VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

dokumen-dokumen yang mirip
BAB V PENALARAN. Untuk mengatasi ketidakpastian maka digunakan penalaran statistik.

KETIDAKPASTIAN MATERI KULIAH Kecerdasan Buatan Kecerdasan

INFERENSI DENGAN KETIDAKPASTIAN. PERTEMUAN 9 Diema Hernyka Satyareni, M.Kom

KETIDAKPASTIAN. 4.1 PROBABILITAS DAN TEOREMA BAYES Bentuk Th. Bayes:

4/28/2016. Selasa, 26 April 2016 ^ K10

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

KETIDAKPASTIAN MACAM PENALARAN

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

BAB 2 LANDASAN TEORI

KETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES

BAB II DIMENSI PARTISI

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

Ketidakpastian & Kepastian (REASONING)

BAB 2 LANDASAN TEORI

EKSPEKTASI SATU PEUBAH ACAK

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

Karakterisasi Matrik Leslie Ordo Tiga

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

Created by Simpo PDF Creator Pro (unregistered version)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

BAB II TEORI DASAR. Analisis Kelompok

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB II LANDASAN TEORI

BAB III MODUL INJEKTIF

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

Pengolahan lanjut data gravitasi

Bab III. Plant Nonlinear Dengan Fase Nonminimum

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

BAB IV HASIL ANALISIS

V. SISTEM PAKAR. Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia.

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

PERANCANGAN PROGRAM APLIKASI PERAMALAN BANJIR KANAL BARAT JAKARTA MENGGUNAKAN AUTOREGRESI MULTIVARIANT

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

BAB IV HASIL DAN UJI COBA

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Jurnal Einstein 4 (1) (2016): Jurnal Einstein. Available online

SISTEM PAKAR DIAGNOSA KERUSAKAN PADA PRINTER DENGAN MENGGUNAKAN METODE CERTAINTY FACTOR PARAREL

Pendekatan Hurdle Poisson Pada Excess Zero Data

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

e + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e

π(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

Bab III Model Estimasi Outstanding Claims Liability

M. Zidny Naf an Gasal 2016/2017

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36

FAKTOR KEPASTIAN DAN KETIDAKPASTIAN

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

BAB III OBYEK DAN METODE PENELITIAN. Obyek dalam penelitian ini adalah kebijakan dividen sebagai variabel

Jurnal Ilmiah INOVASI, Vol.14 No.2 Hal , Mei-September 2014, ISSN

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

Analisis Sensitivitas

ANALISIS KAPABILITAS PROSES

Faktor-Faktor Eksternal Pneumonia pada Balita di Jawa Timur dengan Pendekatan Geographically Weighted Regression

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR

ANALISIS DATA KATEGORI DENGAN LOG LINIER MENGGUNAKAN PRINSIP HIRARKI (STUDI KASUS JUMLAH KECELAKAAN LALU LINTAS DI KOTA MAKASSAR TAHUN 2011).

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

Penggunaan Model Regresi Tobit Pada Data Tersensor

BAB III METODE PENELITIAN. pretest postes control group design dengan satu macam perlakuan. Di dalam

Nama : Crishadi Juliantoro NPM :

BAB 2 LANDASAN TEORI

adalah beban pada simpul i berturut-turut. θ adalah vektor sudut fasa dan B adalah elemen-elemen imajiner matriks admitansi simpul. Mengingat bahwa: 1

Analisis Penyelesaian Persamaan Kuadrat Matriks

PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING

BAB II KONDUKSI ALIRAN STEDI SATU DIMENSI

E-book Statistika Gratis... Statistical Data Analyst. Uji Asumsi Klasik Regresi Linear

Analisis Persebaran Seismisitas Wilayah Sumatera Selatan Menggunakan Metode Double Difference

Algoritma Clustering Fuzzy Hibrida untuk Klasifikasi Citra Inderaja

BAB III METODOLOGI PENELITIAN

PENGARUH PELATIHAN TERHADAP KEMAMPUAN KERJA DAN KINERJA KARYAWAN (Studi Pada Karyawan PT. Telkom Indonesia, Tbk Kandatel Malang)

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

Kata kunci: system fuzzy, inflasi

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB 3 ANALISIS DAN PERANCANGAN. pencarian-pencarian materi pendukung yang penulis lakukan melalui internet. Seorang

ANALISIS KETERKAITAN HARGA ANTAR KELOMPOK KOMODITAS PEMBENTUK INFLASI DI SUMATERA BARAT

BAB III METODE PENELITIAN

Transkripsi:

VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr penalaran sebaga berut : - adanya etdapastan - adanya perubahan pada pengetahuan - adanya penambahan fata baru dapat mengubah onlus yang sudah terbentu contoh : Prems -1 : Aljabar adalah pelajaran yang sult Prems -2 : Geometr adalah pelajaran yang sult Prems -3 : Kalulus adalah pelajaran yang sult Konlus : Matemata adalah pelajaran yang sult Munculnya prems baru bsa mengabatan gugurnya onlus yang sudah dperole msal : Prems -4 : Knemata adalah pelajaran yang sult Prems tersebut menyebaban onlus : Matemata adalah pelajaran yang sult, menjad sala arena Knemata buan merupaan bagan dar Matemata, sehngga bla menggunaan penalaran ndutf sangat dmungnan adanya etdapastan. Untu mengatas etdapastan maa dgunaan penalaran statst. PROBABILITAS & TEOREMA BAYES PROBABILITAS Probabltas menunjuan emungnan sesuatu aan terjad atau tda. x jumlah ejadan berhasl jumlah semua ejadan Msal dar 10 orang sarjana, 3 orang menguasa csco, sehngga peluang untu memlh sarjana yang menguasa csco adalah : csco 3/10 0.3 TEOREMA BAYES dengan : E n E E n 1 E E *( *( probabltas hpotess probabltas hpotess jumlah hpotess yang mungn benar ja dberan evdence (fata E probabltas munculnya evdence(fata E ja detahu hpotess E n 1 E *( E *( (menurut hasl sebelumnya benar tanpa memandang evdence(fata apapun Ash mengalam gejala ada bnt-bnt d wajahnya. Doter menduga bahwa Ash terena cacar dengan : probabltas munculnya bnt-bnt d waja ja Ash terena cacar bnt cacar 0.8 probabltas Ash terena cacar tanpa memandang gejala apapun cacar 0.4 probabltas munculnya bnt-bnt d waja ja Ash terena alerg bnt alerg 0.3 probabltas Ash terena alerg tanpa memandang gejala apapun alerg 0.7 probabltas munculnya bnt-bnt d waja ja Ash jerawatan bnt jerawatan 0.9 probabltas Ash jerawatan tanpa memandang gejala apapun jerawatan 0.5 Maa : probabltas Ash terena cacar arena ada bnt-bnt d wajahnya :

13 p (cacar bnt p (cacar bnt p (bnt cacar * p (cacar (0.8 *(0.4 (0.8 *(0.4 + (0.3 *(0.7 + (0.9 *(0.5 + p (bnt cacar * p (cacar p (bnt alerg * p (alerg + p (bnt jerawat * p (jerawat 0.32 0.98 0.327 probabltas Ash terena alerg arena ada bnt-bnt d wajahnya : p (alerg bnt p (alerg bnt p (bnt cacar * p (cacar (0.3 * (0.7 (0.8 * (0.4 + (0.3 * (0.7 + (0.9 * (0.5 + p (bnt alerg * p (alerg p (bnt alerg * p (alerg + p (bnt jerawat * p (jerawat 0.21 0.214 0.98 probabltas Ash jerawatan arena ada bnt-bnt d wajahnya : p (jerawat bnt p (jerawat bnt p (bnt jerawat * p (jerawat p (bnt cacar * p (cacar + p (bnt alerg * p (alerg + p (bnt jerawat * p (jerawat (0.9*(0.5 0.45 0.459 (0.8 * (0.4 + (0.3 * (0.7 + (0.9 *(0.5 0.98 Ja setelah dlauan pengujan terhadap hpotess muncul satu atau lebh evdence (fata atau observas baru maa : e E, E, e E * e E dengan : e E Msal : E e E evdencelama evdenceatau observasbaru E, e e E, probabltas hpotess benar ja munculevdencebaru E dar evdencelamae probabltas hpotess benar ja dberan evdencee atan antarae dan E ja hpotess benar atan antarae dan E tanpamemandanghpotessapapun Adanya bnt-bnt d wajah merupaan gejala seseorang terena cacar. Observas baru menunjuan bahwa selan bnt-bnt d waja panas badan juga merupaan gejala orang ena cacar. Jad antara munculnya bnt-bnt d wajah dan panas badan juga meml eteratan satu sama lan. bnt panas cacar Ash ada bnt-bnt d wajahnya. Doter menduga bahwa Ash terena cacar dengan probabltas terena cacar bla ada bnt-bnt d wajah cacar bnt 0.8 Ada observas bahwa orang terena cacar past mengalam panas badan. Ja detahu probabltas orang terena cacar bla panas badan cacar panas 0.5 Keteratan antara adanya bnt-bnt d wajah dan panas badan bla seseorang terena cacar bnt panas, cacar 0.4

Keteratan antara adanya bnt-bnt d wajah dan panas badan bnt panas 0.6 Maa : E, e cacar panas,bnt e E, E * e E cacar panas,bnt bnt panas,cacar cacar panas * bnt panas (0.5 * (0.4 (0.6 0.33 14 Pengembangan lebh jauh dar Teorema Bayes adalah Jarngan Bayes. hubungan antara rsmon, PK, pengangguran, gelandangan dalam suatu jarngan. PK PK gelandangan Krsmon PK gelandangan pengangguran pengangguran pengangguran Muculnya pengangguran dsebaban PK Probabltas untu jarngan bayes Muculnya pengangguran dapat dgunaan sebaga evdence untu membutan adanya gelandangan Probabltas terjadnya PK ja terjad rsmon, probabltas munculnya gelandangan ja terjad rsmon Atrbut Prob Keterangan pengangguran PK,gelandangan 0.95 Keteratan antara pengangguran & PK, ja muncul gelandangan pengangguran PK,~gelandangan pengangguran ~PK,gelandangan pengangguran ~ PK,~gelandangan PK rsmon PK ~rsmon pengangguran rsmon pengangguran ~ rsmon rsmon 0.20 0.75 0.40 0,50 0.10 0.90 0.30 0.80 Keteratan antara pengangguran & PK, ja tda ada gelandangan Keteratan antara pengangguran & tda ada PK, ja muncul gelandangan Keteratan antara pengangguran & tda ada PK, ja tda ada gelandangan Probabltas orang dpk ja terjad rsmon Probabltas orang dpk ja tda terjad rsmon Probabltas muncul pengangguran ja terjad rsmon Probabltas muncul pengangguran ja tda terjad rsmon

FAKTOR KEPASTIAN (CERTAINTY FACTOR Certanty Factor (CF menunjuan uuran epastan terhadap suatu fata atau aturan. CF[e] MB[e] MD[e] CF[e] fator epastan MB[e] uuran epercayaan/tngat eyanan terhadap hpotess ja dberan/dpengaruh evdence e (antara 0 dan 1 MD[e] uuran etdapercayaan/tngat etdayanan terhadap hpotess ja dberan/dpenharuh evdence e (antara 0 dan 1 3 hal yang mungn terjad : 1. Beberapa evdence dombnasan untu menentuan CF dar suatu hpotess. Ja dan e2 adalah observas, maa : e2 h MB[ e2] MD( e2 0 MB[ ] + MB[ e2]* (1 MB[ ] 0 MD[ ] + MD[ e2]* (1 MD[ ] lannya 15 ja MD[ e2] 1 ja MB( e2 1 lannya Msal suatu observas memberan epercayaan terhadap h dengan MB[]0,3 dan MD[]0 maa : CF[] 0,3 0 0,3 Ja ada observas baru dengan MB[e2]0,2 dan MD[e2]0, maa : MB[ e2] 0,3 + 0,2 * (1 0,30,44 MD[ e2] 0 CF[ e2] 0,44 0 0,44 Ash menderta bnt-bnt d wajahnya. Doter memperraan Ash terena cacar dengan epercayaan MB[cacar,bnt]0,80 dan MD[cacar,bnt]0,01 maa : CF[cacar,bnt] 0,80 0,010,79 Ja ada observas baru bahwa Ash juga panas badan dengan epercayaan, MB[cacar,panas]0,7 dan MD[cacar,panas]0,08 maa : MB[cacar,bnt panas] 0,8 + 0,7 * (1 0,80,94 MD[cacar,bnt panas] 0,01 + 0,08 * (1 0,01 0,0892 CF[cacar,bnt panas] 0,94 0,0892 0,8508 2. CF dhtung dar ombnas beberapa hpotess Ja h1 dan h2 adalah hpotess maa : MB[h1 h2,e] mn (MB[h1,e], MB[h2,e] MB[h1 h2,e] max (MB[h1,e], MB[h2,e] h1 h2 MD[h1 h2,e] mn (MD[h1,e], MD[h2,e] MD[h1 h2,e] max (MD[h1,e], MD[h2,e] Msal suatu observas memberan epercayaan terhadap h1 dengan MB[h1,e]0,5 dan MD[h1,e]0,2 maa : CF[h1,e] 0,5 0,2 0,3 Ja observas tersebut juga memberan epercayaan terhadap h2 dengan MB[h2,e]0,8 dan MD[h2,e]0,1, maa : CF[h2,e] 0,8 0,1 0,7 Untu mencar CF[h1 h2,e] dperoleh dar MB[h1 h2,e] mn (0,5 ; 0,8 0,5 MD[h1 h2,e] mn (0,2 ; 0,1 0,1 CF[h1 h2,e] 0,5 0,1 0,4 Untu mencar CF[h1 h2,e] dperoleh dar

MB[h1 h2,e] max (0,5 ; 0,8 0,8 MD[h1 h2,e] max (0,2 ; 0,1 0,2 CF[h1 h2,e] 0,8 0,2 0,6 Ash menderta bnt-bnt d wajahnya. Doter memperraan Ash terena cacar dengan epercayaan MB[cacar,bnt] 0,80 dan MD[cacar,bnt]0,01 maa CF[cacar,bnt] 0,80 0,01 0,79 Ja observas tersebut juga memberan epercayaan bahwa Ash mungn juga terena alerg dengan epercayaan MB[alerg,bnt] 0,4 dan MD[alerg,bnt]0,3 maa CF[alerg,bnt] 0,4 0,3 0,1 Untu mencar CF[cacar alerg, bnt] dperoleh dar MB[cacar alerg,bnt] mn (0,8 ; 0,4 0,4 MD[cacar alerg,bnt] mn (0,01 ; 0,3 0,01 CF[cacar alerg,bnt] 0,4 0,01 0,39 Untu mencar CF[cacar alerg, bnt] dperoleh dar MB[cacar alerg,bnt] max (0,8 ; 0,4 0,8 MD[cacar alerg,bnt] max (0,01 ; 0,3 0,3 CF[cacar alerg,bnt] 0,8 0,3 0,5 Kesmpulan : semula fator epercayaan bahwa Ash terena cacar dar gejala munculnya bnt-bnt d wajahnya adalah 0,79. Deman pula fator epercayaan bahwa An terena alerg dar gejala munculnya bnt-bnt d wajah adalah 0,1. Dengan adanya gejala yang sama mempengaruh 2 hpotess yang berbeda n memberan fator epercayaan : Ash menderta cacar dan alerg 0,39 Ash menderta cacar atau alerg 0,5 Pertengahan tahun 2002, ada ndas bahwa turunnya devsa Indonesa dsebaban oleh permasalahan TKI d Malaysa. Apabla detahu MB[devsaturun,TKI]0,8 dan MD[devsaturun,TKI]0,3 maa CF[devsaturun,TKI] : CF[devsaturun,TKI] MB[devsaturun,TKI] MD[devsaturun,TKI] 0,8 0,3 0,5 Ahr September 2002 emarau berepanjangan mengabatan gagal panen yang cuup serus, berdampa pada turunnya espor Indonesa. Bla detahu MB[devsaturun,esporturun] 0,75 dan MD[devsaturun,esporturun] 0,1, maa CF[devsaturun,esporturun] dan CF[devsaturun,TKI esporturun] : CF[devsaturun,esporturun] MB[devsaturun,esporturun] MD[devsaturun,esporturun] 0,75 0,1 0,65 MB[devsaturun, TKI esporturun] MB[devsaturun,TKI] + MB[devsaturun,esporturun] * (1 MB[devsaturun,TKI] 0,8 + 0,75 * (1 0,8 0,95 MD[devsaturun, TKI esporturun] MD[devsaturun,TKI] + MD[devsaturun,esporturun] * (1 MD[devsaturun,TKI] 0,3 + 0,1 * (1 0,3 0,37 CF[devsaturun,TKI esporturun] MB[devsaturun, TKI esporturun] MD[devsaturun, TKI esporturun] 0,95 0,37 0,58 Isu terorsme d Indonesa pasca bom bal tgl 12 Otober 2002 ternyata juga ut mempengaruh turunnya devsa Indonesa sebaga abat berurangnya wsatawan asng. Bla detahu MB[devsaturun,bombal] 0,5 dan MD[devsaturun,bombal] 0,3, maa CF[devsaturun,bombal] dan CF[devsaturun,TKI esporturun bombal] : CF[devsaturun,bombal] MB[devsaturun,bombal] MD[devsaturun,bombal] 0,5 0,3 0,2 MB[devsaturun, TKI esporturun bombal] 16

17 MB[devsaturun,TKI esporturun] + TKI esporturun] 0,95 + 0,5 * (1 0,95 0,975 MB[devsaturun,bombal] * (1 MB[devsaturun, MD[devsaturun, TKI esporturun bombal] MD[devsaturun,TKI esporturun] + MD[devsaturun,bombal] * (1 MD[devsaturun,TKI esporturun] 0,37 + 0,3 * (1 0,37 0,559 CF[devsaturun,TKI esporturun bombal] MB[devsaturun, TKI esporturun bombal] MD[devsaturun, TKI esporturun bombal] 0,975 0,559 0,416 3. Beberapa aturan salng bergandengan, etdapastan dar suatu aturan menjad nput untu aturan yang lannya A Maa : MB[s] MB [s] * max (0,CF[s,e] MB [s] uuran epercayaan h berdasaran eyanan penuh terhadap valdtas s B C PK terjad PK Pengangguran muncul banya pengangguran Gelandangan muncul banya gelandangan Aturan 1 : IF terjad PK TEN muncul banya pengangguran CF[pengangguran, PK] 0,9 Aturan 2 : IF muncul banya pengangguran TEN muncul banya gelandangan MB[gelandangan, pengangguran] 0,7 Maa MB[gelandangan, pengangguran] [0,7] * [0,9] 0,63