Uncertainty Management (Certainty Factor)

Uncertainty Management(Certainty Factor)Sistem PakarTeori Certainty FactorCF merupakan alternatif cara penalaran Sistem Pakar selain BayesianMis. MYCINCertainty factor (cf) adalah nilai untuk mengukur keyakinan pakar.Nilai tertinggi adalah +1.0 (pasti benar / Definitely), terendah -1.0 (pasti salah / Definitely not).Nilai positif merepresentasikan derajat keyakinan, nilai negatif merepresentasikan derajat ketidakyakinan.Misal, jika pakar menyatakan beberapa evidence adalah hampir pasti benar (almost certainly), maka nilai cf 0.8 akan diberikan pada evidence ini.2

Teori Certainty Factor3Knowledge base terdiri dari sejumlah aturan yang mempunyai sintaks dasar :

Dimana cf merepresentasikan keyakinan hipotesis H jika diberikan evidence E telah terjadi.Teori CF didasarkan pada dua fungsi: ukuran keyakinan atau Measure of Belief MB(H,E), dan ukuran ketidakyakinan atau Measure of Disbelief MD(H,E) [Shortliffe and Buchanan, 1975]

p(H) adalah probabilitas awal hipotesis H akan benar

p(H|E) adalah probabilitas bahwa hipotesis H benar jika diberikan evidence ENilai MB(H,E) dan MD(H,E) dalam jangkauan 0 dan 1Teori Certainty FactorKarena dalam proses observasi kepercayaan dapat bertambah atau berkurang, maka diperlukan ukuran ketiga untuk mengkombinasikan MB dan MD, yaitu: Certainty FactorCertainty Factor didefiniskan sebagai:

Propagasi Keyakinan (Rule satu Premise)Yang dimaksud dengan propagasi keyakinan/kepercayaan adalah proses menentukan derajad kepercayaan pada kesimpulan pada kondisi dimana fakta/bukti/evidence yang ada tidak pasti (uncertain).Untuk rule dengan satu premise CF(H,E) didapatkan dengan rumusan:

Propagasi Keyakinan (Rule satu Premise)6Misal:IF the sky is clearTHEN the forecast is sunny {cf 0.8}Jika CF dari sky is clear adalah 0.5 (dimasukkan user), maka:CF(H,E) = CF(E) x CF(rule) = 0.5 x 0.8 = 0.4 Artinya Maybe sunny

Propagasi Keyakinan (Rule beberapa Premise)Terdapat dua macam penghubung :a. Rule dengan Konjungsi

Fungsi min akan mengembalikan nilai paling kecil dari 1 set evidence yang ada.

Propagasi Keyakinan (Rule beberapa Premise)8IF sky is clearAND the forecast is sunnyTHEN the action is wear sunglasses {cf 0.8}Misal:Nilai certainty sky is clear diberikan 0.9 (dimasukkan user) dan certainty forecast is sunny adalah 0.7 (dimasukkan user), maka:

Artinya Mungkin kita perlu menggunakan kacamata untuk bepergian hari iniPropagasi Keyakinan (Rule beberapa Premise)9b. Rule dengan disjungsi:Certainty hipotesis H didapatkan dengan formula:IF Suhu udara rata-rata turunOR Hembusan angin semakin kencangTHEN Musim hujan akan datang. {cf 0.9}Misal:Nilai CF(Suhu udara rata-rata turun) = 1.0 (dimasukkan user) dan CF(Hembusan angin semakin kencang) = 0.7 (dimasukkan user), maka:Artinya Musim hujan hampir pasti akan datang.

CF pada 2 aturan atau lebih dengan hipotesis yang samaKetika consequent yang sama didapatkan sebagai hasil eksekusi dua atau lebih aturan, maka CF dari masing-masing aturan harus digabung pada hipotesis.Misal ada aturan berikut:

Certainty manakah yang diberikan pada obyek C ? Apakah Z dalam rule 1 atau rule 2 ?Evidence dari 2 aturan tadi berbeda, tetapi memberikan hipotesis yang sama (C is Z). Maka hipotesis aturan pertama bisa diperkuat/diperlemah dengan hipotesis aturan kedua.Persamaan untuk menghitung CF gabungan:10

Cf lama adalah cf dalam hypothesis H muncul oleh Rule 1;Cf baru adalah cf dalam hypothesis H muncul oleh Rule 2;|Cf lama| dan |Cf baru| adalah nilai absolut Cf lama dan Cf baru

Contoh (1)11

Misal, ada aturan:Misalkan Cf(lama) = 1.0 dan Cf(baru) = 1.0, maka:Karena Cf lama > 0 dan Cf baru > 0, menurut persamaan diatas:Artinya Keyakinan hipotesis rule 1 meningkat karena didukung hipotesis rule 2 yang nilainya positif

Contoh (2)12

Misal, ada aturan:Misalkan cf(E1) = 1.0 dan cf(E2) = -1.0, maka:Karena Cf Lama > 0 dan Cf baru < 0, menurut persamaan diatas:Artinya Keyakinan hipotesis rule 1 menurun karena hipotesis rule 2 yang memotongnya

Contoh (3)13

Misal, ada aturan:Misalkan cf(E1) = -1.0 dan cf(E2) = -1.0, maka:Karena cf lama < 0 dan cf baru < 0, menurut persamaan diatas:Artinya Peningkatan ketidakyakinan pada hipotesis, asalnya -0.8 dan -0.6 bergabung menjadi -0.92

= -0,8 - 0,6 x (1+(-0,8)) = -0,92 Latihan 1 :1. Latihan 1 berkaitan dengan proses keputusan di dalam sebuah pengadilan dimana seseorang telah dituduh terlibat dalam pembunuhan tingkat pertama (hypothesis). Berdasarkan fakta-fakta yang ada (evidence) hakim harus memutuskan apakah orang tersebut bersalah. Pada awal proses peradilan, hakim harus menjunjung tinggi asas praduga tak bersalah, karena itu pada certainty factor dari bersalah bernilai 0 (CF=0). {Diambil dari Gonzales (1993)}Rule-rule yang dipakai :

Dalam proses peradilan diketahui fakta-fakta sebagai berikut:

Latihan 2 :Latihan berikutnya adalah menentukan apakah saya seharusnya pergi bermain bola atau tidak. Kita asumsikan bahwa hypothesis adalah:"Saya seharusnya tidak pergi bermain bola" dan penyelesaian dilakukan dengan metode backward reasoning. Rule-rule yang digunakan adalah sebagai berikut:

Dan diketahui beberapa fakta :

Latihan 3 :Dengan menggunakan seperangkat rule dan fakta dibawah ini, hitunglah kemungkinan pencuri mobil dari Tim.Diketahui fakta-fakta sebagai berikut: