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 kasuskasus 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 1

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 2

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 Tidak tahu / tidak ada mungkin Kemungkinan besar Hampir pasti pasti MB / MD 0 - 0.29 0.3 0.49 0.5 - 0.69 0.7 0.89 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 3

Berikut adalah interpretasi nilai CF yang diberikan oleh MYCIN: Interpretasi nilai CF Uncertain Term Definitely not Almost certainly not Probably not Maybe not Unknown Maybe Probably Almost certainly Definitely CF - 1.0 - 0.8 - 0.6 - 0.4 - 0.2 to 0.2 0.4 0.6 0.8 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:

0 MB[h , e1 ] MB[h , e 2 ] * (1 MB[h , e1 ]) MD[h , e1 ^ h , e 2 ] 1 lainnya

MB[h, e1

e2] =

MD[h, e1 e2] =

0 MD[h , e1 ] MD[h , e 2 ] * (1 MD[ h , e1 ])

MB[h , e1 ^ h , e 2 ] 1 lainnya

Page 4

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 5

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 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] : 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 6

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 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] = 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 7

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 8

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 9

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 10

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 11

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

Page 12