Kecerdasan Buatan/ Artificial Intelligence
|
|
- Sugiarto Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Kecerdasan Buatan/ Artificial Intelligence Bayesian Network Imam Cholissodin, S.Si., M.Kom.
2 Pokok Bahasan 1. Syntax & Semantics 2. Compact conditional distributions 3. Efficient Inference 4. Latihan Individu + Tugas Kelompok
3 Syntax & Semantics Bayesian Network : Notasi graf yang menyatakan conditional independence dalam suatu domain. Node menyatakan sebuah random variable. Arc (directed edge) menyatakan hubungan kausal langsung (direct influence). Arahnya dari variable sebab ke variable akibat. Node sibling menyatakan variable yang conditionally independent karena parent-nya. Conditional distribution untuk setiap node terhadap parent-nya: P(X i Parents(X i )) Tidak ada cycle di dalam Bayesian Network.
4 Syntax & Semantics Contoh kedokteran gigi : Topologi sebuah Bayesian Network menyatakan hubungan conditional independence : Keterangan : Weather independent dari semua variable lain. Toothache dan Catch conditionally independent karena Cavity.
5 Syntax & Semantics Contoh lain : Anto sedang di kantor. Tetangganya, John, menelpon mengatakan alarm anti-perampoknya bunyi. Tetangganya, Mary, tidak menelpon. Kadang-kadang alarmnya nyala karena gempa bumi. Apakah ada perampok di rumah Anto? Variable dalam domain : Burglar, Earthquake, Alarm, JohnCalls, MaryCalls Hubungan sebab akibat : Perampok bisa membuat alarm nyala. Gempa bumi bisa membuat alarm nyala. Alarm bisa membuat John menelpon. Alarm bisa membuat Mary menelpon.
6 Syntax & Semantics Contoh Bayesian Network :
7 Syntax & Semantics Rekonstruksi full joint distribution : Bayesian Network adalah deskripsi lengkap sebuah domain. Full joint distribution bisa diperoleh dari local conditional distribution : P n i x,..., x Px Parentsx 1 n 1 i Contoh: hitung probabilitas John menelpon, Mary menelpon, alarm nyala, tidak ada perampok, tidak ada gempa bumi. P (j m a b e) = P (j a)p (m a)p (a b, e)p ( b)p ( e) = = i
8 Syntax & Semantics Membangun Bayesian Network : Bagaimana membangun sebuah Bayesian Network? Sebuah algoritma:. Pilih ordering variable X 1,..., X n For i = 1 to n o Tambahkan X i ke network o Pilih parent dari X 1,..., X i 1 shg. P(X i Parents(X i )) = P(X i X 1,..., X i 1 ) Agar Bayesian Network sah.. X i harus conditionally independent terhadap semua X 1,..., X i 1 yang bukan anggota Parents(X i ) karena Parents(X i ).
9 Syntax & Semantics Chain rule & conditional independence : Algoritma di slide sebelumnya menggunakan chain rule : P(A, B, C, D) = P(A B, C, D)P(B, C, D) = P(A B, C, D)P(B C, D)P(C, D) = P(A B, C, D)P(B C, D)P(C D)P(D) Ini spt. membangun Bayesian Network dengan urutan D, C, B, A tanpa conditional independence. Bagaimana jika, mis: A conditionally independent thd. B karena C dan D B conditionally independent thd. C karena D: P(A, B, C, D) = P(A C, D)P(B D)P(C D)P(D)
10 Syntax & Semantics Contoh membangun Bayesian Network : Mis. kita pilih urutan : MaryCalls, JohnCalls, Alarm, Burglar, Earthquake. P(J M) = P(J)? Tidak P(A J, M) = P(A J)? P(A J, M) = P(A)? Tidak P(B A, J, M) = P(B A)? Ya P(B A, J, M) = P(B)? Tidak P(E B, A, J, M) = P(E A)? Tidak P(E B, A, J, M) = P(E A, B)? Ya
11 Syntax & Semantics Naive vs. paranoid... : Naive Bayes model Semua variable akibat dianggap saling conditionally independent karena variable sebab. Full joint distribution (paranoid?) Semua random variable dianggap saling mempengaruhi Yang kita cari: analisa domain-specific yang menghasilkan informasi conditional independence yang benar!
12 Syntax & Semantics Contoh yang lebih rumit... : Diagnosa awal: mobil mogok! Testable node: nilainya bisa diukur. Fixable node: nilainya bisa diatur. Hidden node: hanya untuk menyederhanakan struktur network-nya.
13 Syntax & Semantics Contoh yang lebih rumit... : Menentukan nilai asuransi mobil...
14 Compact conditional distributions Deterministic nodes : Conditional distribution sebuah node dgn. k parent exponential dlm. k. Ada beberapa representasi yang lebih efisien canonical distribution. Conditional distribution dari suatu deterministic node bisa dihitung sepenuhnya dari nilai parent-nya. Dengan kata lain, nilai probabilitasnya bisa dinyatakan sebagai suatu fungsi : X = f(parents(x)) Misalnya, hidden variable pada contoh mobil mogok: No_charging = Alternator_broken Fanbelt_broken Battery_flat = Battery_dead No_charging Nilainya diperoleh dari truth table
15 Compact conditional distributions Noisy-OR Distribution : Noisy-OR distribution mirip dalam logic, tapi ada uncertainty : Berapakah ketidakpastian sebuah variable gagal mengakibatkan proposition bernilai true? Contoh : P( fever cold, flu, malaria) = 0.6 P( fever cold, flu, malaria) = 0.2 P( fever cold, flu, malaria) = 0.1
16 Compact conditional distributions Variable dengan nilai kontinyu : Bagaimana kalau nilai variable kontinyu? Tabel? Gunakan canonical distribution : fungsi dengan parameter. Contoh : Diskrit : Subsidy?, Buys? Kontinyu : Harvest, Cost
17 Compact conditional distributions Variable diskrit, parent kontinyu : Probabilitas dari Buy? jika diketahui Cost adalah soft threshold : Distribusi probit adalah integral dari fungsi Gaussian : x x N0, 1 xdx P(Buys? = true Cost = c) = Φ(( c + µ)/σ)
18 Compact conditional distributions Variable kontinyu : Model Linear Gaussian sering dipakai : exp 2 1,?, t t t t t t b a h c c b a h N true Subsidy h Harvest c P Cost
19 Efficient Inference Inference by enumeration : Mis. hitung probabilitas ada perampok jika John dan Mary menelpon. Pb j, m PbP epa b ep j apm a e, a Pb Pe Pa b, ep j apm a e a Perhatikan bahwa P(j a)p(m a) dihitung untuk setiap nilai e. Gunakan dynamic programming : hitung sekali, simpan hasilnya!
20 Efficient Inference Approximate inference : Pendekatan lain: jangan hitung nilai persis, tapi cukup disample (Monte Carlo). Ide dasar : Ambil N sample dari distribusi Bayes Net. Estimasi posterior probability dari query event : Pˆ Berapa kali query event terjadi dari N kali sample? Dibagi N. lim Pˆ konvergen terhadap P. N
21 Efficient Inference Contoh sampling : a. P(C,S,R,W)=? b. P(C,S,R,~W)=?
22 Latihan individu Perhatikan Bayesian Network di bawah ini. Tentukan nilai Peluang : a. John menelpon, Mary menelpon, alarm nyala, ada perampok, tidak ada gempa bumi. P (j m a b e). b. John menelpon, Mary tidak menelpon, alarm nyala, ada perampok, ada gempa bumi. P (j m a b e).
23 Tugas Kelompok Buatlah minimal 1 case study unik dan penyelesaiannya dengan Bayesian Network! Buatlah program prolog jika diketahui fakta-fakta berikut! No Judul Buku ISBN Kategori Penerbit Rating 1 Beginning Ogre 3D Games Development Apress 5 2 Programming for Newbies Programming O Reilly 4 3 Pro Android Games Pro Code Igniter Learn CCNA in 23 days Games Development Web Programming Network & Security Apress 4 Apress 3 Sams 2 Kemudian buat query buku bagus / recommended jika rating-nya lebih dari 3!
24 Selesai
IKI30320 Kuliah Nov Ruli Manurung. Syntax & Semantics. Compact conditional distributions. Efficient Inference.
Outline IKI 30320: istem erdas : Bayesian Networks 1 2 3 akultas Ilmu Komputer Universitas Indonesia 28 November 2007 4 Review Bayesian Network Probability theory merangkum ketidakpastian sbg. bilangan.
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 16: Probabilistic Reasoning
IKI 30320: Sistem Cerdas : Probabilistic Reasoning Fakultas Ilmu Komputer Universitas Indonesia 21 November 2007 Outline 1 2 3 4 5 Outline 1 2 3 4 5 Knowledge engineering di FKG Anda diminta membuat agent
Lebih terperinciIKI30320 Kuliah Nov Ruli Manurung. Uncertainty. Probability theory. Semantics & Syntax. Inference. Ringkasan
Outline IKI 30320: Sistem Cerdas : Probabilistic Reasoning 1 2 3 Fakultas Ilmu Komputer Universitas Indonesia 4 21 November 2007 5 Knowledge engineering di FKG Duniah penuh ketidakpastian (uncertainty)
Lebih terperinciKI Kecerdasan Buatan Materi 13: Learning Probabilistic Models (Bayesian Network)
[AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" 3rd Ed., Prentice Hall, New Jersey, 2010 KI091322 Kecerdasan Buatan Materi 13: Learning Probabilistic Models (Bayesian
Lebih terperinciStruktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas
Struktur Bayesian Network untuk Penentuan Class Karakteristik Siswa pada Sistem Tutor Cerdas Ika Widiastuti #1, Ratih Ayuninghemi #2 # Jurusan Teknologi Informasi, Politeknik Negeri Jember Jl. Mastrip
Lebih terperinciBayesian Network untuk Mata Kuliah Jurusan Akuntansi: Tahap Awal menuju Automated Reasoning System
Laporan Penelitian Bayesian Network untuk Mata Kuliah Jurusan Akuntansi: Tahap Awal menuju Automated Reasoning System PENELITI / TIM PENELITI Hendra Bunyamin, S.Si., M.T. Meyliana, S.E., M.Si., Ak. Hanny,
Lebih terperinciTeknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009
Teknik Pengklasifikasi : Bayesian, JST (ANN) Bertalya Universitas Gunadarma 2009 Masalah Pengklasifikasian Klas suatu record yg diuji tidak selalu dapat diprediksi disebabkan oleh faktor2 penentu tidak
Lebih terperinciAlgoritma Bayesian Network Untuk Simulasi Prediksi Pemenang PILKADA Menggunakan MSBNx
Algoritma Bayesian Network Untuk Simulasi Prediksi Pemenang PILKADA Menggunakan MSBNx Andi Lukman Dosen Teknik Informatika STIMED Nusa Palapa Makassar, Indonesia uke@stimednp.ac.id Muh Nadzirin Anshari
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada bab ini dijelaskan dasar teori yang digunakan dalam pengerjaan Tesis ini. Dasar teori yang dijelaskan meliputi dasar teori mengenai sistem berbasis pengetahuan, penalaran,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bab ini dijabarkan hasil analisis dan perancangan yang dilaksanakan selama pengerjaaan Tesis. Analisis yang dilakukan diawali dengan analisis input dan output yang
Lebih terperinciPENGEMBANGAN ALGORITMA CB UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DARI DATA TIDAK LENGKAP
PENGEMBANGAN ALGORITMA CB UNTUK KONSTRUKSI STRUKTUR BAYESIAN NETWORK DARI DATA TIDAK LENGKAP Humasak Tommy Argo Simanjuntak 1) Manajemen Informatika, Politeknik Informatika Del Jl. Sisingamangaraja, Sitoluama,
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) LEARNING BAYESIAN NETWORK PADA GAME SPORT PINGPONG
80 LEARNING BAYESIAN NETWORK PADA GAME SPORT PINGPONG Prama Azaria Nurhalim Putra 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl. Dipatiukur 112 114
Lebih terperinciIMPLEMENTASI METODE BAYESIAN NETWORK UNTUK DECISION SUPPORT SYSTEM PADA MINI DETECTOR EARTHQUAKE
IMPLEMENTASI METODE BAYESIAN NETWORK UNTUK DECISION SUPPORT SYSTEM PADA MINI DETECTOR EARTHQUAKE Yosep Aditya Wicaksono1), Heru Agus Santoso2) 1), 2) Teknik Informatika Fakultas Ilmu Komputer Universitas
Lebih terperinciBab IV Simulasi Metode Monte Carlo Mengatasi Masalah dalam Distribusi Data
24 Bab IV Simulasi Metode Monte Carlo Mengatasi Masalah dalam Distribusi Data IV.1 Mengenal Metode Monte Carlo Distribusi probabilitas digunakan dalam menganalisis sampel data. Sebagaimana kita ketahui,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciLatar Belakang Masalah Masing-masing algoritma hanya dapat bekerja pada pada data lengkap (algoritma CB) dan data tidak lengkap (algortima BC) untuk m
Harmonisasi Algoritma Hybrid Untuk Membangun Struktur Bayesian Network Pada Basisdata Dosen Pembimbing : Prof.Dr.Ir.Handayani TJandrasa,MSc.PhD Ilham M.Said 5108201020 Latar Belakang Masalah Masing-masing
Lebih terperinciPENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY)
PENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY) KETIDAKPASTIAN - Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. - Ketidakpastian merupakan suatu
Lebih terperinciLANDASAN TEORI. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dari pekerjaan dan metode yang digunakan dalam tugas akhir untuk melakukan klasifiksi topik. Pembahasan ini dimulai dengan penjelasan klasifikasi
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini menjabarkan bagaimana implementasi hasil perancangan tersebut ke dalam kode program yang dilakukan selama pengerjaan Tesis. Selain itu dijabarkan pula pengujian
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 terperinciALJABAR SET & AKSIOMA PROBABILITAS
ALJABAR SET & AKSIOMA PROBABILITAS Pokok Bahasan Sample Space Event Aljabar Set Prinsip dan Aksioma Probabilitas Equally Likely Event Conditional Probability Independent Event Sample Space dan Event Eksperimen
Lebih terperinciUncertainty Management
Chapter 6 Tujuan Instruksional Khusus Mahasiswa memahami pendekatan Bayesian sebagai dasar interpretasi fakta yang memiliki derajad ketidakpastian tertentu. Mahasiswa mampu membuat interpretasi fakta dengan
Lebih terperinciEkspektasi variabel random Variansi variabel random Skewness dan kurtosis variabel random
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN...ii HALAMAN PERNYATAAN...iii HALAMAN PERSEMBAHAN... iv KATA PENGANTAR... v DAFTAR ISI...viii DAFTAR GAMBAR... xi DAFTAR TABEL... xii DAFTAR LAMPIRAN...xiii
Lebih terperinciSistem Pakar Untuk Mendiagnosa Penyakit Mata Dengan Metode Bayesian Network
Sistem Pakar Untuk Mendiagnosa Penyakit Mata Dengan Metode Bayesian Network Rahmad Kurniawan, Luh Kesuma Wardhani Jurusan Teknik Informatika UIN SUSKA Riau Jl. H.R Subrantas KM. 15 no. 155 Simpang Baru,
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciKONTRAK PERKULIAHAN, SILABUS (GBPP), DAN SATUAN ACARA PENGAJARAN (SAP)
KONTRAK PERKULIAHAN, SILABUS (GBPP), DAN SATUAN ACARA PENGAJARAN (SAP) MATA KULIAH KECERDASAN BUATAN (KOM321) Disusun oleh: Irman Hermadi, S.Kom, MS, PhD Dr. Yeni Herdiyeni, S.Si. M.Komp Dr. Ir. Agus Buono,
Lebih terperinciKecerdasan Buatan/ Artificial Intelligence
Kecerdasan Buatan/ Artificial Intelligence Constraint Satisfaction Problem (CSP) Rekyan Regasari Mardi Putri, ST, MT Lailil Muflikhah, S.Kom, M.Sc Imam Cholissodin, S.Si., M.Kom M. Ali Fauzi, S.Kom, M.Kom
Lebih terperinciNAIVE BAYES. Artinya Peluang kejadian X bersyarat Y ditentukan dari peluang Y terhadap X, peluang X, dan peluang Y. Posterior Evidence
NAIVE BAYES Konsep Naive Bayes Simple naive Bayesian classifier merupakan salah satu metode pengklasifikasian sederhana yang berdasarkan pada penerapan Teorema Bayes dengan asumsi antar variabel penjelas
Lebih terperincioleh YUANITA KUSUMA WARDANI M
ESTIMASI PARAMETER MODEL REGRESI PROBIT SPASIAL MENGGUNAKAN SOFTWARE R DENGAN ALGORITME GIBBS SAMPLING oleh YUANITA KUSUMA WARDANI M0111083 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
Lebih terperinciPEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN
PEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN KETIDAKPASTIAN Disebut juga dg kekurangan informasi yg memadai untuk mengambil keputusan Probability klasik, bayesian prob, Hartley teory, Shannon teory, Dempster-Shafer
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO
ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika
Lebih terperinciProbabilitas & Teorema Bayes
1 Probabilitas & Teorema Bayes Nurwahyu Alamsyah, S.Kom wahyualamsyah.wordpress.com wahyu@plat-m.com Statistika D3 Manajemen Informatika Universitas Trunojoyo Madura 2 Terminologi Teori Probabilitas didasarkan
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 terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciBAB I PENDAHULUAN. Mesin inferensi konvensional pada umumnya dikembangkan menggunakan
BAB I PENDAHULUAN 1.1. Latar Belakang Mesin inferensi konvensional pada umumnya dikembangkan menggunakan pendekatan Rule-Based System di mana dalam proses pengembangannya menggunakan banyak sekali conditional
Lebih terperinciPENGANTAR PROBABILITAS STATISTIKA UNIPA SBY
PENGANTAR PROBABILITAS GANGGA ANURAGA POKOK BAHASAN Konsep dasar probabilitas Teori himpunan Permutasi Kombinasi Koefisien binomial Koefisien multinomial Probabilitas Aksioma probabilitas Probabilitas
Lebih terperinciBAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli
BAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli Definisi Kecerdasan Buatan Merupakan salah satu bagian dari ilmu komputer Yang membuat agar mesin
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan teknik statistik untuk investigasi dan pemodelan hubungan antar variabel. Hubungan antara dua variabel dapat dilihat dengan analisis
Lebih terperinciBagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
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 terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ yudi@upi.edu / Okt 2012 Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan
Lebih terperinciBAB I PENDAHULUAN. Gambar I-1 Jaringan Regulatori Genetik
BAB I PENDAHULUAN Pada bab ini dijelaskan latar belakang pelaksanaan Tesis, rumusan masalah, tujuan pelaksanaan Tesis, dan batasan masalah yang dikaji pada Tesis. Selain itu, dijelaskan pula metodologi
Lebih terperinciSATUAN ACARA PERKULIAHAN(SAP)
SATUAN ACARA PERKULIAHAN(SAP) Nama Mata Kuliah : Kecerdasan Buatan Kode Mata Kuliah : SI 044 Bobot Kredit : 3 SKS Semester Penempatan : 3 Kedudukan Mata Kuliah : Mata Kuliah Prasyarat : - Penanggung Jawab
Lebih terperinciPROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS
PROBABILITAS (PELUANG) PENGERTIAN PROBABILITAS Dalam kehidupan sehari-hari kita sering mendengar dan menggunakan kata probabilitas (peluang). Kata ini mengisyaratkan bahwa kita berhadapan dengan sesuatu
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Tinjauan Studi Terdapat beberapa penelitian yang terkait dan yang relevan dengan penelitian ini, dan itu telah di buat berbagai perbandingan untuk penggunaan Metode Bayesian
Lebih terperinciPADA jaman sekarang ini sudah banyak sarana dan
Sistem Tutor Cerdas Menggunakan Metode Bayesian Network Variq 1, Surya Sumpeno 2, Moch. Hariadi 3, Purnama 4 1,2,3,4 Bidang Studi Teknik Komputer dan Telematika Teknik Elektro, Fakultas Teknologi Industri,
Lebih terperinciALGORITMA TPDA DAN TPDA Π SEBAGAI ALTERNATIF STRUKTUR BAYESIAN NETWORK
ALGORITMA TPDA DAN TPDA Π SEBAGAI ALTERNATIF STRUKTUR BAYESIAN NETWORK Ivan Michael Siregar, Mewati Ayub, Hendry Handaka Departemen Teknik Informatika, Institut Teknologi Harapan Bangsa Jl. Dipatiukur
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciKeoptimalan Naïve Bayes Dalam Klasifikasi
Keoptimalan Naïve Bayes Dalam Klasifikasi M. Ammar Shadiq Program Ilmu Komputer FPMIPA Universitas Pendidikan Indonesia ammar.shadiq@gmail.com Abstrak Naïve Bayes adalah salah satu algoritma pembelajaran
Lebih terperinciAnalisis Perbandingan Metode Bayesian Network dan Dempster-Shafer Pada Sistem Pakar Diagnosis Penyakit Mata
Analisis Perbandingan Metode Bayesian Network dan Dempster-Shafer Pada Sistem Pakar Diagnosis Penyakit Mata Luh Kesuma Wardhani 1, Rahmad Kurniawan 2 Jurusan Teknik Informatika, Universitas Islam Negeri
Lebih terperinciSISTEM PAKAR. (Expert System) L/O/G/O
SISTEM PAKAR (Expert System) L/O/G/O Latar Belakang E/S Sistem Pakar memberikan banyak keuntungan bagi operasi perusahaan dan manajer, tetapi memiliki keterbatasan significan. Artificial Intelligence merupakan
Lebih terperinciPeubah Acak. 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1
Peubah Acak 14-Sep-07 TPADF (Kelas Ganjil/ Rahmat) Lecture 2 page 1 Definisi Peubah Acak Peubah acak adalah peubah yang mengkarakterisasikan setiap elemen dalam ruang sampel dengan suatu bilangan real.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi juga dikatakan suatu konklusi logis atau implikasi berdasarkan
Lebih terperinciNASKAH PUBLIKASI PENERAPAN METODE BAYESIAN NETWORK DALAM MEMBANGUN SISTEM PAKAR DIAGNOSA PENYAKIT KULIT PADA MANUSIA
NASKAH PUBLIKASI PENERAPAN METODE BAYESIAN NETWORK DALAM MEMBANGUN SISTEM PAKAR DIAGNOSA PENYAKIT KULIT PADA MANUSIA Oleh Moh. Taufan Pranata Katili 531408045 PROGRAM STUDI S1 - SISTEM INFORMASI JURUSAN
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciSimulasi Monte-Carlo. Tom Huber, Erma Suryani, Pemodelan & Simulasi Wikipedia.
Simulasi Monte-Carlo Tom Huber, http://physics.gac.edu/~huber/envision/instruct/montecar.html Erma Suryani, Pemodelan & Simulasi Wikipedia.org Simulasi Monte Carlo Menggunakan bilangan random Simulasi
Lebih terperinciALGORITMA BAYESIAN NETWORK UNTUK SIMULASI PREDIKSI PEMENANG PILKADA MENGGUNAKAN MSBNX
100 ALGORITMA BAYESIAN NETWORK UNTUK SIMULASI PREDIKSI PEMENANG PILKADA MENGGUNAKAN MSBNX Andi Lukman *) Muh Nadzirin Anshari Nur **) Abstract : Abstract-Quick count is understood as the process of counting
Lebih terperinciPENGANTAR MACHINE LEARNING (Pra Kuliah Umum) Betha Nurina Sari,M.Kom
PENGANTAR MACHINE LEARNING (Pra Kuliah Umum) Betha Nurina Sari,M.Kom Machine Learning Machine Learning is the study of computer algorithms that improve automatically through experience. Applications range
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 terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciANALISIS LINK. Tujuan 4/23/13. Budi Susanto
Text dan Web Mining - TI UKDW ANALISIS LINK udi Susanto Text dan Web Mining - TI UKDW 2 Tujuan memahami karakteristik link antar laman yang dapat dimodelkan sebagai graf. memahami algoritma PageRank memahami
Lebih terperinciOptimasi Jaringan. Masalah Optimasi Jaringan Model Optimasi Jaringan Penyelesaian Optimasi Jaringan dengan Simpleks
Optimasi Jaringan Masalah Optimasi Jaringan Model Optimasi Jaringan Penyelesaian Optimasi Jaringan dengan Simpleks Pendahuluan Sebuah model jaringan terdiri dari dua buah element utama, yaitu: Arc, marupakan
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciPengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Recognition Bayesian Decision Theory Team Teaching Klasifikasi 1. Teori Keputusan Bayes ü Keputusan didukung probabilitas posterior ü Keputusan mempertimbangkan Risk/Cost 2. Fase
Lebih terperinciBAB I PENDAHULUAN. membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali
1 BAB I PENDAHULUAN 1.1 Latar Belakang Gejala penyakit merupakan awal timbulnya sebuah penyakit yang dapat membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali diabaikan sehingga membuat
Lebih terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK ) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8
SATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK-045218) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8 Minggu Pokok Bahasan Ke Dan TIU 1 Pengenalan Kecerdasasan
Lebih terperinciBAB II DASAR TEORI 2.1 Pengertian Tata Guna/Tutupan Lahan
BAB II DASAR TEORI Prediksi perubahan lahan merupakan salah satu informasi penting untuk mendukung perencanaan penggunaan lahan. Untuk itu perlu dibuat suatu model yang mampu mewakili prediksi perubahan
Lebih terperinciPengantar Sistem Pakar
Chapter 1 Tujuan Instruksional Khusus Mahasiswa mampu menjelaskan konsep dasar Sistem Pakar. Mahasiswa mampu memberi contoh aplikasi-aplikasi sistem pakar dalam sistem komputer modern. Mahasiswa memahami
Lebih terperinciReview Teori Probabilitas
Rekayasa Trafik 1 Review Teori Probabilitas Rekayasa Trafik Outline Arti Probabilitas Counting Method Random Variable Discrete RV Continuous RV Multiple RVs Rekayasa Trafik 2 Arti Probabilitas Rekayasa
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyak cabang ilmu statistika yang digunakan dalam berbagai bidang, contohnya seperti ekonometri, biostatistika, psikometri, dan masih banyak yang lain. Ekonometri
Lebih terperinciBAB 1. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Proses penalaran merupakan bagian yang sangat penting dalam sistem cerdas. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung ketidaktepatan
Lebih terperinciRANCANG BANGUN PROTOTYPE SISTEM PENGIDENTIFIKASI MANUVER KENDARAAN RODA EMPAT PADA PERANGKAT MOBILE DENGAN LOGIKA FUZZY DAN KLASIFIKASI NAIVE BAYESIAN
RANCANG BANGUN PROTOTYPE SISTEM PENGIDENTIFIKASI MANUVER KENDARAAN RODA EMPAT PADA PERANGKAT MOBILE DENGAN LOGIKA FUZZY DAN KLASIFIKASI NAIVE BAYESIAN Ceria Ganinda Hapsari (510910019) Pembimbing I : Waskitho
Lebih terperinciIMPLEMENTASI BAYESIAN NETWORK UNTUK PERHITUNGAN PROBABILITAS PADA PENILAIAN RISIKO PIPA BAWAH LAUT OLEH FAKTOR KAPAL
TUGAS AKHIR SM141501 IMPLEMENTASI BAYESIAN NETWORK UNTUK PERHITUNGAN PROBABILITAS PADA PENILAIAN RISIKO PIPA BAWAH LAUT OLEH FAKTOR KAPAL FIRDA PUSPITA DEVI NRP 1212 100 090 Dosen Pembimbing Dr. Imam Mukhlash,
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam
Lebih terperinciKata kunci: Klasifikasi, warna kulit, naïve bayes
PENGKLASIFIKASI GENUS PANTHERA (HARIMAU, SINGA, JAGUAR DAN MACAN TUTUL DENGAN METODE NAIVE BAYES Program Studi Informatika, Program Teknologi Informasi dan Ilmu Komputer, Agus Suryanto, Brian Andrianto,
Lebih terperinciVisualisasi Efek Perubahan Fungsi Lahan Menggunakan Maksimum Spanning Tree dengan Pembobot Korelasi
Al-Khwarizmi: Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam Oktober 2017, Vol.5, No.2, hal.155-164 ISSN(P): 2527-3744; ISSN(E):2541-6499 2017 Tadris Matematika IAIN Palopo. http://ejournal.iainpalopo.ac.id/index.php/khwarizmi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Berawal dari kebutuhan analisis data untuk memprediksi suatu nilai bila diberikan suatu nilai-nilai variabel prediktor (x) pada beberapa kasus, maka metode regresi
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menguraikan penjelasan umum mengenai tugas akhir yang dikerjakan. Penjelasan tersebut meliputi latar belakang masalah, tujuan tugas akhir, lingkup tugas akhir, metodologi yang
Lebih terperinciMetode klasifikasi Naïve Bayes. Team teaching
Metode klasifikasi Naïve Bayes Team teaching Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas), Naive Bayes Classifier adalah metode pengklasifikasian
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
31 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisis Permasalahan Besarnya tingkat kesalahan dalam pemilihan jurusan sudah pasti membawa kerugian yang besar. Tidak hanya materi, tapi waktu juga ikut terbuang.
Lebih terperinciAPLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT. Dr. Muljono, S.Si, M. Kom
LEARNING ARTIFICIAL INTELLIGENT Dr. Muljono, S.Si, M. Kom Outline Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes Decision Tree Learning : Klasifikasi untuk penerimaan
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 terperinciSISTEM UNTUK DETEKSI KERUSAKAN MESIN DIESEL MOBIL PANTHER DENGAN METODE NAÏVE BAYES
ISSN : 2338-4018 SISTEM UNTUK DETEKSI KERUSAKAN MESIN DIESEL MOBIL PANTHER DENGAN METODE NAÏVE BAYES Wawan Singgih P (wawan.sinus@gmail.com) Didik Nugroho (didikhoho@gmail.com) Yustina Retno WU (yustina.retno@gmail.com)
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciMODEL DATA MINING CAPAIAN PEMBELAJARAN. N. Tri Suswanto Saptadi. Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 12/4/2015
1 MODEL DATA MINING N. Tri Suswanto Saptadi CAPAIAN PEMBELAJARAN Definisi Kategori Model Naïve Bayesian k-nearest Neighbor Clustering 1 3 Definisi Mining : proses atau usaha untuk mendapatkan sedikit barang
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Secara umum penyakit kulit yang diakibatkan oleh adanya infeksi jamur terdiri
31 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Analisis Sistem Secara umum penyakit kulit yang diakibatkan oleh adanya infeksi jamur terdiri dari 8 jenis penyakit yang berbeda. Dari
Lebih terperinciStudi dan Implementasi Integrasi Monte Carlo
Studi dan Implementasi Integrasi Monte Carlo Firdi Mulia - 13507045 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciBAB 3 ANALISIS HIPOTESIS
BAB 3 ANALISIS HIPOTESIS Pada bagian ini dibahas mengenai analisis hipotesis sequential pattern dapat dimanfaatkan sebagai node ordering dalam mengkonstruksi struktur BN. Analisis dimulai dengan melakukan
Lebih terperinci