BAB 2

LANDASAN TEORI

2.1 Kecerdasan Buatan

Kecerdasan buatan ( artificial inteligence ) merupakan salah satu bagian ilmu

komputer yang membuat agar mesin ( komputer) dapat melakukan pekerjaan seperti
yang sebaik dilakukan manusia (Sri Kusumadewi, 2003).

Pengertian kecerdasan buatan dapat di pandang dari berbagai sudut pandang,

antara lain :
1. Sudut pandang kecerdasan.
Kecerdasan buatan akan membuat mesin menjadi cerdas dalam arti mampu
berbuat seperti apa yang dilakukan manusia.

2. Sudut pandang penelitian.

Kecerdasan buatan adalah suatu studi bagaimana membuat agar komputer dapat
melakukan sesuatu sebaik yang dikerjakan manusia.

3. Sudut pandang bisnis.

Kecerdasan buatan adalah kumpulan peralatan yang sangat powerful dan
metodologis dalam mnyelesaikan masalah-masalah bisnis.

4. Sudut pandang pemrograman.

Kecerdasan meliputi studi tentang pemrograman simbolik, penyelesaian masalah
dan pencarian.

Universitas Sumatera Utara

 Lingkup Utama dari kecerdasan buatan (Sri Kusumadewi, 2003) adalah
sebagai berikut :
1. Sistem Pakar ( Expert System ). Disini komputer digunakan untuk menyimpan
pengetahuan para pakar.
2. Pengelolaan Bahasa Alami ( Natural Language Processing ). Dengan pengolahan
bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan
menggunakan bahasa sehari-hari.
3. Pengenalan Ucapan ( Speech Recognition ). Melalui pengenalan ucapan
diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan
suara.
4. Robotika & Sistem Sensor ( Robotics & Sensory System).
5. Computer Visio, mencoba untuk dapat menginterprestasikan gambar atau obyek-
obyek tampak melalui komputer.
6. Intelligent Computer-aided Instruction.Komputer dapat digunakan sebagai tutor
dalam melatih dan mengajar.
7. Game Playing.

Beberapa karakteristik yang ada pada sistem yang menggunakan artificial

inteligence adalah pemrograman yang cenderung bersifat simbolik ketimbang
algoritmik, bisa mengakomodasi input yang tidak lengkap.
Ada beberapa konsep yang harus dipahami dalam kecerdasan buatan,
diantaranya (Kusrini, 2006) :
1. Turing Test – Metode pengujian kecerdasan buatan.
Merupakan sebuah metode pengujian kecerdasan buatan yang dibuat oleh Alan
Turing.

2. Pemrosesan Simbolik.
Sifat penting dari AI adalah bahwa AI merupakan bagian ilmu komputer yang
melakukan proses secara simbolik dan non-algoritmik dalam penyelesaian
masalah.

Universitas Sumatera Utara

 3. Heuristic
Merupakan suatu strategi untuk melakukan proses pencarian (search) ruang
problem secara selektif, yang memandu proses pencarian yang dilakukan
sepanjang jalur yang memiliki kemungkinan sukses paling besar.

4. Penarikan Kesimpulan (Inferencing)

AI mencoba membuat mesin memiliki kemampuan berfikir atau
mempertimbangkan (reasoning). Kemampuan berfikir termasuk didalamnya
proses penarikan kesimpulan berdasarkan fakta-fakta dan aturan dengan
menggunakan metode heuristik atau metode pencarian lainnya.

5. Pencocokan Pola (Pattern matching)

AI bekerja dengan mencocokkan pola yang berusaha untuk menjelaskan objek,
kejadian atau proses, dalam hubungan logik atau komputasional.

Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki

manusia), kecerdasan buatan memiliki beberapa keuntungan secara komersial, antara
lain :
1. Lebih Permanen.
2. Memberikan kemudahan dalam duplikasi dan penyebaran.
3. Relatif lebih murah dari kecerdasan alamiah.
4. Konsisten dan teliti.
5. Dapat didokumentasikan.
6. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik dibandingkan
manusia.

2.2 Sistem Pakar

2.2.1 Pengertian Sistem Pakar

Sistem Pakar ( Expert System ) adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti biasa yang
dilakukan para ahli (Sri Kusumadewi, 2003).

Universitas Sumatera Utara

 Sistem pakar (expert system) mulai dikembangkan pada pertengahan tahun
1960-an oleh Artificial Intelligence Corporation. Sistem pakar yang muncul pertama
kali adalah General-purpose Problem Solver (GPS) yang merupakan sebuah
predecessor untuk menyusun langkah-langkah yang dibutuhkan untuk mengubah
situasi awal menjadi state tujuan yang telah ditentukan sebelumnya dengan
menggunakan domain masalah yang kompleks.
Sistem pakar dapat diterapkan untuk persoalan di bidang industri, pertanian,
bisni, kedokteran, militer, komunikasi dan transportasi, pariwisata, pendidikan, dan
lain sebagainya. Permasalahan tersebut bersifat cukup kompleks dan terkadang tidak
memiliki algoritma yang jelas di dalam pemecahannya, sehingga dibutuhkan
kemampuan seorang atau beberapa ahli untuk mencari sistematika penyelesaiannya
secara evolutif.
Sistem pakar merupakan program yang dapat menggantikan keberadaan
seorang pakar. Alasan mendasar mengapa sistem pakar dikembangkan menggantikan
seorang pakar adalah sebagai berikut :
1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang
pakar.
3. Seorang pakar akan pensiun atau pergi.
4. Menghadirkan atau menggunkan jasa seorang pakar memerlukan biaya yang
mahal.

5. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile

environment).

2.2.2 Konsep Dasar Sistem Pakar

Pengetahuan dari suatu sistem pakar mungkin dapat direpresentasikan dalam sejumlah
cara. Salah satu metode yang paling umum untuk merepresentasikan pengetahuan
adalah dalam bentuk tipe aturan (rule) IF..Then (Jika..maka). Walaupun cara diatas
sangat sederhana, namun banyak hal yang berarti dalam membangun sistem pakar
dengan mengekspresikan pengetahuan pakar dalam bentuk aturan diatas. Konsep
dasar dari suatu sistem pakar mengandung beberapa unsur/elemen, yaitu: (Muhammad
Arhami, 2005)

Universitas Sumatera Utara

 1. Keahlian
Keahlian merupakan suatu penguasaan pengetahuan dibidang tertentu yang
didapatkan dari pelatihan, membaca atau pengalaman.
2. Ahli
Seorang ahli adalah seorang yang mampu menjelaskan suatu tanggapan,
mempelajari hal-hal baru seputar topik permasalahan (domain), menyusun
kembali pengetahuan, memecah aturan-aturan jika diperlukan dan menentukan
relevan tidaknya keahlian mereka.
3. Pengalihan keahlian
Pengahlian keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi
keorang lain yang bukan ahli (tujuan utama sistem pakar). Proses ini
membutuhkan 4 aktivitas, yaitu: tambahan pengetahuan (dari para ahli atau
sumber-sumber lainnya), representasi pengetahuan yang berupa fakta dan
prosedur (ke komputer), inferensi pengetahuan dan pengalihan pengetahuan ke
pengguna.
4. Inferensi
Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran
dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu
kesimpulan atau hasil akhir.
5. Aturan
Aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru
dari fakta yang telah diketahui.
6. Kemampuan menjelaskan.
Kemampuan komputer untuk memberikan penjelasan kepada pengguna tentang
sesuatu informasi tertentu dari pengguna dan dasar yang dapat digunakan oleh
komputer untuk dapat menyimpulkan suatu kondisi.

2.2.3 Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memiliki ciri-ciri sebagai berikut :

1. Memiliki fasilitas informasi yang handal, baik dalam menampilkan langkah-
langkah antara maupun dalam menjawab pentanyaan-pertanyaan tentang
proses penyelesaian.

Universitas Sumatera Utara

 2. Mudah dimodifikasi, yaitu dengan menambah atau menghapus suatu
kemampuan dari basis pengetahuannya.
3. Heuritik dalam menggunakan pengetahuan untuk mendapatkan
penyelesaiannya.
4. Dapat digunakan dalam berbagai jenis komputer.
5. Memiliki kemampuan untuk beradaptasi.

2.2.4 Bidang-Bidang Pengembangan Sistem Pakar

Ada beberapa kategori pengembangan sistem pakar, antara lain:

1. Kontrol. Contoh pengembangan banyak ditemukan dalam kasus pasien di
rumah sakit, di mana dengan kemampuan sistem pakardapat dilakukan kontrol
terhadap cara pengobatan dan perawatan melalui sensor data atau kode alarm
dan memeberikan solusi terapi pengobatan yang tepat bagi pasien yang sakit.

2. Desain. Contoh sistem pakar di bidang ini adalah PEACE yang dibuat Dincbas
untuk membantu desain pengembangan sirkuit elektronik dan sistem pakar yang
membantu desain komputer dengan komponen-komponennya.

3. Diagnosis. Pengembangan sistem pakar terbesar adalah di bidang diagnosis,

seperti diagnosis penyakit, diagnosis kerusakan mesin kendaraan bermotor,
diagnosis kerusakan komponen komputer, dan lain-lain.

4. Instruksi. Instruksi merupakan pengembangan sistem pakar yang sangat

berguna dalam bidang ilmu pengetahuan dan pendidikan, di mana sistem pakar
dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topik
permasalahan. Contoh pengembangan sistem pakar di bidang ini adalah sistem
pakar untuk pengajaran bahasa inggris, sistem pakar buntuk pengajaran
astronomi, dan lain-lain.

5. Interprestasi. Sistem pakar yang dikembangkan dalam bidang interprestasi

melakukan pemahaman akan suatu situasi dari beberapa informasi yang
direkam. Contoh sistem yang dikembangkan dewasa ini adalah sistem untuk
melakukan sensor gambar dan suara kemudian menganalisisnya dan kemudian
membuat suatu rekomendasi berdasarkan rekaman tersebut.

Universitas Sumatera Utara

 6. Monitor. Sistem pakar dalam bidang ini banyak digunakan militer, yaitu
menggunakan sensor radar kemudian menganalisisnya dan menentukan posisi
objek berdasarkan posisi radar tersebut.

7. Perencanaan. Perencanaan banyak digunakan dalam bidang bisnis dan

keuangan suatu proyek, di mana sistem pakar dalam membuat perencanaan
suatu pekerjaan berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga
pekerjaan menjadi lebih efisien.

8. Prediksi. Sistem pakar dapat memprediksi kejadian masa mendatang

berdasarkan informasi dan model permasalahan yang dihadapi. Biasanya sistem
meberikan simulasi kejadian masa mendatang tersebut, misalnya memprediksi
tingkat kerusakan tanaman apabila terserang hama dalam jangka waktu tertentu.

9. Seleksi. Sistem pakar dengan seleksi mengidentifikasikan pilihan terbaik dari

beberapa daftar pilihan kemungkinan solusi.

10. Simulasi. Sistem ini memproses operasi dari beberapa variasi kondisi yang
ada dan menampilkannya dalam bentuk simulasi. Contoh yaitu program untuk
menganalisis hama dengan berbagai kondisi suhu dan cuaca.

2.2.5 Struktur Sistem Pakar

Sistem pakar disusun oleh dua bagian utama, yaitu: lingkungan pengembangan
(development environment) dan lingkungan konsultasi (consultation environment)
(Muhammad Arhami, 2006). Lingkungan pengembangan sistem pakar digunakan
untuk memasukkan pengetahuan pakar kedalam lingkungan sistem pakar, sedangkan
lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh
pengetahuan pakar.
Komponen-komponen yang terdapat dalam sistem pakar antara lain adalah segabai
berikut :
1. Antarmuka pengguna (user interface)

User interface merupakan mekanisme yang digunakan oleh pengguna dan

sistem pakr untuk berkomunikasi. Antarmuka menerima informasi dari pemakai

Universitas Sumatera Utara

 dan mengubahnya kedalam bentuk yang dapat diterima oleh sistem. Pada bagian
ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem
pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan
informasi (output) kepada pemakai.
2. Basis Pengetahuan

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah

dalam domain tertentu.Ada dua bentuk pendekatan basis pengetahuan yang
sangat umum digunakan, yaitu :
a) Penalaran berbasis aturan (Rule-Based Reasoning)

Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk :

IF-THEN. Bentuk ini digunakan apabila memiliki sejumlah pengetahuan
pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan
masalah tersebut secara berurutan.
b) Penalaran berbasis kasus (Case-Based Reasoning)

Basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya,

kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi
sekarang.
3. Akuisisi Pengetahuan (knowledge acquisition)
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian
dalam menyelesaikan masalah dari sumber pengetahuan kedalam program
komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan
untuk selanjutnya di transfer ke dalam basis pengetahuan.Terdapat empat
metode utama dalam akuisisi pengetahuan, yaitu: wawancara, analisis protocol,
observasi pada pekerjaan pakar dan induksi aturan dari contoh.
4. Mesin inferensi
Mesin inferensi merupakan perangkat lunak yang melakukan penalaran dengan
menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau
hasil akhir. Dalam komponen ini dilakukan permodelan proses berfikir manusia.

Universitas Sumatera Utara

 5. Workplace
Workplace merupakan area dari sekumpulan memori kerja yang digunakan
untuk merekam hasil-hasil dan kesimpulan yang dicapai. Ada tiga tipe
keputusan yang direkam, yaitu :
a) Rencana : Bagaimana menghadapi masalah.
b) Agenda : Aksi-aksi yang potensial yang sedang menunggu untuk
eksekusi.
c) Solusi : calon aksi yang akan dibangkitkan.
6. Fasilitas penjelasan
Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan
kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem
kepada pemakai dengan cara menjawab pertanyaan-pertanyaan.
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya
serta kemampuan untuk belajar dan kinerjanya.

Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat pada
gambar 2.1 berikut ini:

Gambar 2.1 Komponen sistem pakar (sumber: M.Arhami (2006))

Universitas Sumatera Utara

2.2.6 Keuntungan Sistem Pakar

Sistem pakar merupakan paket perangkat lunak atau paket program komputer yang
ditujukan sebagai penyedia nasehat dan sarana bantu dalam menyelesaikan masalah di
bidang-bidang spesialisasi tertentu. Ada beberapa keunggulan dari sistem pakar,
diantaranya dapat :
1. Menghimpun data dalam jumlah yang sangat besar.
2. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu
bentuk tertentu.
3. Mengerjakan perhitungan secara cepat dan tepat dan tanpa jemu mencari
kembali data yang tersimpan dengan kecepatan tinggi.

Ada banyak keuntungan yang dapat diperoleh dengan adanya sistem pakar
antara lain sebagai berikut :
1. Memungkinkan orang awam dapat mengerjakan pekerjaan para ahli.
2. Dapat melakukan proses berulang secara otomatis.
3. Menyimpan pengetahuan dan keahlian para pakar.
4. Meningkat output dan produktivitas.
5. Meningkatkan kualitas.
6. Mampu mengambil dan melestarikan keahlian para pakar.
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10. Meningkatkan kapabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan
mengandung ketidakpastian.
12. Sebagai media pelengkap dalam pelatihan.

2.2.7 Representasi pengetahuan

Representasi pengetahuan merupakan metode yang digunakan untuk mengkodekan

pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Perepresentasian

Universitas Sumatera Utara

dimaksudkan untuk manangkap sifat-sifat penting problema dan membuat informasi
itu dapat diakses oleh prosedure pemecahan problema (Kusrini, 2006).

Bahasa representasi harus dapat membuat seorang perogram mampu

mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi problema,
dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan.Harus
dirancang agar fakta-fakta dan pengetahuan lain yang terkandungdi dalamnya dapat
digunakan untuk penalaran.

2.2.8 Model Representasi Pengetahuan

Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau kompleks,

tergantung dari masalahnya. Beberapa model representasi pengetahuan yang penting,
adalah:

1. Logika (logic)
Logika merupakan suatu pengkajian ilmiah tentang serangkaian penalaran,
sistem kaidah, dan prosedur yang membantu proses penalaran. Logika
merupakan representasi pengetahuan yang paling tua. Bentuk logika
komputasional ada 2 macam, yaitu:
a) Logika Proporsional atau Kalkulus
Logika proporsional merupakan logika simbolik untuk memanipulasi
proposisi. Proposisi merupakan pernyataan yang dapat bernilai benar atau
salah yang dihubungkan dengan operator logika diantaranya operator And
(dan), Or (atau), Not (tidak), Impilikasi (if..then), Bikondisional (if and only
if).
Contohnya: Jika hujan turun sekarang maka saya tidak akan ke pasar,
dapat dituliskan dalam bentuk: ( p => q)
b) Logika Predikat
Logika predikat adalah suatu logika yang seluruhnya menggunakan konsep
dan kaidah proposional yang sama dengan rinci. Suatu proposisi atau
premis dibagi menjadi dua bagian, yaitu: argumen (objek) dan predikat

Universitas Sumatera Utara

 (keterangan). Predikat adalah keterangan yang membuat argument dan
predikat.
Contohnya: Mobil berada dalam garasi, dapat dinyatakan menjadi Di
dalam (mobil,garasi).
Di dalam = keterangan, mobil = argumen, garasi = argumen.
2. Jaringan semantik (semantic nets)
Representasi jaringan semantic merupakan penggambaran grafis dari
pengetahuan yang memperlihatkan hubungan hirarkis dari objek-objek yang
terdiri atas simpul (node) dan penghubung (link).
Contohnya : Merepresentasikan pernyataan bahwa semua komputer merupakan
alat elektornik, semua PC merupakan komputer, dan semua komputer
memiliki monitor. Dari pernyataan tersebut dapat diketahui bahwa
semua PC memiliki monitor dan hanya sebagian alat elektronik yang
memiliki monitor, hal ini dapat dilihat pada gambar 2.2 berikut ini:

Gambar 2.2 Representasi jaringan semantik

3. Object-Atributte-Value (OAV)
Object dapat berupa bentuk fisik atau konsep, Attribute adalah karakteristik atau
sifat dari object tersebut, Value (nilai) - besaran spesifik dari attribute tersebut
yang berupa numeric, string atau boolean.
Contoh: Object: mangga ; Attribute: berbiji ; Value: tungggal.
4. Bingkai (frame)
Bingkai berupa ruang (slots) yang berisi atribut untuk mendeskripsikan
pengetahuan yang berupa kejadian. Binkai memuat deskripsi sebuah objek
dengan menggunakan tabulasi informasi yang berhubungan dengan objek.
Contoh: Bingkai penyakit yang dilihat pada gambar 2.3 berikut ini:

Universitas Sumatera Utara

 Tabel 2.1 Bingkai Penyakit

5. Kaidah produksi (production rule).

Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan,
atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then) yang
menghubungkan anteseden dengan konsekuensi yang diakibatkannya. Berbagai
struktur kaidah if-then ynag menghubungkan obyek atau atribut adalah sebagai
berikut :
JIKA premis MAKA konklusi
JIKA masukan MAKA keluaran
JIKA kondisi MAKA tindakan
JIKA anteseden MAKA konsekuen
JIKA data MAKA hasil
JIKA tindakan MAKA tujuan

2.2.9 Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui
atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) atau implikasi
berdasarkan informasi yang tersedia dalam hal ini akan digunakan metode inferensi
dalam pengambilan kesimpulan. Ada dua metode inferensi yang penting dalam sistem
pakar untuk menarik kesimpulan, yaitu:

1. Runut Maju (Forward Chaining)

Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven). Dalam
pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya
mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang

Universitas Sumatera Utara

 sesuai dengan bagian IF dari aturan IF-THEN. Gambar 2.3 menunjukkan proses
Forward Chaining.
Observasi A aturan R1 fakta C Kesimpulan 1
Aturan R3
Observasi B aturan R2 fakta D Kesimpulan 2

Aturan R2
fakta E
Gambar 2.3 Forward Chaining (Runut Maju)
Berikut ini contoh inferensi yang menggunakan runut maju adalah
JIKA penderita terkena penyakit epilepsi idiopatik dengan CF antara 0,4 s/d
0,6
MAKA berikan obat carbamazepine

2. Runut Balik ( Backward Chaining )

Runut balik adalah pendekatan yang dimotori tujuan (goal-driven). Dalam

pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang
memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan
menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari
aturan lain dengan tujuan baru sebagai kesimpulannya. Selanjutnya, proses
pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan
mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut
sampai semua kemungkinan ditemukan. Gambar 2.4 menunjukkan proses
Backward Chaining.

Observasi A aturan R1 fakta C

Aturan R3
Observasi B aturan R2 fakta D Tujuan 1
(Kesimpulan)
Aturan R2

Gambar 2.4 Backward Chaining (Runut Balik)

Contoh penalaran menggunakan metode runut balik :

Aturan 1 :
Mengalami epilepsi idiopatik lokal dengan CF 0,63

Universitas Sumatera Utara

 JIKA tipe sawan parsial sederhana
DAN EEG menunjukkan adanya fokus
DAN penyebabnya tidak diketahui
Aturan 2 :
Mengalami tipe sawan parsial sederhana dengan CF 0,63
JIKA mengalami motorik fokalyang menjalar atau tanpa menjalar (geraka
klonik dari jari tangan, lalu menjalar ke lengan bawah dan atas lalu
menjalar ke seluruh tubuh)
ATAU gerakan versif,dengan kepala dan leher menengok ke suatu sisi
ATAU gerakan sensorik fokal menjalar atau sensorik khusus berupa halusinasi
sederhana ( visual, audiotorik, gustatorik )

2.3 Faktor Kepastian (Certainty Factor)

2.3.1 Pengertian Faktor Kepastian ( Certainty Factor )

Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki
kepastian penuh. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang
tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor
yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu
pertanyaan yang diajukan oleh sistem.

Ada tiga penyebab ketidakpastian aturan yaitu aturan tunggal, penyelesaian

konflik dan ketidakcocokan (incompatibility) antar konskuen dalam aturan. Aturan
tunggal yang dapat menyebabkan ketidakpastian dipengaruhi oleh tiga hal, yaitu
kesalahan, probabilitas dan kombinasi gejala (evidence). Kesalahan dapat terjadi
karena (Kusrini, 2006) adalah sebagai berikut :
1. ambiguitas, sesuatu didefinisikan dengan lebih dari satu cara.
2. ketidaklengkapan data
3. kesalahan informasi
4. ketidakpercayaan terhadap suatu alat
5. adanya bias

Universitas Sumatera Utara

 Probabilitas disebabkan ketidakmampuan seorang pakar merumuskan suatu
aturan secara pasti. Misalnya jika seseorang mengalami sakit kepala, demam dan
bersin-bersin ada kemungkinan orang tersebut terserang penyakit flu, tetapi bukan
berarti apabila seseorang mengalai gejala tersebut pasti terserang penyakit flu.
Certainty Factor (CF) menujukkan ukuran kepastian terhadap suatu fakta atau
aturan.Notasi Faktor Kepastian(Sri Kusumadewi, 2003) adalah sebagai berikut :
CF[h,e] = MB[h,e] – MD[h,e]
dengan
CF[h,e] : Faktor Kepastian
MB[h,e] : ukuran kepercayaan terhadap hipotesis h , jika diberikan evidence
e ( antara 0 dan 1 ).
MD[h,e] : ukuran ketidakpercayaan terhadap evidence h,jika diberikan
evidence e ( antara 0 dan 1 )

2.3.2 Kombinasi Aturan

Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang
ditunjukka pada tabel berikut ini :

Evidence , E Antecedent Ketidakpastian

E1 DAN E2 min[CF(H,E1), CF(H,E2)]
E1 OR E2 max[CF(H,E1), CF(H,E2)]
TIDAK E -CF(H,E)

Tabel 2.2 Aturan kombinasi MYCIN

Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah
sebagai berikut :
CF(H,e) = CF(E,e) * CF(H,E)
Di mana :
CF(E,e) : Certainty Factor evidence E yang dipengaruhi ileh evidence e
CF(H,E) : Certainty Factor hipotesis dengan asumsi evidence diketahui
dengan pasti, yaitu ketika CF(E,e) = 1
CF(H,e) : Certainty Factor hipotesis yang dipengaruhi oleh evidence e

Universitas Sumatera Utara

Jika semua evidence dan antecedent diketahui dengan pasti maka rumusnya menjadi
CF(H,e) = CF (H,E)
Dalam diagnosis suatu penyakit , hubungan antara gejala dengan hipotesis
sering tidak pasti. Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis
dan suatu hipotesis menjadi evidence bagi aturan lain. Kondisi tersebut dapat
digambarkan sebagai berikut :

A 0,8

0,7 0,9
C D F

0,5
-0,3
B E

Gambar 2.5 Jaringan penalaran certainty factor

Dari gambar di atas ditunjukkan bahwa certainty factor dapat digunakan untuk
menghitung perubahan derajat kepercayaan dari hipotesis F ketika A dan B bernilai
benar. Hal ini dapat dilakukan dengan mengkombinasikan semua certainty factor pada
A dan B menuju F menjadi sebuah alur hipotesis certainty factor seperti di bawah ini:
JIKA (A DAN B) MAKA F
Kondisi ini juga dapat digambarkan sebagai berikut:

Gambar 2.6 Kombinasi Certainty Factor

Kombinasi seperti ini disebut kombinasi paralel ,sebagaimana ditunjukkan oleh
gambar di bawah ini :

Gambar 2.7 Kombinasi Paralel Certainty Factor

Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama, yaitu H.
Kedua Certainty Factor CF(H,E1) dan CF(H,E2) dikombinasikan menghasilkan

Universitas Sumatera Utara

certainty factor CF(H,E1,E2). Certainty kedua aturan dikombinasikan sehingga
menghasilkan certainty factor CF(H,E’). Untuk menghitung kombinasi tersebut
digunakan rumus berikut

CF(H,E’) = CF(E,E’) * CF (H,E)

2.3.3 Perhitungan Certainty Factor

Berikut ini adalah contoh ekspresi logika yang mengkombinasikan evidence :

E=(E1 DAN E2 DAN E3) ATAU (E4 DAN BUKAN E5)
Gejala E akan dihitung sebagai :
E = max[min(E1,E2,E3),min(E4,-E5)]
Untuk nilai E1 = 0,9 E2 = 0,8 E3 = 0,3 E4 = -0,5 E5 = -0,4
Hasilnya adalah :
E = max[min(E1,E2,E3),min(E4,-E5)]
= max(0,3, -0,5)
= 0,3
Bentuk dasar rumus Certainty Factor sebuah aturan JIKA E MAKA H
ditunjukkan oleh rumus :
CF(H,e) = CF( E,e)*CF(H,E)
Dimana :
CF(E,e) : Certainty Factor evidence E yang dipengaruhi oleh evidence
CF(H,E) : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan
pasti , yaitu ketika CF(E,e)=1
CF(H,e) : Certainty factor hipotesis yang dipengaruhi oleh evidence e

Jika semua evidence pada antecedent diketahui dengan pasti, maka rumusnya
ditunjukkan sebagai berikut :
CF(H,e) = CF(H,E)
Karena CF(E,e) = 1.

Universitas Sumatera Utara

Contoh kasus yang melibatkan kombinasi CF :
JIKA batuk
DAN demam
DAN sakit kepala
DAN bersin-bersin
MAKA influenza, CF : 0,7
dengan menganggap E1 : “batuk”, E2 :”demam”, E3 :”sakit kepala”, E4:”bersin-
bersin”, dan H:”influenza”, nilai certainty factor pada saat evidence pasti adalah :
CF(H,E) : CF(H,E1 ∩ E2 ∩ E3 ∩ E4)
: 0,7
Dalam kasus ini , kondisi pasien tidak dapat ditentukan dengan pasti . Certainty factor
evidence E yang dipengaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai
berikut :
CF(E1,e) : 0,5 (pasien mengalami batuk 50%)
CF(E2,e) : 0,8 (pasien mengalami demam 80%)
CF(E3,e) : 0,3 (pasien mengalami sakit kepala 30%)
CF(E4,e) : 0,7 (pasien mengalami bersin-bersin 70%)
Sehingga
CF(E,e) = CF(H,E1 ∩ E2 ∩ E3 ∩ E4)
= min[CF(E1,e), CF(E2,e), CF(E3,e), CF(E4,e)]
= min[0,5, 0,8, 0,3, 0,7]
= 0,3
Maka nilai certainty factor hipotesis adalah :
CF(H,e) = CF(E,e)* CF(H,E)
= 0,3 * 0,7
= 0,21

2.3.4 Menentukan CF Gabungan

CF gabungan merupakan CF akhir dari sebuah calon konklusi. CF ini dipengaruhi

oleh semua CF paralel dari aturan yang menentukan konklusi tersebut. CF Gabungan
diperlukan jika suatu konklusi diperoleh dari beberapa aturan sekaligus. CF Akhir dari

Universitas Sumatera Utara

suatu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF Akhir
bagi calon konklusi tersebut. Adapun rumus untuk melakukan perhitungan CF
Gabungan adalah sebagai berikut:

CF (x) + CF (y) - (CF(x)*CF(y)), CF (x), CF(y) > 0

( ) ( )
(| ( )|,| ( )|)))
, Salah satu CF(x), CF(y)) < 0
(

CF (x) + CF (y) +(CF(x)*CF(y)), CF (x), CF(y) > 0

2 .4 Penyakit Atherosklerosis

2.4.1 Pengertian Penyakit Atherosklerosis

Atherosklerosis adalah perubahan dinding arteri yang ditandai dengan akumulasi lipid
ekstrasel, rekruitmen dan akumulasi lekosit, pembentukan sel busa, migrasi dan
proliferasi miosit, deposit matriks ekstrasel, akibat pemicuan patomekanisme
multifaktor yang bersifat kronik progresif, fokal atau difus, bermanifestasi akut
maupun kronis, serta menimbulkan penebalan dan kekakuan arteri (m.adib , 2009 ).

Atherosklerosis disebabkan faktor genetik serta intensitas dan lama paparan

faktor lingkungan (hemodinamik, metabolik, kimiawi eksogen, infeksi virus dan
bakteri, faktor imunitas dan faktor mekanis), dan atau interaksi berbagai faktor.
Atherosklerosis bermula ketika sel darah putih yang disebut monosit, pindah dari
aliran darah ke dalam dinding arteri dan diubah menjadi sel-sel yang mengumpulkan
bahan-bahan lemak. Pada saatnya, monosit yang terisi lemak ini akan terkumpul,
menyebabkan bercak penebalan di lapisan dalam arteri. Setiap daerah penebalan (yang
disebut plak aterosklerotik atau ateroma) yang terisi dengan bahan lembut seperti keju,
mengandung sejumlah bahan lemak, terutama kolesterol, sel-sel otot polos dan sel-sel
jaringan ikat.Ateroma bisa tersebar di dalam arteri sedang dan arteri besar, tetapi
biasanya mereka terbentuk di daerah percabangan, mungkin karena turbulensi di
daerah ini menyebabkan cedera pada dinding arteri, sehingga disini lebih mudah

Universitas Sumatera Utara

terbentuk ateroma. Arteri yang terkena atherosklerosis akan kehilangan kelenturannya
dan karena ateroma terus tumbuh, maka arteri akan menyempit. Lama-lama ateroma
mengumpulkan endapan kalsium, sehingga menjadi rapuh dan bisa pecah. Darah bisa
masuk ke dalam ateroma yang pecah, sehingga ateroma menjadi lebih besar dan lebih
mempersempit arteri. Ateroma yang pecah juga bisa menumpahkan kandungan
lemaknya dan memicu pembentukan bekuan darah (trombus). Selanjutnya bekuan ini
akan mempersempit bahkan menyumbat arteri, atau bekuan akan terlepas dan
mengalir bersama aliran darah dan menyebabkan sumbatan di tempat lain (emboli).

Gambar 2.8 Potongan Melintang Arteri

Patofisologi dari penyakit atherosklerosis ini dapat dilihat dari gambar berikut:

Gambar 2.9 Patofisiologi Atherosklerosis

Universitas Sumatera Utara

2.4.2 Gejala Penyakit Atherosklerosis

Sebelum terjadinya penyempitan arteri atau penyumbatan mendadak, atherosklerosis

biasanya tidak menimbulkan gejala. Gejalanya tergantung dari lokasi terbentuknya,
sehingga bisa berupa gejala jantung, otak, tungkai atau tempat lainnya. Jika
atherosklerosis menyebabkan penyempitan arteri yang sangat berat, maka bagian
tubuh yang diperdarahinya tidak akan mendapatkan darah dalam jumlah yang
memadai, yang mengangkut oksigen ke jaringan. Gejala awal dari penyempitan arteri
bisa berupa nyeri atau kram yang terjadi pada saat aliran darah tidak dapat mencukupi
kebutuhan akan oksigen. Contohnya, selama berolah raga, seseorang dapat merasakan
nyeri dada (angina) karena aliran oksigen ke jantung berkurang, atau ketika berjalan,
seseorang merasakan kram di tungkainya (klaudikasio interminten) karena aliran
oksigen ke tungkai berkurang.Yang khas adalah bahwa gejala-gejala tersebut timbul
secara perlahan, sejalan dengan terjadinya penyempitan arteri oleh ateroma yang juga
berlangsung secara perlahan. Tetapi jika penyumbatan terjadi secara tiba-tiba
(misalnya jika sebuah bekuan menyumbat arteri), maka gejalanya akan timbul secara
mendadak.

Umumnya lokasi tempat terjadinya penyempitan pembuluh darah adalah

sebagai berikut :

1. Hati
2. Otak
3. Kaki, panggul, lengan
4. Ginjal

Ada beberapa gejala dari penyakit aterosklerosis ini berdasarkan tempat terjadinya,
yaitu :
1. Gejala Aterosklerosis dalam Hati
Gejalanya adalah sebagai berikut :

a) Dada nyeri atau ketidaknyamanan (angina)

Universitas Sumatera Utara

 b) Nyeri pada satu atau kedua lengan, bahu kiri, leher, rahang, atau
punggung.
c) Sesak nafas
d) Pusing
e) Jantung berdetak cepat
f) Mual
g) Detak jantung tidak normal
h) Merasa sangat lelah

2. Gejala Aterosklerosis di Otak

Gejalanya adalah sebagai berikut :

a) Tiba-tiba mati rasa atau lemah pada wajah, lengan, atau kaki.
b) Tiba-tiba sulit berbicara atau memahami pembicaraan.
c) Tiba-tiba sulit untuk melihat pada satu atau kedua mata.
d) Tiba-tiba kesulitan berjalan, pusing, atau kehilangan keseimbangan atau
koordinasi.
e) Sakit kepala tanpa diketahui penyebabnya.
3. Gejala pada kaki , panggul, dan lengan.
Gejalanya adalah sebagai berikut :

a) Sakit atau kram pada otot yang terjadi selama latihan, tetapi membaik
jika istirahat.
b) Dingin atau perasaan mati rasa pada kaki, terutama pada malam hari.
4. Gejala pada Ginjal
Gejalanya adalah sebagai berikut :

a) Sakit kepala
b) Penglihatan kabur
c) Mual

Universitas Sumatera Utara

2.4.3 Faktor Resiko Penyakit Atherosklerosis

Faktor resiko penyakit atherosklerosis ini terbagi dua yaitu:

1. Dapat diubah
a) Usia, pada orang tua resiko terjadinya atherosklerosis lebih tinggi.
b) Jenis kelamin, pria memiliki resiko lebih tinggi dibanding wanita.
c) Ras
d) Riwayat keluarga dengan atherosklerosis.
2. Tidak dapat diubah
a) Mayor.
1) Peningkatan lipid serum
2) Hipertensi
3) Merokok
Merokok sangan berbahaya karena :

a) Merokok dapat mengurangi kadar kolesterol HDL dan

meningkatkan kadar kolesterol LDL.
b) Merokok menyebabkan bertambahnya kadar karbonmonoksida
dalam darah, sehingga meningingkatkan resiko terjadinya
cedera pada lapisan dinding arteri.
c) Merokok akan mempersempit arteri yang sebelumnya telah
menyempit karena atherosklerosis, sehingga mengurangi
jumlah darah yang sampai ke jaringan.
d) Merokok meningkatkan kecendrungan darah untuk membentuk
bekuan sehingga meningkatkan resiko terjadinya penyakit arteri
perifer, penyakit arteri koroner, stroke dan penyumbatan suatu
arteri cangkokan setelah pembedahan.
b) Minor
1) Gaya hidup yang kurang gerak.
2) Stress psikologik.
3) Tipe kepribadian.

Universitas Sumatera Utara

2.5 Delphi 7 dan Interbase

2.5.1 Delphi 7

Borland Delphi 7.0 merupakan bahasa pemrograman berbasis windows.

Borland Delphi 7.0 merupakan pilihan bagi sebagian programmer untuk membuat
aplikasi, hai ini disebabkan kelebihan yang ada pada Borland Delphi 7.0 tersebut.
Berikut ini sebagian beberapa kelebiahn borland Delphi 7.0 diantaranya :

1. Berbasiskan OOP ( Object Oriented Programming ). Setiap bagian yang ada

pada program dipandang sebagai suatu object yang mempunyai sifat-sifat yang
dapat diubah dan diatur.
2. IDE yang berkualitas. Delphi memiliki lingkungan pengembangan yang
lengkap. Terdapat menu-menu ysng memudahkan anda mengatur proyek
pengembangan software.
3. Proses Kompilasi yang cepat. Delphi memiliki kecepatan kompilasi yang tidak
perlu diragukan. Saat aplikasi yang anda buat dijalankan dilingkungan Delphi ,
aplikasi tersebut otomatis dicompile secara terpisah.
4. Aplikasi yang dapat dihasilkan Delphi bersifat multi-purpose, dapat digunakan
untuk berbagai keputusan pengembangan aplikasi mulai perhitungan
sederhana sampai aplikasi multimedia bahkan yang terkoneksi ke internet.
5. Satu file Exe. Setelah merancang program dalam IDE Delphi, Delphi akan
mengkompilasinya menjadi sebuah file executeable tunggal. Program yang di
buat langsung didistribusikan dan dijalankan pada komputer lain tanpa perlu
menyertakan file DLL dari luar. Ini merupakan sebuah kelebihan yang sangat
berarti.

2.5.2 Interbase

Interbase merupakan program aplikasi database untuk menangani database client

server yang didistribusikan oleh sebuah perusahaan perangkat lunak yang terkenal
yaitu Borland. Interbase server ditemukan satu paket dengan program Delphi untuk
semua edisi.

Universitas Sumatera Utara

 Keuntungan menggunakan Interbase adalah sebagai berikut:

1. Interbase memiliki semua fitur, kekuatan, dan skalabilitas yang diperlukan

untuk aplikasi bisnis yang kompleks yang menawarkan keunggulan
performa untuk jumlah pengguna yang besar.
2. Borland Interbase didesain untuk dapat diinstall dengan mudah pada lokasi
end-user tanpa pertolongan administrator database. Interbase dapat di-install
secara terselubung, sehingga end-user tidak tahu jika sudah terinstal.
3. Interbase mendukung berbagai kumpulan bahasa untuk meningkatkan
portabilitas dan skalabilitas global.

InterBase memiliki dua tipe arsitek, yaitu Super Server dan Classic. Super
Server merupakan multi klien, implementasi multi-thread dari proses server InterBase.
Implementasi ini menggantikan jenis implementasi model Classic yang telah
digunakan pada versi InterBase sebelumnya.

Universitas Sumatera Utara