3. metode-metode pada sistem pakar

8/16/2019 3. Metode-metode Pada Sistem Pakar

1/24

Metode-metode

pada Sistem Pakar


2/24

Similarity Measure

• Similarity Measure adalah metode yangdigunakan untuk menghitung kesamaandari dua buah objek berdasarkan pola

atau karakteristik tertentu• Ada beberapa kategori diantaranya:

1. Distance-Based Similarity Measure

. Probabilistic-Based Similarity Measure!. Set-Based Similarity Measure

". #eature-Based Similarity Measure

$. %onte&t-Based Similarity Measure


3/24

Distance-Based Similarity

Measure• Distance-Based Similarity Measure mengukur

tingkat kesamaan dua buah objek dari segi jarak geometris dari 'ariabel-'ariabel yang

tercakup di dalam kedua objek tersebut.• (ang termasuk Distance-Based:

- Euclidean Distance

- Manhattan Distance

- Minko)ski Distance- *e'enshtein Distance

- Binary Distance

- dll


4/24

Probabilistic-Based

Similarity Measure• Probabilistic-Based Similarity Measure

menghitung tingkat kemiripan dua objekdengan merepresentasikan dua set objek

yang diperbandingkan tersebut dalambentuk probability

• (ang termasuk:- +ullback *eibler Distance

- Posterior Probability


5/24

Set-Based Similarity

Measure• Salah satunya adalah ,accard nde&.

• ,accard nde& adalah indeks yangmenunjukkan tingkat kesamaan antara suatu

himpunan set/ data dengan himpunan set/data yang lain.

• ,accard nde& : J(A,B) = (A INTERSECT B)/(A UNION B)

• Sebagai kebalikannya0 tingkat ketidak samaanantara dua himpunan dihitung dengan: J_delta(A,B) = ((A UNION B) – (A INTERSECT B))/(AUNION B)


6/24

#eature-Based Similarity

Measure• #eature-based similarity measure

melakukan penghitungan tingkatkemiripan dengan merepresentasikan

objek ke dalam bentuk eature-eatureyang ingin diperbandingkan. #eature-based similarity measure banyakdigunakan dalam melakukan

pengklasi2kasian atau pattern machinguntuk gambar dan te&t.


7/24

%onte&t-Based Similarity

Measure• %onte&t-based similarity measure

melakukan penghitungan tingkatkemiripan objek-objek yang mempunyai

struktur yang tidak biasa seperti objekyang harus direpresentasikan dengantree structure atau struktur yang lainnya.


8/24

3uclidean Distance%ontoh aplikasi


9/24

Distance

• 1 Dimensi :

• Dimensi:

-" 4


10/24

#ormula

%ontoh: 5erdapat 'ektor ciri berikut:

3uclidean Distance dari 'ektor A dan B:


11/24

3uclidean Distance

• 3uclidean distance hanya dapatdigunakan pada 'ector dengan dimensipanjang/ sama

• Banyak digunakan pada metode-metodeklasi2kasi seperti k-660 +Means0 dll


12/24

*atihan

• Diketahui 'ector:

A = [1,3,4,5,5]

B = [1,1,1,2,2]

C = [3,3,4,2,2]

7itung 3uclidean Distance untuk 'ector

berikut:D = [2,2,2,2,6]

Manakah 'ector terdekat dengan D8


13/24

Pertanyaan untuk

3uclidean:• Bagaimana jika dimensi 9 panjang 'ector

yang dihitung jaraknya tidak sama8


14/24

%lassi2cationMethods


15/24

5op 14 Algorithms in Data

MiningSalah satu konerensi internasional terbesar tentang data miningyaitu 333 %DM0 pada Desember 440 menghasilkan 14 peringkatalgoritma dalam DM:

1. %".$

. +-Means!. S;M Support ;ector Machine/

". Apriori

$. 3M 3&pectation Ma&imi. AdaBoost

8. kNN (K Nearest Neighbor)

?. 6ai'e Bayes

14.%A=5 %lassi2cation and =egression 5rees/


16/24

+-66 +-6earest 6eighbor/

• Algoritma k-nearest neighbor k-66 atau+66/ adalah sebuah metode untukmelakukan klasi2kasi terhadap objek

berdasarkan data pembelajaran yang jaraknya paling dekat dengan objektersebut.

• Semua titik yang merepresentasikan data

learning pada k-66 dengan rumus3uclidean Distance


17/24

#lo)chartAlgoritma k-66

Pencarian 6earest 6eighbor


18/24

Pencarian 6earest

6eighbor 5erdapat beberapa jenis algoritmapencarian tetangga terdekat0 diantaranya:

1. *inear scan. Pohon kd

!. Pohon Balltree

". Pohon metrik$. *ocally-sensiti'e hashing *S7/


19/24

+elebihan dan +elemahan

k-66Kelebihan• +66 memiliki beberapa kelebihan yaitu bah)a dia tangguh

terhadap training data yang noisy dan eekti apabila datalatihnya besar.

Kelemahan

• +66 perlu menentukan nilai dari parameter + jumlah daritetangga terdekat/

• Pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang

harus digunakan untuk mendapatkan hasil yang terbaik• Biaya komputasi cukup tinggi karena diperlukan

perhitungan jarak dari tiap sample uji pada keseluruhansample latih


20/24

%ontoh

• Diketahui suatu karakteristik terdiri dari atribut denganskala kuantitati yaitu @1 dan @ serta kelas yaitu baik danburuk . Data training 9 rule sbb:

• ,ika terdapat data baru dengan nilai @1! dan@>0 apakah termasuk baik atau buruk8


21/24

*angkah-langkah

1. 5entukan parameter + jumlah tetanggaterdekat. Misalkan ditetapkan + !

. 7itung jarak antara data baru dengan semua

data training:Dapat dihitungmenggunakan3uclideanDistance


22/24

*angkah-langkah

!. rutkan jarak tersebut dan tetapkan tetanggaterdekat berdasarkan jarak minimum ke-+:


23/24

*angkah-langkah

". Periksa kelas dari tetangga terdekat:

+esimpulan : @1! dan @> termasuk

kelas Baik


24/24

Buatlah

• %ontoh kasus klasi2kasi besertapenyelesaiannya menggunakan k-66didiskusikan di kelas/

3. metode-metode pada sistem pakar

Documents