P. 1
dasar teori

dasar teori

|Views: 302|Likes:
Published by Lalu Muliadi Irman

More info:

Published by: Lalu Muliadi Irman on Jan 31, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/09/2013

pdf

text

original

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 Represent asi jaringan semant ik

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 Forw a rd Cha ining ( Runut M aju)
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
E
1
DAN E
2
min[CF(H,E
1
), CF(H,E
2
)]
E
1
OR E
2
max[CF(H,E
1
), CF(H,E
2
)]
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
B
C
D
E
F
0,8
0,7
0,9
-0,3
0,5

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 E
1
dan E
2
mempengaruhi hipotesis yang sama, yaitu H.
Kedua Certainty Factor CF(H,E
1
) dan CF(H,E
2
) dikombinasikan menghasilkan
Universitas Sumatera Utara

certainty factor CF(H,E
1
,E
2
). 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=(E
1
DAN E
2
DAN E
3
) ATAU (E
4
DAN BUKAN E
5
)
Gejala E akan dihitung sebagai :
E = max[min(E
1,
E
2
,E
3
),min(E
4
,-E
5
)]
Untuk nilai E
1
=

0,9 E
2
= 0,8 E
3
= 0,3 E
4
= -0,5 E
5
= -0,4
Hasilnya adalah :
E = max[min(E
1,
E
2
,E
3
),min(E
4
,-E
5
)]
= 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 E
1
: “batuk”, E
2
:”demam”, E
3
:”sakit kepala”, E
4
:”bersin-
bersin”, dan H:”influenza”, nilai certainty factor pada saat evidence pasti adalah :
CF(H,E) : CF(H,E
1
∩ E
2
∩ E
3
∩ E
4
)
: 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(E
1
,e) : 0,5 (pasien mengalami batuk 50%)
CF(E
2
,e) : 0,8 (pasien mengalami demam 80%)
CF(E
3
,e) : 0,3 (pasien mengalami sakit kepala 30%)
CF(E
4
,e) : 0,7 (pasien mengalami bersin-bersin 70%)
Sehingga
CF(E,e) = CF(H,E
1
∩ E
2
∩ E
3
∩ E
4
)
= min[CF(E
1
,e), CF(E
2
,e), CF(E
3
,e), CF(E
4
,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


CF( x) +CF( y)
( 1-MIn( | CF( x) | ,| CF( y) | ) ) )
, Sal ah sat u 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

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 obyekobyek 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

4. Relatif lebih murah dari kecerdasan alamiah. Penarikan Kesimpulan (Inferencing) AI mencoba membuat mesin memiliki kemampuan berfikir atau mempertimbangkan (reasoning). 2003). Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki manusia).2. kecerdasan buatan memiliki beberapa keuntungan secara komersial. 4. 2. 5. 2. Pencocokan Pola (Pattern matching) AI bekerja dengan mencocokkan pola yang berusaha untuk menjelaskan objek.3. dalam hubungan logik atau komputasional. agar komputer dapat menyelesaikan masalah seperti biasa yang dilakukan para ahli (Sri Kusumadewi. Konsisten dan teliti. 6. antara lain : 1. Lebih Permanen. kejadian atau proses. yang memandu proses pencarian yang dilakukan sepanjang jalur yang memiliki kemungkinan sukses paling besar. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik dibandingkan manusia. Dapat didokumentasikan. 3. Universitas Sumatera Utara . Heuristic Merupakan suatu strategi untuk melakukan proses pencarian (search) ruang problem secara selektif. 5.2 Sistem Pakar 2.1 Pengertian Sistem Pakar Sistem Pakar ( Expert System ) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer. Memberikan kemudahan dalam duplikasi dan penyebaran. Kemampuan berfikir termasuk didalamnya proses penarikan kesimpulan berdasarkan fakta-fakta dan aturan dengan menggunakan metode heuristik atau metode pencarian lainnya.

2. Konsep dasar dari suatu sistem pakar mengandung beberapa unsur/elemen. Seorang pakar akan pensiun atau pergi. namun banyak hal yang berarti dalam membangun sistem pakar dengan mengekspresikan pengetahuan pakar dalam bentuk aturan diatas. Sistem pakar merupakan program yang dapat menggantikan keberadaan seorang pakar. Permasalahan tersebut bersifat cukup kompleks dan terkadang tidak memiliki algoritma yang jelas di dalam pemecahannya. 3. 2. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. 5. Walaupun cara diatas sangat sederhana. yaitu: (Muhammad Arhami. 2005) Universitas Sumatera Utara .Sistem pakar (expert system) mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial Intelligence Corporation. Alasan mendasar mengapa sistem pakar dikembangkan menggantikan seorang pakar adalah sebagai berikut : 1. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environment). 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. bisni. Sistem pakar dapat diterapkan untuk persoalan di bidang industri. pendidikan. Salah satu metode yang paling umum untuk merepresentasikan pengetahuan adalah dalam bentuk tipe aturan (rule) IF.Then (Jika. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.2. kedokteran... komunikasi dan transportasi. pariwisata.2 Konsep Dasar Sistem Pakar Pengetahuan dari suatu sistem pakar mungkin dapat direpresentasikan dalam sejumlah cara. militer.maka). sehingga dibutuhkan kemampuan seorang atau beberapa ahli untuk mencari sistematika penyelesaiannya secara evolutif. dan lain sebagainya. 4. Menghadirkan atau menggunkan jasa seorang pakar memerlukan biaya yang mahal. pertanian.

2. 3. membaca atau pengalaman. inferensi pengetahuan dan pengalihan pengetahuan ke pengguna. Keahlian Keahlian merupakan suatu penguasaan pengetahuan dibidang tertentu yang didapatkan dari pelatihan. representasi pengetahuan yang berupa fakta dan prosedur (ke komputer). Kemampuan menjelaskan. Inferensi Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Aturan Aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui. baik dalam menampilkan langkahlangkah antara maupun dalam menjawab pentanyaan-pertanyaan tentang proses penyelesaian. Proses ini membutuhkan 4 aktivitas. Pengalihan keahlian Pengahlian keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi keorang lain yang bukan ahli (tujuan utama sistem pakar). 5.1. 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. mempelajari hal-hal baru seputar topik permasalahan (domain). 6. Universitas Sumatera Utara . memecah aturan-aturan jika diperlukan dan menentukan relevan tidaknya keahlian mereka. Memiliki fasilitas informasi yang handal. Ahli Seorang ahli adalah seorang yang mampu menjelaskan suatu tanggapan.3 Ciri-Ciri Sistem Pakar Sistem pakar yang baik harus memiliki ciri-ciri sebagai berikut : 1. yaitu: tambahan pengetahuan (dari para ahli atau sumber-sumber lainnya). 4. menyusun kembali pengetahuan.

yaitu dengan menambah atau menghapus suatu kemampuan dari basis pengetahuannya. 4. Contoh pengembangan sistem pakar di bidang ini adalah sistem pakar untuk pengajaran bahasa inggris. Contoh sistem yang dikembangkan dewasa ini adalah sistem untuk melakukan sensor gambar dan suara kemudian menganalisisnya dan kemudian membuat suatu rekomendasi berdasarkan rekaman tersebut. Kontrol. Diagnosis. Interprestasi. Instruksi. Pengembangan sistem pakar terbesar adalah di bidang diagnosis. 2. 4. di mana sistem pakar dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topik permasalahan. Dapat digunakan dalam berbagai jenis komputer. dan lain-lain. 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.4 Bidang-Bidang Pengembangan Sistem Pakar Ada beberapa kategori pengembangan sistem pakar. 5. Universitas Sumatera Utara . 3.2. Sistem pakar yang dikembangkan dalam bidang interprestasi melakukan pemahaman akan suatu situasi dari beberapa informasi yang direkam. antara lain: 1.2. Heuritik dalam menggunakan pengetahuan untuk mendapatkan penyelesaiannya. 2. Instruksi merupakan pengembangan sistem pakar yang sangat berguna dalam bidang ilmu pengetahuan dan pendidikan. sistem pakar buntuk pengajaran astronomi. 3. 5. Mudah dimodifikasi. Contoh pengembangan banyak ditemukan dalam kasus pasien di rumah sakit. dan lain-lain. seperti diagnosis penyakit. diagnosis kerusakan mesin kendaraan bermotor. 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. diagnosis kerusakan komponen komputer. Desain. Memiliki kemampuan untuk beradaptasi.

9. Perencanaan. Sistem pakar dalam bidang ini banyak digunakan militer. di mana sistem pakar dalam membuat perencanaan suatu pekerjaan berdasarkan jumlah tenaga kerja. Sistem pakar dengan seleksi mengidentifikasikan pilihan terbaik dari beberapa daftar pilihan kemungkinan solusi. Antarmuka menerima informasi dari pemakai Universitas Sumatera Utara .6. Komponen-komponen yang terdapat dalam sistem pakar antara lain adalah segabai berikut : 1. Contoh yaitu program untuk menganalisis hama dengan berbagai kondisi suhu dan cuaca. yaitu menggunakan sensor radar kemudian menganalisisnya dan menentukan posisi objek berdasarkan posisi radar tersebut. Antarmuka pengguna (user interface) User interface merupakan mekanisme yang digunakan oleh pengguna dan sistem pakr untuk berkomunikasi. 7. 2006). misalnya memprediksi tingkat kerusakan tanaman apabila terserang hama dalam jangka waktu tertentu. biaya dan waktu sehingga pekerjaan menjadi lebih efisien. Monitor. 2. sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. 10. Sistem ini memproses operasi dari beberapa variasi kondisi yang ada dan menampilkannya dalam bentuk simulasi. Prediksi. Sistem pakar dapat memprediksi kejadian masa mendatang berdasarkan informasi dan model permasalahan yang dihadapi.5 Struktur Sistem Pakar Sistem pakar disusun oleh dua bagian utama. Biasanya sistem meberikan simulasi kejadian masa mendatang tersebut. 8. Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar kedalam lingkungan sistem pakar. Perencanaan banyak digunakan dalam bidang bisnis dan keuangan suatu proyek.2. Simulasi. Seleksi. yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment) (Muhammad Arhami.

b) Penalaran berbasis kasus (Case-Based Reasoning) Basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya. yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai. yaitu: wawancara. kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang. transfer. observasi pada pekerjaan pakar dan induksi aturan dari contoh. analisis protocol. Universitas Sumatera Utara .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. Basis Pengetahuan Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah dalam domain tertentu. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya di transfer ke dalam basis pengetahuan. juga memberikan informasi (output) kepada pemakai. Pada bagian ini terjadi dialog antara program dan pemakai. dan pakar dapat menyelesaikan masalah tersebut secara berurutan. 4. Akuisisi Pengetahuan (knowledge acquisition) Akuisisi pengetahuan adalah akumulasi.Terdapat empat metode utama dalam akuisisi pengetahuan. Bentuk ini digunakan apabila memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu. 3.dan mengubahnya kedalam bentuk yang dapat diterima oleh sistem. dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam program komputer. Dalam komponen ini dilakukan permodelan proses berfikir manusia. Mesin inferensi Mesin inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. 2.

: Aksi-aksi yang potensial yang sedang menunggu untuk 6. 7. Fasilitas penjelasan Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Workplace Workplace merupakan area dari sekumpulan memori kerja yang digunakan untuk merekam hasil-hasil dan kesimpulan yang dicapai. Perbaikan pengetahuan Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dan kinerjanya. Ada tiga tipe keputusan yang direkam. Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat pada gambar 2.Arhami (2006)) Universitas Sumatera Utara .1 Komponen sistem pakar (sumber: M.5. c) Solusi : calon aksi yang akan dibangkitkan. yaitu : a) Rencana : Bagaimana menghadapi masalah.1 berikut ini: Gambar 2. Komponen ini menggambarkan penalaran sistem kepada pemakai dengan cara menjawab pertanyaan-pertanyaan. b) Agenda eksekusi.

Memungkinkan orang awam dapat mengerjakan pekerjaan para ahli. Ada beberapa keunggulan dari sistem pakar. 6.7 Representasi pengetahuan Representasi pengetahuan merupakan metode yang digunakan untuk mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk tertentu. Perepresentasian Universitas Sumatera Utara . Mampu mengambil dan melestarikan keahlian para pakar. 5. Mengerjakan perhitungan secara cepat dan tepat dan tanpa jemu mencari kembali data yang tersimpan dengan kecepatan tinggi.2. Memiliki reliabilitas. Mampu beroperasi dalam lingkungan yang berbahaya. 8. 12. 4. Meningkatkan kapabilitas sistem komputer.2. Ada banyak keuntungan yang dapat diperoleh dengan adanya sistem pakar antara lain sebagai berikut : 1. diantaranya dapat : 1. Sebagai media pelengkap dalam pelatihan. Dapat melakukan proses berulang secara otomatis. Meningkatkan kualitas.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.2. 3. 3. 9. 11. 2. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. 2. Meningkat output dan produktivitas. 2. Memiliki kemampuan untuk mengakses pengetahuan. 10. Menghimpun data dalam jumlah yang sangat besar. 7. Menyimpan pengetahuan dan keahlian para pakar.

Beberapa model representasi pengetahuan yang penting. Impilikasi (if. yaitu: a) Logika Proporsional atau Kalkulus Logika proporsional merupakan logika simbolik untuk memanipulasi proposisi. 2006). Logika merupakan representasi pengetahuan yang paling tua. Bentuk logika komputasional ada 2 macam. adalah: 1.then). Proposisi merupakan pernyataan yang dapat bernilai benar atau salah yang dihubungkan dengan operator logika diantaranya operator And (dan). Contohnya: Jika hujan turun sekarang maka saya tidak akan ke pasar. sistem kaidah.2.Harus dirancang agar fakta-fakta dan pengetahuan lain yang terkandungdi dalamnya dapat digunakan untuk penalaran. 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. Bahasa representasi harus dapat membuat seorang perogram mampu mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi problema. Suatu proposisi atau premis dibagi menjadi dua bagian. 2. dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan. Logika (logic) Logika merupakan suatu pengkajian ilmiah tentang serangkaian penalaran.dimaksudkan untuk manangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses oleh prosedure pemecahan problema (Kusrini. Or (atau). Not (tidak).8 Model Representasi Pengetahuan Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau kompleks.. yaitu: argumen (objek) dan predikat Universitas Sumatera Utara . Bikondisional (if and only if). tergantung dari masalahnya. dan prosedur yang membantu proses penalaran.

Contoh: Object: mangga .2 berikut ini: Gambar 2. garasi = argumen. Value (nilai) . Bingkai (frame) Bingkai berupa ruang (slots) yang berisi atribut untuk mendeskripsikan pengetahuan yang berupa kejadian. dan semua komputer memiliki monitor. 4. mobil = argumen.3 berikut ini: Universitas Sumatera Utara . Attribute: berbiji . Attribute adalah karakteristik atau sifat dari object tersebut. Contoh: Bingkai penyakit yang dilihat pada gambar 2. string atau boolean. 2. Object-Atributte-Value (OAV) Object dapat berupa bentuk fisik atau konsep. Contohnya: Mobil berada dalam garasi. hal ini dapat dilihat pada gambar 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). semua PC merupakan komputer.garasi). Dari pernyataan tersebut dapat diketahui bahwa semua PC memiliki monitor dan hanya sebagian alat elektronik yang memiliki monitor. dapat dinyatakan menjadi Di dalam (mobil. Contohnya : Merepresentasikan pernyataan bahwa semua komputer merupakan alat elektornik. Predikat adalah keterangan yang membuat argument dan predikat.2 Representasi jaringan semantik 3. Di dalam = keterangan. Binkai memuat deskripsi sebuah objek dengan menggunakan tabulasi informasi yang berhubungan dengan objek.besaran spesifik dari attribute tersebut yang berupa numeric. Value: tungggal.(keterangan).

Dalam pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang Universitas Sumatera Utara . Ada dua metode inferensi yang penting dalam sistem pakar untuk menarik kesimpulan.1 Bingkai Penyakit 5. Kaidah produksi (production rule). atau strategi.9 Inferensi Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. yaitu: 1. Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi.Tabel 2.2. arahan. Inferensi adalah konklusi logis (logical conclusion) atau implikasi berdasarkan informasi yang tersedia dalam hal ini akan digunakan metode inferensi dalam pengambilan kesimpulan. Runut Maju (Forward Chaining) Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven). 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. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then) yang menghubungkan anteseden dengan konsekuensi yang diakibatkannya.

Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya.4 s/d 0. Gambar 2.3 menunjukkan proses Forward Chaining.4 Backward Chaining (Runut Balik) Contoh penalaran menggunakan metode runut balik : Aturan 1 : Mengalami epilepsi idiopatik lokal dengan CF 0. Runut Balik ( Backward Chaining ) Runut balik adalah pendekatan yang dimotori tujuan (goal-driven). Gambar 2. Selanjutnya. Proses berlanjut sampai semua kemungkinan ditemukan. selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Observasi A Observasi B aturan R1 aturan R2 fakta C Aturan R3 fakta D Aturan R2 Tujuan 1 (Kesimpulan) Gambar 2.63 Universitas Sumatera Utara .4 menunjukkan proses Backward Chaining. proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya.6 MAKA berikan obat carbamazepine 2.sesuai dengan bagian IF dari aturan IF-THEN.3 Forward Chaining (Runut Maju) Berikut ini contoh inferensi yang menggunakan runut maju adalah JIKA penderita terkena penyakit epilepsi idiopatik dengan CF antara 0. Dalam pendekatan ini pelacakan dimulai dari tujuan. Observasi A Observasi B aturan R1 aturan R2 fakta C Aturan R3 fakta D Kesimpulan 2 Kesimpulan 1 Aturan R2 fakta E Gambar 2.

gustatorik ) 2. probabilitas dan kombinasi gejala (evidence).3 Faktor Kepastian (Certainty Factor) 2.1 Pengertian Faktor Kepastian ( Certainty Factor ) Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian penuh.dengan kepala dan leher menengok ke suatu sisi ATAU gerakan sensorik fokal menjalar atau sensorik khusus berupa halusinasi sederhana ( visual. 3. ketidaklengkapan data kesalahan informasi ketidakpercayaan terhadap suatu alat adanya bias 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. Aturan tunggal yang dapat menyebabkan ketidakpastian dipengaruhi oleh tiga hal. ambiguitas. Ada tiga penyebab ketidakpastian aturan yaitu aturan tunggal. 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.3. 4.63 JIKA mengalami motorik fokalyang menjalar atau tanpa menjalar (geraka klonik dari jari tangan. 2. audiotorik. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. 5. yaitu kesalahan. lalu menjalar ke lengan bawah dan atas lalu menjalar ke seluruh tubuh) ATAU gerakan versif. 2006) adalah sebagai berikut : 1. Kesalahan dapat terjadi karena (Kusrini. penyelesaian konflik dan ketidakcocokan (incompatibility) antar konskuen dalam aturan. sesuatu didefinisikan dengan lebih dari satu cara.

e] : ukuran ketidakpercayaan terhadap evidence h.E1). jika diberikan evidence e ( antara 0 dan 1 ).Probabilitas disebabkan ketidakmampuan seorang pakar merumuskan suatu aturan secara pasti.E1).Notasi Faktor Kepastian(Sri Kusumadewi.e] : ukuran kepercayaan terhadap hipotesis h .e) : Certainty Factor evidence E yang dipengaruhi ileh evidence e CF(H. yaitu ketika CF(E. CF(H.3.e] – MD[h. Misalnya jika seseorang mengalami sakit kepala. 2003) adalah sebagai berikut : CF[h. 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. MD[h.E) Di mana : CF(E.e] = MB[h.e) = 1 CF(H. Certainty Factor (CF) menujukkan ukuran kepastian terhadap suatu fakta atau aturan.E) : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti.2 Kombinasi Aturan Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang ditunjukka pada tabel berikut ini : Evidence .E2)] -CF(H.e) * CF(H.e) = CF(E.E2)] max[CF(H.e] dengan CF[h. E E1 DAN E2 E1 OR E2 TIDAK E Antecedent Ketidakpastian min[CF(H.jika diberikan evidence e ( antara 0 dan 1 ) 2. demam dan bersin-bersin ada kemungkinan orang tersebut terserang penyakit flu.e] : Faktor Kepastian MB[h.e) : Certainty Factor hipotesis yang dipengaruhi oleh evidence e Universitas Sumatera Utara . tetapi bukan berarti apabila seseorang mengalai gejala tersebut pasti terserang penyakit flu.

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 2.9 F 0.7 C D 0.e) = CF (H.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.5 B E -0.3 Gambar 2.E1) dan CF(H.6 Kombinasi Certainty Factor Kombinasi seperti ini disebut kombinasi paralel . Kedua Certainty Factor CF(H.E2) dikombinasikan menghasilkan Universitas Sumatera Utara .E) Dalam diagnosis suatu penyakit .8 0.5 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. Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain.Jika semua evidence dan antecedent diketahui dengan pasti maka rumusnya menjadi CF(H. yaitu H. hubungan antara gejala dengan hipotesis sering tidak pasti. Kondisi tersebut dapat digambarkan sebagai berikut : A 0.

3.E3).E’) * CF (H.E) Karena CF(E.E1.5) = 0.3.E2).8 E3 = 0.e) : Certainty factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence pada antecedent diketahui dengan pasti.min(E4.min(E4.-E5)] Untuk nilai E1 = 0.e)*CF(H.4 Hasilnya adalah : E = max[min(E1.certainty factor CF(H.E) : Certainty Factor evidence E yang dipengaruhi oleh evidence : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti . maka rumusnya ditunjukkan sebagai berikut : CF(H.e)=1 CF(H.E’) = CF(E.E2.E2.e) CF(H.E3).-E5)] = max(0.5 E5 = -0.e) = CF( E.3 E4 = -0.3 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.E) 2.e) = 1.e) = CF(H. -0.9 E2 = 0.3 Bentuk dasar rumus Certainty Factor sebuah aturan JIKA E MAKA H ditunjukkan oleh rumus : CF(H.E’). Untuk menghitung kombinasi tersebut digunakan rumus berikut CF(H. Certainty kedua aturan dikombinasikan sehingga menghasilkan certainty factor CF(H.E) Dimana : CF(E. yaitu ketika CF(E. Universitas Sumatera Utara .

CF(E4.4 Menentukan CF Gabungan CF gabungan merupakan CF akhir dari sebuah calon konklusi. nilai certainty factor pada saat evidence pasti adalah : CF(H.e) CF(E2.3 (pasien mengalami sakit kepala 30%) : 0.7 dengan menganggap E1 : “batuk”.E1 ∩ E2 ∩ E3 ∩ E4) : 0.e) CF(E3. CF ini dipengaruhi oleh semua CF paralel dari aturan yang menentukan konklusi tersebut.e) CF(E4.e). CF Akhir dari Universitas Sumatera Utara .e)* CF(H.e)] = min[0. CF(E2.7 Dalam kasus ini .E1 ∩ E2 ∩ E3 ∩ E4) = min[CF(E1. E4:”bersinbersin”. 0. 0.21 : 0.8.3.7 (pasien mengalami bersin-bersin 70%) 2. 0.7] = 0.Contoh kasus yang melibatkan kombinasi CF : JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influenza. dan H:”influenza”. CF(E3. CF : 0.e) = CF(H.3 * 0. CF Gabungan diperlukan jika suatu konklusi diperoleh dari beberapa aturan sekaligus.e). E3 :”sakit kepala”. Certainty factor evidence E yang dipengaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai berikut : CF(E1.5.E) = 0.8 (pasien mengalami demam 80%) : 0.e) = CF(E. E2 :”demam”. kondisi pasien tidak dapat ditentukan dengan pasti .e) Sehingga CF(E.E) : CF(H.7 = 0.3 Maka nilai certainty factor hipotesis adalah : CF(H.e).5 (pasien mengalami batuk 50%) : 0.3.

4. Atherosklerosis disebabkan faktor genetik serta intensitas dan lama paparan faktor lingkungan (hemodinamik. tetapi biasanya mereka terbentuk di daerah percabangan. pembentukan sel busa. pindah dari aliran darah ke dalam dinding arteri dan diubah menjadi sel-sel yang mengumpulkan bahan-bahan lemak. CF (x). mungkin karena turbulensi di daerah ini menyebabkan cedera pada dinding arteri.4 Penyakit Atherosklerosis 2. Salah ( )|. Atherosklerosis bermula ketika sel darah putih yang disebut monosit. dan atau interaksi berbagai faktor. infeksi virus dan bakteri.suatu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF Akhir bagi calon konklusi tersebut.Ateroma bisa tersebar di dalam arteri sedang dan arteri besar. monosit yang terisi lemak ini akan terkumpul. 2009 ). Setiap daerah penebalan (yang disebut plak aterosklerotik atau ateroma) yang terisi dengan bahan lembut seperti keju. mengandung sejumlah bahan lemak. CF(y) > 0 ( ) ( (| ( ) . CF (x). Adapun rumus untuk melakukan perhitungan CF Gabungan adalah sebagai berikut: CF (x) + CF (y) . CF(y) > 0 2 . kimiawi eksogen. menyebabkan bercak penebalan di lapisan dalam arteri. serta menimbulkan penebalan dan kekakuan arteri (m. terutama kolesterol. metabolik. deposit matriks ekstrasel. akibat pemicuan patomekanisme multifaktor yang bersifat kronik progresif.| ( )|))) satu CF(x). rekruitmen dan akumulasi lekosit. bermanifestasi akut maupun kronis.adib . Pada saatnya.(CF(x)*CF(y)). fokal atau difus.1 Pengertian Penyakit Atherosklerosis Atherosklerosis adalah perubahan dinding arteri yang ditandai dengan akumulasi lipid ekstrasel. sel-sel otot polos dan sel-sel jaringan ikat. faktor imunitas dan faktor mekanis). CF(y)) < 0 CF (x) + CF (y) +(CF(x)*CF(y)). sehingga disini lebih mudah Universitas Sumatera Utara . migrasi dan proliferasi miosit.

sehingga menjadi rapuh dan bisa pecah. maka arteri akan menyempit. atau bekuan akan terlepas dan mengalir bersama aliran darah dan menyebabkan sumbatan di tempat lain (emboli). Darah bisa masuk ke dalam ateroma yang pecah. sehingga ateroma menjadi lebih besar dan lebih mempersempit arteri.terbentuk ateroma. Ateroma yang pecah juga bisa menumpahkan kandungan lemaknya dan memicu pembentukan bekuan darah (trombus).9 Patofisiologi Atherosklerosis Universitas Sumatera Utara .8 Potongan Melintang Arteri Patofisologi dari penyakit atherosklerosis ini dapat dilihat dari gambar berikut: Gambar 2. Selanjutnya bekuan ini akan mempersempit bahkan menyumbat arteri. Lama-lama ateroma mengumpulkan endapan kalsium. Arteri yang terkena atherosklerosis akan kehilangan kelenturannya dan karena ateroma terus tumbuh. Gambar 2.

Gejalanya tergantung dari lokasi terbentuknya. Tetapi jika penyumbatan terjadi secara tiba-tiba (misalnya jika sebuah bekuan menyumbat arteri). 2. sejalan dengan terjadinya penyempitan arteri oleh ateroma yang juga berlangsung secara perlahan. Umumnya lokasi tempat terjadinya penyempitan pembuluh darah adalah sebagai berikut : 1. Gejala awal dari penyempitan arteri bisa berupa nyeri atau kram yang terjadi pada saat aliran darah tidak dapat mencukupi kebutuhan akan oksigen. Contohnya. seseorang dapat merasakan nyeri dada (angina) karena aliran oksigen ke jantung berkurang. maka bagian tubuh yang diperdarahinya tidak akan mendapatkan darah dalam jumlah yang memadai. yang mengangkut oksigen ke jaringan. yaitu : 1. Hati Otak Kaki. Jika atherosklerosis menyebabkan penyempitan arteri yang sangat berat. sehingga bisa berupa gejala jantung. 4. seseorang merasakan kram di tungkainya (klaudikasio interminten) karena aliran oksigen ke tungkai berkurang. maka gejalanya akan timbul secara mendadak.2 Gejala Penyakit Atherosklerosis Sebelum terjadinya penyempitan arteri atau penyumbatan mendadak. panggul. atau ketika berjalan.2. Gejala Aterosklerosis dalam Hati Gejalanya adalah sebagai berikut : a) Dada nyeri atau ketidaknyamanan (angina) Universitas Sumatera Utara . atherosklerosis biasanya tidak menimbulkan gejala. lengan Ginjal Ada beberapa gejala dari penyakit aterosklerosis ini berdasarkan tempat terjadinya.4.Yang khas adalah bahwa gejala-gejala tersebut timbul secara perlahan. otak. tungkai atau tempat lainnya. selama berolah raga. 3.

leher. b) Tiba-tiba sulit berbicara atau memahami pembicaraan. c) Tiba-tiba sulit untuk melihat pada satu atau kedua mata. tetapi membaik jika istirahat. dan lengan. e) Sakit kepala tanpa diketahui penyebabnya. Gejala pada Ginjal Gejalanya adalah sebagai berikut : a) Sakit kepala b) Penglihatan kabur c) Mual Universitas Sumatera Utara . Gejala pada kaki . atau punggung. pusing. atau kehilangan keseimbangan atau koordinasi. lengan. Gejala Aterosklerosis di Otak Gejalanya adalah sebagai berikut : a) Tiba-tiba mati rasa atau lemah pada wajah. 3. 4. b) Dingin atau perasaan mati rasa pada kaki. atau kaki. c) Sesak nafas d) Pusing e) Jantung berdetak cepat f) Mual g) Detak jantung tidak normal h) Merasa sangat lelah 2. rahang.b) Nyeri pada satu atau kedua lengan. bahu kiri. Gejalanya adalah sebagai berikut : a) Sakit atau kram pada otot yang terjadi selama latihan. d) Tiba-tiba kesulitan berjalan. terutama pada malam hari. panggul.

3) Tipe kepribadian. sehingga mengurangi jumlah darah yang sampai ke jaringan. Dapat diubah a) Usia. 1) Peningkatan lipid serum 2) Hipertensi 3) Merokok Merokok sangan berbahaya karena : a) Merokok dapat mengurangi kadar kolesterol HDL dan meningkatkan kadar kolesterol LDL. pria memiliki resiko lebih tinggi dibanding wanita. c) Merokok akan mempersempit arteri yang sebelumnya telah menyempit karena atherosklerosis. 2) Stress psikologik.2. penyakit arteri koroner. pada orang tua resiko terjadinya atherosklerosis lebih tinggi. stroke dan penyumbatan suatu arteri cangkokan setelah pembedahan. b) Minor 1) Gaya hidup yang kurang gerak.3 Faktor Resiko Penyakit Atherosklerosis Faktor resiko penyakit atherosklerosis ini terbagi dua yaitu: 1. sehingga meningingkatkan resiko terjadinya cedera pada lapisan dinding arteri.4. Tidak dapat diubah a) Mayor. d) Merokok meningkatkan kecendrungan darah untuk membentuk bekuan sehingga meningkatkan resiko terjadinya penyakit arteri perifer. 2. b) Merokok menyebabkan bertambahnya kadar karbonmonoksida dalam darah. c) Ras d) Riwayat keluarga dengan atherosklerosis. b) Jenis kelamin. Universitas Sumatera Utara .

0 tersebut. Setelah merancang program dalam IDE Delphi. Delphi akan mengkompilasinya menjadi sebuah file executeable tunggal. Aplikasi yang dapat dihasilkan Delphi bersifat multi-purpose. 4. IDE yang berkualitas. Setiap bagian yang ada pada program dipandang sebagai suatu object yang mempunyai sifat-sifat yang dapat diubah dan diatur. Satu file Exe. Interbase server ditemukan satu paket dengan program Delphi untuk semua edisi. Delphi memiliki lingkungan pengembangan yang lengkap. Program yang di buat langsung didistribusikan dan dijalankan pada komputer lain tanpa perlu menyertakan file DLL dari luar.0 diantaranya : 1.5.0 merupakan pilihan bagi sebagian programmer untuk membuat aplikasi. Borland Delphi 7. Ini merupakan sebuah kelebihan yang sangat berarti. 2. Universitas Sumatera Utara .5 Delphi 7 dan Interbase 2. hai ini disebabkan kelebihan yang ada pada Borland Delphi 7. Saat aplikasi yang anda buat dijalankan dilingkungan Delphi . Proses Kompilasi yang cepat.5. 5. Berbasiskan OOP ( Object Oriented Programming ). Terdapat menu-menu ysng memudahkan anda mengatur proyek pengembangan software. 3. Berikut ini sebagian beberapa kelebiahn borland Delphi 7.2 Interbase Interbase merupakan program aplikasi database untuk menangani database client server yang didistribusikan oleh sebuah perusahaan perangkat lunak yang terkenal yaitu Borland.0 merupakan bahasa pemrograman berbasis windows.2. 2. dapat digunakan untuk berbagai keputusan pengembangan aplikasi mulai perhitungan sederhana sampai aplikasi multimedia bahkan yang terkoneksi ke internet. Delphi memiliki kecepatan kompilasi yang tidak perlu diragukan.1 Delphi 7 Borland Delphi 7. aplikasi tersebut otomatis dicompile secara terpisah.

kekuatan.Keuntungan menggunakan Interbase adalah sebagai berikut: 1. implementasi multi-thread dari proses server InterBase. Super Server merupakan multi klien. InterBase memiliki dua tipe arsitek. yaitu Super Server dan Classic. 2. Interbase mendukung berbagai kumpulan bahasa untuk meningkatkan portabilitas dan skalabilitas global. Interbase memiliki semua fitur. Universitas Sumatera Utara . Implementasi ini menggantikan jenis implementasi model Classic yang telah digunakan pada versi InterBase sebelumnya. 3. dan skalabilitas yang diperlukan untuk aplikasi bisnis yang kompleks yang menawarkan keunggulan performa untuk jumlah pengguna yang besar. Interbase dapat di-install secara terselubung. sehingga end-user tidak tahu jika sudah terinstal. Borland Interbase didesain untuk dapat diinstall dengan mudah pada lokasi end-user tanpa pertolongan administrator database.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->