kecerdasan buatan-ai

BAB 2

LANDASAN TEORI

2.1 Kecerdasan Buatan Kecerdasan buatan ( artificial inteligence ) merupakan salah satu bagian ilmu

komputer yang membuat agar mesin ( komputer) dapat melakukan pekerjaan seperti

yang sebaik dilakukan manusia (Sri Kusumadewi, 2003).

Pengertian kecerdasan buatan dapat di pandang dari berbagai sudut pandang,

antara lain :

1. Sudut pandang kecerdasan.

Kecerdasan buatan akan membuat mesin menjadi cerdas dalam arti mampu

berbuat seperti apa yang dilakukan manusia.

2. Sudut pandang penelitian.

Kecerdasan buatan adalah suatu studi bagaimana membuat agar komputer dapat

melakukan sesuatu sebaik yang dikerjakan manusia.

3. Sudut pandang bisnis.

Kecerdasan buatan adalah kumpulan peralatan yang sangat powerful dan

metodologis dalam mnyelesaikan masalah-masalah bisnis.

4. Sudut pandang pemrograman.

Kecerdasan meliputi studi tentang pemrograman simbolik, penyelesaian masalah

dan pencarian.

Universitas Sumatera Utara

Lingkup Utama dari kecerdasan buatan (Sri Kusumadewi, 2003) adalah

sebagai berikut :

1. Sistem Pakar ( Expert System ). Disini 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 & Sistem Sensor ( Robotics & Sensory System).

5. Computer Visio, mencoba untuk dapat menginterprestasikan gambar atau obyek-

obyek tampak melalui komputer.

6. Intelligent Computer-aided Instruction.Komputer dapat digunakan sebagai tutor

dalam melatih dan mengajar.

7. Game Playing.

Beberapa karakteristik yang ada pada sistem yang menggunakan artificial

inteligence adalah pemrograman yang cenderung bersifat simbolik ketimbang

algoritmik, bisa mengakomodasi input yang tidak lengkap.

Ada beberapa konsep yang harus dipahami dalam kecerdasan buatan,

diantaranya (Kusrini, 2006) :

1. Turing Test Metode pengujian kecerdasan buatan.

Merupakan sebuah metode pengujian kecerdasan buatan yang dibuat oleh Alan

Turing.

2. Pemrosesan Simbolik.

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 berfikir atau

mempertimbangkan (reasoning). Kemampuan berfikir termasuk didalamnya

proses penarikan kesimpulan berdasarkan fakta-fakta dan aturan dengan

menggunakan metode heuristik atau metode pencarian lainnya.

5. Pencocokan Pola (Pattern matching)

AI bekerja dengan mencocokkan pola yang berusaha untuk menjelaskan objek,

kejadian atau proses, dalam hubungan logik atau komputasional.

Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki

manusia), kecerdasan buatan memiliki beberapa keuntungan secara komersial, antara

lain :

1. Lebih Permanen.

2. Memberikan kemudahan dalam duplikasi dan penyebaran.

3. Relatif lebih murah dari kecerdasan alamiah.

4. Konsisten dan teliti.

5. Dapat didokumentasikan.

6. Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik dibandingkan

manusia.

2.2 Sistem Pakar

2.2.1 Pengertian 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 (Sri Kusumadewi, 2003).


Sistem pakar (expert system) mulai dikembangkan pada pertengahan tahun

1960-an oleh Artificial Intelligence Corporation. Sistem pakar yang muncul pertama

kali adalah General-purpose Problem Solver (GPS) yang merupakan sebuah

predecessor untuk menyusun langkah-langkah yang dibutuhkan untuk mengubah

situasi awal menjadi state tujuan yang telah ditentukan sebelumnya dengan

menggunakan domain masalah yang kompleks.

Sistem pakar dapat diterapkan untuk persoalan di bidang industri, pertanian,

bisni, kedokteran, militer, komunikasi dan transportasi, pariwisata, pendidikan, dan

lain sebagainya. Permasalahan tersebut bersifat cukup kompleks dan terkadang tidak

memiliki algoritma yang jelas di dalam pemecahannya, sehingga dibutuhkan

kemampuan seorang atau beberapa ahli untuk mencari sistematika penyelesaiannya

secara evolutif.

Sistem pakar merupakan program yang dapat menggantikan keberadaan

seorang pakar. Alasan mendasar mengapa sistem pakar dikembangkan menggantikan

seorang pakar adalah sebagai berikut :

1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

3. Seorang pakar akan pensiun atau pergi.

4. Menghadirkan atau menggunkan jasa seorang pakar memerlukan biaya yang mahal.

5. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environment).

2.2.2 Konsep Dasar Sistem Pakar

Pengetahuan dari suatu sistem pakar mungkin dapat direpresentasikan dalam sejumlah

cara. Salah satu metode yang paling umum untuk merepresentasikan pengetahuan

adalah dalam bentuk tipe aturan (rule) IF..Then (Jika..maka). Walaupun cara diatas

sangat sederhana, namun banyak hal yang berarti dalam membangun sistem pakar

dengan mengekspresikan pengetahuan pakar dalam bentuk aturan diatas. Konsep

dasar dari suatu sistem pakar mengandung beberapa unsur/elemen, yaitu: (Muhammad

Arhami, 2005)


1. Keahlian

Keahlian merupakan suatu penguasaan pengetahuan dibidang tertentu yang

didapatkan dari pelatihan, membaca atau pengalaman.

2. Ahli

Seorang ahli adalah seorang yang mampu menjelaskan suatu tanggapan,

mempelajari hal-hal baru seputar topik permasalahan (domain), menyusun

kembali pengetahuan, memecah aturan-aturan jika diperlukan dan menentukan

relevan tidaknya keahlian mereka.

3. Pengalihan keahlian

Pengahlian keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi

keorang lain yang bukan ahli (tujuan utama sistem pakar). Proses ini

membutuhkan 4 aktivitas, yaitu: tambahan pengetahuan (dari para ahli atau

sumber-sumber lainnya), representasi pengetahuan yang berupa fakta dan

prosedur (ke komputer), inferensi pengetahuan dan pengalihan pengetahuan ke

pengguna.

4. Inferensi

Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran

dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu

kesimpulan atau hasil akhir.

5. Aturan

Aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru

dari fakta yang telah diketahui.

6. Kemampuan menjelaskan.

Kemampuan komputer untuk memberikan penjelasan kepada pengguna tentang

sesuatu informasi tertentu dari pengguna dan dasar yang dapat digunakan oleh

komputer untuk dapat menyimpulkan suatu kondisi.

2.2.3 Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memiliki ciri-ciri sebagai berikut :

1. Memiliki fasilitas informasi yang handal, baik dalam menampilkan langkah-

langkah antara maupun dalam menjawab pentanyaan-pertanyaan tentang

proses penyelesaian.


2. Mudah dimodifikasi, yaitu dengan menambah atau menghapus suatu

kemampuan dari basis pengetahuannya.

3. Heuritik dalam menggunakan pengetahuan untuk mendapatkan

penyelesaiannya.

4. Dapat digunakan dalam berbagai jenis komputer.

5. Memiliki kemampuan untuk beradaptasi.

2.2.4 Bidang-Bidang Pengembangan Sistem Pakar

Ada beberapa kategori pengembangan sistem pakar, antara lain:

1. Kontrol. Contoh pengembangan banyak ditemukan dalam kasus pasien di

rumah sakit, di mana dengan kemampuan sistem pakardapat dilakukan kontrol

terhadap cara pengobatan dan perawatan melalui sensor data atau kode alarm

dan memeberikan solusi terapi pengobatan yang tepat bagi pasien yang sakit.

2. Desain. Contoh sistem pakar di bidang ini adalah PEACE yang dibuat Dincbas

untuk membantu desain pengembangan sirkuit elektronik dan sistem pakar yang

membantu desain komputer dengan komponen-komponennya.

3. Diagnosis. Pengembangan sistem pakar terbesar adalah di bidang diagnosis,

seperti diagnosis penyakit, diagnosis kerusakan mesin kendaraan bermotor,

diagnosis kerusakan komponen komputer, dan lain-lain.

4. Instruksi. Instruksi merupakan pengembangan sistem pakar yang sangat

berguna dalam bidang ilmu pengetahuan dan pendidikan, di mana sistem pakar

dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topik

permasalahan. Contoh pengembangan sistem pakar di bidang ini adalah sistem

pakar untuk pengajaran bahasa inggris, sistem pakar buntuk pengajaran

astronomi, dan lain-lain.

5. Interprestasi. Sistem pakar yang dikembangkan dalam bidang interprestasi

melakukan pemahaman akan suatu situasi dari beberapa informasi yang

direkam. Contoh sistem yang dikembangkan dewasa ini adalah sistem untuk

melakukan sensor gambar dan suara kemudian menganalisisnya dan kemudian

membuat suatu rekomendasi berdasarkan rekaman tersebut.


6. Monitor. Sistem pakar dalam bidang ini banyak digunakan militer, yaitu

menggunakan sensor radar kemudian menganalisisnya dan menentukan posisi

objek berdasarkan posisi radar tersebut.

7. Perencanaan. Perencanaan banyak digunakan dalam bidang bisnis dan

keuangan suatu proyek, di mana sistem pakar dalam membuat perencanaan

suatu pekerjaan berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga

pekerjaan menjadi lebih efisien.

8. Prediksi. Sistem pakar dapat memprediksi kejadian masa mendatang

berdasarkan informasi dan model permasalahan yang dihadapi. Biasanya sistem

meberikan simulasi kejadian masa mendatang tersebut, misalnya memprediksi

tingkat kerusakan tanaman apabila terserang hama dalam jangka waktu tertentu.

9. Seleksi. Sistem pakar dengan seleksi mengidentifikasikan pilihan terbaik dari

beberapa daftar pilihan kemungkinan solusi.

10. Simulasi. Sistem ini memproses operasi dari beberapa variasi kondisi yang

ada dan menampilkannya dalam bentuk simulasi. Contoh yaitu program untuk

menganalisis hama dengan berbagai kondisi suhu dan cuaca.

2.2.5 Struktur Sistem Pakar

Sistem pakar disusun oleh dua bagian utama, yaitu: lingkungan pengembangan

(development environment) dan lingkungan konsultasi (consultation environment)

(Muhammad Arhami, 2006). Lingkungan pengembangan sistem pakar digunakan

untuk memasukkan pengetahuan pakar kedalam lingkungan sistem pakar, sedangkan

lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh

pengetahuan pakar.

Komponen-komponen yang terdapat dalam sistem pakar antara lain adalah segabai

berikut :

1. Antarmuka pengguna (user interface)

User interface merupakan mekanisme yang digunakan oleh pengguna dan

sistem pakr untuk berkomunikasi. Antarmuka menerima informasi dari pemakai


dan mengubahnya kedalam bentuk yang dapat diterima oleh sistem. Pada bagian

ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem

pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan

informasi (output) kepada pemakai.

2. Basis Pengetahuan

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah

dalam domain tertentu.Ada dua bentuk pendekatan basis pengetahuan yang

sangat umum digunakan, yaitu :

a) Penalaran berbasis aturan (Rule-Based Reasoning)

Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk :

IF-THEN. Bentuk ini digunakan apabila memiliki sejumlah pengetahuan

pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan

masalah tersebut secara berurutan.

b) Penalaran berbasis kasus (Case-Based Reasoning)

Basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya,

kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi

sekarang.

3. Akuisisi Pengetahuan (knowledge acquisition)

Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian

dalam menyelesaikan masalah dari sumber pengetahuan kedalam program

komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan

untuk selanjutnya di transfer ke dalam basis pengetahuan.Terdapat empat

metode utama dalam akuisisi pengetahuan, yaitu: wawancara, analisis protocol,

observasi pada pekerjaan pakar dan induksi aturan dari contoh.

4. 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.


5. Workplace

Workplace merupakan area dari sekumpulan memori kerja yang digunakan

untuk merekam hasil-hasil dan kesimpulan yang dicapai. Ada tiga tipe

keputusan yang direkam, yaitu :

a) Rencana : Bagaimana menghadapi masalah.

b) Agenda : Aksi-aksi yang potensial yang sedang menunggu untuk

eksekusi.

c) Solusi : calon aksi yang akan dibangkitkan.

6. Fasilitas penjelasan

Fasilitas penjelasan adalah komponen tambahan yang akan meningkatkan

kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem

kepada pemakai dengan cara menjawab pertanyaan-pertanyaan.

7. Perbaikan pengetahuan

Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya

serta kemampuan untuk belajar dan kinerjanya.

Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat pada

gambar 2.1 berikut ini:

Gambar 2.1 Komponen sistem pakar (sumber: M.Arhami (2006))


2.2.6 Keuntungan Sistem Pakar

Sistem pakar merupakan paket perangkat lunak atau paket program komputer yang

ditujukan sebagai penyedia nasehat dan sarana bantu dalam menyelesaikan masalah di

bidang-bidang spesialisasi tertentu. Ada beberapa keunggulan dari sistem pakar,

diantaranya dapat :

1. Menghimpun data dalam jumlah yang sangat besar.

2. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu

bentuk tertentu.

3. Mengerjakan perhitungan secara cepat dan tepat dan tanpa jemu mencari

kembali data yang tersimpan dengan kecepatan tinggi.

Ada banyak keuntungan yang dapat diperoleh dengan adanya sistem pakar

antara lain sebagai berikut :

1. Memungkinkan orang awam dapat mengerjakan pekerjaan para ahli.

2. Dapat melakukan proses berulang secara otomatis.

3. Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkat output dan produktivitas.

5. Meningkatkan kualitas.

6. Mampu mengambil dan melestarikan keahlian para pakar.

7. Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9. Memiliki reliabilitas.

10. Meningkatkan kapabilitas sistem komputer.

11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan

mengandung ketidakpastian.

12. Sebagai media pelengkap dalam pelatihan.

2.2.7 Representasi pengetahuan

Representasi pengetahuan merupakan metode yang digunakan untuk mengkodekan

pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Perepresentasian


dimaksudkan untuk manangkap sifat-sifat penting problema dan membuat informasi

itu dapat diakses oleh prosedure pemecahan problema (Kusrini, 2006).

Bahasa representasi harus dapat membuat seorang perogram mampu

mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi problema,

dapat diterjemahkan ke dalam bahasa pemrograman dan dapat disimpan.Harus

dirancang agar fakta-fakta dan pengetahuan lain yang terkandungdi dalamnya dapat

digunakan untuk penalaran.

2.2.8 Model Representasi Pengetahuan

Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau kompleks,

tergantung dari masalahnya. Beberapa model representasi pengetahuan yang penting,

adalah:

1. Logika (logic)

Logika merupakan suatu pengkajian ilmiah tentang serangkaian penalaran,

sistem kaidah, dan prosedur yang membantu proses penalaran. Logika

merupakan representasi pengetahuan yang paling tua. Bentuk logika

komputasional ada 2 macam, yaitu:

a) Logika Proporsional atau Kalkulus

Logika proporsional merupakan logika simbolik untuk memanipulasi

proposisi. Proposisi merupakan pernyataan yang dapat bernilai benar atau

salah yang dihubungkan dengan operator logika diantaranya operator And

(dan), Or (atau), Not (tidak), Impilikasi (if..then), Bikondisional (if and only

if).

Contohnya: Jika hujan turun sekarang maka saya tidak akan ke pasar,

dapat dituliskan dalam bentuk: ( p => q)

b) Logika Predikat

Logika predikat adalah suatu logika yang seluruhnya menggunakan konsep

dan kaidah proposional yang sama dengan rinci. Suatu proposisi atau

premis dibagi menjadi dua bagian, yaitu: argumen (objek) dan predikat


(keterangan). Predikat adalah keterangan yang membuat argument dan

predikat.

Contohnya: Mobil berada dalam garasi, dapat dinyatakan menjadi Di

dalam (mobil,garasi).

Di dalam = keterangan, mobil = argumen, garasi = argumen.

2. Jaringan semantik (semantic nets)

Representasi jaringan semantic merupakan penggambaran grafis dari

pengetahuan yang memperlihatkan hubungan hirarkis dari objek-objek yang

terdiri atas simpul (node) dan penghubung (link).

Contohnya : Merepresentasikan pernyataan bahwa semua komputer merupakan

alat elektornik, semua PC merupakan komputer, dan semua komputer

memiliki monitor. Dari pernyataan tersebut dapat diketahui bahwa

semua PC memiliki monitor dan hanya sebagian alat elektronik yang

memiliki monitor, hal ini dapat dilihat pada gambar 2.2 berikut ini:

Gambar 2.2 Representasi jaringan semantik

3. Object-Atributte-Value (OAV)

Object dapat berupa bentuk fisik atau konsep, Attribute adalah karakteristik atau

sifat dari object tersebut, Value (nilai) - besaran spesifik dari attribute tersebut

yang berupa numeric, string atau boolean.

Contoh: Object: mangga ; Attribute: berbiji ; Value: tungggal.

4. Bingkai (frame)

Bingkai berupa ruang (slots) yang berisi atribut untuk mendeskripsikan

pengetahuan yang berupa kejadian. Binkai memuat deskripsi sebuah objek

dengan menggunakan tabulasi informasi yang berhubungan dengan objek.

Contoh: Bingkai penyakit yang dilihat pada gambar 2.3 berikut ini:


Tabel 2.1 Bingkai Penyakit

5. Kaidah produksi (production rule).

Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan,

atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then) yang

menghubungkan anteseden dengan konsekuensi yang diakibatkannya. Berbagai

struktur kaidah if-then ynag menghubungkan obyek atau atribut adalah sebagai

berikut :

JIKA premis MAKA konklusi

JIKA masukan MAKA keluaran

JIKA kondisi MAKA tindakan

JIKA anteseden MAKA konsekuen

JIKA data MAKA hasil

JIKA tindakan MAKA tujuan

2.2.9 Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui

atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) atau implikasi

berdasarkan informasi yang tersedia dalam hal ini akan digunakan metode inferensi

dalam pengambilan kesimpulan. Ada dua metode inferensi yang penting dalam sistem

pakar untuk menarik kesimpulan, yaitu:

1. Runut Maju (Forward Chaining)

Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven). Dalam

pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya

mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang


sesuai dengan bagian IF dari aturan IF-THEN. Gambar 2.3 menunjukkan proses

Forward Chaining.

Observasi A aturan R1 fakta C Kesimpulan 1 Aturan R3 Observasi B aturan R2 fakta D Kesimpulan 2 Aturan R2 fakta E

Gambar 2.3 Forward Chaining (Runut Maju)

Berikut ini contoh inferensi yang menggunakan runut maju adalah

JIKA penderita terkena penyakit epilepsi idiopatik dengan CF antara 0,4 s/d

0,6

MAKA berikan obat carbamazepine

2. Runut Balik ( Backward Chaining )

Runut balik adalah pendekatan yang dimotori tujuan (goal-driven). Dalam

pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang

memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan

menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari

aturan lain dengan tujuan baru sebagai kesimpulannya. Selanjutnya, proses

pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan

mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut

sampai semua kemungkinan ditemukan. Gambar 2.4 menunjukkan proses

Backward Chaining.

Observasi A aturan R1 fakta C Aturan R3 Observasi B aturan R2 fakta D Tujuan 1 (Kesimpulan) Aturan R2

Gambar 2.4 Backward Chaining (Runut Balik)

Contoh penalaran menggunakan metode runut balik :

Aturan 1 :

Mengalami epilepsi idiopatik lokal dengan CF 0,63


JIKA tipe sawan parsial sederhana

DAN EEG menunjukkan adanya fokus

DAN penyebabnya tidak diketahui

Aturan 2 :

Mengalami tipe sawan parsial sederhana dengan CF 0,63

JIKA mengalami motorik fokalyang menjalar atau tanpa menjalar (geraka

klonik dari jari tangan, lalu menjalar ke lengan bawah dan atas lalu

menjalar ke seluruh tubuh)

ATAU gerakan versif,dengan kepala dan leher menengok ke suatu sisi

ATAU gerakan sensorik fokal menjalar atau sensorik khusus berupa halusinasi

sederhana ( visual, audiotorik, gustatorik )

2.3 Faktor Kepastian (Certainty Factor)

2.3.1 Pengertian 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 (Kusrini, 2006) adalah sebagai berikut :

1. ambiguitas, sesuatu didefinisikan dengan lebih dari satu 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 seseorang mengalami sakit kepala, demam dan

bersin-bersin ada kemungkinan orang tersebut terserang penyakit flu, tetapi bukan

berarti apabila seseorang mengalai gejala tersebut pasti terserang penyakit flu.

Certainty Factor (CF) menujukkan ukuran kepastian terhadap suatu fakta atau

aturan.Notasi Faktor Kepastian(Sri Kusumadewi, 2003) adalah sebagai berikut :

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 )

2.3.2 Kombinasi Aturan

Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang

ditunjukka pada tabel berikut ini :

Evidence , E Antecedent Ketidakpastian E1 DAN E2 min[CF(H,E1), CF(H,E2)] E1 OR E2 max[CF(H,E1), CF(H,E2)] TIDAK E -CF(H,E)

Tabel 2.2 Aturan kombinasi MYCIN

Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah

sebagai berikut :

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

Di mana :

CF(E,e) : Certainty Factor evidence E yang dipengaruhi ileh 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 dan antecedent diketahui dengan pasti maka rumusnya menjadi

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

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

digambarkan sebagai berikut :

A

B

C D

E

F

0,8

0,7 0,9

-0,30,5

Gambar 2.5 Jaringan penalaran certainty factor

Dari gambar di atas ditunjukkan 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 alur hipotesis certainty factor seperti di bawah ini:

JIKA (A DAN B) MAKA F

Kondisi ini juga dapat digambarkan sebagai berikut:

Gambar 2.6 Kombinasi Certainty Factor

Kombinasi seperti ini disebut kombinasi paralel ,sebagaimana ditunjukkan oleh

gambar di bawah ini :

Gambar 2.7 Kombinasi Paralel Certainty Factor

Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama, yaitu H.

Kedua Certainty Factor CF(H,E1) dan CF(H,E2) dikombinasikan menghasilkan


certainty factor CF(H,E1,E2). Certainty kedua aturan dikombinasikan sehingga

menghasilkan certainty factor CF(H,E). Untuk menghitung kombinasi tersebut

digunakan rumus berikut

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

2.3.3 Perhitungan Certainty Factor

Berikut ini adalah contoh ekspresi logika yang mengkombinasikan evidence :

E=(E1 DAN E2 DAN E3) ATAU (E4 DAN BUKAN E5)

Gejala E akan dihitung sebagai :

E = max[min(E1,E2,E3),min(E4,-E5)]

Untuk nilai E1 = 0,9 E2 = 0,8 E3 = 0,3 E4 = -0,5 E5 = -0,4

Hasilnya adalah :

E = max[min(E1,E2,E3),min(E4,-E5)]

= max(0,3, -0,5)

= 0,3

Bentuk dasar rumus Certainty Factor sebuah aturan JIKA E MAKA H

ditunjukkan oleh rumus :

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

Dimana :

CF(E,e) : Certainty Factor evidence E yang dipengaruhi oleh evidence

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

ditunjukkan sebagai berikut :

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

Karena CF(E,e) = 1.


Contoh kasus yang melibatkan kombinasi CF :

JIKA batuk

DAN demam

DAN sakit kepala

DAN bersin-bersin

MAKA influenza, CF : 0,7

dengan menganggap E1 : batuk, E2 :demam, E3 :sakit kepala, E4:bersin-

bersin, dan H:influenza, nilai certainty factor pada saat evidence pasti adalah :

CF(H,E) : CF(H,E1 E2 E3 E4)

: 0,7

Dalam kasus ini , kondisi pasien tidak dapat ditentukan dengan pasti . Certainty factor

evidence E yang dipengaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai

berikut :

CF(E1,e) : 0,5 (pasien mengalami batuk 50%)

CF(E2,e) : 0,8 (pasien mengalami demam 80%)

CF(E3,e) : 0,3 (pasien mengalami sakit kepala 30%)

CF(E4,e) : 0,7 (pasien mengalami bersin-bersin 70%)

Sehingga

CF(E,e) = CF(H,E1 E2 E3 E4)

= min[CF(E1,e), CF(E2,e), CF(E3,e), CF(E4,e)]

= min[0,5, 0,8, 0,3, 0,7]

= 0,3

Maka nilai certainty factor hipotesis adalah :

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

= 0,3 * 0,7

= 0,21

2.3.4 Menentukan CF Gabungan

CF gabungan merupakan CF akhir dari sebuah calon konklusi. CF ini dipengaruhi

oleh semua CF paralel dari aturan yang menentukan 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 melakukan perhitungan CF

Gabungan adalah sebagai berikut:

CF (x) + CF (y) - (CF(x)*CF(y)), CF (x), CF(y) > 0

()()((|()|,|()|))) , Salah satu CF(x), CF(y)) < 0

CF (x) + CF (y) +(CF(x)*CF(y)), CF (x), CF(y) > 0

2 .4 Penyakit Atherosklerosis

2.4.1 Pengertian Penyakit Atherosklerosis

Atherosklerosis adalah perubahan dinding arteri yang ditandai dengan akumulasi lipid

ekstrasel, rekruitmen dan akumulasi lekosit, pembentukan sel busa, migrasi dan

proliferasi miosit, deposit matriks ekstrasel, akibat pemicuan patomekanisme

multifaktor yang bersifat kronik progresif, fokal atau difus, bermanifestasi akut

maupun kronis, serta menimbulkan penebalan dan kekakuan arteri (m.adib , 2009 ).

Atherosklerosis disebabkan faktor genetik serta intensitas dan lama paparan

faktor lingkungan (hemodinamik, metabolik, kimiawi eksogen, infeksi virus dan

bakteri, faktor imunitas dan faktor mekanis), dan atau interaksi berbagai faktor.

Atherosklerosis bermula ketika sel darah putih yang disebut monosit, pindah dari

aliran darah ke dalam dinding arteri dan diubah menjadi sel-sel yang mengumpulkan

bahan-bahan lemak. Pada saatnya, monosit yang terisi lemak ini akan terkumpul,

menyebabkan bercak penebalan di lapisan dalam arteri. Setiap daerah penebalan (yang

disebut plak aterosklerotik atau ateroma) yang terisi dengan bahan lembut seperti keju,

mengandung sejumlah bahan lemak, terutama kolesterol, sel-sel otot polos dan sel-sel

jaringan ikat.Ateroma bisa tersebar di dalam arteri sedang dan arteri besar, tetapi

biasanya mereka terbentuk di daerah percabangan, mungkin karena turbulensi di

daerah ini menyebabkan cedera pada dinding arteri, sehingga disini lebih mudah


terbentuk ateroma. Arteri yang terkena atherosklerosis akan kehilangan kelenturannya

dan karena ateroma terus tumbuh, maka arteri akan menyempit. Lama-lama ateroma

mengumpulkan endapan kalsium, sehingga menjadi rapuh dan bisa pecah. Darah bisa

masuk ke dalam ateroma yang pecah, sehingga ateroma menjadi lebih besar dan lebih

mempersempit arteri. Ateroma yang pecah juga bisa menumpahkan kandungan

lemaknya dan memicu pembentukan bekuan darah (trombus). Selanjutnya bekuan ini

akan mempersempit bahkan menyumbat arteri, atau bekuan akan terlepas dan

mengalir bersama aliran darah dan menyebabkan sumbatan di tempat lain (emboli).

Gambar 2.8 Potongan Melintang Arteri

Patofisologi dari penyakit atherosklerosis ini dapat dilihat dari gambar berikut:

Gambar 2.9 Patofisiologi Atherosklerosis


2.4.2 Gejala Penyakit Atherosklerosis

Sebelum terjadinya penyempitan arteri atau penyumbatan mendadak, atherosklerosis

biasanya tidak menimbulkan gejala. Gejalanya tergantung dari lokasi terbentuknya,

sehingga bisa berupa gejala jantung, otak, tungkai atau tempat lainnya. Jika

atherosklerosis menyebabkan penyempitan arteri yang sangat berat, maka bagian

tubuh yang diperdarahinya tidak akan mendapatkan darah dalam jumlah yang

memadai, yang mengangkut oksigen ke jaringan. Gejala awal dari penyempitan arteri

bisa berupa nyeri atau kram yang terjadi pada saat aliran darah tidak dapat mencukupi

kebutuhan akan oksigen. Contohnya, selama berolah raga, seseorang dapat merasakan

nyeri dada (angina) karena aliran oksigen ke jantung berkurang, atau ketika berjalan,

seseorang merasakan kram di tungkainya (klaudikasio interminten) karena aliran

oksigen ke tungkai berkurang.Yang khas adalah bahwa gejala-gejala tersebut timbul

secara perlahan, sejalan dengan terjadinya penyempitan arteri oleh ateroma yang juga

berlangsung secara perlahan. Tetapi jika penyumbatan terjadi secara tiba-tiba

(misalnya jika sebuah bekuan menyumbat arteri), maka gejalanya akan timbul secara

mendadak.

Umumnya lokasi tempat terjadinya penyempitan pembuluh darah adalah

sebagai berikut :

1. Hati

2. Otak

3. Kaki, panggul, lengan

4. Ginjal

Ada beberapa gejala dari penyakit aterosklerosis ini berdasarkan tempat terjadinya,

yaitu :

1. Gejala Aterosklerosis dalam Hati

Gejalanya adalah sebagai berikut :

a) Dada nyeri atau ketidaknyamanan (angina)


b) Nyeri pada satu atau kedua lengan, bahu kiri, leher, rahang, atau

punggung.

c) Sesak nafas

d) Pusing

e) Jantung berdetak cepat

f) Mual

g) Detak jantung tidak normal

h) Merasa sangat lelah

2. Gejala Aterosklerosis di Otak


a) Tiba-tiba mati rasa atau lemah pada wajah, lengan, atau kaki.

b) Tiba-tiba sulit berbicara atau memahami pembicaraan.

c) Tiba-tiba sulit untuk melihat pada satu atau kedua mata.

d) Tiba-tiba kesulitan berjalan, pusing, atau kehilangan keseimbangan atau

koordinasi.

e) Sakit kepala tanpa diketahui penyebabnya.

3. Gejala pada kaki , panggul, dan lengan.


a) Sakit atau kram pada otot yang terjadi selama latihan, tetapi membaik

jika istirahat.

b) Dingin atau perasaan mati rasa pada kaki, terutama pada malam hari.

4. Gejala pada Ginjal


a) Sakit kepala

b) Penglihatan kabur

c) Mual


2.4.3 Faktor Resiko Penyakit Atherosklerosis

Faktor resiko penyakit atherosklerosis ini terbagi dua yaitu:

1. Dapat diubah

a) Usia, pada orang tua resiko terjadinya atherosklerosis lebih tinggi.

b) Jenis kelamin, pria memiliki resiko lebih tinggi dibanding wanita.

c) Ras

d) Riwayat keluarga dengan atherosklerosis.

2. Tidak dapat diubah

a) Mayor.

1) Peningkatan lipid serum

2) Hipertensi

3) Merokok

Merokok sangan berbahaya karena :

a) Merokok dapat mengurangi kadar kolesterol HDL dan

meningkatkan kadar kolesterol LDL.

b) Merokok menyebabkan bertambahnya kadar karbonmonoksida

dalam darah, sehingga meningingkatkan resiko terjadinya

cedera pada lapisan dinding arteri.

c) Merokok akan mempersempit arteri yang sebelumnya telah

menyempit karena atherosklerosis, sehingga mengurangi

jumlah darah yang sampai ke jaringan.

d) Merokok meningkatkan kecendrungan darah untuk membentuk

bekuan sehingga meningkatkan resiko terjadinya penyakit arteri

perifer, penyakit arteri koroner, stroke dan penyumbatan suatu

arteri cangkokan setelah pembedahan.

b) Minor

1) Gaya hidup yang kurang gerak.

2) Stress psikologik.

3) Tipe kepribadian.


2.5 Delphi 7 dan Interbase

2.5.1 Delphi 7

Borland Delphi 7.0 merupakan bahasa pemrograman berbasis windows.

Borland Delphi 7.0 merupakan pilihan bagi sebagian programmer untuk membuat

aplikasi, hai ini disebabkan kelebihan yang ada pada Borland Delphi 7.0 tersebut.

Berikut ini sebagian beberapa kelebiahn borland Delphi 7.0 diantaranya :

1. Berbasiskan OOP ( Object Oriented Programming ). Setiap bagian yang ada

pada program dipandang sebagai suatu object yang mempunyai sifat-sifat yang

dapat diubah dan diatur.

2. IDE yang berkualitas. Delphi memiliki lingkungan pengembangan yang

lengkap. Terdapat menu-menu ysng memudahkan anda mengatur proyek

pengembangan software.

3. Proses Kompilasi yang cepat. Delphi memiliki kecepatan kompilasi yang tidak

perlu diragukan. Saat aplikasi yang anda buat dijalankan dilingkungan Delphi ,

aplikasi tersebut otomatis dicompile secara terpisah.

4. Aplikasi yang dapat dihasilkan Delphi bersifat multi-purpose, dapat digunakan

untuk berbagai keputusan pengembangan aplikasi mulai perhitungan

sederhana sampai aplikasi multimedia bahkan yang terkoneksi ke internet.

5. Satu file Exe. Setelah merancang program dalam IDE Delphi, Delphi akan

mengkompilasinya menjadi sebuah file executeable tunggal. Program yang di

buat langsung didistribusikan dan dijalankan pada komputer lain tanpa perlu

menyertakan file DLL dari luar. Ini merupakan sebuah kelebihan yang sangat

berarti.

2.5.2 Interbase

Interbase merupakan program aplikasi database untuk menangani database client

server yang didistribusikan oleh sebuah perusahaan perangkat lunak yang terkenal

yaitu Borland. Interbase server ditemukan satu paket dengan program Delphi untuk

semua edisi.


Keuntungan menggunakan Interbase adalah sebagai berikut:

1. Interbase memiliki semua fitur, kekuatan, dan skalabilitas yang diperlukan

untuk aplikasi bisnis yang kompleks yang menawarkan keunggulan

performa untuk jumlah pengguna yang besar.

2. Borland Interbase didesain untuk dapat diinstall dengan mudah pada lokasi

end-user tanpa pertolongan administrator database. Interbase dapat di-install

secara terselubung, sehingga end-user tidak tahu jika sudah terinstal.

3. Interbase mendukung berbagai kumpulan bahasa untuk meningkatkan

portabilitas dan skalabilitas global.

InterBase memiliki dua tipe arsitek, yaitu Super Server dan Classic. Super

Server merupakan multi klien, implementasi multi-thread dari proses server InterBase.

Implementasi ini menggantikan jenis implementasi model Classic yang telah

digunakan pada versi InterBase sebelumnya.


kecerdasan buatan-ai

Documents