Topik Khusus Teknologi Informasi

Informatika Kedokteran

Certanty Factor

Sitta Rahayu (1104505009)

JURUSAN TEKNOLOGI INFORMASI FAKULTAS TEKNIK

UNIVERSITAS UDAYANA

BUKIT JIMBARAN

2014

Expert System

Jacson (1999) memberikan definsi Sistem pakar adalah program komputer

yang mewakili dan akan memberikan alasan dengan berdasarkan pengetahuan

beberapa subjek spesialis dengan tujuan untuk memecahkan masalah atau

memberikan nasihat.

Untuk mengatasi masalah tingkat ahli, sistem pakar akan memerlukan

akses yang efisien ke basis pengetahuan domain substansial, dan mekanisme

penalaran untuk menerapkan pengetahuan untuk memecahkan masalah yang

mereka diberikan. Biasanya sitem pakar juga perlu menjelaskan, untuk pengguna

yang bergantung pada mereka, bagaimana mereka telah mencapai keputusan

mereka.

Terdapat beberapa komponen penting yang harus ada dalam sistem pakar,

yaitu keahlian, pengalihan keahlian, inferensi, dan kemampuan untuk menjelaskan

aturan fakta, teori, prosedur, dan aturan masalah dalam request untuk

menyelesaikan masalah.

Gambar 1 Bagian istem Pakar

Sistem pakar terdiri dari dua bagian utama seperti yag terlihat pada

Gambar 1 Pertama, lingkungan pengembangan, yang digunakan oleh produsen,

untuk membangun komponen sistem pakar, dan memperkenalkan pengetahuan ke

dalam basis pengetahuan. Kedua, konsultasi lingkungan, yang digunakan oleh

pengguna, dalam rangka untuk memperoleh pengetahuan dan saran dari sistem

pakar, seolah-olah itu konsultasi dengan para ahli yang sebenarnya.

Mesin inferensi yang paling banyak digunakan, adalah forward chaining

dan backward chaining, atau kombinasi dari keduanya, namun kadang-kadang

keduanya dikombinasikan dengan metode lain untuk menjadi mesin inferensi

lebih stabil. Sistem pakar dapat dibedakan menjadi sistem komputer konvensional

dalam hal:

1. Sistem pakar yang mensimulasikan penalaran manusia tentang masalah

domain, daripada simulasi domain sendiri.

2. Sistem pakar melakukan penalaran atas representasi dari pengetahuan

manusia, selain melakukan perhitungan numerik atau pengambilan data.

Sistem pakar berbeda sesuai modul disebut sebagai mesin inferensi dan

basis pengetahuan.

3. Masalah cenderung diselesaikan dengan menggunakan heuristik (aturan

praktis) atau metode perkiraan atau metode probabilistik yang, tidak

seperti solusi algoritmik, tidak dijamin untuk menghasilkan solusi yang

tepat atau optimal.

4. Sistem pakar biasanya harus memberikan penjelasan dan pembenaran

solusi atau rekomendasi untuk meyakinkan pengguna bahwa alasan

mereka benar.

Certanty Factor

Faktor Kepastian mirip dengan probabilitas bersyarat, tapi agak berbeda.

Alih-alih mewakili tingkat probabilitas hasil, certainty factor mewakili ukuran

kepercayaan hasil. Apabila probabilitas berkisar dari 0 (false) ke 1 (benar),

Kisaran CF dari:

- -1 diyakini tidak akan terjadi

- 1 diyakini menjadi kasus

- Ukuran absolut dari CF mengukur tingkat keyakinan

- Tanda menunjukkan kepercayaan vs ketidakpercayaan.

CF dihitung dengan menggunakan dua langkah-langkah lain:

1. MB (H, E) - Mengukur Keyakinan: nilai antara 0 dan 1 mewakili sejauh

mana kepercayaan hipotesis H didukung dengan mengamati bukti E.

Untuk menghindari nilai negatif, modifikasi berikut digunakan:

2. MD (H, E) - Mengukur Percaya: nilai antara 0 dan 1 mewakili sejauh

mana ketidakpercayaan dalam hipotesis H didukung dengan mengamati

bukti E.

Sekali lagi, untuk menghindari nilai negatif, modifikasi berikut digunakan:

Konsep certainly factor diusulkan untuk mengakomodasi ketidakpastian

seorang ahli yang sering dianggap menganalisis informasi dengan frase seperti

"bisakah", "mungkin", "hampir pasti" dan seterusnya. Notasi certainly factor

dijelaskan sebagai berikut:

CF[h,e]=M[h,e] – MD[h,e]

Dimana, CF [h, e] menggambarkan faktor kepastian dan MB [h, e]

menggambarkan ukuran kepercayaan hipotesis h, jika diberikan bukti e (antara 0

dan 1), MD [h, e] menjelaskan ukuran dari ketidakpercayaan hipotesis h, jika

diberikan bukti e (antara 0 dan 1). Ada tiga hal yang mungkin terjadi pada

hipotesis yang timbul dari bukti yang ada. Pertama, aturan dengan single bukti e

dan hipotesis tunggal h, dimana faktor notasi kepastian dapat ditulis sebagai

berikut:

CF[h,e]=CF(e) x CF(rule)

Dalam prakteknya, CF (rule) ditentukan oleh para ahli, sedangkan CF (e)

ditentukan oleh pengguna, ketika konsultasi dengan sistem. Kedua, aturan dengan

multi bukti e dan satu hipotesis h. Faktor kepastian Notasi ditentukan oleh

interface yang digunakan, bisa menggunakan pemisahan atau bersama. Notasi

pada disjungsi ikat ditulis sebagai berikut:

IF e1 AND e2 ... AND en THEN h (CF rule)

Sehingga perhitungan nilai kombinasi CF, didefinisikan oleh notasi berikut:

CF(h,e)=min[CF(e1),CF(e2),...,CF(en)]*CF(rule)

Sementara itu, untuk menghubungkan bersama, dapat ditulis sebagai berikut:

IF e1 OR e2 ... OR en THEN h (CF rule)

Jadi perhitungan nilai CF kombinasi, didefinisikan oleh notasi berikut:

CF[h,e] = max[CF(e1),CF(e2),...,CF(en)]*CF(rule)

Ketiga, kombinasi dari dua aturan yang berbeda dengan bukti (e1 dan e2) tetapi

mengacu pada hipotesis yang sama. Persamaan untuk menggabungkan dua CF

adalah sebagai berikut:

Di sisi lain, penggunaan inferensi mesin sistem pakar bertujuan untuk

membentuk kesimpulan akhir atas dasar pengetahuan. Beberapa mesin inferensi

yang dapat digunakan adalah logika fuzzy, jaringan saraf, konsep ketentuan yang

berbasis neuro-fuzzy if-then, penalaran Bayesian, algoritma genetika, dan bahkan

faktor kepastian atau certanty factor. Untuk penggunaan certanty factor, pada awal

perkembangannya, banyak dikritik oleh para ilmuwan karena mereka tidak cocok

dan hanya digunakan untuk kebutuhan spesifik dan tidak dapat digunakan, namun

sekarang, certanty factor mulai digunakan lagi sebagai mesin inferensi karena

kemampuannya yang mampu membentuk asumsi kausal independen dan mampu

menangani munculnya aturan tunggal atau ganda untuk kesimpulan akhir yang

dihasilkan.

Contoh di bawah ini akan membahas penggunaan gabungan nilai certanty

factor dengan beberapa aturan untuk mendeteksi penyakit dalam tanpa melihat

nilai terendah atau nilai tertinggi, sehingga nilai akhir adalah hasil yang lebih

optimal tanpa bergantung pada salah satu bukti bahwa ada, karena semua bukti

memiliki potensi yang sama untuk dapat menentukan keputusan akhir.

Aplikasi yang dikembangkan oleh tb. Ai Munandar, Suherman dan

Sumiati yang diupload pada jurnal internasional, dirancang oleh kondisi interaktif,

di mana pengguna tidak terkena jenis pertanyaan yang membutuhkan jawaban Ya

atau Tidak. Dalam aplikasi yang dikembangkan, pengguna seakan dihadapkan

dengan dokter sungguhan, dengan konsultasi pada halaman, sistem akan bertanya

tentang bagian tubuh yang merasakan gejala tertentu. Misalnya, jika pengguna

mengetik tubuh "head", maka akan muncul beberapa jenis gejala yang bisa dipilih

oleh pengguna, serta bagian tubuh lainnya. Jika pengguna telah memilih beberapa

gejala, maka pengguna dihadapkan dengan halaman konsultasi untuk memberikan

CF sesuai dengan keyakinan mereka. Nilai CF ini akan dihitung sesuai dengan

nilai CF yang ada dalam basis pengetahuan.

Gambar 2 Flowchart Proses Konsultasi pada Sistem Pakar yang Dikembangkan

Pemilihan gejala dapat dilakukan berulang-ulang selama pengguna

percaya bahwa ada banyak gejala dirasakan. Jika pengguna sudah merasa cukup

percaya diri, maka pengguna hanya dapat melakukan hasil akhir pencarian. Sistem

akan melakukan proses inferensi untuk gejala CF dipilih dengan nilai yang

dimasukkan. Misalnya, konsultasi pengguna sebagai berikut:

Berdasarkan gejala yang dipilih, sistem mendeteksi beberapa jenis

penyakit yang memenuhi gejala ini. Misalnya, gejala 5 (CFg5 = 0.70) dan gejala 7

(CFg7 = 0.60), menunjukkan gejala abses otak dengan setiap aturan CF (CFR1 =

0.80) dan (CFR2 = 0.70), sehingga nilai CF kombinasi diperoleh sebagai berikut:

CF1 = CFg5 x CFR1 = 0.70 x 0.80 = 0.56CF2 = CFg7 x CFR1 = 0.60 x 0.70 = 0.42

Karena kedua nilai CF (CF1 CF2 dan)> 0, maka digunakan persamaan 7.a,

sehingga nilainya didapat sebagai berikut:

CFcomb = CF1 + CF2(1 – CF1)= 0.56 + 0.42(1 – 0.56)= 0.74

Dalam kondisi yang sama, gejala 7 (CFg7 = 0.60) muncul pada gejala

anemia dengan aturan CF (CFR1 = 0.60), selain tujuh gejala, gejala lain yang

muncul ketika pengguna memilih gejala awal adalah gejala 1 (CFg1 = 0.70)

dengan aturan CF dari basis pengetahuan (CFR2 = 0.50) dan gejala 8 (CFg8 =

0.40) dengan aturan CF (CFR3 = 0.60). Dengan demikian, kombinasi dari nilai-

nilai CF yang diperoleh adalah sebagai berikut:

CF1 = CFg1 x CFR2 = 0.70 x 0.50 = 0.35CF2 = CFg7 x CFR1 = 0.60 x 0.60 = 0.36CF3 = CFg8 x CFR3 = 0.40 x 0.60 = 0.24

CFcomb = CF1 + CF2(1 – CF1)= 0.35 + 0.36(1 – 0.35)

= 0.58 CFcomNew = CFcomb + CF3(1 – CFcomb)

= 0.58 + 0.24(1 – 0.58)= 0.68

Secara keseluruhan, nilai CF setelah hasil pencarian, untuk semua gejala

yang telah dipilih, berdasarkan sistem pakar perhitungan. Berdasarkan delapan

gejala yang dialami oleh pengguna selama konsultasi, hubungan kemungkinan

beberapa jenis penyakit yang diderita oleh pengguna ditunjukkan oleh Tabel 2

dengan nilai CF tertinggi menunjukkan bahwa jenis penyakit adalah apa yang

sebenarnya lebih dekat ke tingkat yang terbaik dari hasil pencarian pengguna

terkait gejala apa yang dirasakan.

Jumlah hasil diagnostik yang muncul menunjukkan bahwa penggunaan

certanty factor, mampu memberikan keputusan yang lebih baik daripada hanya

menggunakan metode inferensi biasa. Hal ini menunjukkan juga bahwa, gejala-

gejala pengguna yang berhubungan dengan penyakit lain, dan memerlukan teknik

inferensi yang benar untuk mencegah diagnosis tunggal. Dengan munculnya

beberapa diagnosis, pasien dapat mengetahui jenis penyakit sesuai dengan tingkat

akurasi yang tersedia.