Page 1 SISTEM PAKAR DENGAN CERTAINTY FAKTOR DEFINISI Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. Gambar 1. Sistem Yang Menggunakan Kecerdasan Buatan Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. BASIS PENGETAHUAN (KNOWLEDGE BASE) Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada 2 bentuk pendekatan basis pengetahuan: a. Penalaran berbasis aturan Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan b. Penalaran berbasis kasus Metode untuk membangun sistem pakar dengan pengambilan keputusan dari kasus yang baru dengan berdasarkan solusi dari kasus–kasus sebelumnya KAIDAH PRODUKSI (PRODUCTION RULE) Kaidah produksi dituliskan dalam bentuk JIKA-MAKA (IF-THEN). Kaidah If-Then menghubungkan anteseden dengan konsekuensi yang diakibatkannya. JIKA premis MAKA konklusi JIKA anteseden MAKA konsekuen
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1
SISTEM PAKAR DENGAN CERTAINTY FAKTOR
DEFINISI
Sistem yang menggunakan kecerdasan buatan akan memberikan output berupa solusi
dari suatu masalah berdasarkan kumpulan pengetahuan yang ada.
Gambar 1. Sistem Yang Menggunakan Kecerdasan Buatan
Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa
dilakukan oleh para ahli.
BASIS PENGETAHUAN (KNOWLEDGE BASE)
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada 2
bentuk pendekatan basis pengetahuan:
a. Penalaran berbasis aturan
Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan
aturan
b. Penalaran berbasis kasus
Metode untuk membangun sistem pakar dengan pengambilan keputusan dari kasus yang
baru dengan berdasarkan solusi dari kasus–kasus sebelumnya
KAIDAH PRODUKSI (PRODUCTION RULE)
Kaidah produksi dituliskan dalam bentuk JIKA-MAKA (IF-THEN). Kaidah If-Then
menghubungkan anteseden dengan konsekuensi yang diakibatkannya.
JIKA premis MAKA konklusi
JIKA anteseden MAKA konsekuen
Page 2
MESIN INFERENSI
Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi :
a. Forward Chaining
Pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran
dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis
b. Backward Chaining
Pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain penalaran
dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut
harus dicari fakta-fakta yang ada dalam basis pengetahuan
KETIDAKPASTIAN
Dalam kenyataan sehari-hari, para pakar seringkali berurusan dengan data-data yang
tidak menentu dan tidak pasti. Ketidakpastian disebabkan oleh dua faktor, yaitu aturan yang
tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh
sistem. Misalnya jika seseorang mengalami sakit kepala, demam dan bersin-bersin ada
kemungkinan orang tersebut terserang penyakit flu, tetapi bukan berarti apabila seseorang
mengalami gejala tersebut pasti terserang penyakit flu.
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Dalam mengekspresikan derajat keyakinan, menggunakan suatu nilai yang disebut
certainty factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu
fakta atau aturan. Certainty factor memperkenalkan konsep belief/keyakinan dan
disbelief/ketidakyakinan. Konsep ini kemudian diformulasikan dalam rumusan dasar
sebagai berikut:
CF[h,e] = MB[h,e] - MD[h,e]
CF[h,e] = faktor kepastian
MB[h,e] = ukuran kepercayaan/keyakinan terhadap hipotesis h, jika diberikan evidence e
(antara 0 dan 1)
MD[h,e] = ukuran ketidakpercayaan/ketidakyakinan terhadap hipotesis h, jika diberikan
evidence e (antara 0 dan 1)
Page 3
Metode Perhitungan Certainty Factor
Ada dua tahap model yang sering digunakan untuk menghitung tingkat keyakinan (CF)
dari sebuah rule adalah sebagai berikut:
a) Dengan menggali dari hasil wawancara dengan pakar. Nilai CF didapat dari interpretasi
term dari pakar menjadi nilai MD atau MB tertentu. Yang di gunakan untuk menghitung
nilai CF dari suatu rule dengan beberapa metode
Certain term untuk MB dan MD
Certain term MB / MD
Tidak tahu / tidak ada 0 - 0.29
mungkin 0.3 – 0.49
Kemungkinan besar 0.5 - 0.69
Hampir pasti 0.7 – 0.89
pasti 0.9 - 1.0
b) Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran kepastian
suatu fakta atau aturan. Notasi faktor kepastian:
CF[h,e] = MB[h,e] – MD[h,e]
Penentuan certain term MB/MD yang lain:
Page 4
Berikut adalah interpretasi nilai CF yang diberikan oleh MYCIN:
Interpretasi nilai CF
Uncertain Term 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
Ada 3 hal yang mungkin terjadi:
1. Beberapa evidence dikombinasikan untuk menentukan nilai CF dari suatu hipotesis
Jika e1 dan e2 adalah fakta/observasi, maka:
MB[h, e1 e2] = lainnya])e,h[MB1(*]e,h[MB]e,h[MB
1]e,h^e,h[MD0
121
21
MD[h, e1 e2] = lainnya])e,h[MD1(*]e,h[MD]e,h[MD
1]e,h^e,h[MB0
121
21
Page 5
Contoh:
• Misal suatu observasi memberikan kepercayaan terhadap h dengan MB*h,e1+=0,3 dan
MD[h,e1]=0 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
Contoh 1 evidence:
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 observasi baru bahwa Asih juga panas badan dengan kepercayaan
MB[cacar,panas]=0,7 dan MD[cacar,panas]=0,08 maka :