BAB 2 LANDASAN TEORI

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 obyekobyek 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 langkahlangkah 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 6.

: calon aksi yang akan dibangkitkan.

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

Observasi B

aturan R2

fakta D

Aturan R3 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 TIDAK E

max[CF(H,E1), CF(H,E2)] -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

0,8 0,7 C

D

0,9 F

0,5

-0,3 E

B

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:”bersinbersin”, 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 Gejalanya adalah sebagai berikut : 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. Gejalanya adalah sebagai berikut : 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 Gejalanya adalah sebagai berikut : 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.


BAB 2 LANDASAN TEORI

Recommend Documents