Tujuan utama penggunaan factor kepastian
adalah untuk mengolah ketidakpastian dari fakta dan gejala dengan menghindarkan
keperluan data dan perhitungan yang besar. Factor kepastian diperoleh dari
pengurangan nilai kepercayaan (measure of belief) oleh nilai ketidak percayaan.
Faktor kepastian membuat beberapa asumsi
yang memudahkan tingkat kepercayaan dan beberapa persamaan aturan yang mudah
untuk mengkombinasikan tingkat kepercayaan sebagai program dalam mencapai
kesimpulan akhir
.Factor kepastian (certainly Factor) diperkenlakan oleh Shortliffe Buchhaman dalam pembuatan MYCIN (Weskey, 1984). Certainly Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan. Certainly Faktor didefinisikan sebagai berikut (Giarattano dan Riley, 1994)
- Sistem
pakar harus mampu mengatasi ketidakpastian dan menggambarkan konklusi yang
valid.
- Ketidakpastian
dalam sistem berbasis kaidah dapat berasal dari 3 hal berikut :
1. Kaidah Tunggal (individual rule)
Kaidah
tunggal dipengaruhi oleh 3 hal : kesalahan (error),
probabilitas dan kombinasi premis.
Kesalahan
(error)
disebabkan antara lain oleh :
a. Ambiguitas,
yaitu sesuatu yang didefinisikan berlebihan
b. Ketidaklengkapan
data
c. Kesalahan
informasi
d. Kesalahan
pengukuran
Probabilitas disebabkan oleh
ketidakmampuan seorang pakar untuk merumuskan kaidah secara pasti. Pemberian
nilai probabilitas yang menyatakan derajat kepercayaan dapat juga menyebabkan
ketidakpastian.
Kombinasi premis di dalam
anteseden jika premis lebih dari sebuah perlu diperhatikan. Beberapa kombinasi
yang dapat dibentuk :
E1 AND E2 AND E3
atau
E1 AND E2 OR E3
atau
E1 AND NOT E2 OR E3
2.
Ketidaksesuaian
Antarkaidah (incompatibility of rule)
Ketidaksesuaian antarkaidah dapat disebabkan oleh :
kontradiksi kaidah, subsumsi kaidah, redudansi kaidah, kehilangan kaidah dan
penggabungan data.
Kontradiksi
kaidah
Kontradiksi
merupakan ketidaksesuaian konsekuen diantara dua kaidah yang bisa jadi
disebabkan oleh anteseden yang kuran spesifik.
Contoh
:
Kaidah
1 : IF terdapat api THEN siramlah dengan air
Kaidah
2 : IF terdapat api THEN jangan siram dengan air
Interpretasi
kaidah 1, jika bebar-benar terdapat api seperti terbakarnya kayu, maka akan
dilakukan pemadaman dengan menyiramkan air. Sedangkan pada kaidah 2 memang
terdapat api yang memang sengaja untuk melakukan pembakaran (mis. Memasak) yang
tidak boleh disiram air.
Subsumsi
kaidah
Subsumsi
kaidah terjadi jika anteseden merupakan bagian dari kaidah yang lain.
Contoh
:
Kaidah 1 : IF E1 THEN H
Kaidah 2 : IF E1 and E2
THEN H
Interpretasinya,
jika E1 yang muncul, maka tidak terdapat masalah karena kaidah 1
yang akan dijalankan, tetapi jika E1 dan E2 kedua-duanya
muncul pada kaidah 1 dan kaidah 2, maka kedua-duanya akan sama-sama dijalankan
sehingga konflik resolusi dibutuhkan.
Redudansi
kaidah
Redudansi
aturan adalah kaidah-kaidah yang mempunyai konsekuen dan evidence yang sama.
Contoh
:
Kaidah 1 : IF E1 and E2 THEN H
Kaidah 2 : IF E2 and E1THEN
H
Kehilangan
kaidah
Kehilangan
aturan merupakan penyebab ketidaksesuaian antarkaidah yang terjadi jika seorang
ahli lupa atau tidak sadar akan membuat kaidah.
Contoh
:
IF E4 THEN H
Jika
E4 diabaikan maka H tidak akan pernah dapat disimpulkan dengan
layak.
Penggabungan
data (data fussion)
Penggabungan
data merujuk kepada ketidakpastian yang dihubungkan dengan perpaduan data dari
tipe informasi yang berbeda. Kesemua tipe yang berbeda tersebut harus
digabungkan untuk menjadikan mereka sebagai suatu informasi yang mendukung dan
menjadi pertimbangan saat pengambilan keputusan akhir.
Contoh
:
Dokter
membuat diagnosis penyakit tidak hanya dari hasil pemeriksaan fisik, tetapi
juga hasil laboratorium, riwayat penyakit pasien dsb.
3.
Resolusi
Konflik (conflict resolution)
Resolusi
konflik merupakan proses menyeleksi atau memilih kaidah yang ada jika terdapat
lebih dari satu kaidah yang diaktivasi dan resolusi konflik disebabkan oleh
interaksi antarkaidah.
Beberapa
metode untuk resolusi konflik :
a. Memicu
kaidah berdasarkan prioritas.
b. Mempunyai
kadiah yang mempunyai banyak premis yang harus dipenuhi. Metode ini dikenal
dengan the longest matching strategy.
c. Memilih
kaidah yang paling banyak digunakan.
d. Memilih
kaidah yang palinga kahir ditambahkan pada sekumpulan kaidah.
e. Memilih
kaidah yang waktu eksekusinya paling singkat.
f. Memilih
semua kaidah dari sekumpulah kaidah yang ada.
FAKTOR
KEPASTIAN (CERTAINTY FACTOR)
- Faktor
kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan (unbelief)
dalam bilangan yang tunggal.
- Dalam
certainty theory, data-data kualitatif direpresentasikan sebagai derajat
keyakinan (degree of belief).
- Tahapan
dalam merepresentasikan data-data kualitatif :
1.
kemampuan untuk mengekspresikan derajat
keyakinan sesuai dengan metode yang sudah dibahas sebelumnya.
2.
kemampuan untuk menempatkan dan
mengkombinasikan derajat keyakinan tersebut dalam sistem pakar.
- Dalam
mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut certain factor (CF) untuk engasumsikan derajat
keyakianan seorang pakar terhadap suatu data.
- Formulasi
certain factor :
CF[H,E] = MB[H,E] – MD[H,E]
Dimana
:
CF
= Certain Factor (faktor kepastian)
dalam hipotesis H yang
dipengaruhi oleh fakta E
MB
= Measure of Belief (tingkat
keyakinan), adalah ukuran kenaik-
an dari kepercayaan hipotesis H dipengaruhi oleh
fakta E.
MD
= Measure of Disbelief (tingkat
ketidakyakinan), adalah kenaik-
an dari ketidakpercayaan hipotesis H dipengaruhi
fakta E.
E
= Evidence (peristiwa ataua fakta)
- Penggabungan
kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal memiliki dua
kegunaan, yaitu :
1. Faktor
kepastian digunakan untuk tingkat hipotesis di dalam urutan kepentingan.
Contoh
: jika seorang pasien mempunyai gejala tertentu
yang mengindikasikan beberapa kemungkinan penyakit, maka penyakit dengan
CF tertinggi menjadi urutan pertama dalam urutan pengujian.
Ukuran
kepercayaan dan ketidapercayaan didefinisikan dalam probabilitas sebagai
berikut :
1 P(H) = 1
MB(H,E)
= max[P(H|E),P(H)]-P(H) lainnya
max[1,0]-P(H)
1 P(H)
= 0
MD(H,E)
= max[P(H|E),P(H)]-P(H) lainnya
min [1,0]-P(H)
Karakteristik
dari MB, MD dan CF
Karakteristik
|
Nilai
|
Jangkauan
|
0
£ MB £ 1
0
£ MD £ 1
-1
£ CF £ 1
|
Hipotesis
pasti benar
P(H|E)
= 1
|
MB
= 1
MD
= 0
CF
= 1
|
Hipotesis
pasti salah
P(H’|E)
= 1
|
MB
= 0
MD
= 1
CF
= -1
|
Kekurangan
fakta
P(H|E)
= P(H)
|
MB
= 0
MD
= 0
CF
= 0
|
Faktor
kepastian (CF) menunjukkan jaringan kepercayaan dalam suatu hipotesis ayng
berdasarkan pada beberapa fakta.
CF
Positif : mendukung hipotesis, karena MB > MD.
CF=1 : fakta secara definisi membuktikan suatu
hipotesis
s MD=MB, berarti kepercayaan dihapus atau
ditiadakan oleh ketidakpercayaan
CF Negatif : fakta menandakan negasi dari hipotesis,
karena MB < MD. Dengan kata lain menyatakan ketidakpercayaan terhadap
hipotesis daripada mempercayainya.
2. Faktor
kepastian memberikan seorang pakar untuk menyatakan kepercayaan tanpa menyatakan nilai ketidakpercayaan.
Formulanya
:
CF(H,E)
+ CF(H’,E) = 0
Berarti,
fakta mendukung suatu hipotesis dan mengurangi dukungan terhadap negasi dari
hipotesis dengan jumlah yang sama, sehingga jumlahnya selalu nol.
Contoh
:
Mahasiswa
lulus jika mendapatkan nilai A untuk suatu mata kuliah.
CF(H,E) = 0,70 CF(H’,E) =
-0,70
Seberapa
kepercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ?
Jawab : saya pastikan 70% bahwa saya akan lulus jika
saya memperoleh nilai A untuk mata kuliah ini.
Seberapa
ketidakpercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ?
Jawab : saya pastikan -70% bahwa saya tidak akan lulus jika saya
memperoleh nilai A untuk mata kuliah ini
PERHITUNGAN
dengan FAKTOR KEPASTIAN
- Definisi
asli dari CF adalah : CF = MB – MD
- Tahun
1977 definisi asli tersebut diubah dalam MYCIN menjadi :
CF = MB – MD
1–min(MB,
MD)
- Aturan
MYCIN untuk mengkombinasikan antecedent evidence dari ekspresi dasar
Evidence
E
|
Ketidakpastian
anteseden
|
E1
AND E2
E1
AND E2
NOT
E
|
Min[CF(H,E1),CF(H,E2)]
Max[CF(H,E1),CF(H,E2)]
-CF(H,E)
|
Contoh : Diketahui ekspresi logika untuk
penggabungan evicence
E=(E1
AND E2 AND E3) OR (E4 AND NOT E5)
Evidence E akan dihitung sebagai berikut :
E
= max [min(E1,E2,E3), min (E4,-E5)]
Jika diketahui : E1
= 0.9 E2= 0.8 E3 = 0.3
E4
= -0.5 E5 = -0.4
Maka hasilnya :
E
= max [min(0.9;0.8;0.3), min (-0.5;(-0.4))]
E
= max[0.3;-0.5]
- Rumus
dasar untuk CF dari kaidah
IF
E THEN H
adalah
:
CF(H,e)
= CF(E,e) CF(H,E)
Dimana
:
CF(E,e) : faktor kepastian dari fakta E membuat
antecedent dari kaidah berdasarkan pada ketidakpastian fakta e
CF(H,E) : faktor kepastian dalam hipotesa dengan
asumsi bahwa fakta diketahui dengan
pasti, bila CF(E,e)=1
CF(H,e) : faktor kepastian hipotesis yang
didasarkanpada ketidakpastian fakta e.
Jika
semua fakta dalam antecedent diketahui dengan pasti rumus faktor kepastiannya
menjadi :
CF(H,e) = CF(E,e) , karena
CF (E,e) = 1
Contoh : kaidah streptococcus (bakteri)
IF
1. Zat warna dari organisme adalah gram positif AND
2. morfologi dari organisme adalah coccus
AND
3. penyesuaian diri dari organisme adalah
merantai
THEN Ada bukti sugesstif (0.7) bahwa identifikasi
dari organisme tersebut adalah streptococcus
Dimana
faktor kepastian dari hipotesis dengan kepastian fakta adalah
CF(H,E) =
CF(H, E1ÇE2ÇE3) = 0.7
Dan
disebut Attenuation factor.
Attenuation factor didasarkan
pada asumsi bahwa semua fakta E1, E2 dan E3 diketahui dengan pasti, yaitu :
CF(E1,e)
= CF(E2,e) = CF(E3,e) = 1
Jika
diasumsikan :
CF(E1,e) = 0.5
CF(E2,e) = 0.6
CF(E3,e) = 0.3
Maka
CF(E,e) = CF(E1ÇE2ÇE3,e) = 0.7
= min[CF(E1,e), CF(E2,e),
CF(E3,e)]
= min[0.5;0.6;0.3]
= 0.3
Sehingga
CF(H,e) = CF(E,e) CF(H,e)
= (0.3) . (0.7)
= 0.21
Karena
CF dari antecedent CF(E,e) > 0.2; antecedent dinyatakan benar dan kaidah
diaktifkan.
- Jika
ada kaidah lain termasuk dalam hipotesis yang sama tetapi berbeda dalam faktor
kepastian, maka perhitungan faktor kepastian dari kaidah yang sama dihitung
dari enggabungan fungsi untuk faktor kepastian yang didefinisikan sebagai
berikut :
CFcombine(CF1,CF2)
= CF1+CF2
salah satu < 0
1-min(|CF1|,|CF2|
CF1+CF2(1-CF1) kedua-duanya
< 0
Dimana,
CFcombine digunakan bergantung pada apakah faktor kepastian positif atau negatif.
Contoh :
Masih
terkait dengan contoh sebelumnya. Jika terdapat kaidah lain termasuk dalam
strptococcus dengan faktor kepastian CF2 = 0.5, maka penggabungan
kepastian menggunakan rumusan CFcombine sebelumnya dan
diperoleh :
CFcombine(0.21;-0.5) = 0.21+0.5(1-0.21) = 0.605
Anggaplah
kaidah ketiga juga mempunyai konklusi yang sama, tetapi CF3 = 0.4,
maka dengan menggunakan rumus kedua dari CFcombine diperoleh :
CFcombine(0.605;-0.4)
= 0.605 – 0.4
1 – min(|0.605|-|-0.4|
= 0.205
1 – 0.4
= 0.34
Rumus
CFcombine juga bersifat komutatif, yaitu :
CFcombine(X,Y) = CFcombine(Y,X)
No comments:
Post a Comment