Pada tahap ini, dilakukan pengujian apakah aplikasi dapat berjalan sesuai dengan teori dan tujuan dari penelitian. Jika ditemukan kesalahan maka akan
dilakukan perbaikan terhadap aplikasi. 6. Pembuatan Laporan
Penulisan laporan skripsi ini bertujuan untuk dijadikan sebagai dokumentasi hasil penelitian dalam bentuk skripsi.
1.7 Sistematika Penulisan
Agar penulisan menjadi lebih terstruktur, maka penulisan ini dibagi menjadi lima bab sebagai berikut:
Bab 1 : PENDAHULUAN Berisi latar belakang masalah, perumusan masalah, batasan masalah,
tujuan penulisan dan sistematika penulisan. Bab 2 : LANDASAN TEORI
Membahas teori-teori yang berhubungan dengan kecerdasan buatan, sistem pakar, metode CF dan penyakit tanaman karet.
Bab3 : ANALISIS DAN PEMODELAN SISTEM Membahas bagian-bagian yang berkaitan dengan perancangan sistem
pakar untuk mendiagnosis penyakit tanaman karet seperti membangun basis pengetahuan knowledge base beserta penjelasan mengenai cara
kerja system pada proses pengambilan kesimpulan menggunakan metode CF.
Bab 4 : IMPLEMENTASI PROGRAM Menjelaskan langkah-langkah bagaimana mengimplementasikan
perancangan system pakar untuk mendiagnosis penyakit tanaman karet ini dengan menggunakan metode CF ke dalam sebuah program computer dan
dilanjutkan dengan pengujian program tersebut.
Bab 5 : KESIMPULAN DAN SARAN Merupakan bab terakhir yang berisi kesimpulan yang diperoleh selama
penulisan dan saran yang diberikan untuk pengembangan aplikasi lebih lanjut.
BAB II
LANDASAN TEORI
2.1 Kecerdasan Buatan
Kecerdasan buatan Artificial Inteligent merupakan bagian dari ilmu pengetahuan komputer yang khusus ditujukan dalam perancangan otomatisasi tingkah laku cerdas
dalam sistem kecerdasan komputer. Sistem memperlihatkan sifat-sifat khas yang dihubungkan dengan kecerdasan dalam kelakuan atau tindak-tanduk yang sepenuhnya
bisa menirukan beberapa fungsi otak manusia, seperti pengertian bahasa, pengetahuan, pemikiran, pemecahan masalah dan lain sebagainya Andri Kristanto, 2004.
Lingkup utama dari kecerdasan buatan Sri Kusumadewi, 2003 adalah sebagai berikut:
1. Sistem Pakar Expert System. Disisni komputer digunakan untuk menyimpan pengetahuan para pakar.
2. Pengelolaan Bahasa Alami Natural Language Processing. Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan
komputer dengan menggunakan bahasa sehari-hari. 3. Pengenalan Ucapan Speech Recognition. Melalui pengenalan ucapan
diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.
4. Robotika dan Sistem Sensor Robotics and Sensory System. 5.
Computer Visio, mencoba untuk dapat menginterpretasikan gambar atau obyek-obyek tampak melalui komputer.
6. Intelligent Compter-aided Instruction. Komputer dapat digunakan sebagai
tutor dalam melatih dan mengajar. 7.
Game Playing.
Ada beberapa konsep yang harus dipahami dalam kecerdasan buatan, diantaranya Kusrini, 2006:
1. Turing Test Merupakan metode pengujian kecerdasan yang dibuat oleh Alan Turing.
Proses uji ini melibatkan seseorang penanya manusia dan dua obyek yang ditanyai. Jika penanya tidak dapat membedakan mana jawaban mesin dan
mana jawaban manusia maka Turing berpendapat bahwa mesin yang diuji tersebut dapat diasumsikan cerdas.
2. Pemrosesan Sibolik Sifat penting dari AI adalah bahwa AI merupakan bagian ilmu komputer yang
melakukan proses secara simbolik dan non-algoritmik dalam penyelesaian masalah.
3. Heuristic Merupakan suatu strategi untuk melakukan proses pencarian search ruang
problem secara selektif, yang memandu proses pencarian yang dilakukan sepanjang jalur yang memiliki kemungkinan sukses paling besar.
4. Penarikan Kesimpulan Inferencing AI mencoba membuat mesin memiliki kemampuan berpikir atau
mempertimbangkan reasoning. Kemampuan berpikir inferencing berdasarkan fakta-fakta dan aturan dengan menggunakan metode heuristik atau
metode pencarian lainnya. 5. Pencocokan Pola Pattern Matching
AI bekerja dengan metode pencocokan pola pattern matching yang berusaha untuk menjelaskan obyek, kejadian events atau proses, dalam hubungan logik
atau komputasional.
2.1.1 Sistem Pakar
Sistem Pakar Expert System adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti biasa yang
dilakukan para ahli Kusumadewi, 2003.
Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Beberapa aktivitas pemecahan yang dimaksud antara lain: pembuatan
keputusan decision making, pemanduan pengetahuan knowledge fusing, pembuatan desain desingning, perencanaan planning, prakiraan forecasting, pengaturan
regulating, pengendalian controlling, diagnosis diagnosing, perumusan prescribing, penjelasan explaining, pemberian nasihat advising, dan pelatihan
tutoring. Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar. Kusrini, 2006.
Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang. Sistem pakar
mencoba mencari suatu solusi yang memuaskan sebagaimana yang dilakukan seorang pakar. Berikut beberapa ciri sistem pakar: Kusrini, 2008
1. Terbatas pada bidang yang spesifikkhusus. 2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak
pasti. 3. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara yang
dapat dipahami. 4. Berdasarkan pada rule atau kaidah tertentu.
5. Dirancang utnuk dapat dikembangkan secara bertahap. 6. Outputnya bersifat nasihat atau anjuran.
7. Output tergantung dari dialog dengan pengguna. 8. Knowledge base dan inference engine terpisah.
Ada beberapa hal yang membuat sistem pakar berbeda dengan seorang pakar. Berikut ini adalah tabel perbandingan antara kemampuan seorang pakar dengan
sebuah sistem pakar dilihat dari berbagai sudut pandang:
Tabel 2.1. Perbandingan Seorang Pakar dengan Sistem Pakar Faktor
Seorang Pakar Sistem Pakar
Ketersediaan waktu Hari kerja Setiap saat
Lokasi Tertentu
Di mana saja
Secara umum banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain sebagai berikut Kusumadewi, 2003:
1. Memungkinkan orang yang awam bisa mengerjakan pekerjaan ahli. 2. Bisa melakukan proses secara berulang dan otomatis.
3. Dapat menyimpan pengetahuan dan keahlian seorang pakar. 4. Dapat melestarikan pengetahuan pakar terutama keahlian pakar yang langka.
5. Menghemat waktu dalam pengambilan keputusan. 6. Menyederhanakan pekerjaan.
7. Merupakan arsip terpercaya dari sebuah keahlian, sehingga bagi pemakai sistem pakar seolah-olah berkonsultasi langsung dengan sang pakar, meskipun
mungkin sang pakar telah tiada. 8. Dapat diperbanyak dengan kemampuan pakar yang sama.
Namun di samping memiliki beberapa manfaat, sistem pakar juga memiliki beberapa kelemahan, antara lain sebagai berikut:
1. Biaya yang diperlukan untuk membuat dan memelihara sistem pakar sangat mahal.
2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya denga ketersediaan pakar di bidangnya.
3. Sistem pakar tidak 100 bernilai benar.
Banyak permasalahan yang dapat diangkat menjadi sebuah aplikasi sistem pakar. Secara garis besar aplikasi-aplikasi sistem pakar dapat dikelompokkan menjadi
beberapa kategori, yakni sebagai berikut Hertati et al, 2008: 1. Diagnosis
Keamanan Tidak tergantikan
Dapat diganti Dapat habis
Ya Tidak
Performa Berubah-ubah
Konsisten Kecepatan
Berubah-ubah Konsisten
Biaya Mahal
Relatif murahterjangkau
Menentukan dugaanhipotesa berdasarkan gejala-gejala yang di dapat dari pengamatan.
2. Desain Menentukan konfigurasi komponen-komponen sistem berdasarkan kendala-
kendala yang ada. 3. Debugging
Menentukan cara penyelesaian untuk mengatasi suatu kesalahan. 4. Interpretasi
Membuat deskripsi atau kesimpulan berdasarkan data yang didapat dari hasil pengamatan.
5. Instruksi Pengajaran yang cerdas, menjawab pertanyaan mengapa, bagaimana dan what-
if sebagaimana yang dilakukan oleh seorang guru. 6. Kontrol
Mengatur pengendalian suatu sistem lingkungan. 7. Monitoring
Membandingkan hasil pengamatan dengan kondisi yang direncanakan. 8. Perencanaan
Pembuatan rencana untuk mencapai tujuansasaran yang telah ditetapkan. 9. Prediksi
Memperkirakanmemproyeksikan akibat yang terjadi dari situasi tertentu. 10. Reparasi
Melakukan perbaikan atas kesalahan yang terjadi pada fungsi atau system.
2.1.2 Komponen Sistem Pakar
Untuk membangun sebuah sistem pakar ada beberapa komponen yang harus dimiliki, diantaranya adalah sebagai berikut Hertati et al 2008:
1. User Interface Antarmuka Pengguna Antarmuka pengguna merupakan perangkat lunak yang menyediakan media
komunikasi antara pengguna dengan sistem. Antarmuka menerima informasi dari pemakai dan mengubahnya kedalam bentuk yang dapat diterima oleh
sistem. Pada bagian ini terjadi dialog antar program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi input dari
pemakai, juga memberikan informasi output kepada pemakai. 2. Knowledge Base Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah yang dapat berasal dari pakar, jurnal, majalah, dan
sumber pengetahuan lain. Yang terdiri dari 2 elemen dasar yaitu fakta yang merupakan situasi masalah dan teori yang terkait dan heuristik khusus atau
rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus.
3. Inference Machine Mesin Inferensi Mesin inferensi merupakan perangkat lunak yang melakukan penalaran dengan
menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Dalam komponen ini dilakukan permodelan proses berfikir
manusia. 4. Working Memory Memori Kerja
Merupakan area dari sekumpulan memori kerja yang digunakan untuk merekam hasil-hasil dan kesimpulan yang dicapai. Memori kerja dalam
arsitektur sistem pakar merupakan bagian dari sistem pakar yang berisi fakta- fakta masalah yang ditemukan dalam suatu sesi, berisi fakta-fakta tentang
suatu masalah yang ditemukan dalam proses konsultasi.
Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pengguna, maka harus dilengkapi dengan fasilitas-
fasilitas berikut kusrini,2008: 1. Fasilitas Penjelasan Explanation Facility
Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem
kepada pemakai dengan cara menjawab pertanyaan-pertanyaan. 2. Fasilitas Akuisisi Pengetahuan Knowledge Acquisition Facility
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar.
Arsitektur dasar dari sistem pakar dapat dilihat pada Gambar 2.1 Kusrini, 2006.
Gambar 2.1 Arsitektur Sistem Pakar
Sebuah sistem pakar dapat dilihat dari dua sudut pandang lingkungan environment yaitu lingkungan konsultasi dan lingkungan pengembangan
Kusumadewi, 2003.
Lingkungan konsultasi digunakan bagi pengguna yang bukan pakar untuk melakukan konsultasi dengan sistem yang tujuannya adalah mendapat sarannasihat
dari seorang pakar. Sedangkan lingkungan pengembangan digunakan bagi pembangun sistem pakar untuk memasukkan pengetahuan hasil akuisisi pengetahuan dari seorang
pakarahli ke dalam basis pengetahuan.
Untuk lebih jelasnya, struktur sistem pakar yang menekankan pada lingkungan yang ada di dalam sistem dapat dilihat pada gambar dibawah ini:
MEMORI KERJA
FAKTA BASIS
PENGETAHUAN ATURAN
MESIN
AGENDA
FASILITAS PENJELASAN
ANTAR MUKA PENGGUNA
FASILITAS AKUISISI
PENGETAHUAN
Gambar 2.2 Struktur Sistem Pakar
Hasil pemrosesan yang dilakukan oleh mesin inferensi dari sudut pandang pengguna bukan pakar berupa aksi yang direkomendasikan oleh sistem pakar disertasi
memori kerja yang digunakan untuk menyimpan kondisikeadaan yang dialami oleh pengguna dan juga hipotesa serta keputusan sementara.
Keterangan gambar: -------------------------------------- : Pemisahan antara lingkungan konsultasi dengan
lingkungan pengembangan. : Komunikasi dua arah
: Langsung ----------------------------------
: Tidak langsung
Pe m a k a i
Ant a r M uk a
Ak si ya ng dire k om e nda sik a n
M e sin I nfe re nsi Fa k t a t e nt a ng
K e ja dia n t e rt e nt u
Bla c k boa rd Solusi, Re nc a na
LI N GK U N GAN K ON SU LT ASI
Ba sis Pe nge t a hua n: Fa k t a da n a t ura n
Pe rba ik a n Pe nge t a hua n
K now le dge Enginne r
Pa k a r LI N GK U N GAN PEN GEM BAN GAN
Ak uisisi Pe nge t a hua n
Fa silit a s Pe n je la sa n
2.1.3 Mesin Inferensi Inference Machine
Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam memori
kerja working memory dan untuk memformulasikan kesimpulan Durkin, 1994.
Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi yang dinamakan modus ponen. Berdasarakan strategi ini, jika terdapat aturan ”IF A THEN
B” dan jika diketahui bahwa A bernilai benar, maka dapat disimpulkan bahwa B juga benar. Strategi inferensi modus ponen ini dinyatakan dalam berntuk:
[A AND A B] B Dengan A dan A B adalah proposisi-proposisi dalam basis pengetahuan.
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu runut maju forward chaining dan runut balik backward
chaining.
2.1.3.1 Runut Maju Forward Chaining
Runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan untuk menuju kesimpulan akhir. Runut
maju biasa juga disebut forwar chaining atau pencarian yang dimotori oleh data data driven search.
Runut maju dimulai dari premis-premis atau informasi masukan if dahulu kemudian menuju kesimpulan atau derived information then atau dapat dimodelkan
sebagai berikut:
IF informasi masukan THEN kesimpulan
Informasi masukan dapat berupa data, bukti, temuan, atau gejala. Sedangkan kesimpulan dapat berupa tujuan, hipotesa, penjelasan atau diagnosis. Sehingga arah
pencarian runut maju dimulai dari data menuju tujuan, dari bukti menuju hipotesa, atau dari gejala menuju diagnosa. Berbagai struktur kaidah if-then yang
menghubungkan obyek atau atribut sebagai berikut: IF premis THEN konklusi
IF masukan THEN keluaran IF kondisi THEN tindakan
IF antesenden THEN konsekuen IF data THEN hasil
IF tindakan THEN tujuan IF aksi THEN reaksi
IF sebab THEN akibat IF gejala THEN diagnosa
Sebagai contoh, suatu penyakit urticaria memiliki gejala-gejala yakni suhu badan normal, terdapat satu atau lebih bintik merah di kulit serta kulit terasa gatal dan
si anak menggaruk-garuk. Jika dilakukan pencarian dalam bentuk runut maju, maka kasus di atas dapat diformulasikan sebagai berikut:
IF Suhu badan normal AND Terdapat satu atau lebih bintik merah di kulit
AND Kulit terasa gatal dan si anak menggaruk-garuk THEN Urticaria
Secara sederhana sunut maju pada kasus di atas dapat diterangkan sebagai berikut, agar sistem pakar dapat mencapai kesimpulan yakni pernyakit urticaria maka
harus memenuhi terlebih dahulu fakta-fakta suhu badan normal, terdapat satu atau lebih bintik merah di kulit dan kulit terasa gatal dan si anak menggaruk-garuk baru
setelah semua fakta terpenuhi sistem akan mengeluarkan kesimpulan bahwa penyakit tersebut adalah urticaria.
2.1.3.2 Runut Balik Backward Chaining
Runut balik merupakan proses perunutan yang arahnya kebalikan dari runut maju. Proses penalaran runut balik dimulai dengan tujuangoal kemudian merunut balik ke
jalur yang akan mengarahkan ke tujuan tersebut, mencari bukti bahwa kondisi-kondisi terpenuhi. Sehingga secara umum, runut balik itu diaplikasikan ketika tujuan atau
hipotesis yang dipilih itu sebagai titik awal penyelesaian masalah. Pencarian dengan metose runut balik ini juga dikenal sebagai goal-driven reasoning karena pencarian
dimulai dari pemilihan tujuannya kemudian mencari data-data yang menjadi alasan tujuan tersebut tercapai. Metode inferensi runut balik sangat cocok digunakan untuk
memecahkan masalah diagnosis. Pencarian runut balik dapat dimodelkan sebagai berikut:
Tujuan,
IF konsisi
Sebagai contoh, kita ambil kasus penyakit urticaria di atas. Seseorang dapat didiagnosa menderita urticaria jika memiliki geala-gejala seperti suhu badan normal,
terdapat satu atau lebih bintik merah di kulit serta kulit terasa gatal dan si anak menggaruk-garuk. Jika dilakukan pencarian dalam bentuk runut balik, maka kasus di
atas dapat diformulasikan sebagai berikut: Urticaria,
IF Suhu badan normal AND Terdapat satu atau lebih bintik merah di kulit
AND Kulit terasa gatal dan si anak menggaruk-garuk
Secara sederhana proses pencarian runut balik pada model di atas dapat diterangkan sebagai berikut, pada tahap awal sistem akan menduga terlebih dahulu
bahwa penyakit yang di diagnosa adalah urticaria. Dan untuk memastikan kebenaran pradiagnosa ini, maka sistem akan menanyakan apakah suhu badan normal, apakah
terdapat satu atau lebih bintik merah di kulit dan apakah kulit teras gatal dan si anak menggaruk-garuk. Bila kesemua pertanyaan tersebut bernilai benar maka dengan kata
alain pradiagnosa yang dilakukan sistem adalah benar, dan sistem akan mengeluarkan kesimpulan bahwa penyakit adalah urticaria.
Dari sisi pengguna user, mesin inferensi baik dengan menggunakan metode runut balik maupun runut maju tidak kelihatan perbedaannya, namun hal tersebut akan
berbeda jika dilihat dari sisi pengenbang sistem pakar. Kedua metode tersebut memiliki proses internal yang berbeda. Pada metode runut balik, proses internal di
dalam sistem selalu mengecek kesimpulan terlebih dahulu sebagai praduga awal, baru kemudian mengecek apakah gejala-gejala yang ada dipenuhi pengguna atau tidak.
Bila keseluruhan gejala tersebut terpenuhi, maka praduga sistem bernilai benar dan akan dikeluarkan sebagai output sistem pakar, namun bila ada gejala yang tidak
terpenuhi berarti praduga sistem salah, dan selanjutnya sistem akan mengecek kesimpulan berikutnya.
Hal ini berbeda dengan proses internal dalam pencarian runut maju. Pada metode runut maju, sistem tidak akan melakukan dugaan awal apapun, melainkan
sistem akan menerima semua masukan data dari pengguna dan kemudian mengecek data-data tersebut memenuhi kesimpulan yang mana. Jika sudah ditemukan, maka
kesimpulan tersebut akan dikeluarkan sebagai output sistem pakar.
2.1.4 Faktor Kepastian Certainty Factor
Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini bisa 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.
Ada tiga penyebab ketidakpastian aturan yaitu aturan tunggal, penyelesaian konflik dan ketidakcocokan incompatibility antar konskuen dalam aturan. Aturan
tunggal yang dapat menyebabkan ketidakpastian dipengaruhi oleh tiga hal, yaitu kesalahan, probabilitas dan kombinasi gejala evidence. Kesalahan dapat terjadi
karena adalah sebagai berikut Kusrini, 2006: 1. Ambiguitas, sesuatu didefinisikan dengan lebih dari suatu cara.
2. Ketidaklengkapan data 3. Kesalahan informasi
4. Ketidakpercayaan terhadap suatu alat 5. Adanya bias
Probabilitas disebabkan ketidakmampuan seorang pakar merumuskan suatu aturan secara pasti. Misalnya jika seorang 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 Faktor menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Notasi Faktor Kepastian adalah sebagai berikut Sri
Kusumadewi, 2003: CF[h,e] = MB[h,e] – MD[h,e]
dengan CF[h,e] : Faktor Kepastian
MB[h,e] : ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e antara 0 dan 1
MD[h,e] : ukuran ketidakpercayaan terhadap evidence h, jika diberikan evidence e antara 0 dan 1
CF Gabungan merupakan CF akhir dari sebuah calon konklusi. CF ini dipengaruhi oleh semua CF dari aturan yang menghasilkan konklusi tersebut. CF
Gabungan diperlukan jika suatu konklusi diperoleh dari beberapa aturan sekaligus. CF akhir dari suatu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai
CF akhir bagi calon konklusi tersebut. Adapun rumus untuk perhitungan CF adalah sebgai berikut:
CF[x,y] =
CF x + CFy - CFxCFy
CF x + CFy 1+CFy
0.8
0.5 0.7
0.9
-0.3
CFH,E
1
CFH,E
2
Dalam diagnosis suatu penyakit, hubungan antara gejala dengan hipotesis sering tidak pasti. Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis
dan suatu hipotesis menjadi evidence bagi aturan lain. Kondisi tersebut dapat digambarkn sebagai berikut:
A
C D
F
B E
Gambar 2.3 Jaringan Penalaran Certainty Factor
Gambar 2.3 di atas menunjukkan bahwa certainty factor dapat digunakan untuk menghitung perubahan derajat kepercayaan dari hipotesis F ketika A dan B
bernilai benar. Hal ini dapat dilakukan dengan mengkombinasikan semua certainty factor pada A dan B menuju F menjadi sebuah aturan hipotesis certainty factor seperti
di bawah ini: JIKA A DAN B MAKA F
Kondisi ini juga digambarkan sebagai berikut:
AB F
Gambar 2.4 Jaringan Penalaran Certainty Factor
Kombinasi seperti ini disebut kombinasi paralel, sebagaimana yang ditunjukkan oleh gambar di bawah ini:
E
1
H
E
2
Gambar 2.5 Kombinasi Paralel Certainty Factor
CFE,E’ CFH,E
Pada kondisi ini evidence E
1
dan E
2
mempengaruhi hipotesis yang sama, yaitu H. Kedua certainty factor CFH, E
1
dan CFH, E
2
dikombinasikan, menghasilkan certainty factor CFH, E
1,
E
2
.
Fungsi kombinasi tersebut didefinisikan sebagai berikut: x + y – xy
x, y = 0
Z = x, y berlawanan tanda
x + y + xy x, y 0
Dimana: x = CFH,E
1
, y = CFH, E
2
, dan z = CFH, E
1,
E
2
.
Gambar di bawah ini menunjukkan adanya kombinasi sequensial. Kombinasi ini terjadi ketika suatu hipotesis menjadi evidence bagi hipotesis yang lain.
E’ E
H
Gambar 2.6 Kombinasi Sequensial Certainty Factor
Untuk menentukan nilai CF akhir suatu diagnosa maka digunakan rumus CF paralel sebagai berikut:
CF[h,e
1
e
2
] = CF [h, e
1
] + CF [h, e
2
] 1 – CF[h,e
1
] Dengan:
CF[h,e
1
e
2
] = Faktor kepastian paralel
CF [h, e
1
] = ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e pertama antara 0 dan 1 CF [h, e
2
] = ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e kedua antara 0 dan 1
Dalam diagnosa suatu penyakit, sangat dimungkinkan beberapa aturan yang menghasilkan satu hipotesis dan suatu hipotesis menjaid evidence bagi aturan lain.
Berikut contoh perhitungan CF pada suatu diagnosa penyakit tanaman karet: x + y
________________ 1 – min |x|, |y|
No Gejala
Penyakit CF
1 Daun pucat kuning dengan tepi terlipat ke
dalam Penyakit Jamur Akar Putih
0.7
2 Daun-daun gugur
Penyakit Jamur Akar Putih 0.7
3 Ujung rantingnya mati
Penyakit Jamur Akar Putih 0.5
4 Pada akar terdapat benang-benang jamur
putih dan agak tebal Penyakit Jamur Akar Putih
0.5
5 Akar tanaman membusuk, lunak, dan
berwarna cokelat Penyakit Jamur Akar Putih
0.2
CFA = CF1 + CF2 [1 – CF1] = 0.7 + 0.7 1 – 0.7 = 0.91 CFB = CF3 + CFA [1 – CF3] = 0.5 + 0.91 1 – 0.5 = 0.955
CFC = CF4 + CFB [1 – CF4] = 0.5 + 0.955 1 - 0.5 = 0.9775 CFD = CF5 + CFC [1 – CF5] = 0.2 + 0.977 1 – 0.2 = 0.98
Dari perhitungan secara manual di atas, didapatkan nilai faktor kepastian dari masukkan gejala yang mengarah ke penyakit jamur akar putih adalah 0.98
2.2 Telepon Cerdas Smartphone
Telepon cercas smartphone adalah telepon genggam yang memiliki sistem operasi untuk masyarakt luas, dimana pengguna dapat dengan bebas menambahkan aplikasi,
menambah fungsi-fungsi atau mengubah sesuai keinginan pengguna. Dengan kata lain, telepon cerdas merupakan komputer mini yang mempunyai kapabilitas telepon.
Smartphone telah memiliki kemampuan komputasi yang lebih canggih dan konektifitas melebihi kemampuan ponsel biasa Nazruddin, 2012.
2.3 Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya
Pada penelitian Kusrini 2006, penggunaan metode Faktor Kepastiandalam sistem pakar telah mampu menjawab permasalahan adanya pengetahuan yang tidak
komplit dan tidak pasti. Kompleksnya permasalahan yang timbul dalam diagnosis penyakit epilepsi, bisa ditangani dengan sistem pakar dengan metode Faktor
Kepastian. Pengetahuan untuk melakukan diagnosis dan memberikan terapi terhadap penderita penyakit epilepsi dan keluarganya dipresentasikan dalam bentuk
kaidah produksi. Pengetahun dipresentasikan dalam empat jenis aturan, yaitu:
1. Aturan yang menentukan sawan berdasarkan gejala yang diketahui. Secara umum aturan berbentuk:
Sawan , CF : x JIKA kumpulan gejala
2. Aturan yang menentukan jenis penyakit epilepsi berdasarkan sawan dan syarat- syarat klinis lain yang diketahui. Secara umum aturan ini berbentuk :
Jenis penyakit epilepsi , CF : x JIKA Kumpulan Sawan OPERATOR LOGIKA Kumpulan Syarat
3. Aturan yang menentukan obat berdasarkan jenis penyakit yang selain epilepsi berdasarkan gejala dan syarat-syarat klinis lain yang diketahui. Secara umum
aturan ini berbentuk: Jenis Penyakit Non Epilepsi , CF : x
JIKA Kumpulan Gejala OPERATOR LOGIKA Kumpulan Syarat 4. Aturan yang menentukan obat berdasarkan jenis penyakit yang diketahui.
Secara umum aturan ini berbentuk: Kumpulan Obat
JIKA Jenis penyakit epilepsi CF : antara x sd y
2.4 Sistem Pakar Untuk Mendiagnosis Penyakit Pada Tanaman Karet dan Cara Penanggulangannya.