam terserang flu) = 0.2, dapat disimpulkan bahwa
Sam akan bersin-bersin dengan peluang (0.75)(0.2)=0.15

24. Bayesian approach
 Bayesian approach umumnya dipakai di
backward chaining
 Misal kita memp. 2 kejadian yang
dihubungkan dengan rule x  y
 Kita mengobservasi y dan menyimpulkan
p(x|y)
 Bayes rule:
 P (x|y) = peluang terjadinya x jika diberikan evidence y
 P (y|x) = peluang munculnya evidence y jika diketahui x
)(
)()|(
)|(
yp
xpxyp
yxp =

25. Bayesian approach
• Secara umum, teorema bayes untuk E
kejadian dan hipotesis H dituliskan dalam
bentuk :
)(
)()|(
)|(
EP
HPHEP
EHP ii
i =
)()|(
)()|(
)|(
j
j
j
ii
i
HPHEP
HPHEP
EHP
∑
=

26. Contoh
 Rules
 {? Terkena flu}  {? Bersin}0.3
 {? Terkena alergi}  {? Bersin} 0.8
 {? Terkena flu}  {? Batuk} 0.9
 {? Terkena alergi}  {? Batuk} 0.2
 Prior probs: p (flu) = 0.6 p (alergi) = 0.3
 Sam bersin
 p(flu | bersin)=(0.3)(0.6)/[(0.3)(0.6)+(0.8)(0.3)]=0.43
 p(alergi | bersin)=0.57
 Sam batuk?

27. Posttest
 Rules
 {?x cacar}  {?x bintik-bintik} 0.8
 {?x alergi}  {?x bintik-bintik} 0.3
 {?x jerawatan}  {?x bintik-bintik} 0.9
Prior prob. : p (cacar) = 0.4, p(alergi) = 0.7,
p (peka jerawatan) = 0.5
Lakukan observasi ?x bintik-bintik.

28. Fakta
 Saya percaya bahwa hari akan hujan (CF =
0,95)
 Peramal cuaca menyatakan akan segera
turun hujan (CF = 0,85)

29. Minggu depan
 Pengantar fuzzy
 Logika Fuzzy
 Fungsi Keanggotaan
 Operasi dasar fuzzy
 Aturan IF-THEN

30. Eka Dyar W eka.dyar@yahoo.com
Sekian