Intecoms: Journal of Information Technology and Computer Science

Volume 1 Nomor 1, Juni 2018

e-ISSN : 2614-1574
p-ISSN : 2621-3249
DOI : https://doi.org/10.31539/intecoms.v1i1.164

SISTEM PAKAR UNTUK MENGIDENTIFIKASI KEPRIBADIAN SISWA

MENGGUNAKAN METODE CERTAINTY FACTOR DALAM MENDUKUNG
PENDEKATAN GURU

EXPERT SYSTEM TO IDENTIFY STUDENT PERSONALITY USING

CERTAINTY FACTOR METHOD IN SUPPORTING TEACHER APPROACH

Nadya Andhika Putri

Universitas Pembangunan Panca Budi
nadyaandhika@dosen.pancabudi.ac.id

ABSTRACT

Not a few teachers who do not understand the personality of students, in the process of teaching some
teachers who do not understand the personality of students then the teacher will be difficult to deliver
learning materials that will attract students who impact the knowledge transfer process becomes
inhibited. From the problems that have been described previously it is necessary an expert system that
can replace an expert in the field of psychology to identify the student's personality. Expert System in this
study using Certainty Factor method in representing the knowledge gained. The application design from
Expert System itself is designed with web-based, because with web-based applications can help the
process of dissemination of information and knowledge with a wider area of distribution.

Keywords: Expert System, Certainty Factor, Personality

ABSTRAK

Tidak sedikit guru yang belum memahami kepribadian siswa, dalam proses belajar mengajar beberapa
guru ada yang tidak memahami kepribadian siswa maka guru tersebut akan sulit menyampaikan materi
pembelajaran yang akan menarik minat siswa yang berdampak kepada proses transfer pengetahuan
menjadi terhambat. Dari permasalahan yang telah dipaparkan sebelumnya maka diperlukanlah sebuah
sistem pakar yang dapat menggantikan seorang yang ahli dibidang psikologi untuk mengidentifikasi
kepribadian siswa. Sistem Pakar dalam penelitian ini menggunakan metode Certainty Factor dalam
merepresentasikan pengetahuan yang didapat. Rancangan aplikasi dari Sistem Pakar itu sendiri dirancang
dengan berbasis web, karena dengan aplikasi berbasis web dapat membantu proses penyebaran informasi
dan pengetahuan dengan daerah penyebaran yang lebih luas.

Kata Kunci :Sistem Pakar, Certainty Factor, Kepribadian

PENDAHULUAN rumah yang menumbuhkembangkan

Perkembangan adalah proses kemampuan sosial dan motoriknya.
kedewasaan seseorang untuk Banyak aspek perilaku pada usia
mengembangkan kemampuan tersebut yang di bentuk melalui
intelektualnya. Perkembangan usia 6–12 penguatan verbal, keteladanan, dan
tahun adalah masa di mana anak identifikasi. Faktor yang mempengaruhi
memasuki tahap belajar di sekolah dan perkembangan anak tersebut adalah
di luar sekolah. Anak secara formal perkembangan fisik dan perkembangan
belajar di sekolah sehingga kognitif (Nurihsan, 2013).
menumbuhkembangkan terutama Penentuan minat dan bakat perlu
kemampuan kognitifnya. Selain itu anak dilakukan untuk dapat mengetahui
melakukan berbagai hal di lingkungan potensi peserta didik, baik dalam segi

78
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

akademis maupun non-akademis. untuk memecahkan masalah serta

Pengetahuan itu diperlukan saat membantu dalam proses pengambilan
memberikan pendampingan dan keputusan terhadap masalah tertentu.
pengembangan keterampilan yang Sistem pakar merupakan program
sesuai bakat yang dimiliki. komputer yang akan mensimulasikan
Keterampilan perlu dikembangkan sejak pemikiran dari para ahli dengan tujuan
dini untuk dapat mengoptimalkan bakat untuk memecahkan masalah dan
yang ada pada peserta didik, sehingga membantu dalam proses pengambilan
dapat bersaing setelah lulus sekolah keputusan terhadap masalah tertentu.
dalam kehidupan nyata terutama di Hal itulah yang membedakan antara
dunia kerja. Penentuan bakat dan minat Sistem pakar dengan program yang
dapat memetakan arah pemilihan studi bersifat konvensional ataupun yang
dan pengembangan diri untuk bersifat tradisional.
mendapatkan kompetensi dan Definisi lain, Sistem Pakar adalah
keterampilan yang dibutuhkan oleh suatu program komputer yang
peserta didik mensimulasikan penilaian dan perilaku
Berdasarkan hasil penentuan manusia atau organisasi yang memiliki
bakat dan minat yang dilakukan, guru pengetahuan dan pengalaman ahli
dapat mengelompokkan peserta didik dalam bidang tertentu. Biasanya sistem
sehingga lebih mudah untuk itu mengandung basis pengetahuan,
menentukan perlakuan dalam akumulasi pengalaman dan perangkat
mengembangkan bakat dan minat yang aturan untuk menerapkan kodisi setiap
dimiliki (Kemendikbud, 2016). Peserta suatu situasi tertentu yang dijelaskan
didik dapat pula mengetahui potensi diri dalam suatu program. Sistem pakar
dan melihat kelebihan dan kekurangan yang canggih dapat ditingkatkan dengan
sehingga dapat mengoptimalkan penambahan basis pengetahuan atau
pengembangan potensinya. seperangkat aturan. Dengan kata lain,
Peserta didik tingkat sekolah ini adalah sistem berbasis software yang
dasar berada pada peralihan ke dunia membuat atau mengevaluasi keputusan
nyata yaitu ketika kemampuan kognitif berdasarkan aturan yang ditetapkan
anak berkembang untuk merencanakan dalam perangkat lunak (Josephine dan
sesuatu (Yulianti, 2016). Usia siswa Jeyabalaraja, 2012).
sekolah dasar yang lebih lanjut (usia 9– Keuntungan dari sistem pakar
12 tahun) merupakan masa dibandingkan program konvensional
perkembangan keterampilan dan adalah bahwa algoritma inti mereka
kreativitas serta intelegensi yang sangat tidak dirumuskan dalam kode
pesat. Peran orang tua, guru, dan pemrograman tetapi disimpan sebagai
lingkungan sangat penting bagi pengetahuan dalam database
perkembangan keterampilan dan independen yang disebut pengetahuan-
kreativitas serta intelegensi anak di usia dasar atau KB (Bassiel, 2012).
tersebut. Tanpa bimbingan dan Penerapan teknologi informasi dalam
dukungan dari ketiga pihak tersebut sistem kesehatan diperlukan dalam
maka anak tidak dapat berkembang rangka memberikan layanan yang cepat,
dengan optimal dan baik (Salisah, efektif, dan efesien kepada seseorang
2015). (Mateo & Jaewan, 2008).
Sistem pakar merupakan program Keuntungan dari Sistem Pakar
komputer yang mensimulasikan dibandingkan program konvensional
pemikiran dari para ahli dengan tujuan adalah bahwa algoritma inti mereka

79
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

tidak dirumuskan dalam kode Jadi rumus untuk Certainty

pemrograman tetapi disimpan sebagai factor adalah sebagai berikut
pengetahuan dalam database (Giarattano dan Riley, 1994):
independen yang disebut pengetahuan-
dasar atau knowledge based. CF(H|E)= MB(H|E) –
Dari permasalahan yang telah MD(H|E)........................................ (1)
dipaparkan sebelumnya maka
diperlukanlah sebuah sistem pakar yang Di mana :
dapat menggantikan seorang yang ahli
dibidang psikologi untuk proses CF(H/E): Certainty factor dari hipotesis H
mengidentifikasi kepribadian siswa. yang dipengaruhi oleh gejala
(evidence) E. Besarnya CF
Sistem ini diharapkan dapat berkisar antara -1 sampai
membantu masyarakat luas yang awam dengan 1. Nilai -1 menunjukkan
terhadap ilmu pengetahuan psikologi ketidakpercayaan mutlak
dalam mengetahui kepribadian sedangkan 1 menunjukkan
seseorang. kepercayaan mutlak.

MB(H|E): Ukuran kenaikan kepercayaan

METODE PENELITIAN (measure of increased belief)
Sistem Pakar dalam penelitian ini terhadap hipotesis H yang
menggunakan metode Certainty Factor dipengaruhi oleh gejala E.
dalam merepresentasikan pengetahuan MD(H|E) Ukuran kenaikan
: ketidakpercayaan (measure
yang didapat. Rancangan aplikasi dari creased disbelief) terhadap
Sistem Pakar itu sendiri dirancang hipotesis H yang dipengaruhi
dengan berbasis web, karena dengan oleh gejala E.
aplikasi berbasis web dapat membantu H: Hipotesis atau dugaan penyakit.
proses penyebaran informasi dan E: Evidence (Peristiwa atau fakta)
pengetahuan dengan daerah penyebaran
yang lebih luas. Pemberian nilai untuk
Pengumpulan data dilakukan pembagian tingkat keyakinan dapat
dengan cara wawancara langsung dilihat pada Tabel 1 (Intanet. Al, 2010).
dengan Guru BK dan melakukan studi
Tabel 1 Tingkat Keyakinan CF
literatur yang berisi mengenai
kepribadian siswa. Kondisi tidak pasti CF
(Uncertain Term)
Database Pasti Tidak (Definetely Not) 0.2
Database
Knowledge Base
Berisi himpunan aturan untuk ciri-ciri
Berisi Fakta-fakta yang diberikan :
Berisi
1. data-data
Kriteria : kepribadian.
ciri-ciri Hampir Pasti Tidak (Almost 0.3
·2. Saran
Tabeldan
keputusan
dari kepribadian.
· Certainty
3.
ajuran.
Tabel fakta
Factor
Certainty Not)
Kemungkinan Besar Tidak 0.4
Inference
Inference Engine
Engine
(Probably Not)
Berisi prosedur mencocokan tabel
Berisi prosedur-prosedur untuk
dengan data gejala defisisensi vitamin
pencocokan fakta dan aturan.
Kemungkinan Tidak (Maybe 0.5
untuk diagnosis defisiensi vitamin
Not)
Tidak Tahu (Unknown) 0.6
User Interface
Explanation Facilities
Berisikan sebagai berikut :
1. Prosedur dengan aturan membaca
Explanation Facilities
Berisi prosedur untuk menampilkan Kemungkinan (Maybe) 0.7
Berisikan informasi tentang hasil
masukan fakta dari pengguna yaitu gejala dan analisa defisiensi vitamin
ciri-ciri kepribadian.
solusi pakar.
Kemungkinan Besar 0.8
2. Prosedur untuk menampilkan hasil
diagnosis dan solusi yang akan (Probably)
diberikan oleh pakar.
Hampir Pasti (Almost 0.9
Certainty)
User Pasti (Definitely) 1.0
Gambar 1 Desain Arsitektur Sistem Pakar

80
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

Nilai 0 menggambarkan bahwa dimulai dengan pengumpulan data yang

user tidak mengalami gejala tersebut, didapatkan dari seorang pakar,
namun semakin tinggi nilai Cf yang kemudian data tersebut akan dibuat
dipilih maka persentasi untuk gejala menjadi basis pengetahuan untuk
tersebut juga berkemungkinan tinggi membangun Sistem Pakar
dialami user. Kemudian masing-masing mengidentifikasi Psikopat ini.
aturan baru dihitung certainty Berikut data yang telah diperoleh
factornya, sehingga diperoleh nilai dari wawancara dengan Guru BK
certainty factor untuk masing-masing mengenai jenis kepribadian beserta ciri-
aturan, kemudian nilai certainty factor cirinya. Data jenis Kepribadian dapat
tersebut dikombinasikan. dilihat pada tabel 2 sebagai berikut :
Certainty factor menggambarkan
derajat kepercayaan atau tidak Tabel. 2 Jenis Kepribadian
kepercayaan, dimana hasil dari
No Jenis Kode Jenis
penjumlahan keduanya tidak selalu Kepribadian
berjumlah 1.Certainty factor 1 Sanguinis K001
menggunakan MB(H|E) untuk 2 Koleris K002
menggambarkan nilai kepercayaan dari 3 Melankolis K003
hipotesis H, Gejala E, dan MD(H|E) 4 Pleghmatis K004
untuk nilai ketidakpercayaan dari
hipotesis H, gejala E. Karena Ciri-ciri kepribadian siswa dapat
keterangan atau fakta bagian dari gejala dilihat pada tabel 3 sebagai berikut
salah satunya menyangkal hipotesis,
MB(H|E) atau MD(H|E) maka nilainya Tabel. 3 Tabel Ciri-ciri Kepribadian
harus nol untuk setiap H dan E. NO Ciri-ciri Kode Ciri-
ciri
Certainty Factor untuk kaidah Anda seseorang yang C001
1
dengan kesimpulan yang serupa mudah berpikir positif
(Similiarly Concluded Rules) : Anda seseorang yang C002
2
mudah berpikir negatif
CFCombine CF[H|E]1,2 = CF[H|E]1 Anda seseorang yang C003
+ CF[H|E]2 * [1 – CF[H|E]1] .......(2) 3 banyak bicara daripada
CFCombine CF[H|E]old,3 = mendengarkan
CF[H|E]old +CF[H|E]3 * [1 – Anda seseorang yang C004
CF[H|E]old]........(3) 4 mudah berteman dan
mudah berbaur
Anda seseorang yang C005
Kelebihan dari metode ini adalah 5
penuh semangat
cocok digunakan pada sistem pakar Anda seseorang yang C006
6
yang mengukur sesuatu yang pasti atau penuh rasa ingin tahu
tidak pasti seperti mendiagnosis Anda seseorang yang C007
7 menyenangkan dan
penyakit dan perhitungan dari metode selalu terlihat ceria
ini hanya berlaku untuk sekali hitung, Anda seseorang yang C008
serta hanya dapat mengolah dua data menyukai hiburan dan
8
sehingga keakuratannya terjaga (Halim membuat orang lain
dan Hansun, 2015). terhibur
Anda seorang yang C009
mampu meyakinkan
HASIL DAN PEMBAHASAN 9
orang lain dengan logika
Sistem Pakar untuk dan fakta
mengidentifikasi kepribadian siswa ini 10 Anda seseorang yang C010

81
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

berkemauan tegas dan sebagaimana terlihat pada gambar

kuat sebagai berikut :
Anda seseorang yang C011
11 sangat memerlukan
perubahan SISTEM PAKAR MENGIDENTIFIKASI
Anda seseorang yang C012
12
berbakat memimpin KEPRIBADIAN
Anda seseorang yang C013
13 melakukan sesuatu yang
berorientasi tujuan
Anda seseorang yang C014
14 mudah percaya diri dan K001 K002
mandiri
Anda seseorang yang C015 C016
15 mudah tersinggung dan
sensitif C001
Anda seseorang yang C016 C024
16 penuh pikiran dan suka C013
menganalisa
C008
Anda seseorang yang C017
17 suka membuat rencana C009 C014
dan terjadwal C023 C005
Anda seseorang yan C018 C020 C007
menuntut kesempurnaan C019
18
(perfeksionis dan
idealis)
Anda seseorang yang C019
menyukai detail
19
terhadap hal kecil
maupun besar K003 K004
Anda seseorang yang C020
20 cerewet dan suka
mengkritik
Anda seseorang yang C021 C025
cinta damai serta C021
21 menghindari segala
bentuk kekacauan C002 C011

Anda seseorang yang C022 C015 C022

22
rendah hati
C010 C017
Anda seseorang yang C023
C003
23 C004
penurut dan toleran C012 C026
24
Anda seseorang yang C024 C018
pemalu dan pendiam
Anda seorang yang C025
25 penakut Gambar. 2 Pohon Keputusan
Anda seorang yang sabar C026
26 Berdasarkan dari pohon keputusan
dan ramah
yang telah dibuatmaka didapat rule-rule
Untuk penalaran dalam Sistem dari aplikasi Sistem Pakar untuk
Pakar mengidentifikasi kepribadian mengidentifikasi kepribadian siswa
siswa, maka data yang diperoleh dari yaitu seperti pada tabel 4berikut :
pakar akan direpresentasikan dalam
bentuk pohon keputusan yang

82
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

Tabel. 4 Aturan Kepribadian dengan Ciri- C019 AND KOLERI 0,7

cirinya C009 AND S
C005 AND
NO IF THEN NILAI C014 AND
CF C024
1 C001 AND K001 CF = 1 13 C025 AND K003 CF = 1
C008 AND SANGUI C002 AND MELAN
C020 AND NIS C010 AND KOLIS
C007 AND C004 AND
C023 AND C012 AND
C019 AND C017 AND
C013 C015
2 C001 AND K001 CF = 14 C025 AND K003 CF =
C008 SANGUI 0,2 C002 MELAN 0,2
NIS KOLIS
3 C001 AND K001 CF = 15 C025 AND K003 CF =
C008 AND SANGUI 0,4 C002 AND MELAN 0,3
C020 NIS C010 KOLIS
16 C025 AND K003 CF =
4 C001 AND K001 CF = C002 AND MELAN 0,4
C008 AND SANGUI 0,6 C010 AND KOLIS
C020 AND NIS C004
C007 17 C025 AND K003 CF =
5 C001 AND K001 CF = C002 AND MELAN 0,6
C008 AND SANGUI 0,7 C010 AND KOLIS
C020 AND NIS C004 AND
C007 AND C012
C023 18 C025 AND K003 CF =
6 C001 AND K001 CF = C002 AND MELAN 0,7
C008 AND SANGUI 0,8 C010 AND KOLIS
C020 AND NIS C004 AND
C007 AND C012 AND
C023 AND C017
C019 19 C021 AND K004 CF = 1
7 C013 AND K002 CF = 1 C003 AND PLEGH
C019 AND KOLERI C018 AND MATIS
C009 AND S C026 AND
C005 AND C022 AND
C014 AND C011 AND
C024 AND C015
C01 20 C021 AND K004 CF =
8 C013 AND K002 CF = C003 PLEGH 0,2
C019 KOLERI 0,2 MATIS
S 21 C021 AND K004 CF =
9 C013 AND K002 CF = C003 AND PLEGH 0,3
C019 AND KOLERI 0,3 C018 MATIS
C009 S 22 C021 AND K004 CF =
10 C013 AND K002 CF = C003 AND PLEGH 0,4
C019 AND KOLERI 0,4 C018 AND MATIS
C009 AND S C026
C005
11 C013 AND K002 CF = 23 C021 AND K004 CF =
C019 AND KOLERI 0,6 C003 AND PLEGH 0,6
C009 AND S C018 AND MATIS
C005 AND C026 AND
C014 C022
12 C013 AND K002 CF = 24 C021 AND K004 CF =

83
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

C003 AND PLEGH 0,7 Tabel. 6 Fakta Karakteristik

C018 AND MATIS
C026 AND Fakta Certainty Nilai
C022 AND Term CF
C011 C001 Evidence Pasti CF =
1,0
Pada sesi konsultasi sistem, user C002 Evidence Hampir Pasti CF =
diberi pilihan jawaban di mana saya 0,80
C003 Evidence Kemungkinan CF =
memberikan lima pilihan jawaban yang Besar 0,70
masing-maisng bobot sebagai berikut : C005 Evidence Mungkin CF =
0,60
Tabel. 5 Tabel Tingkat Keyakinan C006 Evidence Pasti CF =
1,0
Certainty Term CF C007 Evidence Hampir Pasti CF =
Pasti Tidak 0,1 0,80
Hampir Tidak Pasti 0,2 C008 Evidence Kemungkinan CF =
Kemungkinan Besar Tidak 0,3 Besar 0,70
Mungkin Tidak 0,4 C010 Evidence Kemungkinan CF =
Tidak Tahu 0,5 Besar 0,70
Mungkin 0.6 C014 Evidence Pasti CF =
Kemungkinan Besar 0,7 1,0
Hampir Pasti 0,8 C016 Evidence Kemungkinan CF =
Pasti 1 Besar 0,70
C019 Evidence Mungkin CF =
Nilai 0,1 menunjukkan bahwa 0,60
C020 Evidence Pasti Tidak CF =
user tidak mengalami gejala seperti 0,10
yang dinyatakan oleh sistem. Semakin C021 Evidence Pasti CF =
user yakin bahwa ciri-ciri tersebut 1,0
memang dialami, maka semakin tinggi C023 Evidence Pasti CF =
pula hasil persentase keyakinan total 1,0
C024 Evidence Pasti Tidak CF =
yang diperoleh. 0,10
Proses penghitungan persentase C025 Evidence Hampir Pasti CF =
keyakinan diawali dengan pemecahan 0,80
sebuah kaidah (rule) yang memiliki C026 Evidence Mungkin CF =
premis majemuk, menjadi kaidah- 0,60
kaidah (rules) yang memiliki premis
tunggal. Kemudian masing-masing rule Setelah fakta karakteristik
baru dihitung CF nya dengan didapatkan dari user (pengguna), maka
menggunakan persamaan sehingga proses selanjutnya adalah sistem
setelah diperoleh nilai CF untuk memeriksa karakteristik yang ada di
masing-masing rule, kemudian nilai CF dalam rule. Adapun rule – rule yang
tersebut dikombinasikan dengan akan diproses berdasarkan dialog user
persamaan Dari dialog user dengan dengan sistem dapat dilihat pada tabel
sistem, yang mana dialog user tersebut di bawah ini :
terdapat pada halaman lampiran pada
tesis ini maka diperoleh fakta Tabel. 7 Nilai CF Rule
karakteristik. No Rule Nilai CF
Fakta karakteristik psikopat 1. IF C001 AND CF = 0,8
tersebut dapat dilihat atau diuraikan C008 AND
pada tabel 6 sebagai berikut : C020 AND
C007 AND
C023 AND

84
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

C019 THEN Rule 3 = IF C001 (1,0) and C008

K001 (0,70) and C020 (1,0) Then K001 ( CF
2. IF C001 AND CF = 0,2
= 0,4 )
C008 THEN
K001 CF3 (K001.C001 ᴒ C008 ᴒ
3. IF C001 AND CF = 0,4 C020)
C008 AND = Min[1,0 ; 0,70 ; 1,0] *
C020 THEN 0,4 = 0,28
K001
4. IF C001 AND CF = 0,6
C008 AND Fakta Baru :
C020 AND K001 Hypothesis CF = 0,28
C007 THEN
K001 Rule 4 = IF C001 (1,0) and
5. IF C001 AND CF = 0,7 C008 (0,70) and C020 (1,0) and C007
C008 AND
C020 AND
(0,70) Then K001 ( CF = 0,6 )
C007 AND CF3 (K001.C001 ᴒ C008 ᴒ
C023 THEN C029 ᴒ C007)
K001 = Min[1,0 ; 0,70 ; 1,0 ;
6. IF C025 AND CF = 0,3 0,70] * 0,6
C002 AND
C010 THEN
= 0,42
K003 Fakta Baru :
7. IF C025 AND CF = 0,2 K001 Hypothesis CF = 0,42
C002 THEN
K003 Rule 5 = IF C001 (1,0) and
8. IF C021 AND CF = 0,2 C008 (0,70) and C020 (1,0) and C007
C003 THEN
K004 (0,70) and C023 (0,1) Then K001 ( CF
= 0,7 )
Setelah rule – rule diketahui maka CF3 (K001.C001 ᴒ C008 ᴒ
langkah selanjutnya adalah melakukan C020 ᴒ C007 ᴒ C023)
perhitungan pencarian nilai Hypothesis = Min[1,0 ; 0,70 ; 1,0 ;
(fakta baru)dengan menggunakan rumus 0,70 ; 0,1] * 0,7
Certainty Faktor yaitu CF ( A AND B ) = 0,07
= Min( CF ( A ),CF ( B )) * CF ( rule ). Fakta Baru :
Adapun perhitungannya dapat dilihat K001 Hypothesis CF = 0,07
sebagai berikut :
Rule 6 = IF C001 (1,0) and
Rule 1 = Tidak dieksekusi C008 (0,70) and C020 (1,0) and C007
karena Evidence Tidak Fakta. (0,70) and C023 (0,1) and C019 (0,80)
Then K001 ( CF = 0,8 )
Rule 2 = IF C001 (1,0) and CF3 (K001.C001 ᴒ C008 ᴒ
C008 (0,70) Then K001 ( CF = 0,2 ) C020 ᴒ C007 ᴒ C023 ᴒ C019)
CF2 (K001.C001 ᴒ C008 ) = Min[1,0 ; 0,70 ; 1,0 ;
= Min[1,0 ; 0,70] * 0,2 0,70 ; 0,1 ; 0,80] * 0,8
= 0,14 = 0,08
Fakta Baru : Fakta Baru :
K001 Hypothesis CF = 0,14 K001 Hypothesis CF = 0,08

Rule 7 = tidak dieksekusi

karena evidence tidak fakta.

85
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

Rule 8 = tidak dieksekusi Rule 20 = IF C021 (1) and C003

karena evidence tidak fakta. (0,70) Then K004 ( CF = 0,2)
Rule 9 = Tidak dieksekusi CF21 (K004.C021 ᴒ C003)
karena evidence tidak fakta. = Min[1 ; 0,70] * 0,2
= 0,14
Rule 10 = Tidak dieksekusi Fakta Baru :
karena evidence tidak fakta. P004 Hypothesis CF = 0,14

Rule 11 = Tidak dieksekusi Rule 21 = Tidak dieksekusi

karena evidence tidak fakta. karena evidence tidak fakta.

Rule 12 = Tidak dieksekusi Rule 22 = Tidak dieksekusi

karena evidence tidak fakta. karena evidence tidak fakta.

Rule 13 = Tidak dieksekusi Rule 23 = Tidak dieksekusi karena

karena evidence tidak fakta. evidence tidak fakta.

Rule 14 = IF C025 (0,80) and Rule 24 = Tidak dieksekusi karena

C002 (0,80) Then K003 ( CF = 0,2) evidence tidak fakta.
CF21 (K004.C025 ᴒ C002)
= Min[0,80 ; 0,80] * 0,2 Setelah perhitungan selesai dari
= 0,16 setiap rule – rule yang terpilih. Maka
Fakta Baru : diperoleh hasil hypothesis atau fakta
K003Hypothesis CF = 0,16 baru yang terdapat pada tabel 8 sebagai
berikut :
Rule 15 = IF C025 (0,80) and
C002 (0,80) and C010 (0,70) Then Tabel. 8 Fakta Baru
K003 ( CF = 0,3)
Fakta Nilai CF
CF21 (K004.C025 ᴒ C002 ᴒ Baru
C010) K001 Hypothesis 0,14
= Min[0,80 ; 0,80 ; 0.70] * 0,3 K001 Hypothesis 0,28
= 0,21 K001 Hypothesis 0,42
K001 Hypothesis 0,07
K001 Hypothesis 0,08
Fakta Baru :
K003 Hypothesis 0,16
K003Hypothesis CF = 0,21 K003 Hypothesis 0,21
K004 Hypothesis 0,14
Rule 16 = Tidak dieksekusi karena
evidence tidak fakta. Dari tabel fakta baru di atas
dapat kita lihat, terdapat hasil
Rule 17 = Tidak dieksekusi karena hypothesis yang sama. Maka langkah
evidence tidak fakta. selanjutnya adalah melakukan
perhitungan CF gabungan (kombinasi)
Rule 18 = Tidak dieksekusi dengan menggunakan rumus CF1 +
karena evidence tidak fakta. CF2 * (1- CF1) atau dengan kata lain
dilakukan penjumlahan terhadap setiap
Rule 19 = Tidak dieksekusi nilai fakta baru per setiap jenis
karena evidence tidak fakta. kemudian total penjumlahan dikalikan
dengan satu dikurang nilai maksimum

86
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

dari hasil fakta baru per setiap jenis. %

Setelah hasilnya didapatkan maka K003 Melankolis Rule1 0,21
5
dikalikan dengan 100 %. K004 Pleghmatis Rule2 0,14 12,04
0 %
Fakta Baru :
1. (CF2 + CF3+CF4+CF5+CF6) * ( 1 – Dari tabel hasil kombinasi dan
CF3 ) nilai CF di atas maka dapat dibuat tabel
= (0,14+ 0,28 + 0,42 + 0,07+ baru, di mana tabel tersebut
0,08 ) * ( 1 – 0,42 ) menjelaskan urutan hasil kombinasi dan
= 0,99* 0,58 nilai CF yang terbesar kenilai yang
= 0,5742 terkecil.
Hasil Kombinasi dikali 100 % =
0,5742 * 100 % = 57,42 % Tabel. 10 Urutan Nilai Hasil Kombinasi Dan
Nilai CF
2. (CF14+CF15)*(1 – CF15)
= (0,16+0,21) * ( 1 – 0,21 ) Kode Jenis Hasil
Psikopat Psikopat Kombinasi
= 0,37 * 0,79 P001 Pedofilia 57,42 %
= 0,2923 P004 Anti Sosial 29,23 %
Hasil Kombinasi dikali 100 % = P005 Sosiopat 12,04 %
0,2923 * 100 %= 29,23 %
Kesimpulan dari tabel urutan nilai
3. (CF20) * ( 1 – CF20) hasil kombinasi dan nilai CF di atas
= ( 0,14 ) * ( 1 – 0,14 ) dapat dilihat jenis kepribadian yang
= 0,14 * 0,86 dimiliki oleh user adalah Melankolis
= 0,1204 dengan Tingkat Kepastian 0,5742 atau
Hasil Kombinasi dikali 100 %= dengan 57,42 %.
0,1204 * 100 % = 12,04 % Certainty theory mendasari
penggunaan Certainty Factors (CFs).
Setelah hasil kombinasi CFs mengekspresikan kepercayaan
didapatkan agar memudahkan untuk dalam kejadian (atau fakta atau
melihat hasil yang akan diperoleh oleh hipotesis) berdasarkan kejadian atau
user. Maka dapat dibuat tabel hasil penilaian seorang pakar. Sari (2013)
sebagai berikut : meneliti penggunaan metode Certainty
Factor (CF) dalam sistem pakar dalam
Tabel. 9 Hasil Kombinasi dan Nilai CF mendiagnosa penyakit demam berdarah.
Certainty Factor (CF)
Kode Jenis Rule Nil Hasil
Keprib Kepribadi ai Kombi
digunakan untuk menyatakan tingkat
adian an CF nasi keyakinan pakar dalam suatu
K001 Sanguinis Rule 0,14 pernyataan (Levine, 1988). Certainty
2 Factor dinilai dengan angka dalam
K001 Sanguinis Rule 0,28 rentang -1 (yakin negatif) sampai 1
3
K001 Sanguinis Rule 0,42 57,42
(yakin positif).
4 % Faktor kepastian merupakan suatu
K001 Sanguinis Rule 0,07 metode untuk membuktikan apakah
5 suatu fakta itu pasti ataukah tidak pasti
K001 Sanguinis Rule 0,08 yang berbentuk metric yang biasanya
6
K003 Melankolis Rule1 0,16
digunakan dalam sistem pakar. Metode
4 29,23 ini sangat cocok untuk sistem pakar

87
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

yang mendiagnosis sesuatu yang belum SIMPULAN

pasti (Kusumadewi, 2003). Dalam Dari hasil penelitian sampai tahap
mengekpresikan derajat keyakinan implementasi dan pengujian sistem,
digunakan suatu nilai yang disebut maka dapat diperoleh kesimpulan
Certainty Factor (CF) untuk sebagai berikut :
mengasumsikan derajat keyakinan 1. Sistem Pakar untuk mengidentifikasi
seorang pakar terhadap suatu data. kepribadian ini ditujukan untuk
Aplikasi yang dibangun mencari dan mendapatkan solusi atas
menggunakan metode certainty factor, permasalahan guru terhadap
yang mencoba melihat apakah sebuah pendekatan kepada siswa guna
fakta bersifat pasti atau tidak pasti. mengantarkan materi pembelajaran
Metode tersebut digunakan karena dapat agar sampai kepada siswa.
memberikan hasil yang akurat yang 2. Sistem Pakar ini dapat memberi
didapatkan dari perhitungan kemudahan kepadauser karena
berdasarkan bobot gejala yang dipilih dengan menggunakan website
oleh pakar, mampu memberikan dimana bisa diakses dari mana saja.
jawaban pada permasalahan yang tidak 3. Metode Certainty Factor dapat
pasti. Metode ini memperhitungkan digunakan untuk proses
faktor tingkat keyakinan seorang pakar mengidentifikasi kepribadian sesuai
dengan memberikan bobot keyakinan dengan bobot dari nilai tingkat
sesuai dengan pengetahuan pakar keyakinan dan solusi perbaikannya.
(Indriani, 2018).
Metode certainty factor ini telah
dicermati oleh peneliti lain untuk
berbagai pengamatan dan penerapan.
Penerapan metode ini berhasil dalam
proses penentuan jurusan di SMA
berdasarkan nilai akademik dan tes
psikologi. Di bidang kedokteran,
penerapan metode certainty factor
berhasil mendeteksi penyakit akibat
kekurangan gizi pada usia produktif,
dan penentuan penyait kulit dan
kelamin, mendiagnosis penyakit infeksi
saluran pernapasan atas, diagnosis
penyakit pada ayam broilen (Cikraeni,
2015; Wulandari, 2014; Krisnawan,
2014; Septian, 2016 & Rahmah, 2017).

88
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90
DAFTAR PUSTAKA
Bassil, Y. (2012). Experet PC
Troubleshooter with Fuzzy-Logic
And Self-Learning Support.
International Journal of Artificial
Intelligence & Applications
(IJAIA), 3(2), 11-21
Cikraeni, T. A., & Ruliah, R. (2015).
Penerapan Metode Certainty
Factor untuk Keputusan
Pemilihan Jurusan di SMA,”
Progressif, 9(1)
Giarattano, J. & Riley, G. (1994),
Expert System Principles and
Programming. Boston: PWS
Publishing Company
Halim, S., & Hansun, S. (2015).
Penerapan Metode Certainty
Factor dalam Sistem Pakar
Pendeteksi Resiko Osteoporosis
dan Osteoarthritis,” ISSN 2355-
3286, 7(2), 59–69
Indriani, A. F., Rachmawati, E. Y., &
Fitriana, J. D. (2018).
Pemanfaatan Metode Certainty
Factor dalam Sistem Pakar
Diagnosa Penyakit pada Anak,”
Techno.Com, 17(1), 12–22
Intan, R & Gregorius, S. B. (2010).
Proposal Penerapan Probabilitas
Penggunaan Fakta Guna
Menentukan Certainly Factor
pada Rule Base Expert System.
Surabaya: UK Petra
Josephine, M. S., & Jeyabalaraja, V.
(2012). Expert System and
Knowledge Management for
Software Developer in Software
Companies. Software Engineering
and Technology, 4(4), 147-151
Kemendikbud. (2016). Pengembangan
Bakat dan Minat. Jakarta
Krisnawan, I. P. B., Putra, I. K. G. D.,
& Bayupati, I. P. A. (2014).
Sistem Pakar Diagnosa Penyakit
Kulit dan Kelamin. J. Ilm.
Merpati (Menara Penelit. Akad.
Teknol. Informasi)
89
Kusumadewi, S. (2003). Artificial
Intelegence (Teknik dan
Aplikasinya). Yogyakarta: Graha
Ilmu
Levine, R. I. (1998). A Comprehensive
guide to AI and Expert Systems
Using Turbo Pascal International
Edition. Singapore: McGraw-Hill
Book Co
Nurihsan, J., & Agustin, M. (2013).
Dinamika Perkembangan Anak
dan Remaja. Bandung: PT. Refika
Aditama
Rahmah, J., & Saputra, R. A. (2017).
Penerapan Certainty Factor pada
Sistem Pakar Diagnosa Penyakit
Saluran Pencernaan Ayam
Broiler,” J. Inform, 4(1), 94–102
Romeo, M., Mateo, A., & Lee, J.
(2008). Healthcare Expert System
based on Group Cooperation
Model. International Journal of
Software Engineering and Its
Application, 2(1)
Salisah, F. N., Lidya, L., & Defit, S.
(2015). Sistem Pakar Penentuan
Bakat Anak dengan Menggunakan
Metode Forward Chaining. J. Ilm.
Rekayasa dan Manaj. Sist. Inf,
1(1), 62–66
Sari, N. A. (2013). Sistem Pakar
Mendiagnosa Penyakit Demam
Berdarah Menggunakan Metode
Certainty Factor. Pelita Inform.
Budi Darma, 4, 100–103
Septiana, L. (2016). Perancangan
Sistem Pakar Diagnosa Penyakit
Ispa dengan Metode Certainty
Factor Berbasis Android. J.
Techno Nusa Mandiri, 13(2), 1–7
Wulandari, F., & Yuliandri, I. (2014).
Diagnosa Gangguan Gizi
Menggunakan Metode Certainty
Factor. J. Sains dan Teknol. Ind,
11(2), 305–313
2018. Intecoms: Journal of Information Technology and Computer Science 1 (1): 78-90

Yulianti, W. (2016). Aptitude Testing

Berbasis Case- Based Reasoning
dalam Sistem Pakar untuk
Menentukan Minat dan Bakat
Siswa Sekolah Dasar. J. Teknol.
dan Sist. Inf. Univrab, 1(2), 104–
118

90