Certainty Factor (CF)

Kecerdasan Buatan
Ketidakpastian (uncertainty)

Kurang informasi yang memadai

Menghalangi untuk membuat keputusan yang terbaik

Salah satu teori yang berhubungan dengan ketidakpastian :
Probabilitas Bayes
Probabilitas

Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau
tidak

Contoh :

Misal dari 10 orang sarjana , 3 orang menguasai java, sehingga
peluang untuk memilih sarjana yang menguasai java adalah :

p(java) = 3/10 = 0.3
Probabilitas Bayes
Probabilitas Bayes
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 → p(bintik |
cacar) = 0.8
• probabilitas Asih terkena cacar tanpa memandang gejala apapun → p(cacar) = 0.4
• probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi → p(bintik |
alergi) = 0.3
• probabilitas Asih terkena alergi tanpa memandang gejala apapun → p(alergi) = 0.7
• probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan → p(bintik |
jerawatan) = 0.9
• probabilitas Asih jerawatan tanpa memandang gejala apapun → p(jerawatan) = 0.5
Probabilitas Bayes

Probabilitas Asih terkena cacar karena ada bintik2 di wajahnya:
Probabilitas Bayes

Probabilitas Asih terkena alergi karena ada bintik2 di wajahnya :
Probabilitas Bayes

Probabilitas Asih jerawatan karena ada bintik2 di wajahnya :
Probabilitas Bayes

Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau
lebih evidence (fakta) atau observasi baru maka :
Probabilitas Bayes
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.
Probabilitas Bayes

Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih
terkena cacar dengan probabilitas terkena cacar bila ada bintik-bintik
di wajah → p(cacar | bintik) = 0.8

Ada observasi bahwa orang terkena cacar pasti mengalami panas
badan. Jika diketahui probabilitas orang terkena cacar bila panas
badan → p(cacar | panas ) = 0.5

Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila
seseorang terkena cacar → p(bintik | panas, cacar) = 0.4

Keterkaitan antara adanya bintik-bintik di wajah dan panas badan →
p(bintik | panas) = 0.6
Probabilitas Bayes
Certainty Factor (CF)
• Certainty factor (CF) merupakan nilai parameter klinis yang diberikan
MYCIN untuk menunjukkan besarnya kepercayaan.
• Certainty factor didefinisikan sebagai berikut (Giarattano dan Riley,
1994):

CF(H,E) = MB(H,E) – MD(H,E)

Certainty Factor (CF)
• 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
Kombinasi Evidence Antecedent
Contoh Kombinasi Evidence
E : (E1 DAN E2 DAN E3) ATAU (E4 DAN BUKAN E5)
E : max[min(E1, E2, E3), min(E4, -E5)]
Misal:
E1 : 0,9 E2 : 0,8 E3 : 0,3
E4 : -0,5 E5 : -0,4
hasilnya adalah:
E : max [min(0,9, 0,8, 0,3), min(-0,5, 0,4)]
: max(0,3, -0,5)
CF Aturan JIKA E MAKA H

• 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 rumusnya
akan menjadi:
Contoh Kasus
JIKA batuk
DAN demam
DAN sakit kepala
DAN bersin-bersin
MAKA influensa, CF: 0,7

Menganggap :
• E1 : “batuk”
• E2 : “demam”
• E3 : “sakit kepala”
• E4 : “bersin-bersin”
• H : “Influensa
• CF ketika semua evidence pasti
CF(H,E) : CF(H, E1  E2  E3  E4)
: 0,7
• Jika Partial Evidence Tidak Pasti
CF(E1, e) : 0,5
CF(E2, e) : 0,8
CF(E3, e) : 0,3
CF(E4, e) : 0,7

CF(E, e) : CF(E1  E2  E3  E4, e)

: min[CF(E1, e), CF(E2, e), CF(E3, e), CF(E4, e)]
: min[0,5, 0,8, 0,3, 0,7]
: 0,3
• CF Hipotesis:
CF(H, e) : CF(E, e) * CF(H, E)
: 0,3 * 0,7
: 0,21
Hal ini berarti besarnya kepercayaan bahwa penderita mengalami
influensa adalah 0,21
Kombinasi Paralel
Jika E1 Maka H
Jika E2 Maka H
Kombinasi Sequensial

Jika E’ Maka E
Jika E Maka H
Contoh Kasus
Latihan
1. Diberikan aturan-aturan sebagai berikut:
1). Jika A dan B maka C, CF : 0.8
2). Jika C dan D maka G, CF : 0.6
3). Jika E dan F maka G, CF : - 0.1
Jika diketahui CF(A) = 0.3, B = 0.4, D = 0.5, E = 0.1 dan F = 0.2.
Hitung CF(G)
2. Diberikan aturan-aturan sebagai berikut:
1). Jika A atau B maka C, CF : 0.5
2). Jika C dan D maka E, CF : 0.4
3). Jika E dan F maka G, CF : - 0.1
Jika diketahui CF(A) = 0.3, B = 0.4, D = 0.5, F = 0.2.
Hitung CF(G)
3. Diberikan aturan-aturan sebagai berikut:
1). Jika A atau B maka C, CF : 0.5
2). Jika D dan E maka C, CF : 0.4
Jika diketahui CF(A) = 0.3, B = 0.4, D = 0.3, E = 0.2.
Hitung CF(C)
4. Diberikan aturan-aturan sebagai berikut:
1). Jika A atau B maka C, CF : 0.5
2). Jika D dan E maka C, CF : 0.4
3). Jika A dan E maka C, CF : 0.7

Jika diketahui CF(A) = 0.3, B = 0.4, D = 0.3, E = 0.2.

Hitung CF(C)
Sekian dan Terima Kasih