Anda di halaman 1dari 8

BAB I PENDAHULUAN

1.1.

Latar Belakang Perkembangan komputer dewasa ini telah mengalami banyak perubahan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Komputer yang pada awalnya hanya digunakan oleh para akademisi dan militer, kini telah digunakan secara luas di berbagai bidang, misalnya bisnis, kesehatan, pendidikan, psikologi, permainan dan sebagainya. Hal ini mendorong para ahli untuk semakin mengembangkan komputer agar dapat membantu kerja manusia atau bahkan melebihi kemampuan kerja manusia. Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Sistem cerdas (intelligent system) adalah sistem yang dibangun dengan menggunakan teknik-teknik artificial lintelligence. Salah satu yang dipelajari pada kecerdasan buatan adalah teori kepastian dengan menggunakan teori Certainty Factor (CF) Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalah ketidakpastian data. Salah satu metode yang dapat digunakan adalah faktor kepastian (certainty factor). Sistem Pakar (Expert System) adalah program berbasis pengetahuan yang menyediakan solusi-solusi untuk problema-problema dengan kualitas pakar. Sistem pakar merupakan program komputer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu masalah tertentu. Implementasi sistem pakar dapat diterapkan dalam dunia kesehatan selain sebagai media informasi bagi masyarakat terutama penderita penyakit untuk mengetahui jenis diderita sebagai diagnosa awal, juga sebagai alat bantu bagi dokter keputusan secara cepat dan lebih akurat. Pengetahuan berusaha meniru penyakit yang untuk dapat mengambil

yang disimpan di dalam sistem pakar

umumnya diambil dari seorang manusia yang pakar dalam masalah tersebut dan sistem pakar itu metodelogi dan kinerjanya (performance). Salah satu implementasi yang diterapkan sistem pakar dalam bidang kesehatan yaitu sistem pakar untuk diagnosa penyakit dalam. Penyakit yang dipilih adalah penyakit dalam karena penyakit dalam merupakan penyakit yang kompleks dan sering diderita oleh kebanyakan orang. Seringkali orang bingung dengan penyakit yang diderita dan harus ke dokter apa untuk berobat atau berkonsultasi. Karena penyakit dalam sangat beragam jenis dan gejalanya, maka seorang pakar atau dokter perlu mengkaji lebih dalam gejala yang dialami pasien untuk dapat menentukan penyakit yang diderita. Oleh karena itu dibangun suatu sistem pakar yang dapat menggunakan metode Certainty Factor (CF). membantu menyelesaikan masalah tersebut dengan

Faktor

kepastian

merupakan

cara

dari

penggabungan

kepercayaan

(belief) dan

ketidapercayaan (unbelief) dalam bilangan yang tunggal. Dalam certainty theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan (degree of belief). Tahapan dalam merepresentasikan data-data kualitatif :

kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang

sudah dibahas sebelumnya. kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut

dalam sistem pakar. Dalam mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut certain factor (CF) untuk engasumsikan derajat keyakianan seorang pakar terhadap suatu data. 1.2. Tujuan Untuk mengolah ketidakpastian dari fakta dan gejala dengan dengan mengindari keperluan data dan perhitungan yang besar. Faktor kepastian diperoleh dari pengurangan nilai kepercayaan (measure of belief)m oleh nilai ketidak percayaan dengan menghitung bobot dari fakta-fakta(evidence), hipotesa/konklusi, dan tingkat keyakinan terhadap suatu masalah. 1.3. Manfaat kita dapat membuat beberapa asumsi yang memudahkan tingkat kepercayaan dan beberapa persamaan aturan yang mudah untuk mengkombinasikan tingkat kepercayaan sebagai program dalam mencapai kesimpulan akhir.

BAB II PEMBAHASAN 2.1 Faktor Kepastian (Certainty Faktor) Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN . Pada tahun 1975 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN. Team pengembang MYCIN . Mencatat bahwa dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti misalnya: mungkin, kemungkinan besar, hampir pasti. Secara umum, rule direpresentasikan dalam bentuk sebagai berikut (John Durkin,1994) : IF E1 [AND / OR ] E2 [ AND / OR] ... En THEN H (CF = CFi) dimana: E1 ... En : fakta fakta (evidence) yang ada. H : hipotesa atau konklusi yang dihasilkan. CF : tingkat keyakinan (Certainty Factor) terjadinya hipotesa H akibat adanya fakta fakta E1 s/d En. Metode certainty factors ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. Untuk bobot yang lebih dari 2 banyaknya, untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang dihitung teracak, artinya tidak ada aturan untuk mengkombinasikan bobotnya, karena untuk kombinasi seperti apapun hasilnya akan tetap sama. Untuk mengetahui apakah seorang pasien tersebut menderita penyakit jantung atau tidak, itu dilihat dari hasil perhitungan bobot setelah semua keluhankeluhan diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factors. Pasien yang divonis mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan yang dimiliki mengarah kepada penyakit jantung. Sedangkan pasien yang mempunyai bobot mendekati -1 adalah pasien yang dianggap tidak mengidap penyakit jantung, serta pasien yang memiliki bobot sama dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral. CF(H,E) = MB(H,E) - MD(H, E) CF(H,E) : certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E.Besarnya CF berkisar antara 1 sampai dengan 1. Nilai 1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kerpercayaan mutlak. MB(H,E) : ukuran kenaikan kepercayaan(measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.

MD(H,E) : ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E Bentuk dasar rumus certainty factor sebuahaturan JIKA E MAKA H adalah seperti ditunjukkan oleh persamaan 2 berikut: CF(H,e) = CF(E, e) *CF(H,E) Dimana: CF(E,e) : certainty factor evidence E yang dipengaruhi oleh 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 Jika semua evidence pada antecedent diketahui dengan pasti maka persamaannya akan menjadi: CF(H, e) = CF(H, E) Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. Sebagai contoh, berikut ini adalah sebuah aturan dengan CF yang diberikan oleh seorang pakar: JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influensa, CF: 0,7 Definisi menurut David McAllister Certainty Factor adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang biasanya digunakan dalam sistem pakar. Metode ini sangat cocok untuk sistem pakar yang mendiagnosis sesuatu yang belum pasti. Aturan metode Certainty Factors: 1. 2. 3. McAllister menggambarkan aturan untuk menambahkan dua faktor Certaint positif. Aturan untuk menambahkan dua Certaint yang negatif. Aturan untuk menambahkan Certainty Factors positif dan Certainty Factors negatif lebih kompleks. Tiga :

aturan ini menyediakan suatu skala interval untuk Certainty Factors

Contoh untuk fakta yang posiitif: Strong suggestive (CFa): 0.8 Suggestive (CFb) : 0.6 CFcombine (CFa CFb) = 0.8 + 0.6 (1-0.8) = 0.92 Strong suggestive (CFc): -0.8 Suggestive (CFd) : -0.6 CFcom bine (CFc CFd) = -0.8 + -0.6 + -0.8 * -0.6 = -0.92 Certainty factor adalah 0.88 (CFe) Certainty factor against adalah 0.90 (Cff)

Contoh untuk fakta yang negatif:

Contoh untuk fakta yang positif dan negatif:

Karakteristik faktor kepastian Karakteristik Jangkauan

Nilai 0 MB 1 0 MD 1 -1 CF 1 MB = 1 MD = 0 CF = 1 MB = 0 MD = 1 CF = -1 MB = 0 MD = 0 CF = 0

Hipotesis pasti benar P(H|E) = 1 Hipotesis pasti salah P(H|E) = 1 Kekurangan fakta P(H|E) = p(H)

Kombinasi Faktor Kepastian CFc(CF1, CF2) = CF1 + CF2(1-CF1) CF1+CF2(1+CF1) CF1+CF2/(1-min(|CF1|,|CF2|)) if both >0 if both <0 if one <0

Kelebihan dan Kekurangan Metode Certainty Factors Kelebihan metode Certainty Factors adalah: 1. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit sebagai salah satu contohnya.

2. Perhitungan dengan menggunakan metode ini dalam sekali hitung bisa hanya mengolah dua data
saja sehingga keakuratan data dapat terjaga. 3. Implementasi yang sederhana

Kekurangan metode Certainty Factors adalah: Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factors diatas memiliki sedikit kebenaran. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah. Contoh Kasus

Isu premanisme dikalangan kampus yang sering terjadi di Universitas Haluoleo ternyata membuat ketertarikan calon mahasiswa untuk mendaftar menjadi berkurang sehingga mempengaruhi turunnya calon jumlah mahasiswa di Universitas Haluoleo. Apabila diketahui: MB[Mahasiswa, Premanisme] = 0.6 MD[Mahasiswa, Premanisme]= 0.4 maka carilah CF[Mahasiswa, Premanisme] Jawaban CF[Mahasiswa, Premanisme] = MB[Mahasiswa, Premanisme] - MD[Mahasiswa, Premanisme]= 0.4

= 0.6 0.4 = 0.2

BAB III PENUTUP 3. 1 Kesimpulan

1. Faktor kepastian/Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN

untuk menunjukkan besarnya kepercayaan. Certainty factor didefinisikan sebagai berikut: CF(H,E) = MB(H,E) MD(H,E) (1)

1. CF(H,E) : certainty factor dari hipotesis Hyang dipengaruhi oleh gejala (evidence) E.Besarnya CF
berkisar antara 1 sampai dengan1. Nilai 1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkankerpercayaan mutlak.

2. MB(H,E) : ukuran kenaikan kepercayaan(measure of increased belief ) terhadap hipotesis H yang


dipengaruhi oleh gejala E. 3. MD(H,E) : ukuran kenaikan ketidakpercayaan(measure of increased disbelief ) terhadap hipotesis H yang dipenga ruhi oleh gejala E.

Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga.3)

Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode
certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factors diatas memiliki sedikit kebenaran.4)

Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja.Perlu dilakukan
beberapa kali pengolahandata untuk data yang lebih dari 2 buah. 3.2 SARAN

Anda mungkin juga menyukai