Metode Penalaran - Skripsi Teknik Informatika

Penalaran

Suatu penalaran yaitu dimana adanya suatu permasalahan dan ditemukan penambahan fakta baru dan mengakibatkan ketidak konsistenan,  ciri-ciri penalaran sebagai berikut :

- adanya ketidakpastian
- adanya perubahan pada pengetahuan
- adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk

• Contoh :

- Premis 1 : Aljabar adalah pelajaran yang sulit 

- Premis 2 : Geometri adalah pelajaran yang sulit 

- Premis 3 : Kalkulus adalah pelajaran yang sulit 

• Kesimpulan : Matematika adalah pelajaran yang sulit 
• muncul premis 4 : sosiologi adalah pelajaran yang sulit, akan menyebabkan kesimpulan (Matematika adalah pelajaran yang sulit) menjadi tidak berlaku karena sosiologi bukan bagian dari matematika 
• penalaran induktif sangat dimungkinkan adanya ketidakpastian.  

Ketidakpastian (uncertainty)

• Kurang informasi yang memadai
• Menghalangi untuk membuat keputusan yang terbaik
• Salah satu teori yang berhubungan dengan ketidakpastian : Probabilitas Bayes 

Probabilitas

• Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak 

• Contoh :

Misal dari 10 orang sarjana , 3 orang menguasai java, sehingga peluang untuk memilih                     sarjana yang menguasai java adalah : 

p(java) = 3/10 = 0.3 

Probabilitas Bayes

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

- probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar

    → p(bintik |cacar) = 0.8 

- probabilitas Asih terkena cacar tanpa memandang gejala apapun 

    →  p(cacar) = 0.4

- probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi 

    →  p(bintik | alergi) = 0.3

- probabilitas Asih terkena alergi tanpa memandang gejala apapun 

    →  p(alergi) = 0.7 

- probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan 

    →  p(bintik | jerawatan) = 0.9

- probabilitas Asih jerawatan tanpa memandang gejala apapun

    → p(jerawatan) = 0.5 

• Probabilitas Asih terkena cacar karena ada bintik2 di wajahnya :

• Probabilitas Asih terkena alergi karena ada bintik2 di wajahnya :

• Probabilitas Asih jerawatan karena ada bintik2 di wajahnya :

• Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence (fakta) atau observasi baru maka :

• Misal : Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru menunjukkan bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang kena cacar. Jadi antara munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain. 

• Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan probabilitas terkena cacar bila ada bintik-bintik di wajah →  p(cacar | bintik) = 0.8 
• Ada observasi bahwa orang terkena cacar pasti mengalami panas badan. Jika diketahui probabilitas orang terkena cacar bila panas badan → p(cacar | panas ) = 0.5 
• Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila seseorang terkena cacar → p(bintik | panas, cacar) = 0.4 
• Keterkaitan antara adanya bintik-bintik di wajah dan panas badan → p(bintik | panas) = 0.6  

Faktor Kepastian (Certainty)

Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. 

• CF[h,e]     = MB[h,e] – MD[h,e] 
• CF[h,e]     =   faktor kepastian 
• MB[h,e]    =   ukuran kepercayaan/tingkat keyakinan terhadap hipotesis h, jika            diberikan/dipengaruhi
• Evidence e (antara 0 dan 1)
• MD[h,e]   =   ukuran ketidakpercayaan/tingkat ketidakyakinan terhadap hipotesis h,                   jika diberikan/dipenharuhi  evidence e (antara 0 dan 1)

Contoh : 

• Misal suatu observasi memberikan kepercayaan terhadap h1 dengan MB[h1,e]=0,5 dan MD[h1,e] = 0,2  maka : 

                 - CF[h1,e] = 0,5 – 0,2 = 0,3

• Jika observasi tersebut juga memberikan kepercayaan terhadap h2 dengan MB[h2,e]=0,8 dan MD[h2,e]=0,1, maka : 

- CF[h2,e] = 0,8 – 0,1= 0,7 

• Untuk mencari CF[h1 ∧ h2,e] diperoleh dari

- MB[h1 ∧ h2,e] = min (0,5 ; 0,8) = 0,5 

- MD[h1 ∧ h2,e] = min (0,2 ; 0,1) = 0,1 

- CF[h1 ∧ h2,e]   = 0,5 – 0,1 = 0,4 

• Untuk mencari CF[h1∨ h2,e] diperoleh dari  

- 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 

kata kunci : Metode Penalaran, skripsi teknik informatika, contoh skripsi teknik informatika, skripsi, contoh skripsi, ilmu skripsi