Berurusan dengan ketidakpastian

8/19/2019 Berurusan dengan ketidakpastian

1/20

Berurusan dengan Ketidakpastian

Salah satu kemampuan yang paling penting dari seorang ahli manusia dan salah satu yang paling sulit

untuk setia meniru dalam ES, adalah kemampuan untuk secara efektif menangani informasi yang

tidak tepat, tidak lengkap, dan kadang-kadang tidak pasti.

Ada berbagai jenis ketidakpastian yang umum di domain ahli:

1. Pengetahuan pasti.

Sering ahli hanya akan memiliki pengetahuan heuristik mengenai beberapa aspek dari

domain. Sebagai contoh, ahli mungkin hanya tahu baha satu set tertentu dari bukti mungkin

menyiratkan kesimpulan tertentu.

!. "ata pasti.

#ahkan ketika kami yakin pengetahuan domain, mungkin masih ada ketidakpastian dalam

data yang menggambarkan lingkungan eksternal. $isalnya, ketika mencoba untuk

menyimpulkan penyebab dari efek yang diamati, kita mungkin harus mengandalkan hasil tes

dipertanyakan.

%. &nformasi yang tidak lengkap.

'al ini sering diperlukan untuk membuat keputusan berdasarkan informasi yang tidak

lengkap. 'al ini dapat terjadi karena beberapa alasan. Sebagai contoh, kita harus membuat

keputusan seperti dalam proses pengolahan informasi secara bertahap diperoleh.

(. )eserampangan.

#eberapa domain secara inheren acak* meskipun pengetahuan dan informasi yang tersedia

lengkap dan pengetahuan yang pasti, domain masih memiliki sifat stokastik.

ES menggunakan teknologi saat ini tidak mampu menangani ketidakpastian seefektif rekan-rekan

manusia mereka, dan hal ini tetap menjadi topik penelitian yang penting. #agian berikut menjelaskan

beberapa metode untuk menangani ketidakpastian. $eskipun, seperti disebutkan di atas, metode ini

akan tidak sepenuhnya menduplikasi kemampuan manusia, masing-masing telah terbukti berguna

dalam pengembangan sistem yang sebenarnya.

6.1 Penalaran Berdasarkan Informasi Partial

Sistem penalaran berdasarkan logika predikat +seperti yang dijelaskan dalam #ab. % secara

konseptual elegan dan intelektual menarik karena mereka tepat dan ketat. "engan menggunakan

logika formal, kebenaran dapat diberikan atau diturunkan dengan jaminan yang sama. Setelah

didirikan, kebenaran selalu benar. Selain itu, kebenaran berasal tidak akan pernah menghasilkan suatu

kontradiksi, mengingat baha tidak ada kontradiksi ada dalam aksioma.


2/20

)arena karakteristik ini, logika predikat adalah sistem penalaran monoton. $onoton, yang berarti

bergerak dalam satu arah saja, digunakan dalam menggambarkan sistem logika predikat untuk

menyampaikan gagasan proses penalaran yang bergerak dalam satu arah saja-yang terus-menerus

menambahkan kebenaran tambahan.

P&/S&P 0.1: "alam sistem penalaran monoton jumlah fakta-fakta yang dikenal untuk menjadi

kenyataan pada aktu tertentu selalu meningkat, tidak pernah menurun.

Sayangnya, meskipun mereka memberikan dasar untuk konsisten, inferensi terpercaya, karakteristik

ini juga membatasi sejauh mana sistem logika murni dapat diterapkan di dunia nyata. Seperti yang

diperkenalkan di Sec. 0.1, proses penalaran yang akan diterapkan praktis, masalah yang tidak

terstruktur harus mengakui setidaknya berikut:

• &nformasi yang tersedia sering tidak lengkap, setidaknya pada setiap titik keputusan yang

diberikan.

• )ondisi berubah dari aktu ke aktu.

• sering Ada kebutuhan untuk membuat efisien, tetapi mungkin incorr dll, rasa ketika penalaran

mencapai jalan buntu.

6.2 Penalaran nonmonotonic

"alam berurusan dengan kesulitan-kesulitan ini, pemecah masalah manusia sering menambah

kebenaran mutlak dengan keyakinan yang dapat berubah informasi lebih lanjut yang diberikan subjek.

)eyakinan tentatif umumnya didasarkan pada asumsi default yang dibuat dalam terang kurangnya

bukti ke tem- cont. Sebagai contoh, meskipun keputusan untuk naik pesaat komersial sangat

penting, ketika kita benar-benar membuat keputusan, kita mungkin akan menganggap baha pilot

kompeten dan baha pesaat laik, kecuali ada sesuatu yang menunjukkan sebaliknya. Sebuah sistem

penalaran nonmonotonic +/$s didasarkan pada konsep ini.

PRINSIP 6.2: Sebuah sistem penalaran nonmonotonic melacak satu set tenda keyakinan atie dan

mereisi keyakinan ketika pengetahuan baru diamati atau diturunkan.

Sebuah /$s biasanya mencakup seperangkat tempat yang dianggap immutably benar +analog ke

aksioma dalam sistem logika predikat. Selain tempat, sistem menyimpan koleksi keyakinan tentatif:

potongan pengetahuan yang secara eksplisit diakui menjadi kuat ially tidak benar karena mereka baik

asumsi atau keyakinan disimpulkan dari asumsi. 2ntuk setiap keyakinan tentatif sistem

mempertahankan rekor ketergantungan yang melacak keyakinan s pembenaran: fakta, keyakinan,

dan kesimpulan yang digunakan untuk menghasilkan keyakinan tentatif,


3/20

Contoh 6.1 Perhatikan situasi agak dibikin berikut: Seorang anita yang belum pernah keluar dari

Amerika Serikat terbangun dari ketidaksadaran pada bank sepi dari sungai yang sangat besar di

ilayah asing. "ia ingat +entah bagaimana hanya itu dia dekat sebuah kota besar dan baha kota ini

di mulut sungai, $eskipun gelap, dia bisa merasakan baha daerah sekitarnya nya hangat, lembab,

dan tropis.

$engingat baha ia dapat mengingat fakta-fakta di baah ini +dari studi masa lalu 3geografi dunia

dan baha dia mengasumsikan 4'E adalah di Amerika Serikat +mengingat kurangnya bukti

sebaliknya, menggambarkan seperangkat keyakinan dan pembenaran terkait baha dia akan

mungkin berkembang.

5act 1 6angit biru.

7act %8 Sungai Ama9on-

Sebuah arus dari barat ke timur

# bermuara di Samudra Atlantik Selatan

berakhir pada Almirim, #rasil

5act %4 Sebagian besar daerah dekat muara Ama9on hangat, lembab, dan

tropis,

7act %; $ulut /il di $esir.

5act (< Sungai olumbia-

Sebuah arus dari timur ke barat

# bermuara ke Samudera Pasifik

berakhir di Astoria, =regon

7act (1 Sungai /il-

Sebuah arus dari selatan ke utara

# bermuara di 6aut $editerania

berakhir di )airo, $esir

7act (! Sebagian besar daerah dekat muara sungai /il adalah panas dan kering

dengan egetasi jarang.

7act (% #ahasa mendominasi di Amerika Serikat adalah bahasa &nggris.

7act (( Sungai $ississippi-

Sebuah arus dari utara ke selatan

# bermuara di 5eluk $eksiko

berakhir di /e =rleans. 6ouisiana

7act (> #ahasa dominan di #ra9il Portugis.

7act (0 Sungai olumbia di Amerika Serikat.

7act (8 Sungai $ississippi adalah di Amerika Serikat.

7act (4 #ahasa dominan di $esir adalah bahasa Arab.

7act (; Sebagian besar daerah sekitar mulut sungai olumbia

dingin, lembab, dan termasuk konifer besar.


4/20

7act >< Ama9on adalah sungai di #rasil.

7act >1 Sebagian besar daerah sekitar mulut $ississippi

Sungai hangat, lembab, dan tropis.

7act / &ni gelap setelah matahari terbenam.

"engan informasi di atas, anita itu bisa, menggunakan keyakinan berikut, cukup cukup

menyimpulkan baha dia bepergian selatan, menuju /e =rleans dan 5eluk $eksiko:

?umlah

)eyakinan

)eyakinan Pembenaran

0

>

(

%

!

1

#epergian ke Selatan

#epergian menuju 5eluk

$eksiko

#epergian ke /e =rleans

Sungai $ississippi adalah

"aerah sekitarnya yang hangat,

lembab, dan tropis

"aerah ini di Amerika Serikat

7act ((A dan belief %

7act ((# dan belief %

7act (( dan belief %

7act (8, fact >1, belief !, dan belief 1

Pengamatan E@ternal

Asumsi berdasarkan kurangnya

informasi yang bertentangan

)arena sebuah /$s mencakup pengetahuan tentatif, adalah mungkin untuk menambahkan sepotong

pengetahuan baru yang akan menyebabkan kebenaran tentatif yang diyakini sebelumnya menjadi

palsu.

PRINSIP 6.: )etika keyakinan dalam /$s direisi, maka setiap keyakinan yang beristirahat di

atasnya, langsung atau tidak langsung, juga harus direisi.

#agian reisi keyakinan dari /$s menyebar pengaruh dari setiap perubahan dalam keyakinan

melalui penggunaan dependensi diarahkan backtracking.

Contoh 6.2: $engingat situasi dari contoh 0.1, apa keyakinan reisi akan terjadi sebagai akibat dari

menemukan beberapa pemberitahuan publik anita ditulis dalam #ahasa Portugis

Setelah mengamati tanda seperti itu, anita itu akan dipaksa untuk menggantikan asumsi baha dia

adalah di Amerika Serikat dengan keyakinan baha dia di #rasil. Efek ascading perubahan ini

diilustrasikan oleh set berikut keyakinan direisi:

?umlah )eyakinan Pembenaran


5/20

)eyakinan

0

>

(

%

!

1

bepergian timur

#epergian ke Atlantik Selatan

#epergian ke Almirim, #rasil

Sungai Ama9on

"aerah sekitarnya hangat,

lembab, tropis "aerah ini di

#rasil

7act %8A dan belief %

7act %8# adan belief %

7act %8 dan belief %

7act %4, fact >

)esimpulan nya, yang berubah secara radikal sebagai hasil dari menambahkan sepotong kecil

pengetahuan, sekarang baha dia menuju ke timur di Ama9on menuju Almirim dan Samudra Atlantik

Selatan.

PRINSIP 6.!: Penambahan sepotong kecil pengetahuan baru dapat menghasilkan banyak reisi

keyakinan.

Peningkatan kekuatan dan fleksibilitas dari penalaran standar membuat /$s sangat berguna untuk

domain pemecahan masalah, seperti perencanaan* dan desain, yang membutuhkan sejumlah besar

asumsi tentatif berdasarkan informasi parsial, peningkatan kegunaan ini tidak, bagaimanapun, tanpa

biaya. Secara khusus, sebuah /$s dapat memerlukan sejumlah besar memori untuk menyimpan

informasi dependensi dan sejumlah besar aktu proses untuk menyebarkan perubahan keyakinan.

2ntuk informasi tambahan mengenai penalaran nonmonotonic, 6ihat ". $c"ermott, 1;4


6/20

=25 Saat diyakini palsu. Sebuah node dapat =25 karena tidak ada kondisi yang mungkin yang akan

membuatnya benar atau karena kondisi yang diperlukan untuk membuatnya benar saat ini tidak "&.

"aftar dukungan pembenaran.

5erkait dengan setiap node yang pembenaran untuk nilai kebenaran node. +)ami akan menganggap

satu pembenaran per node untuk mudahnya. 2ntuk setiap simpul yang "&, 5$S mencatat dukungan

beralasan: bukti aliditas node, mulai dari fakta sistem dan pembenaran.

#entuk paling sederhana dari pembenaran adalah daftar dukungan +S6, yang memiliki bentuk

berikut:

CS6 +innodes +outnodesD

mana +innodes :: F daftar semua node yang harus "& untuk node ini untuk menjadi kenyataan

+outnodes :: F daftar semua node yang harus =25 untuk node ini untuk menjadi

kenyataan

Contoh 6. $engembangkan set node, dan terkait pembenaran S6, sebagai berikut:

1. 'al ini cerah.

!. &ni adalah siang hari.

%. 'al ini hujan.

(. &ni hangat.

/omor /ode Pengetahuan ?ustifikasi

1

!

%

(

'ari cerah.

&ni adalah siang hari.

Sedang hujan.

&ni hangat.

[SL +! +%

CS6==&

CS6+1D

+S6+1+%

&si dari daftar &/ dan =25 setiap saat menggambarkan sebuah snapshot dari keyakinan sistem.

Sebagai pelaksanaan sistem hasil, isi dari masing-masing daftar ini berubah oleh 5$S untuk

memastikan konsistensi.

ontoh 0.( $engingat node dan pembenaran dari contoh 0.% dan foll karena &/ dan =25 daftar:

"& 1,!,(

=25%

Apa ef&ect dari sistem penalaran leat untuk 5$S berikut: &ni hujan.

&si dari daftar &/ dan =25 akan menjadi:

&/ %,!


7/20

=25 1, (

#eberapa jenis node dapat dibenarkan dengan daftar dukungan.

#eberapa jenis node dapat dibenarkan dengan daftar dukungan.

Premis. Sebuah premis adalah fakta yang selalu berlaku. #agian inlist dan outlist dari S6 untuk

premis akan selalu kosong. $engingat baha kita mengabaikan aktu hari, simpul ! dalam ontoh

0.% adalah sebuah premis.

Pemotongan normal. Pengurangan normal adalah kesimpulan yang terbentuk dalam arti normal dari

sistem monoton. #agian outlist dari S6 untuk pengurang yang normal akan selalu kosong*

kepercayaan pengurangan mengikuti dari keyakinan dalam node yang tercantum di bagian daftar in

dari S6. ontoh 0.% dapat diperluas untuk mencakup keyakinan, &ni adalah #asah, dengan S6 dari

CS6 +% + saya yang akan menjadi contoh pengurang normal.

Anggapan. Asumsi adalah keyakinan yang didukung oleh kurangnya informasi yang bertentangan.

#agian outlist dari S6 untuk umption keledai tidak akan pernah kosong. /ode yang ada di inlist

dapat dilihat sebagai alasan untuk membuat asumsi, dan node pada outlist adalah node yang

kehadirannya akan memberikan informasi yang bertentangan yang akan membatalkan asumsi.

Asumsi memberikan dasar bagi penalaran default di 5$S. /ode 1 pada ontoh 0.% adalah contoh dari

asumsi, pembenaran &ts dapat diartikan sebagai, Asumsikan baha itu cerah mengingat baha itu

adalah siang hari dan tidak ada yang menunjukkan baha hujan.

Pembenaran bukti bersyarat

Sebuah bukti bersyarat +P adalah jenis kedua pembenaran yang digunakan untuk mendukung

penalaran hipotetis. 7ormat P adalah:

GP +konsekuen +inhypothesisD

+A P juga termasuk sebuah entri outhypothesis, tapi hampir selalu kosong dan diabaikan dalam

diskusi ini. Sebuah P pembenaran berlaku jika dan hanya jika node konsekuen adalah &/ kapan

semua node pada inhypothesis adalah &/. )egunaan pembenaran seperti digambarkan dalam bagian

berikut.

)etergantungan diarahkan backtracking di 5$S

)etika 5$S menemukan inkonsistensi di set saat keyakinan, sebagai hasil dari pembenaran baru

ditambahkan, itu memanggil ketergantungan diarahkan mundur untuk mengembalikan konsistensi.

)egiatan backtracking ini didasarkan pada prinsip berikut:

P/&P6E 0.>: )ontradiksi dalam satu set keyakinan terjadi sebagai akibat dari asumsi yang salah.

2ntuk mengembalikan konsistensi, 5$S harus menarik kembali kepercayaan dalam satu atau lebih


8/20

asumsi. Proses ini terdiri dari:

1. Sebuah node ditandai sebagai kontradiksi ketika ditemukan keyakinan baha di dalamnya

menyebabkan inkonsistensi. "ukungan baik-didirikan pada kontradiksi tidak dapat diterima, dan,

karena itu, harus terus mundur sampai kontradiksi menjadi =25.

!. #acktracker ?ejak mundur melalui supp ort beralasan untuk kontradiksi, mencoba untuk

menemukan penyebabnya.

)arena semua pemotongan normal benar, penyebab inkonsistensi harus asumsi buruk, dan, oleh

karena itu, #acktracker terlihat hanya untuk asumsi tersebut. 'asil dari kegiatan ini adalah akumulasi

dari himpunan tersangka

S F GA1, A!, A% ,. .A(H

asumsi dalam mendukung beralasan untuk kontradiksi.

%. #acktracker menciptakan node baru, nogood, yang menunjukkan baha Sa tidak konsisten

Cmisalnya, meakili kenyataan

I +A1 J J A! A% J ... ..AnD

S, yang kemudian disebut nogood-set.

Pembenaran untuk node nogood umumnya diakili dengan menggunakan formulir P:

simpul K nogood CP +kontradiksi +Sa &

)ita tahu baha nogood harus &/ karena, jika semua node di nogood-set Sa yang bersamaan "&,

maka node kontradiksi juga akan "&. &ni menyimpan hubungan antara asumsi dan kontradiksi.

+Penggunaan istilah )ondisi bukti untuk bentuk pembenaran sesuai dengan penggunaan ini.

)ebenaran dari node nogood tersirat sebagai hasil dari jenis tertentu dari bukti-teknik yang disebut

bersyarat bukti-kontradiksi dari nogood- yang set C)6E/), 1;4%D.

(. #acktracker menggunakan informasi dari nogood-set untuk mengidentifikasi asumsi yang harus

ditarik kembali untuk menyelesaikan inkonsistensi dan menghapus kontradiksi tersebut.

ontoh 0.> "engan asumsi baha setiap fakta dari contoh 0.1 kini direpresentasikan sebagai node

premis +di mana nomor node node ditampilkan dalam daftar ini sesuai dengan angka sebenarnya dari

contoh 0.!, set berikut keyakinan yang &/-selain node %8 untuk >1 +yang tempat:

/omor /ode Pengetahuan ?ustifikasi

0 bepergian Selatan


9/20

>

(

%

!

!0

!1

#epergian menuju 5eluk $eksiko

#epergian ke /e =rleans

Sungai $ississippi adalah

"aerah sekitarnya hangat,

lembab, dan tropis

"aerah ini di Amerika Serikat

#ahasa dominan adalah

CS6 +% , ((A + &

CS6 +% ,((# + ?

[SL +% ,((

CS6 +!0,!,(8,>1 +

CS6 +!1 +D

CS6 +1+!< kontradiksi-i CS6 +!0, !( + &

#acktracking dipanggil sebagai hasil dari pengakuan kontradiksi. #acktracker terlihat mundur melalui

supp ort beralasan untuk simpul >< untuk mencari asumsi yang dapat menyebabkan inkonsistensi.

#acktracker menciptakan sebuah node, nogood-1, dengan menggunakan P pembenaran untuk

meakili asumsi tidak konsisten:

>0 nogood-1 CP >> +!1,!


10/20

P +E adalah probabilitas baha suatu peristia E akan terjadi* itu merupakan kuantifikasi

kemungkinan kejadian ini. "alam kebanyakan kasus nilai P +E didirikan oleh analisis statistik

+misalnya, mengukur frekuensi terjadinya E dalam serangkaian acak tes.

Probabilitas memiliki nilai dari < ke 1, di mana 1 meakili pengetahuan mutlak E dan < meakili

pengetahuan mutlak baha E tidak akan terjadi. )etika suatu peristia yang dianggap memiliki

beberapa hasil yang mungkin +misalnya, bergulir sepasang dadu probabilitas dikaitkan dengan setiap

hasil. ?umlah dari probabilitas untuk semua hasil yang mungkin untuk sebuah acara harus sama 1.

Probabilitas obyektif adalah probabilitas yang diukur dengan menggunakan teknik rasio frekuensi

yang dijelaskan di atas. Sayangnya, di kebanyakan ES domain tidak mungkin untuk melakukan

pengukuran tersebut. 'al ini jauh lebih umum untuk mencoba untuk mengumpulkan perkiraan nilai

probabilitas, disebut probabilitas subjektif, dengan meaancarai para ahli.

Ada beberapa masalah yang membuat sulit untuk menggunakan probabilitas untuk menangani

ketidakpastian dalam ES. Sebagai contoh, meskipun seseorang adalah seorang ahli dalam domain, itu

masih sangat sulit bagi orang untuk secara akurat memperkirakan probabilitas.

)arena tindakan sistem pakar biasanya hasil dari piecing bersama banyak fragmen pengetahuan yang

berbeda, masing-masing dengan karakteristik yang berbeda probabilitas, kita harus mampu

menggabungkan probabilitas. /ilai probabilitas dapat dikombinasikan dengan menggunakan banyak

teknik didirikan. Sebagai contoh, formula yang umum digunakan.

P +E1 dan E!, F P +E1 L P +E

dapat digunakan untuk mencari probabilitas baha kedua E, dan E, akan terjadi, mengingat

probabilitas indiidu E, andE!. Sebagai contoh, jika probabilitas menggambar as sekop dari setumpuk

kartu adalah 1M>!, dan probabilitas menggambar berlian apapun dari dek terpisah 1%M>!, maka

probabilitas menggambar kedua as sekop dan berlian 1M>! L 1%M>!.

Aturan #ayes digunakan untuk situasi yang lebih rumit. &ni mempekerjakan ketentuan sebagai

berikut:

# :: F keyakinan tertentu

P +#1 :: F probabilitas apriori baha #, benar* ini adalah probabilitas baha # benar, mengingat

tidak ada bukti spesifik

P +#?E :: F probabilitas bersyarat baha #, benar, mengingat bukti E* ini menunjukkan keyakinan

kami direisi pada #, setelah menemukan baha E adalah benar.

P +# :: F probabilitas mengamati #, mengingat baha #, benar k :: jumlah F total mungkin

keyakinan

- P +E L P +#1

P#?E -

P +E L p +#1

Sebuah penggunaan khas aturan #ayes adalah dalam domain diagnostik. "alam kasus tersebut, #.

merupakan penyebab efek E. P +#?E adalah, pada dasarnya, keyakinan disimpulkan baha #, adalah

penyebab efek E. )ita dapat menggunakan hubungan ini untuk mengukur sejauh mana kita harus


11/20

percaya # , mengingat tersedia bukti #. 2ntuk alasan ini, aturan #ayes sering disebut sebagai

probabilitas penyebab teorema CSpiegel, 1;8>D.

5eori probabilitas telah berhasil diterapkan di beberapa ES, misalnya, Page-i f CStrandberg, 1;4> dan

terutama sistem Prospector C"uda, 1;4 )epastian 7aktor.

7aktor kepastian +7 adalah mekanisme yang relatif informal bagi Nuant ifying sejauh mana,

berdasarkan kehadiran himpunan bukti, kami percaya +atau kafir kesimpulan yang diberikan.

)epastian #ahkan =S telah paling banyak diterapkan untuk domain yang menggunakan bukti secara

bertahap diperoleh.

)onsep 7 dikembangkan untuk $ycin C#uchanan, l;4(aD, dan telah digunakan dengan sukses di

banyak sistem lain C#uchanan, 1;4%D. 2ntuk $ycin diputuskan, setelah banyak diskusi, menggunakan

teknik baru untuk kepastian kuantifikasi daripada metode probabilistik lebih tradisional, terutama

karena sulitnya akurat memperkirakan apriori dan kondisional probabilitas yang diperlukan untuk

penerapan aturan #ayes. +6ihat Adams, 1;4(, untuk diskusi tentang penggunaan 7 s probabilitas

formal.

"eskripsi faktor kepastian

Sebuah 7 adalah nilai numerik yang mengungkapkan sejauh mana, berdasarkan himpunan bukti,

kita harus menerima kesimpulan yang diberikan. Sebuah 7 dengan nilai 1 menunjukkan jumlah

keyakinan, sedangkan 7 dengan nilai

- 1 mengindikasikan percaya total.

7aktor kepastian komponen

2ntuk setiap aturan dalam sistem, 7 yang ditugaskan oleh ahli domain. 'al ini didasarkan pada

pengetahuan dan pengalaman ahli.

P&/S&P 0.0: Sebuah 7 adalah kuantifikasi subjektif dari seorang ahli judgm ent dan intuisi.

ontoh 0.0 berikut aturan sederhana untuk mendiagnosis kegagalan lampu meja

menggambarkan penggunaan 7 +dalam hal ini,


12/20

P&/S&P 0.8: "alam sistem yang menggunakan 7, aturan harus begitu terstruktur baha setiap

aturan yang diberikan baik menambah kepercayaan pada kesimpulan yang diberikan atau menambah

kekafiran.

2kuran kepercayaan $# Cc, eD adalah angka yang menunjukkan sejauh mana keyakinan kami di.

)esimpulan c meningkat, berdasarkan adanya bukti e. "engan definisi: < O $# Cc, eD O 1.

"emikian pula, ukuran kekafiran, $" Cc, eD, adalah angka yang menunjukkan sejauh mana inc

percaya kami meningkat, berdasarkan kehadiran e.

)arena pembatasan dijelaskan dalam Prinsip 0,8, untuk setiap aturan diberikan jika $# Cc, eD


13/20

aturan tambahan dianggap, sebuah $# baru dan $" dihitung atas dasar efek dari aturan baru

dikombinasikan dengan $# yang ada dan $".

$enggabungkan fungsi untuk melakukan kegiatan ini didasarkan pada kendala baha koleksi bukti

yang dipertimbangkan independen. Sebagai contoh, dalam sebuah sistem diagnostik otomotif, baterai

rendah dan lampu redup tidak secara indiidu berkontribusi bukti baru karena mereka secara rutin

terjadi bersama-sama. Semua barang bukti terkait harus terjadi dalam aturan yang sama.

2kuran keyakinan baha hasil dari mempertimbangkan dua sumber bukti dapat dihitung dengan

menggunakan rumus berikut:

$# Cc, s1 Q s!D

?&)A $" Cc, s1 Q s!D F 1, $A)A <

E6SE $# Cc, s1D R $# Cc, S!1 +1 - $# Cc, s1D

di mana $# Cc, s1 Q s!D :: F ukuran kepercayaan berdasarkan sepasang sumber

"alam kasus S", dan s! hanya dua aturan indiidu r1 dan r!. Secara umum, s1 mungkin merupakan

seperangkat aturan yang kumulatif efek sebelumnya telah dipertimbangkan dan s! merupakan aturan

baru yang berlaku harus menambah keyakinan kumulatif yang sebelumnya sudah ada. +$" Cc, s1 Q

s!D adalah ukuran percaya untuk pasangan yang sama dari sumber dan sama dengan 1 jika dan hanya

jika kesimpulannya diketahui palsu dengan jaminan mutlak.

"emikian pula, $" didefinisikan dengan menggunakan

$" Cc, s Q s!D F

?&)A $# Cc, s1 Q s!? F 1, $A)A <

E6SE $" Cc, s1D R $" Cc, S!1 +1 $" Cc, s1D

)eajaran fungsi ini jelas ketika kita mengakui baha penambahan bukti baru yang mendukung

kepercayaan kesimpulan meningkat, tetapi tidak benar-benar membangun, kredibilitas kesimpulan.

Sebagai sejumlah besar unsur bukti pendukung digabungkan, secara keseluruhan $# tumbuh

asimtotik menuju kesatuan

7aktor

$# Cc, s!D +1 - $# Cc, s1?

Persamaan di. +0.% menggambarkan kontribusi $b disediakan oleh bukti baru. 7aktor ini dapat

dilihat sebagai ukuran sejauh mana bukti baru meringankan keraguan baha tetap setelah bukti

sebelumnya telah dianggap. 5ingkat mitigasi adalah, cukup cukup, sebanding dengan kekuatan bukti

baru. Argumen yang sama berlaku untuk $".


14/20

ontoh 0.8 $engingat baha hanya ada empat aturan yang menyarankan kesimpulan c, menemukan

faktor kepastian kumulatif untuk c, mengingat faktor komponen kepastian berikut:

ule 7

1 #.$

! #.

%


15/20

$enggunakan Persamaan. +0,> dan +0,8:

$# C1 Q ! Q +% atau (, 5? F min +$# C1, 5D, $# C!, 5D,

$# C% atau (, 5D

F $in +$# C1, 5D, $# C!, 5&,

ma@ +$# C%, 5?, $# C(, 5D

F $in +


16/20

)E$2"&A/ ada bukti sugestif +


17/20

Penggunaan 7 seperti diuraikan dalam bagian ini pada dasarnya adalah teknik untuk melengkapi

proses penalaran yang ada dengan informasi mengenai ketidakpastian.

6.6 Penalaran &u''(

Penalaran 7u99y dirancang khusus untuk menangani ine@actness +atau ketidakjelasan yang hadir

dalam pengetahuan yang digunakan oleh para ahli manusia CTadeh, 1;0>D.

"alam matematika konensional, satu set telah jelas batas-batas yang secara khusus mengidentifikasi

dengan tepat, meskipun berpotensi terbatas, sekelompok elemen +misalnya, himpunan bilangan bulat

lebih besar dari ! dan lebih kecil dari 1


18/20

himpunan fu99y yang menggunakan nilai-nilai fu99y dalam fungsi keanggotaan yang disebut set ultra-

fu99y. ontoh dari keanggotaan untuk set ultra-fu99y ditunjukkan pada Uambar. 0.!.

Secara konseptual, nilai keanggotaan tidak dimaksudkan untuk sesuai dengan probabilitas. "aripada

meakili probabilitas elemen menjadi anggota dari mengingat set-berdasarkan analisis keacakan

dalam data-kelas keanggotaan dimaksudkan untuk mengukur pemahaman intuitif sejauh mana elemen

tertentu kompatibel dengan diberikan konsep.

$anipulasi fu99y set

6ogika fu99y adalah sistem penalaran yang terdefinisi dengan baik yang didasarkan pada penggunaan

fu99y set bukan pada nilai-nilai biner yang berhubungan dengan logika bialen tradisional.

P&/S&P 0.1


19/20

#ilangan fu99y digunakan untuk meakili kuantifikasi perkiraan dalam logika fu99y. #ilangan 7u99y

sering digunakan untuk disposisi, laporan yang mencakup tersirat kabur kuantifikasi. $isalnya,

pernyataan, )uda memiliki ekor, sebenarnya menyiratkan penggunaan Nuantifier kabur paling

+misalnya, )ebanyakan kuda memiliki ekor.

Sering, perlu untuk menggabungkan bilangan kabur ketika membentuk sebuah kesimpulan. Sebagai

contoh, jika diketahui baha #anyak kejahatan A# ?ones adalah perampokan bank dan baha

#anyak perampokan bank membahayakan orang yang tidak bersalah, maka kita dapat

menyimpulkan baha many! kejahatan A# ?ones membahayakan orang yang tidak bersalah. &stilah

many!, seperti ditunjukkan pada Uambar. 0.(, adalah kuadrat dari Nuantifier kabur banyak dan,

seperti yang diharapkan, itu merupakan kuantifikasi yang fu99ier daripada yang asli banyak.

+Perhatikan baha representasi dari sangat tua dalam Uambar. 0.% setara dengan old!.

'al ini juga memungkinkan untuk menggabungkan efek dari fu99y set independen, seperti yang

digambarkan dalam ontoh 0.;.

ontoh 0.1< $engingat kondisi berikut M tindakan aturan +untuk domain penerbangan:

?ika tingkat pendakian adalah mendekati nol dan ketinggian agak terlalu tinggi, kemudian membuat

penyesuaian throttle negatif sedikit.

$engingat juga fungsi keanggotaan sebagai berikut:


20/20

?ika tingkat diukur dari pendakian adalah -1,4V M jam dan ketinggian !

Berurusan dengan ketidakpastian

Documents

Transcript of Berurusan dengan ketidakpastian