probabilitas Atau berlaku hubungan : P(E) + P(Ê) = 1
|
|
- Benny Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Teorema Bayes
2 Teori Probabilitas
3 probabilitas Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali diantara N peristiwa yang saling eksklusif (saling asing/terjadinya peristiwa yang satu mencegah terjadinya peristiwa yang lain) dan masing-masing terjadi dengan kesempatan yang sama, maka probabilitas terjadinya peristiwa E adalah : Jika P(E) = 0, maka diartikan peristiwa E pasti tidak terjadi, sedangkan P(E)=1, dapat diartikan peristiwa E pasti terjadi, apabila Ê menyatakan bukan peristiwa E, maka diperoleh : Atau berlaku hubungan : P(E) + P(Ê) = 1
4 Probabilitas bersyarat Jika P(A) menyatakan probabilitas kejadian A, P(B) menyatakan probabilitas kejadian B, probabilitas A terjadi jika B (B A) disimbolkan P(A B), dan besarnya adalah : Dengan cara yang sama, probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah : Karena maka diperoleh :
5 Contoh : P(Dila terkena cacar Dila mempunyai bintik-bintik di wajah) adalah 0,8 Ini sama dengan rule berikut : IF Dila mempunyai bintik-bintik di wajah THEN Dila terkena cacar (0,8) Rule ini mempunyai arti sbb : Jika Dila mempunyai bintik-bintik diwajah, maka probabilitas (kemungkinan) Dila terkena cacar adalah 0,8
6 6 Konsep Dasar Probabilitas KONSEP DASAR HUKUM PROBABILITAS A. Hukum Penjumlahan P(A ATAU B) = P(A) + P(B) Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25 Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60 Peristiwa atau Kejadian Bersama A AB B P(A ATAU B) = P(A) + P(B) P (AB) Apabila P(AB) = 0,2, maka, P(A ATAU B) = 0,35 + 0, 40 0,2 = 0,55
7 7 Konsep Dasar Probabilitas KONSEP DASAR HUKUM PROBABILITAS Peristiwa Saling Lepas P(AB) = 0 Maka P(A ATAU B) = P (A) + P(B) + 0 = P(A) + P(B) A B Hukum Perkalian P( A DAN B) = P(A) X P(B) Apabila P(A) 0,35 DAN P(B) = 0,25 Maka P(A DAN B) = 0,35 X 0,25 = 0,0875 Kejadian Bersyarat P(B A) P(B A) = P(AB)/P(A)
8 8 Konsep Dasar Probabilitas KONSEP DASAR HUKUM PROBABILITAS Hukum Perkalian P( A DAN B) = P(A) X P(B) Apabila P(A) 0,35 DAN P(B) = 0,25 Maka P(A DAN B) = 0,35 X 0,25 = 0,0875 Kejadian Bersyarat P(B A) P(B A) = P(AB)/P(A) Peristiwa Pelengkap (Complementary Event) P(A) + P(B) = 1 atau P(A) = 1 P(B)
9 9 Konsep Dasar Probabilitas DIAGRAM POHON Keputusan Jual atau Beli Jenis Saham Probabilitas bersama Diagram Pohon Suatu diagram berbentuk pohon yang membantu mempermudah mengetahui probabilitas suatu peristiwa 1 Probabilitas Bersyarat Jua l 0, 6 Beli BC A BL P BNI BC A BL P BNI 0,35 0,40 0,25 0,3 5 0,4 0 0,25 1 x 0,6 x 0,35 = 0,21 1 x 0,6 x 0,40 = 0,24 1 x 0,6 x 0,25 = 0,15 1 x 0,4 x 0,35 = 0,14 1 x 0,4 x 0,40 = 0,16 1 x 0,4 x 0,25 = 0,10 Jumlah Harus = 1.0 0,21+0,24+0,15+0,14 +0,16+0,10 =1,0
10 10 Konsep Dasar Probabilitas BEBERAPA PRINSIP MENGHITUNG Factorial (berapa banyak cara yang mungkin dalam mengatur sesuatu dalam kelompok). Factorial = n! Permutasi (sejumlah kemungkinan susunan jika terdapat satu kelompok objek). Kombinasi ncr = n!/r! (n-r)! Kombinasi (berapa cara sesuatu diambil dari keseluruhan objek tanpa memperhatikan urutannya. Permutasi npr = n!/ (n-r)!
11 11 LATIHAN Berdasarkan hasil penelitian ternyata bahwa mahasiswa pria hanya 40% dari total jumlah mahasiswa di Jakarta. Berdasarkan pada tingkat kelulusan ternyata mahasiswa wanita 90% lulus tepat waktu, dan 80% mencapai IPK di atas 3,0. Sedang mahasiswa pria yang lulus tepat waktu hanya 40% dan IPK di atas 3,0 hanya 50%. Hitunglah: Berapa persen, mahasiswa pria lulus tepat waktu dan IPK di bawah 3,0? Berapa peluang mahasiswi lulus tepat waktu dan IPK di atas 3,0?
12 Teorema Bayes Ditemukan oleh Reverend Thomas Bayes abad ke 18. Dikembangkan secara luas dalam statistik inferensia. Aplikasi banyak untuk : DSS
13 Brntuk teorema Bayes untuk evidence tunggal E dan hipotesis tunggal H adalah : Dengan p(h E) = probabilitas hipotesis H terjadi jika evidence E terjadi P(E H) = probabilitas munculnya evidence E, jika hipotesis H terjadi P(H) = probabilitas hipotesis H tanpa memandang evidence apapun P(E) = probabilitas evidence E tanpa memandang apa pun
14 Contoh : Diketahui p(demam)=0,4. p(muntah)=0,3. p(demam muntah)=0,75. Pertanyaan : a. Berapa nilai dari p(muntah demam)? b. Berapa nilai dari p(muntah demam) jika p(demam)=0,1
15 JAWAB SOAL A : p(muntah demam)= p(demam muntah) x p(muntah) p(demam) = 0,75 x 0,3 0,4 = 0,56
16 JAWAB SOAL B p(muntah demam) = p(demam muntah)xp(muntah) = (0,75 x 0,3)/0,1 = 2,25 p(demam) Jawaban di atas salah. Mengapa? Karena nilai probabilitas haruslah antara 0 dan 1. lalu apa yang salah? Perhatikan : p(demam) harus lebih besar atau sama dengan p(demam n muntah). untuk menghitung p(demam n muntah) rumusnya adalah p(demam n muntah) = p(demam muntah) x p (muntah) Jadi, p(demam) 0,225 = 0,75 x 0,3 = 0,225 Untuk nilai p(demam) = 0,1 tidak memenuhi syarat sehingga menghasilkan perhitungan yang salah.
17 Bentuk Teorema Bayes untuk evidence tunggal E dan hipotesis ganda H1, H2,. Hn dengan: p(hi E) = probabilitas hiposesis Hi benar jika diberikan evidence E. p(e Hi) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi benar. p(hi) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun. n = jumlah hipotesis yang mungkin.
18 Untuk evidence ganda E1, E2,., Em dan hipotesis ganda H1, H2,., Hn adalah : untuk mengaplikasikan persamaan di atas, maka harus diketahui probabilitas bersyarat dari semua kombinasi yang mungkin dari evidence-evidence untuk seluruh hipotesis. Secara praktis, ini tidak mungkin. Oleh karena itu, persamaan di atas, diganti dengan persamaan :
19
20 Contoh kasus Tabel berikut menunjukkan tabel probabilitas bersyarat evidence E 1 E 2 E 3 dan hipotesis H 1 H 2 H 3. Misalkan pertama kali kita hanya mengamati evidence E 3, hitung probabilitas terjadinya hipotesis : a. H 1 jika semula hanya evidence E 3 yang teramati b. H 2 jika semula hanya evidence E 3 yang teramati c. H 3 jika semula hanya evidence E 3 yang teramati
21 Persoalan ini adalah persoalan teorema bayes untuk evidence tunggal E dan hipotesis ganda H 1 H 2 H 3 dengan persamaan berikut : Jadi,
22
23 tampak bahwa setelah evidence E 3 teramati, kepercayaan terhadap hipotesis H i berkurang dan menjadi sama dengan kepercayaan terhadap H 2. kepercayaan terhadap hipotesis H 3 bertambah bahkan hampir sama dengan H 1 dan H 2.
24 Misalkan setelah kita mengamati evidence E 3 kemudian teramati pula adanya evidence E 1 hitung probabilitas terjadinya hipotesis: a. H 1 jika kemudian teramati pula adanya evidence E 1 b. H 2 jika kemudian teramati pula adanya evidence E 1 c. H 3 jika kemudian teramati pula adanya evidence E 1
25 Persoalan ini adalah persoalan teorema bayes untuk evidence ganda E 1 E 3 dan hipotesis ganda H 1, H 2, H 3 dengan persamaan
26 Misalkan setelah kita mengamati evidence E 1 teramati pula adanya evidence E 2, hitung probabilitas terjadinya hipotesis : a. H 1 jika kemudian teramati pula adanya evidence E 2 b. H 2 jika kemudian teramati pula adanya evidence E 2 c. H 3 jika kemudian teramati pula adanya evidence E 2
27 Jawab :
28 Contoh soal lainnya : Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Si Ani terkena: 1. Cacar, dengan: Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(bintik2 Cacar) = 0,8. Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(cacar) = 0,4 2. Alergi, dengan : Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(bintik2 Alergi) = 0,3. Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(alergi) = 0,7.
29 3. Jerawat, dengan Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(bintik2 Jerawatan) = 0,9. Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(jerawatan) = 0,5.
30
31
32 SOAL LATIHAN 1 Tabel berikut menunjukkan tabel probabilitas bersyarat dari gejala penyakit kulit.
33 Pertanyaan : A. Bila ada seorang yang menderita gejala gatal-gatal, demam. Tentukan penyakit yang diderita oleh orang tersebut menggunakan teorema bayes!!!! B. Bila beberapa hari kemudian muncul gejala lainnya yaitu muncul peradangan folikuler kecil & merah yang membesar. Tentukan penyakit yang diderita oleh orang tersebut menggunakan teorema bayes!
Ketidakpastian dan teorema bayes UTHIE
Ketidakpastian dan teorema bayes UTHIE Ketidakpastian Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian
Lebih terperinciArtificial Intelegence EKA YUNIAR
Artificial Intelegence EKA YUNIAR Pokok Bahasan Ketidak Pastian Teorema Bayes Faktor Kepastian Ketidakpastian Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh.
Lebih terperinciKONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS 1 OUTLINE BAGIAN II Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas Pendekatan
Lebih terperinciKETIDAKPASTIAN MACAM PENALARAN
MACAM PENALARAN KETIDAKPASTIAN 1. Penalaran non monotonis suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenan Ciri: 1. mengandung ketidakpastian 2. adanya perubahan pada pengetahuan 3.
Lebih terperinciKETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES
KECERDASAN BUATAN Kuliah ke : 8 PENALARAN KETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES KETIDAKPASTIAN Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten.
Lebih terperinci4/28/2016. Selasa, 26 April 2016 ^ K10
ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته 1 KETIDAKPASTIAN o Ketidakpastian data - informasi atau data diperoleh tdk lengkap
Lebih terperinciSTATISTIK PERTEMUAN III
STATISTIK PERTEMUAN III OUTLINE PERTEMUAN III BAGIAN II Probabilitas dan Teori Keputusan Konsep-Konsep Dasar Probabilitas Distribusi Probabilitas Diskrit Pengertian Probabilitas dan Manfaat Probabilitas
Lebih terperinciM. Zidny Naf an Gasal 2016/2017
M. Zidny Naf an Gasal 2016/2017 Ketidakpastian Probabilitas Teorema Bayes Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana
Lebih terperinciARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinciKETIDAKPASTIAN MATERI KULIAH Kecerdasan Buatan Kecerdasan
KETIDAKPASTIAN MATERI KULIAH Kecerdasan Buatan Pokok Bahasan Penalaran Non Monoton Probabilitas & Theorema Bayes Faktor Kepastian (Certainty Factor) Teori Dempster Shafer Penalaran Non Monoton Ingat kembali
Lebih terperinciModul ke: STATISTIK Probabilitas atau Peluang. 05Teknik. Fakultas. Bethriza Hanum ST., MT. Program Studi Teknik Mesin
Modul ke: STATISTIK Probabilitas atau Peluang Fakultas 05Teknik Bethriza Hanum ST., MT Program Studi Teknik Mesin Pengertian dan Pendekatan Mempelajari probabilitas kejadian suatu peristiwa sangat bermanfaat
Lebih terperinciM. Zidny Naf an Gasal 2016/2017
M. Zidny Naf an Gasal 2016/2017 Ketidakpastian Probabilitas Teorema Bayes Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Premis -1 : Aljabar
Lebih terperinciKETIDAKPASTIAN. 4.1 PROBABILITAS DAN TEOREMA BAYES Bentuk Th. Bayes:
KETIDAKPASTIAN 4 Pada bagian terdahulu kita telah mempelajari teknik penalaran dengan model yang sangat lengkap dan konsisten. Namun, pada kenyataannya, banyak masalah di dunia ini yang tidak dapat dimodelkan
Lebih terperinciINFERENSI DENGAN KETIDAKPASTIAN. PERTEMUAN 9 Diema Hernyka Satyareni, M.Kom
INFERENSI DENGAN KETIDAKPASTIAN PERTEMUAN 9 Diema Hernyka Satyareni, M.Kom Kompetensi Dasar Mahasiswa dapat menerapkan inferensi dengan ketidakpastian dalam Sistem Intelegensia Materi Bahasan Gambaran
Lebih terperinciTEORI KEMUNGKINAN. -PROBABILITAS- Genetika - Suhardi
TEORI KEMUNGKINAN -PROBABILITAS- Genetika - Suhardi Probabilitas atau istilah lainnya kemungkinan, kebolehjadian, peluang dan sebagainya umumnya digunakan untuk menyatakan peristiwa yang belum dapat dipastikan
Lebih terperinciKetidakpastian & Kepastian (REASONING)
Ketidakpastian & Kepastian (REASONING) Ketidakpastian Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidak ketidak konsistenan disebut dengan Penalaran Non Monotonis. Ciri ciri dari
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Seseorang yang ingin memeriksa kesehatannya cenderung untuk berkonsultasi ke dokter ahli, namun terkadang hal ini dapat menyulitkan seseorang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA II.1. Sistem Pakar Sistem pakar (expert system) adalah salah satu teknik kecerdasan buatan yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan
Lebih terperinciBAB V PENALARAN. Untuk mengatasi ketidakpastian maka digunakan penalaran statistik.
BAB V PENALARAN 5.1 KETIDAKPASTIAN Dalam enyataan sehari-hari banya masalah didunia ini tida dapat dimodelan secara lengap dan onsisten. Suatu penalaran dimana adanya penambahan fata baru mengaibatan etidaonsistenan,
Lebih terperinciTeori Probabilitas. Debrina Puspita Andriani /
Teori Probabilitas 5 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Konsep Probabilitas Ruang Sampel Komplemen Kejadian Probabilitas Bersyarat Teorema Bayes Berapa
Lebih terperinciPROBABILITAS (KEMUNGKINAN/PELUANG) PENDAHULUAN PENGERTIAN PROBABILITAS HUKUM PROBABILITAS
PROBABILITAS (KEMUNGKINAN/PELUANG) PENDAHULUAN PENGERTIAN PROBABILITAS HUKUM PROBABILITAS PENDAHULUAN Semua kejadian di alam selalu dikatakan ada ketidakpastian Adanya statistik karena adanya ketidakpastian
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. mengetahui penyakit yang diderita. - Pasien kesulitan jika ingin mencari racikan obat tradisional
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan 3.1.1 Identifikasi Masalah yang dihadapi - Pasien memerlukan banyak waktu, biaya dan tenaga hanya untuk mengetahui penyakit yang diderita - Obat
Lebih terperinciSebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran
Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran Forward chaining Backward chaining Resolusi Konflik Contoh RBES (1) Sistem pakar
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM PAKAR DIAGNOSA PENYAKIT MEMATIKAN PADA PEREMPUAN MENGGUNAKAN METODE BAYES (Studi Kasus : Asri Medical Center)
ANALISIS DAN PERANCANGAN SISTEM PAKAR DIAGNOSA PENYAKIT MEMATIKAN PADA PEREMPUAN MENGGUNAKAN METODE BAYES (Studi Kasus : Asri Medical Center) Armadyah Amborowati1), Nurul Hidayah2) 1,2) Teknik Informatika
Lebih terperinciKONSEP DASAR PROBABILITAS
KONSEP DASAR PROBABILITAS Definisi: Probabilitas adalah peluang suatu kejadian Manfaat: Manfaat mengetahui probabilitas adalah membantu pengambilan keputusan yang tepat, karena kehidupan di dunia tidak
Lebih terperinciBerdasarkan sistem yang sedang berjalan, tahapan-tahapan proses. deteksi adanya viskositas darah dalam tubuh adalah sebagai berikut :
37 3. Jenis Kelamin Contoh input data jenis kelamin adalah : Jenis Kelamin : Laki-Laki III.1.2. Analisa Proses Berdasarkan sistem yang sedang berjalan, tahapan-tahapan proses deteksi adanya viskositas
Lebih terperinciBAB 3 Teori Probabilitas
BAB 3 Teori Probabilitas A. HIMPUNAN a. Penulisan Hipunan Cara Pendaftaran Cara Pencirian 1) A = {a,i,u,e,o} 1) A = {X: x huruf vokal } 2) B = {1,2,3,4,5} menghasilkan data diskrit 2) B = {X: 1 x 2} menghasilkan
Lebih terperinciPROBABILITAS 02/10/2013. Dr. Vita Ratnasari, M.Si
PROBABILITAS Dr. Vita Ratnasari, M.Si Dalam menghadapi persoalan-persoalan yang TIDAK PASTI diperlukan suatu ukuran untuk menyatakan tingkat KEPASTIAN atau KETIDAKPASTIAN kejadian tsb. Definisi / pengertian
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Saat ini, banyak orang yang sering menderita penyakit alergi pada kulit seperti gatal-gatal, timbul bintik-bintik merah, atau timbul benjolan pada
Lebih terperinciTEORI PROBABILITAS (KEMUNGKINAN) Saptawati Bardosono
TEORI PROBABILITAS (KEMUNGKINAN) Saptawati Bardosono Teori Kemungkinan (probabilitas) Untuk komunikasi informasi medis di antara para ahli dan antara seorang ahli dengan pasiennya dan untuk mencegah terjadinya
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sebagai tinjauan pustaka berikut ini beberapa contoh penelitian yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan
Lebih terperinciOleh: BAMBANG AVIP PRIATNA M
Oleh: BAMBANG AVIP PRIATNA M Pecobaan / eksperimen acak Ruang Sampel Peristiwa / kejadian / event Peluang peristiwa Sifat-sifat peluang Cara menghitung peluang 1. hasilnya tidak dapat diduga dengan tingkat
Lebih terperinciI. PENDAHULUAN II. TINJAUAN PUSTAKA
I. PENDAHULUAN 1.1 Latar Belakang Semakin berkembangnya dunia industri di masa sekarang, semakin kompleks pula permasalahan yang ada pada dunia industri. Salah satu permasalahan yang sering ditemui dalam
Lebih terperinciKonsep Dasar Peluang
Konsep Dasar Peluang Pendahuluan Prediksi kejadian sangat diperlukan dan diminati dalam berbagai bidang kehidupan. Seperti peramalan cuaca, penelitian ilmiah, permainan, bisnis, dll. Ruang contoh : Himpunan
Lebih terperinciKonsep Peluang (Probability Concept)
Konsep Peluang (Probability Concept) Percobaan Percobaan: proses acak untuk membangkitkan data. Dalam banyak kasus, hasil dari suatu percobaan tergantung pada faktor kebetulan, dan tidak dapat diramalkan
Lebih terperinciPENGARUH GAME ONLINE TERHADAP TINGKAT PEMAHAMAN MATA KULIAH MENGGUNAKAN TEOREMA BAYES DI STMIK AMIKOM YOGYAKARTA
Seminar Nasional Teknologi Informasi dan Multimedia 216 ISSN : 232-385 STMIK AMIKOM Yogyakarta, 6-7 Februari 216 PENGARUH GAME ONLINE TERHADAP TINGKAT PEMAHAMAN MATA KULIAH MENGGUNAKAN TEOREMA BAYES DI
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1.Analisa Masalah Berbagai upaya telah dilakukan oleh perusahaan untuk menanggulangi penyakit seperti gejala-gejala, nilai akurasi di data, namun tanpa peran serta
Lebih terperinciSoal UAS Pengantar Kecerdasan Buatan. Kelas 3IA01, 03, 05, 07, 11, 13, 14, 17, 18, 19, 21, 22 dan 23
Soal UAS Pengantar Kecerdasan Buatan Kelas 3IA01, 03, 05, 07, 11, 13, 14, 17, 18, 19, 21, 22 dan 23 1. Pengertian kecerdasan menurut Winston dan Pendergast, 1994. Kecuali : a. Kemampuan belajar atau mengerti
Lebih terperinciHidup penuh dengan ketidakpastian
BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa
Lebih terperinci2-1 Probabilitas adalah:
2 Teori Probabilitas Pengertian probabilitas Kejadian, ruang sample dan probabilitas Aturan dasar probabilitas Probabilitas bersyarat Independensi Konsepsi kombinatorial Probabilitas total dan teorema
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Dalam mencari kepastian terjangkitnya sebuah penyakit, masyarakat harus pergi berkonsultasi ke dokter ahli untuk melakukan pemeriksaan dari gejala
Lebih terperinciMetode Statistika (STK211) Pertemuan III Konsep Peluang (Probability Concept)
Metode Statistika (STK211) Pertemuan III Konsep Peluang (Probability Concept) Ruang Contoh dan Kejadian Ruang Contoh adalah suatu gugus yang memuat semua hasil yang berbeda, yang mungkin terjadi dari suatu
Lebih terperinciSekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil
Pertemuan 13 &14 Sekoin uang logam mempunyai dua permukaan H dan T dilemparkan berkali kali. Hasil yg diperoleh pada setiap pelemparan apakah H atau T di catat Hasil dari keseluruhan event yang didapat
Lebih terperinciStatistik Farmasi Probabilitas
Statistik Farmasi 2016 Probabilitas TUJUAN PERKULIAHAN Setelah mengikuti perkuliahan, diharapkan mahasiswa mampu: 1 Menentukan ruang sampel dan probabilitas dari suatu peristiwa, dengan menggunakan probabilitas
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis masalah Analisis masalah merupakan masalah ng terjadi dalam sistem ng lama baik dalam melakukan pengolahan data dan penmpaian informasi ng ada. Adapun
Lebih terperinciKONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF
KONSEP DASAR PROBABILITAS OLEH : RIANDY SYARIF Definisi Probabilitas adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa mendatang. Probabilitas dinyatakan antara 0 s/d
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Sistem Analisis sistem adalah tahapan yang memiliki tujuan untuk mempelajari prosedur yang sedang berjalan saat ini dan kebutuhan pengguna dari aplikasi
Lebih terperinciSuplemen Kuliah STATISTIKA. Prodi Sistem Informasi (SI 3) STIKOM AMBON Pokok Bahasan Sub Pok Bahasan Referensi Waktu
Suplemen Kuliah STATISTIKA Pertemuan 5 Prodi Sistem Informasi (SI 3) STIKOM AMBON Pokok Bahasan Sub Pok Bahasan Referensi Waktu Konsep Peluang 1. Ruang Contoh dan Kejadian Walpole E. Ronald. (Probabbility
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Penyakit sifilis atau biasa dikenal dengan penyakit Raja Singa pada priabiasanya banyak diderita oleh kaum pria, akan tetapi saat ini wanita pun
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Ovis aries (kambing biri-biri) merupakan herbivora yang merumput. Ovis aries (kambing biri-biri) dipelihara terutama untuk keperluan produksi daging,
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Mendiagnosa Penyakit Alzheimer Dengan Metode
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM PAKAR DIAGNOSA PENYAKIT MEMATIKAN PADA PEREMPUAN MENGGUNAKAN METODE BAYES BERBASIS ANDROID
ANALISIS DAN PERANCANGAN SISTEM PAKAR DIAGNOSA PENYAKIT MEMATIKAN PADA PEREMPUAN MENGGUNAKAN METODE BAYES BERBASIS ANDROID (Studi Kasus : Asri Medical Center) NASKAH PUBLIKASI diajukan oleh Nurul Hidayah
Lebih terperinciRANCANG BANGUN SISTEM IDENTIFIKASI KELAINAN CONDUCT DISORDER PADA ANAK MENGGUNAKAN METODE TEOREMA BAYES
RANCANG BANGUN SISTEM IDENTIFIKASI KELAINAN CONDUCT DISORDER PADA ANAK MENGGUNAKAN METODE TEOREMA BAYES 242 Galih Satrio Cahyo P.D.* 1, Septilia Arfida 2 1,2 Teknik Informatika, Institut Informatika dan
Lebih terperinciRuang Contoh dan Kejadian
2 N i 1 x i N 2 Ruang Contoh dan Kejadian Suatu fenomena dikatakan acak jika hasil dari suatu percobaan bersifat tidak pasti Fenomena acak sering mengikuti suatu pola tertentu Keteraturan acak dalam jangka
Lebih terperinciBab 1 PENGANTAR PELUANG
Bab 1 PENGANTAR PELUANG PENDAHULUAN Misalkan sebuah peristiwa A dapat terjadi sebanyak n kali diantara N peristiwa yang saling ekslusif dan masing-masing terjadi dengan kesempatan yang sama, maka peluang
Lebih terperinciPEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT
PEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT Sri Winiarti Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : daffal02@yahoo.com ABSTRAK Dalam
Lebih terperinciAPLIKASI SISTEM PAKAR BERBASIS ANDROID UNTUK DIAGNOSA AWAL PENYAKIT DAN RACIKAN OBAT TRADISIONAL
APLIKASI SISTEM PAKAR BERBASIS ANDROID UNTUK DIAGNOSA AWAL PENYAKIT DAN RACIKAN OBAT TRADISIONAL Ivan Eroka Yuliadji Binus University, Jakarta, DKI Jakarta, Indonesia Ricky Khoenata Binus University, Jakarta,
Lebih terperinciPerbedaan antara permutasi dan kombinasi adalah : Dalam permutasi, urutan objek dibedakan.
erbedaan antara permutasi dan kombinasi adalah : Dalam permutasi, urutan objek dibedakan. Sedangkan dalam kombinasi, urutan objek yang dipilih tidak dibedakan. 1 Sebagai gambaran, misal dari 5 orang (
Lebih terperinciSELESAIKAN DENGAN FORWARD DAN BACKWARD CHAINING
SELESAIKAN DENGAN FORWARD DAN BACKWARD CHAINING 1. Sistem pakar klasifikasi buah mempunyai 11 rule sebagai berikut : R1 : IF (Shape = long) AND (color = green or yellow) THEN fruit = banana R2 : IF (Shape
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa sistem yang sedang berjalan Analisa sistem yang dijelaskan pada bab ini adalah sebagai bahan perbandingan dengan sistem yang akan dirancang. Adapun sistem
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Sistem Analisis sistem adalah tahapan yang memiliki tujuan untuk mempelajari prosedur yang sedang berjalan saat ini dan kebutuhan pengguna dari aplikasi
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciPENS. Probability and Random Process. Topik 3. Dasar Probabilitas. Prima Kristalina Maret 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 3. Dasar Probabilitas Prima Kristalina Maret 2015 Outline 1. Review Statistika Inferensial 2. Konsep
Lebih terperinciBAB III PERANCANGAN SISTEM. dari seorang pakar ke dalam sebuah sistem komputer. Dengan memanfaatkan
BAB III PERANCANGAN SISTEM Pembangunan sistem pakar merupakan pemindahan pengetahuan kepakaran dari seorang pakar ke dalam sebuah sistem komputer. Dengan memanfaatkan pengetahuan yang sudah ada, sebagai
Lebih terperinciPS-02 HUKUM-HUKUM PROBABILITAS. Nur Hayati, S.ST, MT Yogyakarta, Februari 2016
PS-02 HUKUM-HUKUM PROBABILITAS Nur Hayati, S.ST, MT Yogyakarta, Februari 2016 Ruang Sampel Kejadian Hukum Probabilitas Pokok Bahasan Ruang Sampel Pengertian Ruang Sampel dan Titik Sampel Ruang Sampel adalah
Lebih terperinciI. PENDAHULUAN II. TINJAUAN PUSTAKA
I. PENDAHULUAN 1.1 Latar Belakang Semakin berkembangnya dunia industri di masa sekarang, semakin kompleks pula permasalahan yang ada pada dunia industri. Salah satu permasalahan yang sering ditemui dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka berikut ini ada beberapa contoh penelitian yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Jamur dapat tumbuh dengan mudah sehingga banyak dijumpai di alam bebas. Namun tidak semua jenis jamur yang dapat dikonsumsi masyarakat, masih
Lebih terperinciU n KOMBINATORIAL. A 1 atau A 2 atau... atau A n adalah (n 1 + n n n ). Dengan kata lain
KOMBINATORIAL Kombinatorial adalah cabang matematika yang mempelajari pengaturan objek objek Solusi yang ingin kita peroleh dari kombinatorial ini adalah jumlah cara pengaturan objek objek didalam kumpulanya
Lebih terperinciMateri #2 TIN315 Pemeliharaan dan Rekayasa Keandalan Genap 2015/2016
#2 PROBABILITAS 2.1. Pendahuluan Kata probabiliitas sering dipakai jika kehilangan sentuhan dalam mengimplikasikan bahwa suatu kejadian yang mempunyai peluang yang bagus akan terjadi. Dalam hal ini penilaian
Lebih terperinciKompetens n i s : Mahasiswa mam a pu p menjel enj a el s a ka k n gejala ekonomi dengan meng guna k n a konsep probabil i i l t i as
Kompetensi: Mahasiswa mampu menjelaskan gejala ekonomi dengan menggunakan konsep probabilitas Hal. 9- Penelitian itu Penuh Kemungkinan (tdk pasti) Mengubah Saya tidak yakin Menjadi Saya yakin akan sukses
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem pakar adalah suatu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Semangka merupakan salah satu buah yang sangat digemari masyarakat Indonesia karena rasanya yang manis, renyah dan kandungan airnya yang banyak.
Lebih terperinciSTATISTIK INDUSTRI 1. Agustina Eunike, ST., MT., MBA
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Probabilitas PELUANG Eksperimen Aktivitas / pengukuran / observasi suatu fenomena yang bervariasi outputnya Ruang Sampel / Sample Space Semua output
Lebih terperinciUncertainty (Ketidakpastian)
Uncertainty (Ketidakpastian) Pendahuluan Uncertainty atau ketidakpastian dalam AI disajikan dalam tiga langkah. 1. Seorang pakar menyediakan pengetahuan tidak pasti (inexact), yang berupa, term atau aturan
Lebih terperinciDALIL-DALIL PROBABILITAS
DALIL-DALIL PROBABILITAS 1 Teori probabilitas 1. Tentang perobaan-perobaan yang sifatnya aak (atau tak tentu). 2. Konsep dasar probabilitas bilit dapat digunakan dalam menarik kesimpulan dari suatu perobaan
Lebih terperinciTEORI KEMUNGKINAN (PROBABILITAS)
3 TEORI KEMUNGKINAN (PROBABILITAS) Teori probabilitas atau peluang merupakan teori dasar dalam pengambilan keputusan yang memiliki sifat ketidakpastian. Ada 3 pendekatan : Pendekatan klasik Pendekatan
Lebih terperinciBAB II PROBABILITAS Ruang sampel (sample space)
BAB II ROBABILITAS 2.1. Ruang sampel (sample space) Data diperoleh baik dari pengamatan kejadian yang tak dapat dikendalikan atau dari percobaan yang dikendalikan dalam laboratorium. Untuk penyederhanaan
Lebih terperinciSistem Pakar Untuk Mendiagnosa Alergi Pada Anak Menggunakan Metode Met Teo T rem a Bay Ba es
Sistem Pakar Untuk Mendiagnosa Alergi Pada Anak Menggunakan Metode Teorema Bayes Dengan Client Server Berbasis Android Nama : Rizky Maula NPM : 16112614 Jurusan : Sistem Informasi Pembimbing : Dr. Novrina
Lebih terperinciPENGANTAR MODEL PROBABILITAS
PENGANTAR MODEL PROBABILITAS (PMP, Minggu 1-7) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 1:HIMPUNAN Operasi Himpunan Sifat-Sifat Operasi Himpunan 2 Minggu 2:COUNTING TECHNIQUE
Lebih terperinciARTI PROBABILITAS. Pr s =P= 1-q = Pr G =q = 1-p. dalam mana Pr S dan Pr G masing-masing adalah probabilitas sukses dan probabilitas gagal.
Probabilitas Probabilitas P( A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < P(A) < 1 P(A) = 0 artinya A pasti terjadi P(A) = 1 artinya A tidak mungkin terjadi ARTI PROBABILITAS Jika sebutir mata
Lebih terperincipeluang Contoh 6.1 Ali mempunyai 2 celana dan 3 baju yang berbeda. Berapa stelan celana dan baju berbeda yang dipunyai Ali? Matematika Dasar Page 46
peluang 6.1 Kaidah Pencacahan A. Aturan Perkalian Misal suatu plat nomor sepeda motor terdiri atas dua huruf berbeda yang diikuti tiga angka dengan angka pertama bukan 0. Berapa banyak plat nomor berbeda
Lebih terperinciKonsep Peluang (Probability Concept)
Konsep Peluang (Probability Concept) Suatu fenomena dikatakan acak jika hasil dari suatu percobaan bersifat tidak pasti Fenomena acak sering mengikuti suatu pola tertentu Keteraturan acak dalam jangka
Lebih terperinciBAB I PENDAHULUAN. menggunakan komputer untuk mendapatkan informasi yang dapat membantu
BAB I PENDAHULUAN 1.1. Latar Belakang Pada saat ini, banyak orang menggunakan teknologi komputer dalam kegiatan sehari hari dari mulai bangun tidur hingga tidur kembali. Tidak sedikit orang yang menggunakan
Lebih terperinciBAB I PENDAHULUAN I.1 Latar Belakang
BAB I PENDAHULUAN I.1 Latar Belakang Kepribadian merupakan kombinasi dari pikiran, emosi dan perilaku yang membuat seseorang unik, berbeda satu sama lain. dan juga bagaimana seseorang melihat diri sendiri.
Lebih terperinciRancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Meningitis Menggunakan Metode Naïve Bayes Berbasis Web
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Rancang Bangun Sistem Pakar untuk Mendiagnosa Penyakit Meningitis Menggunakan Metode Naïve Bayes Berbasis Web Ni Luh Ratniasih
Lebih terperinciIMPLEMENTASI TEOREMA BAYES DALAM MENENTUKAN VARIETAS TANAMAN KELAPA SAWIT BERDASARKAN KETEBALAN TEMPURUNG DAN DAGING BUAH
IMPLEMENTASI TEOREMA BAYES DALAM MENENTUKAN VARIETAS TANAMAN KELAPA SAWIT BERDASARKAN KETEBALAN TEMPURUNG DAN DAGING BUAH 1) Linda Wahyuni1), Surya Darma2) Dosen Jurusan Sistem Informasi, Universitas Potensi
Lebih terperinciATURAN DASAR PROBABILITAS. EvanRamdan
ATURAN DASAR PROBABILITAS BEBERAPA ATURAN DASAR PROBABILITAS Secara umum, beberapa kombinasi dari kejadian dalam sebuah eksperimen dapat dihitung probabilitasnya berdasarkan dua aturan, yaitu: 1) Aturan
Lebih terperinciDASAR-DASAR TEORI PELUANG
PROBABILITAS dan STATISTIKA DASAR-DASAR TEORI PELUANG MK. STATISTIKA Konsep Dasar Probabilitas Teori Probabilitas didasarkan pada konsep dari suatu eksperimen random Random fenomena/eksperimen dimana keluaran
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Umum Perusahaan Lembaga pendidikan pelatihan dan ketrampilan komputer Media Com Binjai didirikan pada tanggal 25 Mei 2010 di kota Binjai, Sumatera Utara. Landasan
Lebih terperinciPembahasan Contoh Soal PELUANG
Pembahasan Contoh Soal PELUANG 1. Nomor rumah yang dimaksud terdiri atas dua angka. Ini berarti ada dua tempat yang harus diisi, yaitu PULUHAN dan SATUAN. Karena nomor rumah harus ganjil, maka tempat Satuan
Lebih terperinciStatistika & Probabilitas. Sumber: Materi Kuliah Statistika Dr. Ir. Rinaldi Munir, M.T
Statistika & Probabilitas Sumber: Materi Kuliah Statistika Dr. Ir. Rinaldi Munir, M.T Kejadian Kejadian adalah himpunan bagian (subset) dari ruang sampel S. Dapat dipahami, kejadian adalah himpunan dari
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Diagnosis penyakit yang diderita oleh seorang penderita harus dapat dilakukan dengan tepat dan akurat, karena kesalahan diagnosis berakibat fatal dan bisa membahayakan
Lebih terperinciLEMBAR AKTIVITAS SISWA PELUANG
Nama Siswa : LEMBAR AKTIVITAS SISWA PELUANG 2 2. Kelas : Kompetensi Dasar (KURIKULUM 2013): 3.16 Memahami dan menerapkan berbagai aturan pencacahan melalui beberapa contoh nyata serta menyajikan alur perumusan
Lebih terperinciHubungan antara kejadian dengan ruang contohnya Representasi secara grafis untuk mengilustrasikan logical relations di antara kejadian kejadian
Diagram Venn. Hubungan antara kejadian dengan ruang contohnya Representasi secara grafis untuk mengilustrasikan logical relations di antara kejadian kejadian S = Himpunan bilangan asli A = Himpunan bilangan
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT PADA KUCING DENGAN METODE TEOREMA BAYES BERBASIS ANDROID
SISTEM PAKAR DIAGNOSA PENYAKIT PADA KUCING DENGAN METODE TEOREMA BAYES BERBASIS ANDROID Budi Harijanto 1 Reza Aliful Latif 2 1,2 program studi teknik informatika, jurusan teknologi informasi, Politeknik
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan dari penerapan metode Teorema
Lebih terperinciStatistika untuk Ekonomi dan Keuangan Modern Edisi 3, Buku 1 SUHARYADI PURWANTO S.K
Statistika untuk Ekonomi dan Keuangan Modern Edisi 3, Buku 1 SUHARYADI PURWANTO S.K BAB 1 PENGERTIAN STATISTIKA 2 Pengertian Statistika Bab 1 OUTLINE 3 BAGIAN I Statistik Deskriptif Pengertian Statistika
Lebih terperinciMetode Statistika STK211/ 3(2-3)
Metode Statistika STK211/ 3(2-3) Pertemuan IV Konsep Peluang Septian Rahardiantoro - STK IPB 1 Populasi Pengambilan contoh dari populasi untuk pendugaan parameter Contoh1 Parameter μ Statistik x Setara
Lebih terperinciCERTAINTY FACTOR UTHIE
CERTAINTY FACTOR UTHIE Pengetahuan di dalam sistem pakar yang direpresentasikan dengan menggunakan CF diekspresikan dalam seperangkat aturan yang memiliki format : IF evidence THEN hipotesa (CFrule =.)
Lebih terperinci