BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan komputer dewasa ini telah mengalami banyak perubahan yang sangat pesat,

seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Komputer yang pada

awalnya hanya digunakan oleh para akademisi dan militer, kini telah digunakan secara luas di

berbagai bidang, misalnya bisnis, kesehatan, pendidikan, psikologi, permainan dan sebagainya. Hal

ini mendorong para ahli untuk semakin mengembangkan komputer agar dapat membantu kerja

manusia atau bahkan melebihi kemampuan kerja manusia. Kecerdasan buatan atau artificial

intelligence merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat

melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Sistem cerdas (intelligent

system) adalah sistem yang dibangun dengan menggunakan teknik-teknik artificial lintelligence.

Salah satu yang dipelajari pada kecerdasan buatan adalah teori kepastian dengan menggunakan

teori Certainty Factor (CF) Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan

masalah ketidakpastian data. Salah satu metode yang dapat digunakan adalah faktor kepastian

(certainty factor).

Sistem Pakar (Expert System) adalah program berbasis pengetahuan yang menyediakan

solusi-solusi untuk problema-problema dengan kualitas pakar. Sistem pakar merupakan program

komputer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu masalah

tertentu. Implementasi sistem pakar dapat diterapkan dalam dunia kesehatan selain sebagai media

informasi bagi masyarakat terutama penderita penyakit untuk mengetahui jenis penyakit yang

diderita sebagai diagnosa awal, juga sebagai alat bantu bagi dokter untuk dapat mengambil

keputusan secara cepat dan lebih akurat. Pengetahuan yang disimpan di dalam sistem pakar

umumnya diambil dari seorang manusia yang pakar dalam masalah tersebut dan sistem pakar itu

berusaha meniru metodelogi dan kinerjanya (performance). Salah satu implementasi yang

diterapkan sistem pakar dalam bidang kesehatan yaitu sistem pakar untuk diagnosa penyakit dalam.

Penyakit yang dipilih adalah penyakit dalam karena penyakit dalam merupakan penyakit yang

kompleks dan sering diderita oleh kebanyakan orang. Seringkali orang bingung dengan penyakit

yang diderita dan harus ke dokter apa untuk berobat atau berkonsultasi. Karena penyakit dalam

sangat beragam jenis dan gejalanya, maka seorang pakar atau dokter perlu mengkaji lebih dalam

gejala yang dialami pasien untuk dapat menentukan penyakit yang diderita. Oleh karena itu

dibangun suatu sistem pakar yang dapat membantu menyelesaikan masalah tersebut dengan

menggunakan metode Certainty Factor (CF).

Faktor kepastian merupakan cara dari penggabungan kepercayaan (belief) dan

ketidapercayaan (unbelief) dalam bilangan yang tunggal. Dalam certainty theory, data-data kualitatif

direpresentasikan sebagai derajat keyakinan (degree of belief). Tahapan dalam merepresentasikan

data-data kualitatif :

kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah

dibahas sebelumnya.

kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut dalam

sistem pakar. Dalam mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut

certain factor (CF) untuk engasumsikan derajat keyakianan seorang pakar terhadap suatu data.

1.2. Tujuan

Untuk mengolah ketidakpastian dari fakta dan gejala dengan dengan mengindari keperluan data dan

perhitungan yang besar. Faktor kepastian diperoleh dari pengurangan nilai kepercayaan (measure of belief)m oleh nilai

ketidak percayaan dengan menghitung bobot dari fakta-fakta(evidence), hipotesa/konklusi, dan tingkat

keyakinan terhadap suatu masalah.

1.3. Manfaat

kita dapat membuat beberapa asumsi yang memudahkan tingkat kepercayaan dan beberapa persamaan

aturan yang mudah untuk mengkombinasikan tingkat kepercayaan sebagai program dalam mencapai kesimpulan akhir.

BAB II

PEMBAHASAN

2.1 Faktor Kepastian (Certainty Faktor)

Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN . Pada tahun

1975 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan

dengan pembuatan sistem pakar MYCIN. Team pengembang MYCIN . Mencatat bahwa dokter sering kali menganalisa

informasi yang ada dengan ungkapan seperti misalnya: mungkin, kemungkinan besar, hampir pasti. Secara umum, rule

direpresentasikan dalam bentuk sebagai berikut (John Durkin,1994) :

IF E1 [AND / OR ] E2 [ AND / OR] ... En

THEN H (CF = CFi)

dimana:

E1 ... En : fakta – fakta (evidence) yang ada.

H : hipotesa atau konklusi yang dihasilkan.

CF : tingkat keyakinan (Certainty Factor) terjadinya hipotesa H akibat adanya fakta – fakta E1 s/d En.

Metode certainty factors ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. Untuk bobot

yang lebih dari 2 banyaknya, untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang

dihitung teracak, artinya tidak ada aturan untuk mengkombinasikan bobotnya, karena untuk kombinasi

seperti apapun hasilnya akan tetap sama. Untuk mengetahui apakah seorang pasien tersebut menderita

penyakit jantung atau tidak, itu dilihat dari hasil perhitungan bobot setelah semua keluhankeluhan

diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factors. Pasien yang divonis

mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan

yang dimiliki mengarah kepada penyakit jantung. Sedangkan pasien yang mempunyai bobot mendekati -1

adalah pasien yang dianggap tidak mengidap penyakit jantung, serta pasien yang memiliki bobot sama

dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral.

CF(H,E) = MB(H,E) - MD(H, E)

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 Bentuk dasar rumus certainty factor sebuahaturan JIKA E MAKA H adalah

seperti ditunjukkan oleh persamaan 2 berikut:

CF(H,e) = CF(E, e) *CF(H,E)

Dimana:

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 persamaannya akan menjadi:

CF(H, e) = CF(H, E)

Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu

aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala

yang dialaminya. Sebagai contoh, berikut ini adalah sebuah aturan dengan CF yang diberikan oleh

seorang pakar:

JIKA batuk

DAN demam

DAN sakit kepala

DAN bersin-bersin

MAKA influensa, CF: 0,7

Definisi menurut David McAllister Certainty Factor adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti

ataukah tidak pasti yang berbentuk metric yang biasanya digunakan dalam sistem pakar. Metode ini sangat cocok untuk sistem

pakar yang mendiagnosis sesuatu yang belum pasti. Aturan metode Certainty Factors:

1. McAllister menggambarkan aturan untuk menambahkan dua faktor Certaint positif.

2. Aturan untuk menambahkan dua Certaint yang negatif.

3. Aturan untuk menambahkan Certainty Factors positif dan Certainty Factors negatif lebih kompleks. Tiga

aturan ini menyediakan suatu skala interval untuk Certainty Factors :

Contoh untuk fakta yang posiitif:

Strong suggestive (CFa): 0.8

Suggestive (CFb) : 0.6

CFcombine (CFa CFb) = 0.8 + 0.6 (1-0.8) = 0.92

Contoh untuk fakta yang negatif:

Strong suggestive (CFc): -0.8

Suggestive (CFd) : -0.6

CFcom bine (CFc CFd) = -0.8 + -0.6 + -0.8 * -0.6 = -0.92

Contoh untuk fakta yang positif dan negatif:

Certainty factor adalah 0.88 (CFe)

Certainty factor against adalah 0.90 (Cff)

Karakteristik faktor kepastian

Karakteristik Nilai

Jangkauan 0 ≤ MB ≤ 1

0 ≤ MD ≤ 1

-1 ≤ CF ≤ 1

Hipotesis pasti benar

P(H|E) = 1

MB = 1

MD = 0

CF = 1

Hipotesis pasti salah

P(H’|E) = 1

MB = 0

MD = 1

CF = -1

Kekurangan fakta

P(H|E) = p(H)

MB = 0

MD = 0

CF = 0

Kombinasi Faktor Kepastian

CFc(CF1, CF2) =

CF1 + CF2(1-CF1) if both >0

CF1+CF2(1+CF1) if both <0

CF1+CF2/(1-min(|CF1|,|CF2|)) if one <0

Kelebihan dan Kekurangan Metode Certainty Factors

Kelebihan metode Certainty Factors adalah:

1. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak

pasti dalam mendiagnosis penyakit sebagai salah satu contohnya.

2. Perhitungan dengan menggunakan metode ini dalam sekali hitung bisa hanya mengolah dua data

saja sehingga keakuratan data dapat terjaga.

3. Implementasi yang sederhana

Kekurangan metode Certainty Factors adalah:

Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode

certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa

formula untuk metode certainty factors diatas memiliki sedikit kebenaran.

Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan

beberapa kali pengolahan data untuk data yang lebih dari 2 buah.

Contoh Kasus

Isu premanisme dikalangan kampus yang sering terjadi di Universitas Haluoleo ternyata membuat ketertarikan calon

mahasiswa untuk mendaftar menjadi berkurang sehingga mempengaruhi turunnya calon jumlah mahasiswa di Universitas

Haluoleo.

Apabila diketahui:

MB[Mahasiswa, Premanisme] = 0.6

MD[Mahasiswa, Premanisme]= 0.4

maka carilah CF[Mahasiswa, Premanisme]

Jawaban

CF[Mahasiswa, Premanisme] = MB[Mahasiswa, Premanisme] - MD[Mahasiswa, Premanisme]= 0.4

= 0.6 – 0.4

= 0.2

BAB III

PENUTUP

3. 1 Kesimpulan

1. Faktor kepastian/Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN

untuk menunjukkan besarnya kepercayaan.

Certainty factor didefinisikan sebagai berikut:

CF(H,E) = MB(H,E) ± MD(H,E) (1)

1. CF(H,E) : certainty factor dari hipotesis Hyang dipengaruhi oleh gejala (evidence) E.Besarnya CF

berkisar antara ±1 sampai dengan1. Nilai ±1 menunjukkan ketidakpercayaan mutlak sedangkan

nilai 1 menunjukkankerpercayaan mutlak.

 

2. MB(H,E) : ukuran kenaikan kepercayaan(measure of increased belief ) terhadap hipotesis H yang

dipengaruhi oleh gejala E.

 

3. MD(H,E) : ukuran kenaikan ketidakpercayaan(measure of increased disbelief ) terhadap hipotesis

H yang dipenga ruhi oleh gejala E.

Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau

tidak pasti dalam mendiagnosis penyakit.

Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah

2 data saja sehingga keakuratan data dapat terjaga.3)

Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode

certainty factors  biasanya diperdebatkan. Sebagian orang akan membantah pendapat

bahwa formula untuk metode certainty factors diatas memiliki sedikit kebenaran.4)

Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja.Perlu dilakukan

beberapa kali pengolahandata untuk data yang lebih dari 2 buah.

3.2 SARAN