Sistem Pakar CF

SISTEM PAKAR DENGAN CERTAINTY FAKTOR

DEFINISI

Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi

dari suatu masalah berdasarkan kumpulan pengetahuan yang ada.

Gambar 1. Sistem Yang Menggunakan Kecerdasan Buatan

Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan

manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa

dilakukan oleh para ahli.

BASIS PENGETAHUAN (KNOWLEDGE BASE)

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada 2

bentuk pendekatan basis pengetahuan:

a. Penalaran berbasis aturan

Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan

aturan

b. Penalaran berbasis kasus

Metode untuk membangun sistem pakar dengan pengambilan keputusan dari kasus yang

baru dengan berdasarkan solusi dari kasus–kasus sebelumnya

KAIDAH PRODUKSI (PRODUCTION RULE)

Kaidah produksi dituliskan dalam bentuk JIKA-MAKA (IF-THEN). Kaidah If-Then

menghubungkan anteseden dengan konsekuensi yang diakibatkannya.

JIKA premis MAKA konklusi

JIKA anteseden MAKA konsekuen

MESIN INFERENSI

Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi :

a. Forward Chaining

Pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran

dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis

b. Backward Chaining

Pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain penalaran

dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut

harus dicari fakta-fakta yang ada dalam basis pengetahuan

KETIDAKPASTIAN

Dalam kenyataan sehari-hari, para pakar seringkali berurusan dengan data-data yang

tidak menentu dan tidak pasti. Ketidakpastian disebabkan oleh dua faktor, yaitu aturan yang

tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh

sistem. Misalnya jika seseorang mengalami sakit kepala, demam dan bersin-bersin ada

kemungkinan orang tersebut terserang penyakit flu, tetapi bukan berarti apabila seseorang

mengalami gejala tersebut pasti terserang penyakit flu.

FAKTOR KEPASTIAN (CERTAINTY FACTOR)

Dalam mengekspresikan derajat keyakinan, menggunakan suatu nilai yang disebut

certainty factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu

fakta atau aturan. Certainty factor memperkenalkan konsep belief/keyakinan dan

disbelief/ketidakyakinan. Konsep ini kemudian diformulasikan dalam rumusan dasar

sebagai berikut:

CF[h,e] = MB[h,e] - MD[h,e]

CF[h,e] = faktor kepastian

MB[h,e] = ukuran kepercayaan/keyakinan terhadap hipotesis h, jika diberikan evidence e

(antara 0 dan 1)

MD[h,e] = ukuran ketidakpercayaan/ketidakyakinan terhadap hipotesis h, jika diberikan

evidence e (antara 0 dan 1)

Metode Perhitungan Certainty Factor

Ada dua tahap model yang sering digunakan untuk menghitung tingkat keyakinan (CF)

dari sebuah rule adalah sebagai berikut:

a) Dengan menggali dari hasil wawancara dengan pakar. Nilai CF didapat dari interpretasi

term dari pakar menjadi nilai MD atau MB tertentu. Yang di gunakan untuk menghitung

nilai CF dari suatu rule dengan beberapa metode

Certain term untuk MB dan MD

Certain term MB / MD

Tidak tahu / tidak ada 0 - 0.29

mungkin 0.3 – 0.49

Kemungkinan besar 0.5 - 0.69

Hampir pasti 0.7 – 0.89

pasti 0.9 - 1.0

b) Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran kepastian

suatu fakta atau aturan. Notasi faktor kepastian:

CF[h,e] = MB[h,e] – MD[h,e]

Penentuan certain term MB/MD yang lain:

Berikut adalah interpretasi nilai CF yang diberikan oleh MYCIN:

Interpretasi nilai CF

Uncertain Term CF

Definitely not - 1.0

Almost certainly not - 0.8

Probably not - 0.6

Maybe not - 0.4

Unknown - 0.2 to 0.2

Maybe 0.4

Probably 0.6

Almost certainly 0.8

Definitely 1.0

Ada 3 hal yang mungkin terjadi:

1. Beberapa evidence dikombinasikan untuk menentukan nilai CF dari suatu hipotesis

Jika e1 dan e2 adalah fakta/observasi, maka:

MB[h, e1 e2] = lainnya])e,h[MB1(*]e,h[MB]e,h[MB

1]e,h^e,h[MD0

121

21

MD[h, e1 e2] = lainnya])e,h[MD1(*]e,h[MD]e,h[MD

1]e,h^e,h[MB0

121

21

Contoh:

• Misal suatu observasi memberikan kepercayaan terhadap h dengan MB*h,e1+=0,3 dan

MD[h,e1]=0 maka :

CF[h,e1] = 0,3 - 0 = 0,3

Jika ada observasi baru dengan MB[h,e2]=0,2 dan MD[h,e2]=0, maka :

MB[h, e1 e2] = 0,3 + 0,2 * (1 - 0,3)=0,44

MD[h, e1 e2] = 0

CF[h, e1 e2] = 0,44 - 0 = 0,44

Contoh 1 evidence:

Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan

kepercayaan MB[cacar,bintik]=0,80 dan MD[cacar,bintik]=0,01 maka :

CF[cacar,bintik] = 0,80 - 0,01=0,79

Jika ada observasi baru bahwa Asih juga panas badan dengan kepercayaan

MB[cacar,panas]=0,7 dan MD[cacar,panas]=0,08 maka :

MB[cacar, bintik panas] = 0,8 + 0,7 * (1 – 0,8)=0,94

MD[cacar, bintik panas] = 0,01 + 0,08 * (1 – 0,01) = 0,0892

CF[cacar, bintik panas] = 0,94 – 0,0892 = 0,8508

Contoh 2 evidence:

Pertengahan tahun 2002, ada indikasi bahwa turunnya devisa Indonesia disebabkan oleh

permasalahan TKI di Malaysia.

Diketahui MB[devisa turun, TKI]=0,8 dan MD[devisa turun, TKI]=0,3

Akhir September 2002 kemarau berkepanjangan mengakibatkan gagal panen yang cukup

serius, berdampak pada turunnya ekspor Indonesia.

Diketahui MB[devisa turun, ekspor turun] = 0,75 dan MD[devisa turun, ekspor turun] = 0,1,

Carilah CF[devisa turun, TKI ekspor turun]

Penyelesaian

CF[devisaturun, TKI] = MB[devisa turun, TKI] - MD[devisa turun, TKI]

= 0,8 - 0,3 = 0,5

CF[devisa turun, ekspor turun] =

= MB[devisa turun, ekspor turun] - MD[devisa turun, ekspor turun]

= 0,75 – 0,1 = 0,65

Menghitung CF[devisa turun, TKI ekspor turun] :

MB[devisa turun, TKI ekspor turun]=

= MB[devisa turun, TKI] + MB[devisa turun, ekspor turun] * (1 – MB[devisa turun,TKI])

= 0,8 + 0,75 * (1 – 0,8) = 0,95

MD[devisa turun, TKI ekspor turun] =

= MD[devisa turun,TKI] + MD[devisa turun,ekspor turun] * (1 – MD[devisa turun,TKI])

= 0,3 + 0,1 * (1 – 0,3) = 0,37

CF[devisa turun,TKI ekspor turun] =

= MB[devisa turun, TKI ekspor turun] – MD[devisa turun, TKI ekspor turun]

= 0,95 – 0,37 = 0,58

Contoh 3 evidence:

Isu terorisme di Indonesia pasca bom bali tgl 12 Oktober 2002 ternyata juga ikut

mempengaruhi turunnya devisa Indonesia sebagai akibat berkurangnya wisatawan asing.

Bila diketahui MB[devisa turun, bom bali] = 0,5 dan MD[devisa turun, bom bali] = 0,3

Tentukan CF[devisa turun,TKI ekspor turun bom bali]

Penyelesaian:

CF[devisa turun, bom bali] = MB[devisa turun, bom bali] - MD[devisa turun, bom bali]

= 0,5 – 0,3 = 0,2

Menghitung CF[devisa turun,TKI ekspor turun bom bali]

MB[devisa turun, TKI ekspor turun bom bali] =

MB[devisa turun, TKI ekspor turun] +

MB[devisa turun, bom bali] * (1 – MB[devisa turun, TKI ekspor turun])

= 0,95 + 0,5 * (1 – 0,95) = 0,975

MD[devisa turun, TKI ekspor turun bom bali] =

MD[devisa turun, TKI ekspor turun] +

MD[devisa turun, bom bali] * (1 – MD[devisa turun, TKI ekspor turun])

= 0,37 + 0,3 * (1 – 0,37) = 0,559

CF[devisa turun,TKI ekspor turun bom bali] =

MB[devisa turun, TKI ekspor turun bom bali] –

MD[devisa turun, TKI ekspor turun bom bali]

= 0,975 – 0,559 = 0,416

Contoh Kasus 2:

Terdapat data yang meliputi data penyakit dan data gejala yang menyerang THT (Telinga,

Hidung, Tenggorokan).

Form konsultasi digunakan untuk memilih gejala yang dirasakan. Misalkan user mengalami

gejala demam dan nyeri leher, seperti gambar. Diagnosalah penyakit user tersebut

Diketahui:

Terdapat 5 macam penyakit yang memiliki gejala demam dan nyeri leher, yaitu:

1. Contract Ulcers

2. Barotitis Media

3. Deviasi Septum

4. Laringitis

5. Osteosklerosis

MB (Contract Ulcers, demam nyeri leher) = 0,95 + 0,92 * (1-0,95) = 0,996

MD (Contract Ulcers, demam nyeri leher) = 0,2 + 0,19 * (1-0,2) = 0,352

CF (Contract Ulcers, demam nyeri leher) = 0,996 - 0,352 = 0,644

MB (Barotitis Media, demam nyeri leher) = 0,15 + 0,29 * (1-0,15) = 0,3965

MD (Barotitis Media, demam nyeri leher) = 0,93 + 0,59 * (1-0,93) = 0,9713

CF (Barotitis Media, demam nyeri leher) = 0,3965 - 0,9713 = -0,5748

MB (Deviasi Septum, demam nyeri leher) = 0,04 + 0,6 * (1-0,04) = 0,616

MD (Deviasi Septum, demam nyeri leher) = 0,27 + 0,59 * (1-0,27) = 0,7007

CF (Deviasi Septum, demam nyeri leher) = 0,616 - 0,7007 = -0,0847

MB (Laringitis, demam nyeri leher) = 0,26 + 0,95 * (1-0,26) = 0,963

MD (Laringitis, demam nyeri leher) = 0,16 + 0,18 * (1-0,16) = 0,3112

CF ((Laringitis, demam nyeri leher) = 0,963 - 0,3112 = 0,6518

MB (Osteosklerosis, demam nyeri leher) = 0,72 + 0,15 * (1-0,72) = 0,762

MD (Osteosklerosis, demam nyeri leher) = 0,22 + 0,88 * (1-0,22) = 0,9064

CF (Osteosklerosis, demam nyeri leher) = 0,762 - 0,9064 = -0,1444

Dari CF masing-masing penyakit diperoleh nilai CF terbesar penyakit Laringitis sebesar

0,6518 sehingga dugaan terbesar user tersebut terkena penyakit Laringitis.

Diskusikan :

Jika penyakit diatas memiliki gejala demam , nyeri leher dan suara serak,maka tentukan

penyakit apa yang menjadi diagnosa.

2. CF dihitung dari beberapa kombinasi hipotesis

Jika h1 dan h2 adalah hipotesis, maka:

MB[h1 h2, e] = min(MB[h1,e],MB[h2,e])

MB[h1 h2, e] = max(MB[h1,e],MB[h2,e])

MD[h1 h2, e] = min(MD[h1,e],MD[h2,e])

MD[h1 h2, e] = max(MD[h1,e],MD[h2,e])

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

Contoh :

Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan

kepercayaan MB[cacar,bintik] = 0,80 dan MD[cacar,bintik]=0,01 maka:

CF[cacar,bintik] = 0,80 – 0,01 = 0,79

Jika observasi tersebut juga memberikan kepercayaan bahwa Asih mungkin juga terkena

alergi dengan kepercayaan MB[alergi,bintik] = 0,4 dan MD[alergi,bintik]=0,3 maka:

CF[alergi,bintik] = 0,4 – 0,3 = 0,1

Untuk mencari CF[cacar alergi, bintik] diperoleh dari

MB[cacar alergi,bintik] = min (0,8 ; 0,4) = 0,4

MD[cacar alergi,bintik] = min (0,01 ; 0,3) = 0,01

CF[cacar alergi,bintik] = 0,4 – 0,01 = 0,39

Untuk mencari CF[cacar alergi, bintik] diperoleh dari

MB[cacar alergi,bintik] = max (0,8 ; 0,4) = 0,8

MD[cacar alergi,bintik] = max (0,01 ; 0,3) = 0,3

CF[cacar alergi,bintik] = 0,8 – 0,3 = 0,5

Kesimpulan : semula faktor kepercayaan bahwa Asih terkena cacar dari gejala munculnya

bintik-bintik di wajahnya adalah 0,79. Demikian pula faktor kepercayaan bahwa Ani terkena

alergi dari gejala munculnya bintik-bintik di wajah adalah 0,1. dengan adanya gejala yang

sama mempengaruhi 2 hipotesis yang berbeda ini memberikan faktor kepercayaan:

Asih menderita cacar dan alergi = 0,39

Asih menderita cacar atau alergi = 0,5

3. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input

untuk aturan yang lainnya

Maka:

MB*h,s+ = MB’*h,s+ * max (0,CF*s,e+)

MB’*h,s+ = ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s

Contoh:

PHK = terjadi PHK

Pengangguran = muncul banyak pengangguran

Gelandangan = muncul banyak gelandangan

Aturan 1 :

IF terjadi PHK THEN muncul banyak pengangguran

CF[pengangguran, PHK] = 0,9

Aturan 2 :

IF muncul banyak pengangguran THEN muncul banyak gelandangan

MB[gelandangan, pengangguran] = 0,7

Maka:

MB[gelandangan, pengangguran] = [0,7] * [0,9] = 0,63

Sistem Pakar CF

Documents

Transcript of Sistem Pakar CF