Upload
sitta-rahayu
View
9
Download
0
Embed Size (px)
Citation preview
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.