MAKALAH KECERDASAN BUATAN

“KETIDAKPASTIAN”

Dosen Pengampu :

Liza Efriyanti, S.Si., M.Kom.

Disusun Oleh :
Kelompok V

Muhammad Khoirusshobirin 2518042

Siska Yuningsih 2518043
Hasanah Fitri 2518048
Adrian 2518066

PENDIDIKAN TEKNIK INFORMATIKA KOMPUTER

FAKULTAS TARBIYAH DAN ILMU KEGURUAN

INSTITUT AGAMA ISLAM NEGERI

(IAIN) BUKITTINGGI

2021 M/1442 H
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah memberikan Nikmat-Nya

kepada kita, Rahmat-Nya yang tidak terhingga dan KAsih-Nya yang tiada terkira
kepada penulis sehingga dapat menyelesaikan makalah ini.

Shalawat dan salam tidak lupa pula kita hadiahkan buat nabi junjungan
alam, nabi Muhammad SAW yang telah membawa kita umatnya hijrah dari alam
kegelapa menuju alam yang indah dengan begitu banyak ilmu pengetahuan seperti
saat yang kita rasakan sekarang ini.

Dengan kerendahan hati penulis mengucapkan banyak terima kAsih

kepada dosen pembimbing mata kuliah Kecerdasa Buatan yang senantiasa telah
membimbing kami tanpa henti dalam menjalani perkuliahan di semester ini.
Semoga ilmu yang diberikan kepada kami dapat bermanfaat untuk kami dan
menjadi amal jariyah bagi Beliau di akhirat nantinya. Ammiin ya rabbal’alamin.

Kami sangat berharap makalah yang kami buat ini dapat menambah
wawasan keilmuan dan pengetahuan bagi pembaca dalam mempelajari mata
kuliah Kecerdasan Buatan ini.

Karena keterbatasan pengetahuan dan wawasan kami, kami yakin mAsih

terdapat banyak kekurangan di dalam makalah yang kami buat ini, untuk itu kami
membutuhkan dan sangat mengharapkan kritik dan saran yang menbangun dari
pembaca demi perbaikan untuk makalah yang akan kami buat selanjutnya.

Padang Panjang, 29 Maret 2021

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ................................................................................... i

DAFTAR ISI ................................................................................................. ii

BAB 1 PENDAHULUAN

A. Latar Belakang ................................................................................. 1

B. Rumusan Masalah............................................................................ 2
C. Tujuan ............................................................................................... 2

BAB II PEMBAHASAN

A. Ketidakpastian ................................................................................. 3
B. Teknik –teknik untuk mengatasi ketidakpastian .......................... 4
1. Probabilitas dan Teorema Bayes ................................................ 4
2. Certainty Factor ........................................................................... 7

BAB III PENUTUP

A. Kesimpulan ..................................................................................... 11
B. Saran ............................................................................................... 11

DAFTAR PUSTAKA ................................................................................. 12

ii
 1

BAB I

PENDAHULUAN

A. Latar Belakang
Di zaman modern seperti sekarang ini, berbagai teknologi didunia
yang dikembangkan dan di letakkan kecerdasan buatan didalamnya.
Kecerdasan buatan atau artificial intelligence merupakan salah satu bagian
ilmu komputer yang membuat agar mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Didefinisikan
sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem
seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan
dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan
pekerjaan seperti yang dapat dilakukan manusia. Artificial Intelligence
(Inteligensi/Kecerdasan Buatan) merupakan salah satu bidang dari ilmu
komputer yang membahas tentang kemungkinan komputer untuk dapat
berlaku secara intelligen seperti halnya manusia.
Untuk membuat sebuah alat teknologi dengan kecerdasan buatan
tentu banyak proses atau langkah yang harus dilewati dan juga komponen-
komponen yang harus disiapkan sebelum bisa untuk membuat alat
tersebut. Persiapan yang sangat matang seperti perencanaan, design, dan
lain sebagainya sehingga terbentuk sebuah produk alat teknologi yang
dapat digunakan nantinya untuk membantu pekerjaan manusia itu sendiri.
Namun harus kita ingat bahwa terdapat kendala-kendala yang
mungkin terjadi ketika kita sedang membuat produk tersebut. Nah,
halangan inilah yang kita sebut dengan ketidakpastian. Karena belum tentu
apa yang sudah kita rencanakan, kita desain dan lain sebagainya bisa
berjalan sesuai dengan keinginan kita. Maka dari itu pada makalah ini kita
akan memperlajari tentang Ketidakpastian tersebut.
 2

B. Rumusan Masalah
1. Apa yang dimaksud dengan ketidakpastian?
2. Bagaimana cara mengatasi ketidakpastian dalam sebuah masalah?

C. Tujuan
1. Untuk mengetahui apa itu ketidakpastian
2. Untuk mengetahui bagaimana cara untuk mengatasi ketidakpastian
dalam sebuah masalah?
 3

BAB II

PEMBAHASAN

A. Ketidakpastian
Jika sistem kecerdasan buatan yang dikembangkan memiliki
pengetahuan yang lengkap tentang permasalahan yang akan ditanganinya,
maka sistem tersebut dapat dengan mudah memberikan solusi dengan
menggunakan pendekatan logika. Akan tetapi, system hampir tidak pernah
dapat mengakses seluruh fakta yang ada dalam lingkungan permasalahan
yang akan ditanganinya, sehingga sistem harus bekerja dalam
ketidakpastian dan kesamaran.[1]
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak
dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana
adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan
ciri-ciri penalaran sebagai berikut[2] :
a) adanya ketidakpastian
b) adanya perubahan pada pengetahuan
c) adanya penambahan fakta baru dapat mengubah konklusi yang sudah
terbentuk

Dari pernyataan diatas dapat kita tarik kesimpulan bahwa

Ketidakpastian adalah suatu kondisi dimana memungkinkan munculnya
fakta-fakta baru yang dapat mengakibatkan ketidakkonsistenan dari sistem
yang telah kita rancang atau kita buat.

Contoh:
Premis -1 : Aljabar adalah pelajaran yang sulit
Premis -2 : Geometri adalah pelajaran yang sulit
Premis -3 : Kalkulus adalah pelajaran yang sulit
Konklusi : Matematika adalah pelajaran yang sulit
 4

Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang

sudah diperoleh, misal
Premis -4 : Kinematika adalah pelajaran yang sulit
Premis tersebut menyebabkan konklusi :”Matematika adalah pelajaran
yang sulit”, menjadi salah karena Kinematika bukan merupakan bagian
dari Matematika, sehingga bila menggunakan penalaran sangat
dimungkinkan adanya ketidakpastian.[3]

B. Teknik – teknik untuk mengatasi ketidakpastian

1. Probabilitas & Teorema Bayes Probabilitas
Teknik Probabilitas, yang dikembangkan dengan memanfaatkan
teorema Bayes yang menyajikan hubungan sebab akibat yang terjadi
diantara evidence- evidence yang ada.
Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau
tidak. Rumus Probabilitas sbb:

p(x)=

Misal dari 10 orang sarjana, 3 orang menguasai cisco, sehingga

peluang untuk memilih sarjana yang menguasai cisco adalah :
p(cisco) = 3/10 = 0.3
Dalam teori probabilitas dan statistika, Teorema Bayes adalah
sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran
Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan
subjektif harus berubah secara rasional ketika ada petunjuk baru.
Dalam penafsiran frekuentis teorema ini menjelaskan representasi
invers probabilitas dua kejadian. Teorema ini merupakan dasar dari
statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu
ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran
dan hukum.
Rumus Teorema Bayes
( | ) ( ( ))
p(Hi | E) = ∑ ( | ) ( ( ))
 5

p(Hi|E) = probabilitas hipotesis Hi, benar jika diberikan evidence

(fakta) E
p(E?Hi) = probabilitas munculnya evidence (fakta) E jika diketahui
hipotesis Hi benar
p(Hi) = probabilitas hipotesis Hi, (menurut hasil sebelumnya)
tanpa memandang evidence (fakta) apapun
n = jumlah hipotesis yang mungkin

Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter

menduga bahwa Asih terkena cacar dengan :
 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar
adalah p(bintik|cacar) = 0.8
 probabditas Asih terkena cacar tanpa memandang gejala apapun adalah
p(cacar) = 0.4
 probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi
adalah p(bintik|alergi) = 0.3
 probabilitas Asih terkena alergi tanpa memandang gejala apapun adalah
p(alergi) = 0.7
 probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan adalah
p(bintik|jerawatan) = 0.9
 probabilitas Asih jerawatan tanpa memandang gejala apapun adalah
p(jerawatan) = 0.5
maka :

1. Probabilitas Asih terkena cacar karena ada bintik-bintik diwajahnya

( | ) ( ( ))
p(Hi | E) = ∑ ( | ) ( ( ))

2. Probabilitas Asih terkena alergi karena ada bintik-bintik diwajahnya

 6

3. Probabilitas Asih terkena jerawatan karena ada bintik-bintik

diwajahnya

Dengan:
e = evidence lama
E = evidence baru
p(H|E,e) = Probabilitas H benar jika muncul evidence baru (E) dari
evidence lama (e)
p(H|E) = Probabilitas hipotesis H benar jika diberikan evidenve E
p(e|E,H) = kaitan antara e dan E jika hipotesis H benar
p(e|E) = kaitan antara e dan E jika memandang hipotesis apapun

Misal:
Adanya bintik-bintik di wajah merupakan gejala seseorang terkena
cacar. Observasi baru menunjukkan bahwa selain bintik-bintik di
wajah, panas badan juga merupakan gejala orang kena cacar. Jadi
antara munculnya bintik-bintik di wajah dan panas badan juga
memiliki keterkaitan satu sama lain.

Asih terkena bintik-bintik di wajahnya. Dokter menduga bahwa Asih

terkena cacar dengan probabilitas terkena cacar bila ada bintik-bintik
di wajah adalah p(cacar|bintik) = 0.8
 7

Ada observasi bahwa orang terkena cacar pasti menagalami panas. Jika
diketahui probabilitas orang terkena cacar bila panas dalam adalah
p(cacar|panas) = 0.5
Keterkaitan antara adanya bintik-bintik di wajah dan panas bdana bila
seseorang terkena cacar adalah p(bintik|panas,cacar) = 0.4
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan
adalah p(bintik|panas) = 0.6
Maka :

2. Faktor Kepastian (Certainty Factor)

Teknik ini bersifat semi probabilitas, karena tidak sepenuhnya
menggunakan notasi probabilitas. Certainty Factor (CF) menunjukkan
ukuran kepastian terhadap suatu fakta atau aturan
Rumus CF :
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 hipotesis h, jika
diberikan evidence e (antara 0 dan 1)

2 hal yang mungkin terjadi :

1. Beberapa evidence dikombinasikan untuk menetukan CF dari suatu
hipotesis. Jika e1 dan e2 adalah observasi, maka :
 8

Contoh :
Misal suatu observasi memberikan kepercayaan terhadap h dengan
MB[h,e1]=0.3 dan MD[h1,e] = 0.2 maka :
CF[h,e1] = 0.3 – 0 = 0.3
Jika ada observasi baru dengan MB[h,e2] = 0.2 dan MD[h,e2] = 0,
maka
MB[h,e1 ˄ e2]= 0.3 + 0.2 * (1-0.3) =0.44
MD[h,e1 ˄ e2]= 0
CF[h,e1 ˄ e2] = 0.44 – 0 = 0.44
Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan
Asih terkena cacar dengan kepercayaan MB[cacar,bintik] = 0.80 dan
MD[cacar,bintik] = 0.01. Maka :
CF[cacar,bintik] = 0.80 – 0.01 = 0.79
Jika ada obesrvasi baru bahwa Asih juga panas badan dengan
kepercayan MB[cacar,panas] = 0.7 dan MD[cacar,panas] = 0.08.
Maka :
MB[cacar,bintik ˄ panas] = 0.8 + 0.7 * (1-0.8) = 0.94
MD[cacar,bintik ˄ panas] = 0.01 + 0.08 * (1-0.01) = 0.0892
MD[cacar,bintik ˄ panas] = 0.94 – 0.0892 = 0.8508
CF[cacar,bintik ˄ panas] = 0.94 – 0.0892 = 0.8508
 9

2. CF dihitung dari kombinasi beberapa hipotesis

Jika h1 dan h2 adalah hipotesis, maka :

MB[h1 ˄ h2,e] = min (MB[h1,e], MB[h2,e])

MB[h1 ˄ h2,e] = max (MB[h1,e], MB[h2,e])
MD[h1 ˄ h2,e] = min (MD[h1,e], MD[h2,e])
MD[h1 ˄ h2,e] = max (MD[h1,e], MD[h2,e])

Contoh :
Misal suatu obesrvasi memebrikan kepercayaan terhadapa h1
dengan MB[h1,e] = 0.5 dan MD[h1,e] = 0.2
Maka :
CF[h1,e] = 0.5 – 0.2 = 0.3

Jika observasi tersebut memberikan kepercayaan pada h2 dengan

MB[h2,e] = 0.8 dan MD[h2,e] = 0.1
Maka :
CF[h2,e] = 0.8 – 0.1 = 0.7

Untuk mencari CF[h1 ˄ h2,e] diperoleh dari

MB[h1 ˄ h2,e] = min (0,5 ; 0,8) = 0,5
MD[h1 ˄ h2,e] = min (0,2 ; 0,1) = 0,1
CF[h1 ˄ h2,e] =0,5 – 0,1 = 0,4

Untuk mencari CF[h1 V h2,e] diperoleh dari

MB[h1 V h2,e] = max (0,5 ; 0,8) = 0,8
MD[h1 V h2,e] = max (0,2 ; 0,1) = 0,2
CF[h1 V h2,e] = 0,8 – 0,2 = 0,6
 10

Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan

Asih terkena cacar dengan kepercayaan MB[cacar,bintik] = 0.80
dan MD[cacar,bintik] = 0.01.
Maka :
CF[cacar,bintik] = 0.80 – 0.01 = 0.79

Jika observasi tersebut juga memebrikan kepercayaan bahwa Asih

mungkin juga terkena alergi dengan kepercayaan MB[alergi,bintik]
= 0.4 dan MD[alergi,bintik] = 0.3
Maka :
CF[alergi,bintik] = 0.4 – 0.3 = 0.1

Untuk mencari CF[cacar ˄ alergi,bintik] diperoleh dari

MB[cacar ˄ alergi,bintik] = min (0,8 ; 0,4) = 0,4
MD[cacar ˄ alergi,bintik] = min (0,01 ; 0,3) = 0,01
CF[cacar ˄ alergi,bintik] = 0,4 - 0,01 = 0,39

Untuk mencari CF[cacar V alergi, bintik] diperoleh dari

MB[cacar V alergi,bintik] = max (0,8 ; 0,4) = 0,8
MD[cacar V alergi,bintik] = max (0,01 ; 0,3) = 0,3
CF[cacar V alergi,bintik] = 0,8 - 0,3 = 0,5

Kesimpulan : semula faktor kepercayaan bahwa Asih terkena cacar

dan gejala munculnya bintik-bintik di wajahnya adalah 0,79.
demikian pula faktor kepercayaan bahwa Ani terkena alergi dari
gejala munculnya bintik-bintik di wajah adalah 0,1. Dengan adanya
gejala yang sama mempengaruhi 2 hipotesis yang berbeda ini
memberikan faktor kepercayaan :
Asih menderita cacar dan alergi = 0,39
Asih menderita cacar atau alergi = 0,5
 11

BAB III

PENUTUP

A. Kesimpulan
Ketidakpastian adalah suatu kondisi dimana memungkinkan
munculnya fakta-fakta baru yang dapat mengakibatkan ketidakkonsistenan
dari sistem yang telah kita rancang atau kita buat.
Terdapat teknik-teknik yang dapat kita pelajari untuk mengatasi
ketidakpastian dalam sebuah sistem diantaranya adalah Probabilitas &
Teorema Bayes dan Certainty Factor (CF)
Probabilitas adalah suatu teknik yang dapat digunakan untuk
menunjukkan kemungkinan sesuatu akan terjadi atau tidak.
Teorema Bayes adalah teori yang menyatakan seberapa jauh
derajat kepercayaan subjektif harus berubah secara rasional ketika ada
petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan
representasi invers probabilitas dua kejadian.
Certainty Factor (CF) adalah suatu teknik yang dapat digunakan
untuk menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.

B. Saran
Untuk menyelesaikan sebuah ketidakpastian dalam sebuah sistem
yang akan kita rancang atau yang telah kita buat, teman-teman dapat
mempelajari teknik-teknik didalam makalah ini dan kemudian diterapkan
sehingga ketidakpastian dalam sebuah sistem tersebut dapat kita atasi
dengan baik. Tidak lupa juga kami sebagai penulis memohon kritikan dan
saran yang membangun terhadap isi makalah kami. Karena dapat kita
ketahui bersama bahwa tidak ada yang sempurna didunia ini.
 12

DAFTAR PUSTAKA

[1] R. Munarto, “Sistem Pakar Diagnosis,” vol. 14, no. 1, pp. 75–86, 2018.

[2] K. Dalam, T. Bayes, and P. Probabilitas, “p x ,” pp. 51–57.

[3] V. Sutojo, T; Mulyanto, Edi; Suhartono, “Kecerdasan Buatan,” pp. 211–

235, 2011.