Anda di halaman 1dari 17

Tugas Latihan 2 (hal.

206)
1. Jelaskan Apa yang dimaksud dengan Sistem Pakar dan berikan contohnya!
Jawab:
Sistem Pakar adalah sebuah sistem yang menggunakan pngetahuan manusia di mana
pengetahuan tersebut dimasukkan ke dalam computer dan kemudian digunakan untuk
menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau
keahlian manusia.Contoh: sistem pakar diagonosa penyakit tanaman tomat, sistem
pakar diagnosa penyakit kulit manusia, dlsb.

2. Jelaskan manfaat dan kekurangan dari sistem pakar dan berikan contohnya!
Jawab:
Manfaat Sistem Pakar:
a. Meningkatkan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat
dari pada manusia
b. Membuat seorang yang awam bekerja seperti layaknya seorang pakar
c. Meningkatkan kulitas dengan memberi nasehat yang konsisten dan
mengurangi kesalahan
d. Mampu menangkap pengetahuan dan kepakaran seseorang
e. Dapat beroperasi di lingkungan yang berbahaya
f. Memudahkan akses pengetahuan dan kepakaran seseorang
g. Andal. Sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit
h. Meningkatkan kapabilitas sistem computer. Integrasi Sistem Pakar dengan
sistem komputer konvensional, Sistem Pakar dapat bekerja dengan informasi
yang tidak lengkap. Pengguna dapat merespons dengan : “tidak tahu” atau
“tidak yakin” pada satu atau lebih pertanyaan selama konsultasi dan Sistem
Pakar tetap akan memberikan jawabannya
i. Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna pemula
yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman karena
adanya fasilitas penjelas yang berfungsi sebagai guru
j. Meningkatkan kemampuan untuk menyelesaikan masalah karena Sistem
Pakar mengambil sumber pengetahuan dari banyak pakar.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


Kekurangan Sistem Pakar:
a. Biaya yang sangat mahal untuk membuat dan memeliharanya
b. Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar
c. Sistem pakar tidak 100% bernilai benar

3. Jelaskan ciri-ciri sistem pakar!


Jawab:
a. Terbatas pada domain keahlian tertentu
b. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti
c. Dapat menjelaskan alasan-alasan dengan cara yang dapat dipahami
d. Bekerja berdasarkan kaidah/rule tertentu
e. Mudah dimodifikasi
f. Basis pengetahuan dan mekanisme inferensi terpisah
g. Keluarannya bersifat anjuran
h. Sistem dapat mengaktifkan kaidah secara searah yang sesuai, dituntun oleh
dialog dengan pengguna.

4. Berikan Contoh Sistem pakar yang mempunyai area permasalahan aplikasi berikut:
a. Interpretasi
b. Prediksi
c. Diagnosa
d. Planning
e. Monitoring
f. Debugging
g. Reparasi
h. Intruction
i. Kontrol
Jawab:
a. Interpretasi: menghasilkan akibat yang mungkn terjadi dari situasi yang ada.
Sistem Pakar yang dikembangkan dalam bidang interpretasi melakukan proses
pemahaman akan suatu situasi dari beberapa informasi yang direkam.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


Contoh : Sistem untuk melakukan sensor gambar dan suara kemudian
menganalisanya dan kemudian membuat suatu rekomendasi berdasarkan
rekaman tersebut.
b. Pedikasi: memperkirakan akibat yang mungkin terjadi dari situasi data-data
masukan. Sistem pakar yang mampu memprediksi kejadian di masa
mendatang berdasarkan informasi dan model permasalahan yang dihadapi.
Biasanya sistem memberikan simulasi kejadian masa mendatang tersebut.
Contoh: Memprediksi tingkat kerusakan tanaman apabila terserang ham dalam
jangka waktu tertentu. (yang dibuat oleh Boulanger dengan nama PLAT pada
tahun 1983)
c. Diagnosis: menyimpulkan suatu keadaan berdasarkan kendala-kendala yang
diberikan (Symptoms).
Contoh: Diagnosis penyakit, Diagnosis Kerusakan Mesin Kendaraan Bermotor,
Diagnosis Kerusakan Kompenen Komputer.
d. Planning : merencanakan tindakan-tindakan yang akan dilakukan yang banyak
digunakan dalam bidang bisnis dan keuangan suatu proyek.
Contoh: Sistem Pakar dalam pembuatan perencanaan suatu pekerjaan
berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga pekerjaan lebih
efisien dan lebih optimal.
e. Monitoring: membandingkan hasil pengamatan dengan proses perencanaan.
Contoh: Sistem Pakar dibidang ini banyak digunakan Militer yaitu dengan
menggunakan sensor Radar kemudian menganalisanya dan menentukan posisi
objek berdasarkan posisi Radar tersebut.
f. Debugging: menentukan penyelesaiann dari suatu kesalahan sistem.
Contoh: sistem pakar tahap uji coba software komputer.
g. Reparasi: melaksanakan rencana perbaikan.
Contoh: Sistem Pakar Reparasi Kerusakan Handphone untuk mendeteksi
kerusakan smartphone sehingga pengguna tidak harus langsung membawa
smartphone nya ke tempat perbaikan smartphone.
h. Instruction: melakukan instruksi untuk diagnosis, debugging, dan perbaikan
kinerja. Intruksi juga merupakan pengembangan sistem pakar yang sangat
berguna dalam bidang ilmu pengetahuan dan pendidikan, dimana sistem pakar

Sistem Pakar Kelompok (Suryani, Umri, Dina)


dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topic
permasalahan.
Contoh: pengembangan sistem pakar untuk mengajaran Bahasa inggris, sistem
pakar untuk pengajaran astronomi, dan lain-lain.
i. Kontrol: melakukan control terhadap hasil interpretasi, diagnosis, debugging,
monitoring dan perbaikan tingkah laku.
Contoh: sistem pakar yang pengembangannya banyak ditemukan dalam kasus
pasien rumah sakit, dimana dengan kemampuan sistem pakar dapat dilakukan
kontoro terhadap cara pengobatan dan perawatan melalui sensor data atau kode
alarm dan memberikan solusi terapi pengobatan yang tepat bagi si pasien yang
sakit.

5. Apa saja yang dimaskud dengan:


a. Kepakaran
b. Pakar
c. Pemindahan Kepakaran
d. Inferensi
e. Mesin Inferensi
f. Forward Chaining
g. Backward Chaining
h. Akuisisi Pengetahuan
i. Basis Pengenalan
j. Knowledge Engineer
Jawab:
a. Kepakaran merupakan suatu permasalahan yang diperoleh dari pelatihan,
membaca, dan pengalaman. Kepakaran inilah yang memungkinkan para ahli
dapat mengambil keputusan lebih cepat dan lebih baik dari pada sesorang yang
bukan pakar.
b. Pakar aalah seseorang yang mempunyai pengetahuan, pengalaman, dan metode
khusus serta mampu menerapkannya untuk memecahkan masalah atau memberi
nasihat.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


c. Pemindahan Kepakaran adalah memindahkan kepakaran dari sesorang pakar ke
dalam computer yang kemudian ditransfer kepada orang lain yang bukan pakar.
d. Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan
dalam melakukan penalaran. Inferensi akan ditampilkan pada suatu kompenen
yang disebut mesin inferensi yang mencangkup prosedur-prodesur mengenai
pemecahan masalah.
e. Mesin Inferensi (Inference Engine) adalah otak dari sistem pakar yang mana
mengandung mekanisme fungsi berfikir dan pola-pola penalaran sistem yang
digunakan oleh seorang pakar yang mana mekanisme yang dimaksud aalah
menganalisa suatu masalah tertentu dan kemudian mendari jawaban atau
kesimpulan yang terbaik.
f. Forward Chaining adalah teknik pencarian yang dimulai dengan fakta yang
diketahui kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari
rules IF-THEN. Bila fakta cocok dengan bagian IF, maka rule tersebut
dieksekusi.
g. Backward Chaining adalah metode inferensi yang bekerja mundur kea rah
kondisi awal. Proses yang diawali dari Goal (yang berada dibagian THEM dari
Rule IF-THEN) kemudian pencarian mulai dijalankan untuk mencocokkan
apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF.
h. Akuisi Pengetahuan (Knowledge Acquistion) adalah akumulais, transfer dan
transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan
ke dalam program komputer. Lebih jelasnya Knowledge Acquistion berarti
mengumpulkan, pemindahan, dan perubahan dari kemampuan pemecahan
masalah seorang pakar atau sumber pengetahuan terdokumentasi (buku, jurnal,
internet,dll) kedalam program computer yang bertujuan untuk memperbaiki dan
mengembangkan basis pengetahuan (Knowledge Base)
i. Basis Pengenalan adalah adalah suatu bentuk basis data tertentu yang digunakan
dalam manajemen pengetahuan (knowledge management). berperan dalam
proses mengumpulkan, mengorganisasikan, maupun mendapatkan kembali
suatu pengetahuan (knowledge)
j. Knowledge Engineer adalah Orang yang bisa melakukan pengembangan suatu
sistem pakar.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


6. Apa kegunaan faktor kepastian? Berikan contohnya!
Jawab:
a. Faktor kepastian digunakan untuk tingkat hipotesis di dalam urutan kepentingan.
Contoh : jika seorang pasien mempunyai gejala tertentu yang mengindikasikan
beberapa kemungkinan penyakit, maka penyakit dengan CF tertinggi menjadi
urutan pertama dalam urutan pengujian.
Ukuran kepercayaan dan ketidapercayaan didefinisikan dalam probabilitas
sebagai berikut:
𝑚𝑎𝑥[𝑝(𝐻 |𝐸 ), 𝑃(𝐻)] − 𝑃(𝐻)
MB (H,E) =
max[1,0]−𝑝(𝐻)

𝑚𝑖𝑛[𝑝(𝐻 |𝐸 ), 𝑃(𝐻)] − 𝑃(𝐻)


MD (H,E) =
min[1,0]−𝑝(𝐻)

CF=MB-MD
b. Faktor kepastian memberikan seorang pakar untuk menyatakan kepercayaan
tanpa menyatakan nilai ketidakpercayaan.
Formulanya :
CF(H,E) + CF(H’,E) = 0
Berarti, fakta mendukung suatu hipotesis dan mengurangi dukungan terhadap
negasi dari hipotesis dengan jumlah yang sama, sehingga jumlahnya selalu nol.
Contoh :
Mahasiswa lulus jika mendapatkan nilai A untuk suatu mata kuliah.
CF(H,E) = 0,70 CF(H’,E) = -0,70
Seberapa kepercayaan Anda bahwa mendapatkan nilai A akan membantu Anda
lulus ?
Jawab : saya pastikan 70% bahwa saya akan lulus jika saya memperoleh nilai
A untuk mata kuliah ini.
Seberapa ketidakpercayaan Anda bahwa mendapatkan nilai A akan membantu
Anda lulus ?
Jawab : saya pastikan -70% bahwa saya tidak akan lulus jika saya memperoleh
nilai A untuk mata kuliah ini

Sistem Pakar Kelompok (Suryani, Umri, Dina)


7. Diketahui sistem pakar mempunyai 10 rule yang tersimpan pada basis
pengetahuannya sebagai berikut:
R1 IF A & B THEN C
R2 IF C THEN D
R3 IF A & E THEN F
R4 IF A THEN G
R5 IF F & G THEN D
R6 IF G & E THEN H
R7 IF C & H THEN I
R8 IF I & A THEN J
R9 IF G THEN J
R10 IF J THEN K
Fakta awal yang diberikan hnaya: A & F (artinya: A dan F bernilai benar). Buktikan
apakah K bernilai benar apabila proses inferensi dilakukan dengan cara: a) Forward
Chaining b) Backward Chaining.
Jawab:
Fakta awal : A & F bernilai benar.
Goal : apakah K bernilai benar?
a) Forward Chaining
Iterasi Database Rule Fakta baru
1 A, F R4 G
2 A, F, G R5 G, D
3 A, F, G, D R9 G, D, J
4 A, F, G, D, J R10 G, D, J, K

K bernilai benar.

b) Backward Chaining
Iterasi Database Stack Rule Stack baru Fakta baru
1 A, F K R10 K, J
2 A, F K, J R9 K, J, G

Sistem Pakar Kelompok (Suryani, Umri, Dina)


3 A, F K, J, G R4 K, J, G G
4 A, F, G K, J R9 K, J G, J
5 A, F, G, J K R10 K G, J, K

Database : {A, F, G, J, K}
Stack : {}
Karena stack sudah kosong dan K ditemukan di database, maka proses pencarian
dihentikan dan terbukti bahwa K bernilai benar.

8. Diketahui sistem pakar dengan rule-rule sebagai berikut:


R1: IF A AND B THEN G
R2: IF C AND E THEN B
R3: IF C THEN D
R4: IF A AND D THEN E
R5: IF D AND E THEN F
Seseorang hendak berkonsultasi dengan sistem pakar tersebut untuk menentukan
apakah G bernilai benar atau tidak. Apabila diketahui fakta A dan C benar, jelaskan
proses inferensi dari sistem pakar tersebut apabila menggunakan metode a) Forward
Chaining b) Backward Chaining.
Jawab:
Fakta : A dan C bernilai benar
Goal : menentukan apakah G bernilai benar
a) Forward Chaining
Iterasi Database Rule Fakta baru
1 A, C R3 D
2 A, C, D R4 D, E
3 A, C, D, E R5 D, E, F
4 A, C, D, E, F R2 D, E, F, B
5 A, C, D, E, F, B R1 D, E, F, B, G

G bernilai benar.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


b) Backward Chaining
Iterasi Database Stack Rule Stack baru Fakta baru
1 A, C G R1 G, B
2 A, C G, B R2 G, B, E
3 A, C G, B, E R4 G, B, E, D
4 A, C G, B, E, D R3 G, B, E, D D
5 A, C, D G, B, E R4 G, B, E D, E
6 A, C, D, E G, B R2 G, B D, E, B
7 A, C, D, E, B G R1 G D, E, B, G

Database : {A, C, D, E, B, G}
Stack : {}
Karena stack sudah kosong dan G ditemukan di database, maka proses pencarian
dihentikan dan terbukti bahwa G bernilai benar.

9. Sistem pakar klasifikasi buah mempunyai 11 rule berikut:


R1 IF (Shape = long) and (Color = green or yellow) THEN Fruit = Banana
R2 IF (Shape = round or oblong) and (Diameter > 4 inches) THEN
FruitClass = vine
R3 IF (Shape = round or oblong) and (Diameter < 4 inches) THEN
FruitClass = tree
R4 IF SeedCount = 1 THEN Seedclass = stonefruit
R5 IF SeedCount > 1 THEN Seedclass = multiple
R6 IF (FruitClass = vine) and (Color = green) THEN Fruit = Watermelon
R7 IF (FruitClass = vine) and (Surface = rough) and (Color = tan) THEN Fruit
= Honeydew
R8 IF (FruitClass = vine) and (Surface = smooth) and (Color = yellow) THEN
Fruit = Cantaloupe
R9 IF (FruitClass = tree) and (Color = orange) and (SeedClass = stonefruit)
THEN Fruit = Apricot

Sistem Pakar Kelompok (Suryani, Umri, Dina)


R10 IF (FruitClass = tree) and (Color = orange) and (SeedClass = multiple)
THEN Fruit = Orange
R11 IF (FruitClass = tree) and (Color = red or yellow or green) and (SeedClass
= multiple) THEN Fruit = Apple

Diketahui fakta berikut:


 Diameter = 3 inch
 Shape = round
 SeedCount > 1
 Color = yellow
 Surface = smooth

a. dengan Backward chaining, buktikan apakah Fruit = Orange


Jawab:
i- Database Stack Rule Stack baru Fakta baru
1 Diameter= 3 inch, Fruit=Orange R10 Fruit=Orange,
Shape= round, FruitClass=tree,
SeedCount > 1, Color=Orange,
Color= yellow, SeedClass=multiple
Surface= smooth

Proses inferensi backward chaining untuk membuktikan “Fruit=Orange” terhenti


pada iterasi 1, karena fakta “Color=yellow” tidak sesuai dengan R10, yaitu
“IF (FruitClass = tree) and (Color = orange) and (SeedClass = multiple) THEN Fruit
= Orange”.

Sistem Pakar Kelompok (Suryani, Umri, Dina)


b. dengan Backward chaining, buktikan apakah Fruit = Apple
Jawab:
i- Database Stack Rule Stack baru Fakta baru
1 Diameter= 3 inch, Fruit = Apple R11 Fruit= Apple,
Shape= round, FruitClass= tree,
SeedCount > 1, Seedclass=
Color= yellow, multiple
Surface= smooth
2 Diameter= 3 inch, Fruit = Apple, R5 Fruit= Apple, SeedClass=
Shape= round, Fruitclass = FruitClass= tree, multiple
SeedCount > 1, tree, SeedClass=
Color= yellow, Seedclass = multiple
Surface= smooth multiple
3 Diameter= 3 inch, Fruit = Apple, R3 Fruit=Apple, SeedClass=
Shape= round, Fruitclass = FruitClass= tree multiple,
SeedCount > 1, tree FruitClass= tree
Color= yellow,
Surface= smooth,
SeedClass= multiple
4 Diameter= 3 inch, Fruit= Apple R11 Fruit=Apple SeedClass=
Shape= round, multiple,
SeedCount > 1, FruitClass=tree,
Color= yellow, Fruit = Apple
Surface= smooth,
SeedClass= multiple
FruitClass= tree

Database (fakta baru):


 Diameter = 3 inch,  Surface = smooth,
 Shape = round,  Seedclass = multiple
 SeedCount > 1,  Fruitclass = tree
 Color = yellow,  Fruit = Apple
Stack: kosong

Sistem Pakar Kelompok (Suryani, Umri, Dina)


Karena isi stack kosong, maka proses pencarian dihentikan. Tampak bahwa fakta
“Fruit = Apple” ada didalam database sebagai fakta baru. Jadi terbukti bahwa
“Fruit = Apple” bernilai benar.

c. dengan Forward chaining, tentukan buah apa ini


Bila diketahui fakta berikut:
 Diameter = 5 inch
 Shape = round
 SeedCount > 1
 Color = yellow
 Surface = smooth
Jawab:
Iterasi Database Rule Fakta baru
1 Diameter = 5 inch, R2 FruitClass = vine
Shape = round,
SeedCount > 1,
Color = yellow,
Surface = smooth
2 Diameter = 5 inch, R5 Fruitclass = vine,
Shape = round, SeedClass = multiple
SeedCount > 1,
Color = yellow,
Surface = smooth,
Fruitclass = vine
3 Diameter = 5 inch, R8 FruitClass = vine,
Shape = round, SeedClass = multiple,
SeedCount > 1, Fruit = Cantaloupe
Color = yellow,
Surface = smooth,
FruitClass = vine,
SeedClass = multiple

Sistem Pakar Kelompok (Suryani, Umri, Dina)


Proses inferensi forward chaining berhenti pada iterasi ke-3 dan mendaparkan suatu
fakta baru yaitu “Fruit = Cataloupe”. Jadi, dari fakta-fakta yang diketahui, buah yang
didapatkan adalah Cataloupe.

10. Dila mengalami gejala demam. Dokter menduga bahwa Dila terkena influenza. Jika
diketahui:
o Probabilitas Dila demam, p(demam) = 0,4
o Probabilitas Dila terkena influenza jika ia demam p(influenza | demam) = 0,6
o Probabilitas Dila terkena influenza tanpa memandang gejala apapun p(influenza)
= 0,5.
o Berapa probabilitas Dila demam jika ia terkena influenza p(demam | influenza)?
Jawab:
p(demam) = 0,4
p(influenza | demam) = 0,6
p(influenza) = 0,5
p(demam | influenza)?
p(influenza | demam) x p(demam)
p(demam | influenza) =
𝑝(𝑖𝑛𝑓𝑙𝑢𝑒𝑛𝑧𝑎)
0,6 𝑥 0,4 0,24
= = = 0,48
0,5 0,5

11. Si Ani mengalami gejala terdapat bintik-bintik di wajahnya. Dokter menduga bahwa
Ani terkena cacar dengan:
o Probabilitas munculnya bintik-bintik di wajah, jika si Ani terkena cacar;
p(Bintik2 | Cacar) = 0,8
o Probabilitas si Ani terkena cacar tanpa memandang gejala apapun;p(Cacar)=0,4
o Probabilitas munculnya bintik-bintik di wajah, jika si Ani alergi;
p(Bintik2 | Alergi) = 0,3
o Probabilitas si Ani alergi tanpa memandang gejala apapun; p(Alergi) = 0,7
o Probabilitas munculnya bintik-bintik di wajah, jika si Ani jerawatan;
p(Bintik2 | Jerawatan) = 0,9
o Probabilitas si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan)=0,5
Hitung probabilitas:

Sistem Pakar Kelompok (Suryani, Umri, Dina)


a. Si Ani terkena cacar karena ada bintik-bintik di wajahnya p(cacar|bintik2)
b. Si Ani terkena alergi karena ada bintik-bintik di wajahnya p(alergi|bintik2)
c. Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya
p(jerawatan|bintik2)
Jawab:
p(Bintik2 | Cacar) = 0,8
p(Cacar) = 0,4
p(Bintik2 | Alergi) = 0,3
p(Alergi) = 0,7
p(Bintik2 | Jerawatan) = 0,9
p(Jerawatan) = 0,5
p(Cacar | Bintik2)?
p(Alergi | Bintik2)?
p(Jerawatan | Bintik2)?

p(Cacar | Bintik2) =
p(Bintik2 | Cacar) x p(Cacar)
(p(Bintik2 | Cacar) x p(Cacar) )+(p(Bintik2 | Alergi) x p(Alergi) )+(p(Bintik2 | Jerawatan) x p(Jerawatan) )

0,8 𝑥 0,4
p(Cacar | Bintik2) =
(0,8 𝑥 0,4)+(0,3 𝑥 0,7)+(0,9 𝑥 0,5)
0,32 0,32
= = = 0,3265 = 0,33
0,32+0,21+0,45 0,98

p(Alergi | Bintik2) =
p(Bintik2 | Alergi) x p(Alergi)
(p(Bintik2 | Cacar) x p(Cacar) )+(p(Bintik2 | Alergi) x p(Alergi) )+(p(Bintik2 | Jerawatan) x p(Jerawatan))

0,3 𝑥 0,7
p(Alergi | Bintik2) =
(0,8 𝑥 0,4)+(0,3 𝑥 0,7)+(0,9 𝑥 0,5)
0,21
= = 0,2142 = 0,21
0,98

p(Jerawatan | Bintik2) =
p(Bintik2 | Jerawatan) x p(Jerawatan)
(p(Bintik2 | Cacar) x p(Cacar) )+(p(Bintik2 | Alergi) x p(Alergi) )+(p(Bintik2 | Jerawatan) x p(Jerawatan))

0,9 𝑥 0,5
p(Jerawatan | Bintik2) =
(0,8 𝑥 0,4)+(0,3 𝑥 0,7)+(0,9 𝑥 0,5)
0,45
= = 0,4592 = 0,46
0,98

Sistem Pakar Kelompok (Suryani, Umri, Dina)


12. Tabel berikut menunjukkan tabel probabilitas bersyarat evidence E1, E2, E3 dan
Hipotesis H1, H2 dan H3. Misalkan pertama kali kita hanya mengamati evidence E2,
hitung probabilitas terjadinya hipotesis:
a. H1 jika semula hanya evidence E2 yang teramati
b. H2 jika semula hanya evidence E2 yang teramati
c. H3 jika semula hanya evidence E2 yang teramati
Prob Hipotesis
i=1 i=2 i=3
p(Hi) 0,5 0,6 0,1
p(E1 | Hi) 0,8 0,2 0,4
p(E2 | Hi) 0,5 0,8 0,3
p(E3 | Hi) 0,1 0,5 0,4

Jawab:
p(H1 | E2)?
p(H2 | E2)?
p(H3 | E2)?
p(E2 |H1) x p(H1)
p(H1 | E2) = (p(E2 |H1) x p(H1) )+(p(E2 |H2) x p(H2) )+(p(E2 | H3) x p(H3))
0,5 x 0,5
= (0,5 x 0,5 )+(0,8 x 0,6)+(0,3 x 0,1)
0,25 0,25
= 0,25 + 0,48 +0,03 = = 0,3289 = 0,33
0,76

p(E2 |H2) x p(H2)


p(H2 | E2) = (p(E2 |H1) x p(H1) )+(p(E2 |H2) x p(H2) )+(p(E2 | H3) x p(H3))
0,8 x 0,6
= (0,5 x 0,5 )+(0,8 x 0,6)+(0,3 x 0,1)
0,48
= = 0,6316 = 0,63
0,76

p(E2 |H3) x p(H3)


p(H3 | E2) = (p(E2 |H1) x p(H1) )+(p(E2 |H2) x p(H2) )+(p(E2 | H3) x p(H3))
0,3 x 0,1
= (0,5 x 0,5 )+(0,8 x 0,6)+(0,3 x 0,1)
0,03
= 0,76 = 0,0395 = 0,04

Sistem Pakar Kelompok (Suryani, Umri, Dina)


13. Seandainya seorang pakar penyakit anak menyatakan bahwa probabilitas seorang
anak berpenyakit batuk rejan adalah 0,4. Data lapangan menunjukkan bahwa dari 10
anak penderita batuk rejan, 6 orang memiliki gejala demam. Dengan menganggap H
= batuk rejan dan E = demam, hitung factor kepastian bahwa batuk rejan disebabkan
oleh adanya demam!
Jawab:
Dik: p(batuk rejan) = 0,4
Dari 10 anak penderita penyakit batuk rejan, 6 memiliki demam
H = batuk rejan
E = demam
Dit: CF?
Penyelesaian:
p(H) = 0,4
6
p(H | E) = 10 = 0,6

𝑚𝑎𝑥[𝑝(𝐻 |𝐸 ), 𝑃(𝐻)] − 𝑃(𝐻)


MB (H,E) =
max[1,0]−𝑝(𝐻)

𝑚𝑎𝑥[0,6 ,0,4] − 0,4


=
1−0,4
0,6 − 0,4 0,2 1
= = = = 0,33
0,6 0,6 3

𝑚𝑖𝑛[𝑝(𝐻 |𝐸 ), 𝑃(𝐻)] − 𝑃(𝐻)


MD (H,E) =
min[1,0]−𝑝(𝐻)

𝑚𝑖𝑛[0,6 ,0,4] − 0,4


=
0−0,4
0,4 − 0,4 0
= = =0
−0,4 −0,4

CF = 0,33 – 0 = 0,33
Rule: IF (Gejala=Demam) THEN Penyakit = batuk rejan (CF=0,33)

14. Diketahui sistem pakar dengan aturan-aturan sebagai berikut.


R1: IF suku bunga turun THEN harga obligasi naik (CF = 0,4)
R2: IF suku bunga naik THEN harga obligasi turun (CF = 0,1)
R3: IF suku bunga tidak berubah THEN harga obligasi tidak berubah (CF = 0,5)
R4: IF dolar naik THEN suku bunga turun (CF = 0,8)

Sistem Pakar Kelompok (Suryani, Umri, Dina)


R5: IF dolar turun THEN suku bunga naik (CF = 0,3)
R6: IF harga obligasi turun THEN beli obligasi (CF = 0,2)
Seseorang hendak berkonsultasi dengan sistem pakar tersebut unutk menentukan
apakah akan membeli obligasi atau tidak dan dengan tingkat kepastian berapa, apabila
diketahui bahwa: “dolar turun” (CF = 0,3).
Jawab:
CF(suku bunga naik, dolar turun) = CF(dolar turun) x CF(rule R5)
= 0,3 x 0,3
= 0,09
Basis data(fakta-fakta):
dolar turun(evidence CF=0,3)
suku bunga naik(hypothesis CF=0,09)

CF(harga obligasi turun, suku bunga naik) = CF(suku bunga naik) x CF(rule R2)
= 0,09 x 0,1
= 0,009
Basis data(fakta-fakta):
dolar turun (evidence CF=0,3)
suku bunga naik (hypothesis CF=0,09)
harga obligasi turun (hypothesis CF=0,009)

CF(beli obligasi, harga obligasi turun) = CF(harga obligasi turun) x CF(rule R6)
= 0,009 x 0,2
= 0,0018

Jadi, dari hasil perhitungan tersebut CF(beli obligasi, harga obligasi turun) =
0,0018 dan memenuhi syarat Uncertain Term yaitu Unknown
(Tidak tahu, CF -0,2 to 0,2), maka beli obligasi atau tidak adalah tidak diketahui
dengan tingkat kepastian 0,18 %.

Sistem Pakar Kelompok (Suryani, Umri, Dina)