Page 1
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
Page 2
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)
Page 3
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:
Page 4
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
Page 5
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
Page 6
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
Page 7
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
Page 8
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
Page 9
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.
Page 10
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
Page 11
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
Page 12
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
Top Related