Kecerdasan Buatan Artificial Intelligence Dempster Shafer

BAB 2 LANDASAN TEORI

2.1 Kecerdasan Buatan Artificial Intelligence

Menurut Minsky dalam Kusrini, 2006 kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat komputer melakukan sesuatu seperti yang dilakukan oleh manusia. Kecerdasan buatan memungkinkan komputer untuk berpikir dengan cara menyederhanakan program. Dengan cara ini, kecerdasan buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai acuan di masa-masa mendatang. Kecerdasan atau kepandaian itu didapat berdasarkan pengetahuan dan pengalaman, untuk itu agar perangkat lunak yang dikembangkan dapat mempunyai kecerdasan maka perangkat lunak tersebut harus diberi suatu pengetahuan dan kemampuan untuk menalar dari pengetahuan yang telah didapat dalam menemukan solusi atau kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik.

2.2 Sistem Pakar

Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang. Sistem pakar mencoba mencari solusi yang memuaskan sebagaimana yang dilakukan seorang pakar. Selain itu sistem pakar juga dapat memberikan penjelasan terhadap langkah yang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukannya. Universitas Sumatera Utara Menurut Martin dan Oxman dalam Kusrini, 2006 sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tertentu. Sedangkan menurut Giarratano dan Riley dalam Hartati dan Iswanti, 2008 sistem pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu.

2.2.1 Arsitektur Sistem Pakar

Menurut Giarratano dan Riley dalam Hartati dan Iswanti, 2008 menyatakan sistem pakar sebagai sebuah program yang difungsikan untuk menirukan pakar manusia harus bisa melakukan hal-hal yang dapat dikerjakan oleh seorang pakar. Untuk membangun sistem yang seperti itu maka komponen-komponen yang harus dimiliki adalah sebagai berikut: 1. Antarmuka pengguna user interface adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem. Antarmuka menerima informasi dari pengguna dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima informasi dari sistem dan menyajikannya ke dalam bentuk yang dapat dimengerti oleh pengguna. 2. Basis pengetahuan knowledge base merupakan kumpulan pengetahuan bidang tertentu pada tingkatan pakar dalam format tertentu. Pengetahuan ini diperoleh dari akumulasi pengetahuan pakar dan sumber-sumber pengetahuan lainnya seperti buku- buku, majalah, jurnal ilmiah, maupun dokumentasi yang tercetak lainnya. 3. Mekanisme inferensi inference machine merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Universitas Sumatera Utara Dalam komponen ini dilakukan pemodelan proses berpikir manusia. Pada prinsipnya mesin inferensi inilah yang mencari solusi dari suatu permasalahan. 4. Memori kerja working memory merupakan bagian dari sistem pakar yang menyimpan fakta-fakta yang diperoleh saat dilakukan proses konsultasi. Fakta-fakta inilah nantinya akan diolah oleh mesin inferensi berdasarkan pengetahuan yang disimpan dalam basis pengetahuan untuk menentukan suatu keputusan pemecahan masalah. Konklusinya bisa berupa hasil diagnosa, tindakan, dan akibat. Sedangkan utuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dilengkapi dengan fasilitas berikut : 1. Fasilitas penjelasan explanation facility merupkan proses menentukan keputusan yang dilakukan oleh mesin inferensi selama sesi konsultasi mencerminkan proses penalaran seorang pakar. Karena pemakai kadangkala bukanlah ahli dalam bidang tersebut, maka dibutuhkan fasilitas penjelasan. Fasilitas penjelasan inilah yang dapat memberikan informasi kepada pemakai mengenai jalannya penalaran sehingga dihasilkan suatu keputusan. Bentuk penjelasannya dapat berupa keterangan yang diberikan setelah suatu pertanyaan diajukan, yaitu penjelasan atas pertanyaan mengapa, atau penjelasan atas pertanyaan bagaimana sistem mencapai konklusi. 2. Fasilitas akuisisi pengetahuan knowledge acquisition facility merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dengan sistem. Fasilitas akuisisi ini digunakan untuk memasukkan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu. Meliputi proses pengumpulan, pemidahan, dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi buku, dll ke program komputer, yang bertujuan untuk memperbaiki dan atau mengembangkan basis pengetahuan knowledge base. Universitas Sumatera Utara Arsitektur dasar dari sistem pakar dapat dilihat pada Gambar 2.1 : Gambar 2.1. Arsitektur Sistem Pakar

2.2.2 Keuntungan Pemakaian Sistem Pakar

Adapun keuntungan pemakaian sistem pakar antara lain sebagai berikut Kusrini, 2006: 1. Membuat seorang yang awam dapat bekerja seperti layaknya seorang pakar. 2. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti. 3. Meningkatkan output dan produktivitas. Sistem pakar dapat bekerja lebih cepat dari manusia. Keuntungan ini berarti mengurangi jumlah pekerja yang dibutuhkan, dan akhirnya akan mereduksi biaya. 4. Meningkatkan kualitas. Universitas Sumatera Utara 5. Sistem Pakar meyediakan nasihat yang konsisten dan dapat mengurangi tingkat kesalahan. 6. Membuat peralatan yang kompleks lebih mudah dioperasikan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman. 7. Handal reliability. 8. Sistem pakar tidak dapat lelah atau bosan. Juga konsisten dalam memberi jawaban dan selalu memberikan perhatian penuh. 9. Memiliki kemampuan untuk memecahkan masalah yang kompleks.

2.2.3 Orang Yang Terlibat Dalam Sistem Pakar

Untuk memahami perancangan sistem pakar, perlu dipahami mengenai siapa saja yang berinteraksi dengan sistem. Mereka adalah Kusrini, 2006: 1. Pakar domain expert adalah seseorang ahli yang dapt menyelesaikan masalah yang sedang diusahakan untuk dipecahkan oleh sistem. 2. Pembangun pengetahuan knowledge engineer adalah seseorang yang menerjemahkan pengetahuan seorang pakar dalam bentuk deklaratif sehingga dapat digunakan oleh sistem pakar. 3. Pengguna user adalah seseorang yang berkonsultasi dengan sistem untuk mendapatkan saran yang disediakan oleh pakar. 4. Pembangun sistem system engineer: seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi. Universitas Sumatera Utara Seorang pakarahli human expert adalah seorang individu yang memiliki kemampuan pemahaman yang superior atas suatu masalah. Misalnya seorang dokter, penasihat keuangan, pakar mesin mobil, dll. Seorang pakar memiliki kemampuan: 1. Dapat mengenali recognizing dan merumuskan masalah 2. Menyelesaikan masalah dengan cepat dan tepat 3. Menjelaskan solusi 4. Belajar dari pengalaman 5. Restrukturisasi pengetahuan 6. Memahami batas kemampuan Kepakarankeahlian merupakan pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh dari pelatihan, membaca dan pengalaman. Jenis- jenis pengetahuan yang dimiliki dalam kepakaran : 1. Teori-teori dari permasalahan 2. Aturan dan prosedur yang mengacu pada area permasalahan 3. Aturan heuristic yang harus dikerjakan pada situasi yang terjadi 4. Strategi global untuk menyelesikan berbagai jenis masalah 5. Meta knowledge pengetahuan tentang pengetahuan dan fakta

2.2.4 KaidahAturan

Cara merepresentasikan pengetahuan berbasis kaidah memanfaatkan apa yang disebut kaidah, yang tak lain adalah pernyataan IF-THEN diamana bagian THEN akan bernilai benar jika satu atau lebih sekumpulan fakta atau hubungan antar fakta diketahui benar, memenuhi bagian IF. Secara umum, dalam bentuk kaidah produksi IF premis THEN konklusi, maka untuk premis yang lebih dari satu dapat dihubungkan dengan operator and atau or. Sedangkan bagian konklusi dapat berupa kalimat tunggal, beberapa kalimat yang dihubungkan dengan and, dan dimungkinkan dikembangkan dengan else. Universitas Sumatera Utara

2.2.5 Penalaran

Penalaran adalah proses untuk menghasilkan inferensi dari fakta yang diketahui atau yang diasumsikan. Inferensi adalah konklusi logis logical conclusion atau implikasi berdasarkan informasi yang tersedia.

2.2.6 Perunutan

Perunutan adalah proses pencocokan fakta, pernyataan atau kondisi berjalan yang tersimpan pada basis pengetahuan maupun pada memori kerja dengan kondisi yang dinyatakan pada premis atau bagian kondisi pada kaidah.

2.2.6.1 Forward Chaining Runut Maju

Runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan menuju konklusi akhir. Runut maju bisa juga disebut sebagai penalaran forward forward reasoning atau pencarian yang dimotori data data driven search . Jadi dimulai dari premis-premis atau informasi masukan if dahulu kemudian menuju konklusi atau derived information then atau dapat dimodelkan sebagai berikut: IF informasi masukan THEN konklusi Universitas Sumatera Utara Informasi masukan dapat berupa data, bukti, temuan, atau pengamatan. Sedangkan konklusi dapat berupa tujuan, hipotesa, penjelasan, atau diagnosis. Sehingga jalannya penalaran runut maju dapat dimulai dari data menuju tujuan, dari bukti menuju hipotesa, dari temuan menuju penjelasan, atau dari pengamatan menuju diagnosa Hartati dan Iswanti, 2008. Adapun contoh struktur kaidah dalam Forward Chaining sebagai berikut : IF panas badan AND hidung buntu AND makan udang THEN demam Jadi, dengan metode forward chaining ini dapat diperoleh konklusi dengan menyusun aturan berdasarkan informasi berupa data atau fakta yang meyakinkan. Informasi tersebut didapatkan dari jawaban pengguna yang disimpan di memori kerja dan disesuaikan dengan aturan yang ada pada basis pengetahuan, yang kemudian diolah oleh mesin inferensi untuk mendapatkan konklusi. Berdasarkan contoh diatas informasinya adalah panas badan, hidung buntu, dan makan udang. Kemudian diperoleh konklusi berupa diagnosa demam.

2.3 Dempster Shafer

Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini dapat dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat mendefenisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan ditemukan banyak kemungkinan diagnosis Kusrini, 2006. Universitas Sumatera Utara Ketidakpastian yang terjadi pada suatu kaidah disebabkan oleh 3 hal yaitu, aturan tunggal, ketidaksesuaian antar kaidah, dan resolusi konflik. Tiga hal yang mempengaruhi aturan tunggal adalah: adanya kesalahan, probabilitas, dan kombinasi premis. Kesalahan disebabkan oleh: 1. Ambiguitas, sesuatu didefenisikan lebih dari satu cara 2. Ketidaklengkapan datainformasi, misalnya data hilang 3. Kesalah informasi, misal: kesalahan manusia dalam membaca data, meletakkan data, informasi yang tidak benar 4. Kesalahan pengukuran: ketidakpastian dalam melakukan pengukuran data Probabilitas disebabkan karena ketidakmampuan pakar dalam merumuskan kaidah secara pasti. Kombinasi premis turut mempengaruhi terjadinya aturan tunggal, yang dimaksud adalah suatu kaidah yang terdiri dari lebih satu premis dan antar premis tersebut dihubungkan dengan beberapa operator yang berbeda. Penanganan ketidakpastian dapat dilibatkan untuk menangani ketidakpastian pada gejala-gejala maupun pada kaidah, sehingga sistem pakar mampu menghasilkan konklusi dengan derajat kepastian tertentu. Penambahan ini akan membuat sistem menjadi lebih sempurna. Ketidakpastian yang merupakan masalah tersendiri dapat diatasi oleh beberapa metode antara lain adalah dengan metode Dempster Shafer Hartati dan Iswanti, 2008. Metode Dempster Shafer pertama kali diperkenalkan oleh Arthur P. Dempster dan Glenn Shafer, yang melakukan model ketidakpastian dengan range probabilities daripada sebagai probabilitas tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster itu pada sebuah buku yang berjudul Mathematical Theory Of Evident. Dempster Shafer Theory Of Evidence, menunjukkan suatu cara untuk memberikan bobot kenyakinan sesuai fakta yang dikumpulkan. Pada teori ini dapat membedakan ketidakpastian dan ketidaktahuan. Universitas Sumatera Utara Secara umum teori Dempster Shafer ditulis dalam suatu interval: [Belief, Plausibility ]. Belief Bel adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Plausibility menunjukkan keadaan yang bisa dipercaya. Plausibility Pl dinotasikan sebagai: Pl s = 1 – Bel ¬s. Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan ¬s, maka dapat dikatakan bahwa Bel ¬s = 1, dan Pl ¬s = 0. Plausability akan mengurangi tingkat kepercayaan dari evidence Wahyuni dan Prijodiprojo, 2013. Dalam teori Dempster Shafer diasumsikan bahwa hipotesa-hipotesa yang digunakan dikelompokkan ke dalam suatu lingkungan tersendiri yang biasa disebut himpunan semesta pembicaraan dari sekumpulan hipotesa dan diberikan notasi θ. Selain itu dikenal juga probabilitas fungsi densitas m yang menunjukkan besarnya kepercayaan evidence terhadap hipotesa tertentu. Fungsi kombinasi m 1 dan m 2 sebagai m 3 dibentuk dengan persamaan : Keterangan: m 1 X = ukuran kepercayaan evidence X m 2 Y = ukuran kepercayaan evidence Y m 3 Z = ukuran kepercayaan evidence Z ∑ m X . m Y ∩ = = merupakan nilai kekuatan dari evidence Z yang diperoleh dari kombinasi nilai keyakinan sekumpulan evidence. � m .m = hasil irisan m 1 dan m 2 Y m .m = tidak ada hasil irisan irisan kosongØ. � � = ∑ � . � ∩ = − ∑ ∩ =Y � . � Universitas Sumatera Utara Contoh Dempster Shafer Sumber: Binus University, 2005: Vany mengalami gejala panas badan, hidung buntu dan makan udang. Dari diagnosa dokter kemungkinan Vany menderita : Flu, Demam, Bronkitis, Alergi. Tunjukkan kaitan ukuran kepercayaan dari elemen-elemen yang ada?  Gejala 1: panas badan Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas sebagai gejala Flu, Demam dan Bronkitis adalah : m 1 {Flu, Demam, Bronkitis} = 0,8 m 1 { } = 1 – 0,8 = 0,2 Sehari kemudian Vany datang ke dokter lagi dengan gejala hidung buntu.  Gejala 2: hidung buntu Setelah observasi diketahui bahwa nilai kepercayaan hidung buntu sebagai gejala Alergi, Flu dan Deman adalah : m 2 {Alergi, Flu, Demam} = 0,9 m 2 { } = 1 – 0,9 = 0,1 Munculnya gejala baru maka harus dihitung densitas baru untuk beberapa kombinasi m 3 . Untuk memudahkan perhitungan maka himpunan-himpunan bagian dibawa ke bentuk tabel. Tabel dapat dilihat pada tabel 2.1 dan tabel 2.2 berikut : Tabel 2.1. Aturan Kombinasi Untuk Densitas Baru m 3 Keterangan: - Kolom pertama berisikan semua himpunan bagian pada gejala pertama panas dengan m 1 sebagai fungsi densitas. {Alergi, Flu, Demam} 0,9 θ 0,1 {Flu, Demam, Bronkitis} 0,8 {Flu, Demam} 0,72 {Flu, Demam, Bronkitis} 0,08 θ 0,2 {Alergi, Flu, Demam} 0,18 θ 0,02 Universitas Sumatera Utara - Baris pertama berisikan semua himpunan bagian pada gejala kedua hidung buntu dengan m 2 sebagai fungsi densitas. - Baris kedua dan ketiga pada kolom kedua merupakan irisan dari kedua himpunan. Selanjutnya dihitung densitas baru untuk beberapa kombinasi m 3 dengan persamaan Dempster-Shafer sbb : m 3 {Flu, Demam} = , − = 0,72 m 3 {Alergi, Flu, Demam} = , − = 0,18 m 3 {Flu, Demam, Bronkitis} = , − = 0,08 m 3 {θ} = , − = 0,02 Keterangan : - Terlihat bahwa pada mulanya dengan hanya gejala panas, m{Flu, Demam, Bronkitis} = 0,8. Namun setelah ada gejala baru hidung buntu, maka nilai m{Flu, Demam, Bronkitis} = 0,08. - Demikian pula pada mulanya hanya dengan gejala hidung buntu, m{Alergi, Flu, Demam} = 0,9. Namun setelah ada gejala baru panas maka m{Alergi, Flu, Demam} = 0,18. - Dengan adanya 2 gejala tersebut, maka nilai densitas yang paling kuat adalah m{Flu, Demam} = 0,72 . Bagaimana jika Vany ke dokter lagi dan ditemukan gejala baru lagi berupa Vany makan udang.  Gejala 3 : makan udang Setelah dilakukan observasi, diketahui bahwa udang sebagai gejala Alergi dengan nilai kepercayaan : m 4 {Alergi} = 0,6 m 4 { } = 1 – 0,6 = 0,4 Universitas Sumatera Utara Maka harus dihitung densitas baru untuk setiap himpunan bagian dengan fungsi densitas m 5 . Untuk memudahkan dibuat tabel dengan kolom pertama berisi himpunan bagian-himpunan bagian hasil kombinasi gejala 1 dan gejala 2 dengan fungsi densitas m 3 . Sedangkan baris pertama berisi himpunan bagian-himpunan bagian pada gejala 3 dengan fungsi densitas m 4 .Sehingga dihasilkan tabel sbb : Tabel 2.2. Aturan Kombinasi Untuk Densitas Baru m 5 {Alergi} 0,6  0,4 {Flu, Demam} 0,72 Ø 0,432 {Flue, Demam} 0,288 {Alergi, Flu, Demam} 0,18 {Alergi} 0,108 {Alergi, Flue, Demam} 0,072 {Flu, Demam, Bronkitis} 0,08 Ø 0,048 {Flu, Demam, Bronkitis} 0,032  0,02 {Alergi} 0,012  0,008 Sehingga dapat dihitung densitas baru m 5 hasil kombinasi dari gejala lama dengan gejala baru. m 5 {Alergi} = , + , − , + , = 0,231 m 5 {Flu, Demam} = , − , + , = 0,554 m 5 {Alergi, Flu, Demam} = , − , + , = 0,138 m 5 {Flu, Demam, Bronkitis} = , − , + , = 0,062 m 5 {θ} = , − , + , = 0,015 Ternyata dengan gejala baru ini karena Vany makan udang, dimana Vany alergi terhadap udang, nilai densitas yang paling tetap yaitu m 5 {Flu, Demam} = 0,554. Jadi dengan tiga jenis gejala yang dialami oleh Vany, kemungkinan paling kuat Vany terkena Flu dan Demam. Universitas Sumatera Utara

2.4 Hama dan Penyakit Tanaman Karet