Probabilitas Penggunaan Premis untuk menentukan

Certainty Factor dari Rule

Gregorius S. Budhi 1) Rolly Intan 2)
1)
Teknik Informatika Universitas Kristen Petra
Jl. Siwalankerto 121 – 131 Surabaya 60236
Email: greg@petra.ac.id
2)
Teknik Informatika Universitas Kristen Petra
Jl. Siwalankerto 121 – 131 Surabaya 60236
Email: rintan@petra.ac.id

ABSTRAK yang memiliki kemampuan atau mengerti dalam

Penentuan tingkat keyakinan (Certainty Factor)
sebuah rule dalam sistem pakar cukup sulit. Ada
dua cara yang sering digunakan yaitu: ‘Net
Belief”, diusulkan oleh E.H.Shortliffe dan
B.G.Buchanan, yaitu dengan menghitung
probabilitas keyakinan dan ketidakyakinan pakar
akan terjadinya sebuah hipotesa akibat sebuah
fakta (evidence). Cara kedua dengan menggali
dari hasil wawancara dengan pakar atau dengan
menanyakan langsung keyakinan pakar terhadap
rule. Kedua cara ini sulit untuk diterapkan dan
memakan waktu, apalagi ditambah fakta bahwa
pakar yang terlibat biasanya tidak mengerti
tentang sistem pakar.
Metode yang diusulkan oleh peneliti ini tidak
melibatkan pakar dalam penentuan CF sebuah
Rule. Pada metode ini CF – Rule didapat dengan
menghitung probabilitas kemunculan sebuah
fakta pada semua rule yang ada. Dasar
pemikirannya adalah: Semakin sering sebuah
fakta digunakan pada rule – rule yang ada, dapat
diasumsikan bahwa fakta itu semakin general.
Semakin general sebuah fakta, semakin kecil
tingkat keyakinan terjadinya hipotesa akibat
fakta tersebut.
Metode ini telah dicoba untuk menghitung CF –
Rule dari rule – rule sebuah sistem pakar tentang
kesehatan dengan hasil yang menjanjikan.
Kelemahan dari metode ini adalah bila ada rule –
rule tambahan setelah CF – Rule dihitung, maka
perhitungan CF – Rule tersebut harus diulang
dari awal.
Kata Kunci:
Rule-Base Expert System, Certainty Theory,
Probabilitas.
1. Landasan Teori
1.1. Sistem Pakar
Sistem pakar adalah program komputer yang
didesain untuk meniru kemampuan memecahkan
masalah dari seorang pakar. Pakar adalah orang
menghadapi suatu masalah. Lewat pengalaman,
seorang pakar mengembangkan kemampuan yang
membuatnya dapat memecahkan permasalahan
dengan hasil yang baik dan efisien [1].
Ada 2 ciri utama dari seorang pakar yang
dicoba untuk ditiru, yaitu: pengetahuan dan
pemikiran/pertimbangan yang dimiliki pakar.
Untuk mengerjakan ini, sistem harus mempunyai
2 modul utama, yaitu [1]:
1. Knowledge base berisi pengetahuan yang
mengkhususkan pada area permasalahan
seperti yang diberikan oleh seorang pakar.
Knowledge base terdiri dari fakta-fakta yang
dipersoalkan, rules, konsep-konsep, dan
relationships.
2. Inference engine adalah pengolah
pengetahuan yang meniru
pemikiran/pertimbangan dari pakar. Suatu
engine bekerja dengan informasi yang
tersedia pada permasalahan yang diberikan,
bergandengan dengan pengetahuan yang
disimpan pada knowledge base, untuk
menarik kesimpulan atau rekomendasi.
1.2. Knowledge base
Pengetahuan atau knowledge terdiri dari fakta
konsep, teori, metode heuristik, prosedur, dan
hubungan. Pengetahuan juga berarti informasi
yang sudah terorganisir dan teranalisa, yang
menjadikannya mudah dimengerti dan dapat
diaplikasikan dalam pemecahan masalah atau
pengambilan keputusan [4].
Salah satu cara representasi knowledge
(pengetahuan) adalah melalui rule. Rule
merupakan struktur IF/THEN yang secara logika
menghubungkan informasi yang tersimpan dalam
bagian IF yang juga dikenal sebagai premis,
dengan informasi yang tersimpan dalam bagian

1
THEN. Kumpulan rule yang saling terkait disebut
juga sebagai rule set [4].
Bentuk umum rule sebagai berikut:
IF <kondisi> THEN <pernyataan>
atau
IF <kondisi> THEN <pernyataan1>
ELSE <pernyataan2>
1.3. Certainty Theory
Certainty Theory ini diusulkan oleh Shortliffe
dan Buchanan pada tahun 1975 untuk
mengakomadasi ketidakpastian pemikiran
(inexact reasoning) seorang pakar.
Teori ini berkembang bersamaan dengan
pembuatan sistem pakar MYCIN. Team
pengembang MYCIN mencatat bahwa dokter
sering kali menganalisa informasi yang ada
dengan ungkapan seperti misalnya: mungkin,
kemungkinan besar, hampir pasti. Untuk
mengakomodasi hal ini tim MYCIN
menggunakan certainty factor (CF) guna
menggambarkan tingkat keyakinan pakar
terhadap permasalahan yang sedang dihadapi [1].
Secara umum, rule direpresentasikan dalam
bentuk sebagai berikut [1]:
IF E1 [AND / OR] E2 [AND / OR] … En
THEN H (CF = CFi)
dimana:
E1 ... En : fakta – fakta (evidence) yang ada.
H : hipotesa atau konklusi yang
dihasilkan.
CF : tingkat keyakinan (Certainty
Factor) terjadinya hipotesa H
akibat adanya fakta – fakta E1 s/d
En .
1.4. Usulan Penentuan CF-Rule
Rumus yang diusulkan untuk menentukan
CF-Rule adalah sebagai berikut:
 i nj  1
CF _ Rule = 1 −  ∑  +
 j =1 m  m
dimana:
n = Jumlah penggunaan fakta (var. premis)
tertentu pada semua rule yang ada
j = Banyaknya premis yang digunakan
pada sebuah rule yang dihitung CF-
Rule-nya.
m = Jumlah rule yang digunakan.
REFERENSI
[1] Durkin, John; “Expert Systems Design and
Development”, Prentice Hall, 1994.
[2] Gonzales, Avelino J.; Dankel, Douglas D,
“The Engineering of Knowledge Based
Systems”. Prentice Hall, 1993.
[3] Ignizio, James P., “Introduction to Expert
System : The Development and
Implementation of Rule-Based Expert
System”, McGraw-Hill, 1991.
[4] Turban, Efraim; “Decision support systems
and expert systems”, Prentice-Hall
International Inc., 1995.