TUGAS PAPER

MATA KULIAH SISTEM PAKAR DAN PENDUKUNG KEPUTUSAN

OLEH
ANUGERAH ASHARY SAMAILA
195051078
PTI 6D

PROGRAM STUDI PENDIDIKAN TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN KEJURUAN
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2022
 KONSEP DAN PENERAPAN UMUM METODE-METODE SISTEM PAKAR

2.1 Konsep dan Penerapan Umum Metode Certainty Factor

a. Konsep Metode Certainty Factor
Metode Certainty Factor merupakan metode sistem pakar digunakan untuk
perhitungan tingkat kepastian terhadap kesimpulan yang diperoleh dan dihitung
berdasarkan nilai probabilitas penyakit karena adanya evident/gejala tertentu. Factor
kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan
MCYIN. CF merupakan nilai parameter klinis yang di berikan MCYIN dan
menunjukkan besarnya kepercayaan.
Terdapat dua model yang sering digunakan dalam perhitungan CF dari sebuah Rule
yaitu:
1. Metode ‘Net Belief’oleh E.H. Shortliffe dan B.G. Buchannan, yaitu;
CF (Rule) = MB(H, E) – MD(H, E) ................................................... (1)
MB(H|E) = 1 Jika P(H) = 1
max[𝑃(𝐻 |𝐸 ),𝑃(𝐻)]−𝑃(𝐻)
Jika P(H) ≠ 1……………………..(2)
1−𝑃(𝐻)

MB(H|E) = 1 Jika P(H) = 0

min[𝑃(𝐻 |𝐸 ),𝑃(𝐻)]−𝑃(𝐻)
Jika P(H) ≠ 0..…………………….(2)
1−𝑃(𝐻)

Dimana:
P(H) = Probabilitas kebenaran hipotesa H
P(H|E) = Probabilitas bahwa H benar karena fakta E
2. Nilai CF(Rule) diperoleh dari interprestasi ‘term’ dari pakar menjadi nilai
tertentu sebagai tercantum di table dibawah:
Uncertain Term Nilai CF

Definitely not -1.0

Almost certainly not - 0.8

Probably not -0.6

Maybe not -0.4

 Unknown -0.2 to 0.2

Maybe 0.4

Probably 0.6

Almost certainly 0.8

Definitely 1.0

b. Penerapan Umum Metode Certainty Factor

1. Penerapan metode Certainty Factor pada bidang Kesehatan
a. 1 gejala (evidence) menghasilkan 1 penyakit (h/hipotesis)
CF[h,e] = MB[h,e] – MD[h,e]
Dengan:
CF[h,e] = Certainty Factor
MB[h,e] = tingkat kepercayaan
MD[h,e] = tingkat ketidak kepercayaan
b. 2 gejala yang menghasilkan 1 penyakit
CF[h,e1^e2] = MB[h,e1^e2]-MD[h,e1^e2]
Dengan:
MB[h,e1^e2] = MB[h,e1]+MB[h,e2]*(1-MB[h,e1])
MD[h,e1^e2] = MD [h,e1]+ MD [h,e2]*(1- MD [h,e1])
Berikut merupakan contoh soal penerapan CF dalam bidang Kesehatan
dengan kondisi 1 gejala menghasilkan 1 penyakit dan 2 gejala menghasilkan 1
penyakit.
Jika Ayu menderita sakit perut. Dokter memperkirakan Ayu terkena
muntaber dengan tingkat kepercayaan = 76% dan tingkat ketidakpercayaan =
24%. Selang beberapa jam, Ayu mengalami muntah dengan tingkat
kepercayaan = 98% dan tingkat ketidakepercayaan sebesar 2%. Tentukan
certainty factor sebelum dan setelah gejala baru!
Jawab:
• CF sebelum (CF sakit perut yang menyebabkan muntaber)
CF[h,e] = MB[h,e] – MD[h,e]
 CF[muntaber,sakit perut]=
MB[muntaber,sakit perut]–MD[muntaber,sakit perut]
CF[muntaber,sakit perut]=0,76-0,24
CF[muntaber,sakit perut]=0,52
Jadi, factor kepastian bahwa sakit perut menyebabkan muntaber
adalah 52%
• CF setelah (CF sakit perut dan muntah yang menyebabkan
muntaber)
MB[h,e1^e2] = MB[h,e1]+MB[h,e2]*(1-MB[h,e1])
MD[h,e1^e2] = MD[h,e1]+MD[h,e2]*(1-MD[h,e1])
CF[h,e1^e2] = MB[h,e1^e2]-MD[h,e1^e2]
MB[muntaber,sperut^muntah]=
MB[muntaber,sperut]+MB[muntaber,muntah]*(1-
MB[muntaber,sperut])
MB[muntaber,sperut^muntah]=0,76+0,98*(1-0,76)
=0,76+0,98*0,24=0,76+0,2352=0,9952
MD[muntaber,sperut^muntah]=
MD[muntaber,sperut]+MD[muntaber,muntah]*(1-
MD[muntaber,sperut])
MD[muntaber,sperut^muntah]= 0,24+0,02*(1-0,24)
=0,24+0,02*0,76
=0,24+0,0152
=0,2552
CF[muntaber,sperut^muntah]=MB[muntaber,sperut^muntah]-
MD[muntaber,sperut^muntah]
CF[muntaber,sperut^muntah]= 0,9952-0,2552=0,74
Jadi, factor kepastian bahwa sakit perut dan muntah menyebabkan
muntaber adalah sebesar 74%
c. 2 penyakit dengan hubungan dan (^) yang disebabkan oleh 1 gejala
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e]
Dimana:
 MB[h1^h2,e] = Min(MB[h1,e]; MB[h2,e])
MD[h1^h2,e] = Min(MD[h1,e]; MD[h2,e])
d. 2 penyakit dengan hubungan atau (v) yang disebabkan oleh 1 gejala
CF(h1v h2,e) = MB[h1 v h2,e]-MD[h1 v h2,e]
Dengan:
MB[h,e1^e2] = MB[h,e1]+MB[h,e2]*(1-MB[h,e1])
MD[h,e1^e2] = MD[h,e1]+MD[h,e2]*(1-MD[h,e1])
Berikut merupakan contoh kasus penerapan CF jika terdapat 2 penyakit
dengan hubungan dan (^) disebabkan oleh 1 gejala, serta terdapat 2 penyakit
dengan hubungan ata(v) disebabkan oleh 1 gejala.
1) Jika Dinda mengalami sakit perut dan dokter memperkirakan Dinda sedang
terkena muntaber dan sedang maag dengan tingkat kepercayaan 80% dan
dengan tingkat ketidak percayaan sebesar 20%. Sedangkan diagnosa
lainnya Dinda diperkirakan sedang terkena muntaber atau sedang maag
dengan tingkat kepercayaan sebesar 60% dan dengan tingkat
ketidakpercayaan sebesar 40%. Tentukan Certainty Factor dari kasus
tersebut!
Jawab:
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e] = 0,8 – 0,2 = 0,6
CF(h1v h2,e) = MB[h1v h2,e]-MD[h1v h2,e] = 0,6 – 0,4 = 0,2
2) Jika Dinda mengalami sakit perut. Dokter memperkirakan Dinda terkena
Muntaber dengan kepercayaan = 75 % dan tidak percaya =25 %. Jika dari
diagnosa lainnya diperoleh bahwa dari gejala yang sama Dinda juga
dikatakan sedang maag dengan tingkat ketidak percayaan sebesar = 10 %
dan tingkat kepercayaan sebesar 90 %. Dengan metode CF maka tentukan
persentase bahwa Dinda sedang maag dan terkena muntaber. Serta tentukan
pula persentase bahwa si Dinda sedang maag atau terkena muntaber!
Jawab:
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e]
MB[h1^h2,e]= Min (MB[h1,e];MB[h2,e])
MD[h1^h2,e]= Min (MD[h1,e];MD[h2,e])
 MB[muntaber ^ maag,sperut] = Min (MB[muntaber,sperut];MB[maag,sperut])
MB[muntaber ^ maag,sperut] = Min (0,75;0,90)
MB[muntaber ^ maag,sperut] = 0,75
MD[muntaber ^ maag,sperut] = Min (MD[muntaber,sperut];MD[maag,sperut])
MD[muntaber ^ maag,sperut] = Min (0,25;0,10)
MD[muntaber ^ maag,sperut] = 0,10
CF(muntaber ^ maag,sperut) = MB[muntaber ^ maag,sperut]-
MD[muntaber ^ maag,sperut] = 0,75-0,10 = 0,65
Jadi, persentase bahwa Komang sedang maag dan terkena muntaber = 65%
CF(h1v h2,e) = MB[h1 v h2,e]-MD[h1 v h2,e]
MB[h1v h2,e]= Max (MB[h1,e];MB[h2,e])
MD[h1v h2,e]= Max (MD[h1,e];MD[h2,e])
MB[muntaber v maag,sperut] = Max (MB[muntaber,sperut];MB[maag,sperut])
MB[muntaber v maag,sperut] = Max (0,75;0,90)
MB[muntaber v maag,sperut] = 0,90
MD[muntaber v maag,sperut] = Max (MD[muntaber,sperut];MD[maag,sperut])
MD[muntaber v maag,sperut] = Max (0,25;0,10)
MD[muntaber v maag,sperut] = 0,25
CF(muntaber v maag,sperut) = MB[muntaber v maag,sperut]-
MD[muntaber v maag,sperut] = 0,90-0,25 = 0,65
Jadi, persentase Dinda sedang maag atau terkena muntaber = 65%
2. Penerapan metode Certainty Factor pada bidang hukum
a. 1 bukti(evidence) menghasilkan 1 hipotesis
CF[h,e] = MB[h,e]-MD[h,e]
Dengan :
CF[h,e] = certainty factor
MB[h,e] = tingkat kepercayaan
MD[h,e] = tingkat ketidakpercayaan
b. 2 bukti menghasilkan 1 hipotesis
CF[h,e1^e2] = MB[h,e1^e2]-MD[h,e1^e2]
Dengan :
MB[h,e1^e2] = MB[h,e1]+MB[h,e2]*(1-MB[h,e1])
MD[h,e1^e2] = MD[h,e1]+MD[h,e2]*(1-MD[h,e1])
Berikut merupakan contoh kasus CF dalam bidang hukum untuk 1 bukti
menghasilkan 1 hipotesis dan untuk 2 bukti menghasilkan 1 hipotesis.
Di suatu acara persidangan, hakim dengan tingkat kepercayaan sebesar 89%
memperkirakan hukuman penjara yang akan diberikan kepada si Sanjaya
karena telah dituduh mencuri kambing di rumah Pak Made. Namun beberapa
waktu berselang, Sanjaya juga mengaku dengan tingkat kepercayaan sebesar
98% bahwa sebenarnya selain kambing yang dicuri di rumah Pak Made,
Sanjaya juga telah mencuri babi. Tentukan certainty factor sebelum dan setelah
adanya fakta baru!
Jawab:
CF sebelum (CF mencuri kambing yang menyebabkan penjara)
CF[h,e] = MB[h,e]-MD[h,e]
CF[Penjara,Kambing] = MB[Penjara,Kambing]-MD[Penjara,Kambing]
CF[Penjara,Kambing] = 0,89-0,11
CF[Penjara,Kambing] = 0,78
Jadi, factor kepastian mencuri kambing menyebabkan penjara = 78%
CF setelah (CF mencuri kambing dan babi yang menyebabkan penjara)
MB[h,e1^e2] = MB[h,e1]+MB[h,e2]*(1-MB[h,e1])
MD[h,e1^e2] = MD[h,e1]+MD[h,e2]*(1-MD[h,e1])
CF[h,e1^e2] = MB[h,e1^e2]-MD[h,e1^e2]
MB[Penjara,Kambing^Babi]=MB[Penjara,Kambing]+MB[Penjara,Babi]*
(1-MB[Penjara,Kambing])
MB[Penjara,Kambing^Babi]=0,89+0,98*(1-0,89)
=0,89+0,98*0,11=0,89+0,1078=0,9978
MD[Penjara,Kambing^Babi]=MD[Penjara,Kambing]+MD[Penjara,Babi]*
(1-MD[Penjara,Kambing])
MD[Penjara,Kambing^Babi]= 0,11+0,02*(1-0,11)
=0,11+0,02*0,89
=0,11+0,0178
 =0,1278
Jadi, factor kepastian bahwa mencuri kambing dan babi menyebabkan
Sanjaya mendapatkan hukuman penjara = 87%
c. 2 hipotesis dengan hubungan dan (^) disebabkan oleh 1 bukti
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e]
Dimana :
MB[h1^h2,e]= Min (MB[h1,e];MB[h2,e])
MD[h1^h2,e]= Min (MD[h1,e];MD[h2,e])
d. 2 hipotesis dengan hubungan atau (v) disebabkan oleh 1 bukti
CF(h1v h2,e) = MB[h1 v h2,e]-MD[h1 v h2,e]
Dimana :
MB[h1v h2,e]= Max (MB[h1,e];MB[h2,e])
MD[h1v h2,e]= Max (MD[h1,e];MD[h2,e])
Berikut merupakan contoh kasus penerapan CF pada bidang hukum jika
terdapat 2 hipotesis dengan hubungan dan (^) disebabkan oleh 1 bukti, serta jika
terdapat 2 hipotesis dengan hubungan atau (v) disebabkan oleh 1 bukti.
1) Jika Nyoman telah menikam orang, maka hakim memperkirakan vonis
hukum yang akan diterima Nyoman adalah hukuman cambuk dan penjara
seumur hidup dengan tingkat kepercayaan 65 % dan dengan tingkat ketidak
percayaan sebesar 35 %. Disamping itu hakim juga memperkirakan
Nyoman akan menerima vonis hukuman cambuk atau penjara seumur hidup
dengan tingkat kepercayaan sebesar 92 % dan dengan tingkat
ketidakpercayaan sebesar 8%. Tentukan CF dari kasus tersebut !
Jawab:
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e] = 0,65 – 0,35 = 0,3
CF(h1v h2,e) = MB[h1v h2,e]-MD[h1v h2,e] = 0,92 – 0,08 = 0,84
2) Jika Nyoman telah membunuh wanita, maka hakim memperkirakan
Nyoman akan dipenjara seumur hidup dengan tingkat kepercayaan = 95 %
dan ketidakpercayaan = 5 %. Jika ditunjukkan bukti/fakta yang sama, maka
Nyoman juga akan terancam dijatuhi hukuman mati dengan tingkat
ketidakpercayaan sebesar = 2 % dan tingkat kepercayaan sebesar 98 %.
Dengan menggunakan metode CF, maka tentukan persentase bahwa
Nyoman akan dihukum penjara seumur hidup dan hukuman mati. Serta
tentukan pula persentase bahwa si Nyoman akan dipenjara seumur hidup
atau mendapatkan hukum mati!
Jawab:
CF(h1^h2,e) = MB[h1^h2,e]-MD[h1^h2,e]
MB[h1^h2,e]= Min (MB[h1,e];MB[h2,e])
MD[h1^h2,e]= Min (MD[h1,e];MD[h2,e])
MB[Penjara ^ Mati,Membunuh] =
Min(MB[Penjara,Membunuh];MB[Mati,Membunuh])
MB[Penjara ^ Mati,Membunuh]= Min (0,95;0,98)
MB[Penjara ^ Mati,Membunuh]= 0,95
MD[Penjara ^ Mati,Membunuh]=
Min (MD[Penjara,Membunuh];MD[Mati,Membunuh])
MD[Penjara ^ Mati,Membunuh]= Min (0,05;0,02)
MD[Penjara ^ Mati,Membunuh]= 0,02
CF(Penjara ^ Mati,Membunuh) =
MB[Penjara ^ Mati,Membunuh]-MD[Penjara ^ Mati, Membunuh]
= 0,95-0,02 = 0,93
Jadi, persentase Nyoman akan dipenjara seumur hidup dan
mendapatkan hukuman mati = 93%
CF(h1v h2,e) = MB[h1 v h2,e]-MD[h1 v h2,e]
MB[h1v h2,e]= Max (MB[h1,e];MB[h2,e])
MD[h1v h2,e]= Max (MD[h1,e];MD[h2,e])
MB[Penjara v Mati,Membunuh]=
Max (MB[Penjara,Membunuh];MB[Mati,Membunuh])
MB[Penjara v Mati,Membunuh]= Max (0,95;0,98)
MB[Penjara v Mati,Membunuh]= 0,98
MD[Penjara v Mati,Membunuh]=
Max (MD[Penjara,Membunuh];MD[Mati,Membunuh])
MD[Penjara v Mati,Membunuh]= Max (0,05;0,02)
 MD[Penjara v Mati,Membunuh]= 0,05
CF(Penjara v Mati,Membunuh) =
MB[Penjara v Mati,Membunuh] - MD[Penjara v Mati,Membunuh]
= 0,98-0,05 = 0,93
Jadi, persentasi Nyoman akan dipenjara seumur hidup atau
mendapatkan hukuman mati = 93%
2.2 Konsep dan Penerapan Umum Metode Bayesian
a. Konsep Metode Bayesian
Metode Bayesian merupakan metode terbaik didalam mesin pembelajaran
berdasarkan data training, dengan menggunakan probabilitas bersyarat sebgai dasar.
Metode tersebut juga merupakan suatu metode untuk menghasilkan estimasi parameter
dengan menggabungkan informasi dari sampel dan informasi lain yang tersedia
sebelumnya. Keunggulan dari metode ini adalah penyederhanaan dari cara klasik penuh
dengan integral agar memperoleh model marginal.
b. Probabilitas dan Metode Bayesian
Probabilitas bayes merupakan salah satu cara yang terbaik untuk mengatasi
ketidakpastian data dengan menggunakan formula Bayesian. Berikut rumus nya:
𝑃(𝐸|𝐻) ∗ 𝑃(𝐻)
P(H|E) =
𝑃(𝐸)
Ket:
P(H | E) : probabilitas hipotesis H jika diberikan evidence E
P(E | H) : probabilitas munculnya evidence apapun
P(E) : probabilitas evidence E
c. Penerapan Umum Metode Bayesian
Secara umum bentuk formula teorema bayesian dengan E kejadian dan H hipotesis
dituliskan sebagai berikut.

Teorema tersebut dapat dikembangkan jika setelah pengujian dilakukan terhadap

hipotesis dan muncul lebih dari 1 evidence. Sehingga persamaannya akan menjadi
 𝑃(𝑒|𝐸, 𝐻)
𝑃(𝐻|𝐸, 𝑒) = 𝑃(𝐻|𝐸)
𝑃(𝑒|𝐸)
Ket:
e : evidence lama
E : evidence baru
P(H | E,e) : probabilitas hipotesis H benar jika muncul evidence baru E
dari evidence baru E dari evidence lama e.
P(H | E) : probabilitas hipotesis H benar jika diberikan evidence E.
P(e | E,H) : kaitan antar e dan E jika hipotesis H benar.
P(e | E) : kaitan antara e dan E tanpa memandang hipotesis apapun.
Berikut merupakan contoh umum perhitungan probabilitas menggunakan
probabilitas Bayesian.
Probabilitas terkena penyakit tifus apabila mengalami demam tinggi lebih dari 3
hari. P(tifus | demam tinggi lebih dari 3 hari) =0,15. Terdapat gejala baru, yaitu muntah-
muntah dalam 4 hari terkahir, probabilitas terkena penyakit tifus apabila mengalami
muntah-muntah lebih dari 3 hari. P(tifus | muntah-muntah dalam 4 hari) = 0,42.
Keterkaitan antara adanya demam tinggi lebih dari 3 hari dan muntah-muntah dalam 4
hari terakhir apabila seseorang menderita tifus adalah 0,35. Keterkaitan antara adanya
demam tinggi lebih dari 3 hari dan muntah-muntah dalam 4 hari terakhir tanpa
memperhatikan penyakit yang diderita adalah 0,17, maka:
A = demam tinggi lebih dari 3 hari
B = muntah-muntah dalam 4 hari terakhir
H = tifus
𝑃(𝐵|𝐴, 𝐻) 0,34
𝑃(𝐻|𝐴, 𝐵) = 𝑃(𝐻|𝐴) = 0,42 = 0,86
𝑃(𝐵|𝐴) 0,17
Contoh kasus lain, penyakit maag akut dengan perhitungan Bayesian.
Divayana melakukan diagnosa dengan menjawab pertanyaan sesuai dengan
gejala berikut:
G1 = 0,2 = P(E|H1)
G2 = 0,2 = P(E|H2)
G3 = 0,4 = P(E|H3)
G4 = 0,6 = P(E|H4)
 G5 = 0,2 = P(E|H5)
G6 = 0,2 = P(E|H6)
G7 = 0,2 = P(E|H7)
G8 = 0,4 = P(E|H8)
G9 = 0,4 = P(E|H9)
Kemudian mencari nilai semesta dengan menjumlahkan nilai-nilai dari
hipotesa di atas:
9
Σ𝑘=1 = G1 + G2 + G3 + G4 + G5 + G6 + G7 + G8 + G9
= 0,2 + 0,2 + 0,4 + 0,6 + 0,2 + 0,2 + 0,2 + 0,4 + 0,4
= 2,8
Hasil penjumlahan diatas telah diketahui, maka diperoleh rumus untuk
menghitung nilai semesta sebagai berikut:
𝐻1 0,2
𝑃(𝐻1) = 9 = = 0,07143
Σ𝑘=1 2,8
𝐻2 0,2
𝑃(𝐻2) = 9 = = 0,07143
Σ𝑘=1 2,8
𝐻3 0,4
𝑃(𝐻3) = 9 = = 0,14286
Σ𝑘=1 2,8
𝐻4 0,6
𝑃(𝐻4) = 9 = = 0,21429
Σ𝑘=1 2,8
𝐻5 0,2
𝑃(𝐻5) = 9 = = 0,07143
Σ𝑘=1 2,8
𝐻6 0,2
𝑃(𝐻6) = 9 = = 0,07143
Σ𝑘=1 2,8
𝐻7 0,2
𝑃(𝐻7) = 9 = = 0,07143
Σ𝑘=1 2,8
𝐻8 0,4
𝑃(𝐻8) = 9 = = 0,14286
Σ𝑘=1 2,8
𝐻9 0,4
𝑃(𝐻9) = 9 = = 0,14286
Σ𝑘=1 2,8

Jika nilai P(𝐻𝑖 ) diketahui, probabilitas hipotesis H tanpa memandang

evidences/gejala apapun, maka langkah selanjutnya adalah:
 9

∑ = 𝑃(𝐻𝑖) ∗ 𝑃(𝐸|𝐻𝑖 − 𝑛)
𝑘=1

= P(𝐻1 ) * P(E|𝐻1 ) + P(𝐻2 ) * P(E|𝐻2 ) + P(𝐻3 ) * P(E|𝐻3 ) + P(𝐻4 ) *

P(E|𝐻4 ) + P(𝐻5 ) * P(E|𝐻5 ) + P(𝐻6 ) * P(E|𝐻6 ) + P(𝐻7 ) * P(E|𝐻7 ) +
P(𝐻8 ) * P(E|𝐻8 ) + P(𝐻9 ) * P(E|𝐻9 )
= (0,07143 * 0,2) + (0,07143 * 0,2) + (0,14286 * 0,4) + (0,21429 * 0,6) +
(0,07143 * 0,2) + (0.07143 * 0,2) + (0.07143 * 0,2) + (0.14286 *0,4) +
(0,14286 * 0,4)
= 0,01429 + 0,01429 + 0,05714 + 0,12857 + 0,01429 + 0,01429 + 0,01429
+ 0,05714 + 0,05714
= 0.37144
Langkah selanjutnya, mencari nilai P(𝐻𝑖 |𝐸) atau probabilitas
hipotesis 𝐻𝑖 benar jika diberikan evidence E

0,2 ∗ 0,07143
𝑃(𝐻1|𝐸) = = 0,03846
0,37144

0,2 ∗ 0,07143
𝑃(𝐻2|𝐸) = = 0,03846
0,37144

0,4 ∗ 0,14286
𝑃(𝐻3|𝐸) = = 0,15384
0,37144

0,6 ∗ 0,21429
𝑃(𝐻4|𝐸) = = 0,34615
0,37144

0,2 ∗ 0,07143
𝑃(𝐻5|𝐸) = = 0,03846
0,37144

0,2 ∗ 0,07143
𝑃(𝐻6|𝐸) = = 0,03846
0,37144

0,2 ∗ 0,07143
𝑃(𝐻7|𝐸) = = 0,03846
0,37144

0,4 ∗ 0,14286
𝑃(𝐻8|𝐸) = = 0,15384
0,37144
 0,4 ∗ 0,14286
𝑃(𝐻9|𝐸) = = 0,15384
0,37144

Jika seluruh nilai P(𝐻𝑖 |𝐸) telah diketahui, maka nilai bayes
dijumlahkan dengan rumus sebagai berikut:
∑9𝑘=1 𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + 𝐵𝑎𝑦𝑒𝑠3 + 𝐵𝑎𝑦𝑒𝑠4 + 𝐵𝑎𝑦𝑒𝑠5 +
𝐵𝑎𝑦𝑒𝑠6 + 𝐵𝑎𝑦𝑒𝑠7 + 𝐵𝑎𝑦𝑒𝑠8 + 𝐵𝑎𝑦𝑒𝑠9
= (0,2 * 0,03846) + (0,2 * 0,03846) + (0,4 * 0,15384) + (0,6
* 0,34615) + (0,2 * 0,03846) + (0,2 * 0,03846) + (0,2 * 0,03846)
+ (0,4 * 0,15384) + (0,4 * 0,15384)
= 0,00769 + 0,00769 + 0,06154 + 0,20769 + 0,00769 + 0,00769
+ 0,00769 + 0,06154 + 0,06154
= 0,43076
= 0,43076 * 100%
= 43,076%
Berikut merupakan contoh kasus diagnosa penyakit paru-paru, yang
dimana Anton melakukan diagnosa dengan menjawab pertanyaan sesuai
dengan gejala:
G1 = 0,2 = P(E|H1)
G2 = 0,8 = P(E|H2)
G3 = 0,2 = P(E|H3)
G4 = 0,6 = P(E|H4)
G5 = 0,2 = P(E|H5)
G6 = 0,4 = P(E|H6)
G7 = 0,6 = P(E|H7)
G8 = 0,8 = P(E|H8)
G9 = 0,2 = P(E|H9)
G10 = 0,6 = P(E|H10)
G11 = 0,8 = P(E|H11)
Menjumlahkan hipotesa tersebut untuk mencari nilai semestinya:
11

∑ = 𝐺1 + 𝐺2 + 𝐺3 + 𝐺4 + 𝐺5 + 𝐺6 + 𝐺7 + 𝐺8 + 𝐺9
𝑘=1

= 0,2 + 0,8 + 0,2 + 0,6 + 0,2 + 0,4 + 0,6 + 0,8 + 0,2 + 0,6 + 0,8

= 5,4

Setelah didapatkan hasil penjumlahan tersebut, maka didpatnya

rumus untuk menghitung nilai semesta sebagai berikut:

𝐻1 0,2
𝑃(𝐻1) = 11 = = 0,03704
Σ𝑘=1 5,4

𝐻2 0,2
𝑃(𝐻2) = 11 = 5,4 = 0,14815
Σ𝑘=1

𝐻3 0,2
𝑃(𝐻3) = 11 = = 0,03704
Σ𝑘=1 5,4

𝐻4 0,6
𝑃(𝐻4) = 11 = 5,4 = 0,11111
Σ𝑘=1

𝐻5 0,2
𝑃(𝐻5) = 11 = 5,4 = 0,03704
Σ𝑘=1

𝐻6 0,4
𝑃(𝐻6) = 11 = = 0,07407
Σ𝑘=1 5,4

𝐻7 0,6
𝑃(𝐻7) = 11 = 5,4 = 0,11111
Σ𝑘=1

𝐻8 0,8
𝑃(𝐻8) = 11 = 5,4 = 0,14815
Σ𝑘=1

𝐻9 0,2
𝑃(𝐻9) = 11 = 5,4 = 0,03704
Σ𝑘=1

𝐻10 0,6
𝑃(𝐻10) = 11 = 5,4 = 0,11111
Σ𝑘=1

𝐻11 0,8
𝑃(𝐻11) = 11 = = 0,14815
Σ𝑘=1 5,4
 Hasil P(𝐻𝑖 ) diketahui, probabilitas H tanpa memandang evidence
apapun. Langkah selanjutnya adalah:

11

∑ = P(𝐻𝑖 ) ∗ P(E|𝐻𝑖 − 𝑛)
𝑘=1

= (P(H1) * P(E|H1)) + (P(H2) * P(E|H2)) + (P(H3) * P(E|H3)) + (P(H4) *

P(E|H4)) + (P(H5) * P(E|H5)) + (P(H6) * P(E|H6)) + (P(H7) * P(E|H7))
+ (P(H8) * P(E|H8)) + (P(H9) * P(E|H9)) + (P(H10) * P(E|H10)) +
(P(H11) * P(E|H11))

= (0,03704* 0,2) + (0,14815* 0,8) + (0,03704* 0,2) + (0,11111* 0,6) +

(0,03704 * 0,2) + (0,07407 * 0,4) + (0.11111 * 0,6) + (0,14815 * 0,8) +
(0,03704 * 0,2) + (0,11111 * 0,6) + (0,14815 * 0,8)

= 0,00741 + 0,11852 + 0,00741 + 0,06667 + 0,00741 + 0,02963 + 0,06667+

0,11852 + 0,00741 + 0,06667 + 0,11852

= 0,61481

Langkah selanjutnya mencari nilai P(𝐻𝑖 |E) atau probabilitas

Hipotesis 𝐻𝑖 benar jika diberikan nilai E

0,2 ∗ 0,03704
𝑃(𝐻1|𝐸) = = 0,01205
0,614814

0,8 ∗ 0,14815
𝑃(𝐻2|𝐸) = = 0,19277
0,614814

0,2 ∗ 0,03704
𝑃(𝐻3|𝐸) = = 0,01205
0,614814

0,6 ∗ 0,11111
𝑃(𝐻4|𝐸) = = 0,10843
0,614814

0,2 ∗ 0,03704
𝑃(𝐻5|𝐸) = = 0,01205
0,614814
 0,4 ∗ 0,07407
𝑃(𝐻6|𝐸) = = 0,04819
0,614814

0,6 ∗ 0,11111
𝑃(𝐻7|𝐸) = = 0,10843
0,614814

0,8 ∗ 0,14815
𝑃(𝐻8|𝐸) = = 0,19277
0,614814

0,2 ∗ 0,03704
𝑃(𝐻9|𝐸) = = 0,01205
0,614814

0,6 ∗ 0,11111
𝑃(𝐻10|𝐸) = = 0,10843
0,614814

0,8 ∗ 0,14815
𝑃(𝐻11|𝐸) = = 0,19277
0,614814

Jika P(𝐻𝑖 |E) diketahui, jumlahkan seluruh nilai bayesnya dengan

rumus berikut.

.∑11
𝑘=1 𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + 𝐵𝑎𝑦𝑒𝑠3 + 𝐵𝑎𝑦𝑒𝑠4 + 𝐵𝑎𝑦𝑒𝑠 +

𝐵𝑎𝑦𝑒𝑠6 + 𝐵𝑎𝑦𝑒𝑠7 + 𝐵𝑎𝑦𝑒𝑠8 + 𝐵𝑎𝑦𝑒𝑠9 + 𝐵𝑎𝑦𝑒𝑠10 + 𝐵𝑎𝑦𝑒𝑠11

= (0,2 * 0,01205) + (0,8 * 0,19277) + (0,2 * 0,01205) + (0,6 *0,10843) +

(0,2 * 0,01205) + (0,4 * 0,04819) + (0,6 * 0,10843) +(0,8 * 0,19277) + (0,2
* 0,01205) + (0,6 * 0,10843) + (0,8 *0,19277)

= 0,00241 + 0,15422 + 0,00241 + 0,06506 + 0,00241 + 0,01928 +0,06506+

0,15422 + 0,00241 + 0,06506 + 0,15422

= 0,68675 * 100 %

= 68,675 %

Sehingga dapat dipastikan Anton menderita penyakit paru-paru

dengan nilai 68,675%