CERTAINTY FACTOR
UTHIE
Pengetahuan di dalam sistem pakar yang direpresentasikan dengan menggunakan CF diekspresikan dalam seperangkat aturan yang memiliki format : IF evidence THEN hipotesa (CFrule = ….) dimana evidence adalah satu atau beberapa fakta yang diketahui untuk mendukung hipotesa. Cfrule adalah certainty factor untuk hipotesis jika evidence diketahui.
probabilitas dari suatu hipotesis terjadi jika diketahui/diberikan beberapa evidence disebut sebagai conditional probability dan disimbolkan sebagai P(H|E). jika P(H|E) lebih besar dari probabilitas sebelumnya, yaitu P(H|E) > P(H), maka berarti keyakinan pada hipotesa meningkat. Sebaliknya jika P(H|E) lebih kecil dari probabilitas sebelumnya yaitu P(H|E) < P(H), maka keyakinan pada hipotesa akan menurun.
ukuran yang menunjukkan peningkatan keyakinan pada suatu hipotesa berdasarkan evidence yang ada disebut dengan measure of believe (MB). sedangkan ukuran yang menunjukkan penurunan keyakinan pada suatu hipotesa berdasarkan evidence yang ada disebut sebagai measure of disbelief (MD). Nilai dari MB dan MD dibatasi sedemikian sehingga : 0 <= MB <= 1 0 <= MD <= 1
Ukuran MB secara formal didefinisikan sebagai :
Sedangkan MD didefinikan sebagai :
Karena dalam proses observasi kepercayaan dapat bertambah atau berkurang, maka diperlukan ukuran ketiga untuk mengkombinasikan MB dan MD, yaitu : certainty factor. CF diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley, 1984). Certainty factor didefinisikan sebagai berikut (Giarattano dan Riley, 1994):
CF(H,E) : CF dari hipotesis H yang dipengaruhi oleh gejala (evidence) MB(H,E) : keyakinan pada suatu hipotesa berdasarkan evidence yang ada MD(H,E) : penurunan keyakinan pada suatu hipotesa berdasarkan evidence yang ada
nilai dari CF dibatasi oleh : -1 <= CF <= 1 nilai 1 berarti sangat benar, nilai 0 berarti tidak diketahui dan nilai -1 berarti sangat salah. Nilai CF negatif menunjukkan pada derajat ketidakpercayaan sedang nilai CF positif menunjuk pada derajat kepercayaan
PROPAGASI KEYAKINAN UNTUK RULE DENGAN SATU PREMIS.
Yang dimaksud dengan propagasi keyakinan/kepercayaan adalah proses menentukan derajat kepercayaan pada kesimpulan pada kondisi dimana fakta/bukti/evidence yang ada tidak pasti (uncertain). Untuk rule dengan satu premis CF(H,E) didapatkan dengan rumusan :
Rumus ini pada buku (Kusrini,2008) dikenal sebagai rumus sekuensial.
PROPAGASI KEYAKINAN UNTUK RULE DENGAN BEBERAPA PREMIS
Pada rule dengan beberapa premis terdapat dua macam penghubung yaitu konjungsi dan disjungsi. Pada rule dengan konjungsi, pendekatan yang digunakan adalah sebagai berikut :
Fungsi “min” akan mengembalikan nilai paling kecil dari 1 set evidence yang ada.
Contoh IF
suhu udara rata-rata turun AND hembusan angin semakin kencang THEN musim hujan akan segera datang (CF = 0,8)
Asumsi derajat kepercayaan premise pertama : CF=0,1 Derajat kepercayaan premise kedua : 0,7 Maka derajat kepercayaan hipotesa tersebut adalah = min{1,0 ; 0,7} * 0,8 = 0,56 Ini artinya musim hujan mungkin akan datang
Rule dengan disjungsi Pada rule dengan disjungsi, pendekatan yang digunakan adalah sebagai berikut :
Fungsi “max” akan mengembalikan nilai paling besar dari 1 set evidence yang ada.
Contoh IF
suhu udara rata-rata turun OR hembusan angin semakin kencang THEN musim hujan akan segera datang (CF = 0,9)
Asumsi derajat kepercayaan premise pertama : CF=0,1 Derajat kepercayaan premise kedua : 0,7 Maka derajat kepercayaan hipotesa tersebut adalah = max{1,0 ; 0,7} * 0,9= 0,9 Ini artinya musim hujan hampir pasti akan datang
contoh Jika
batuk dan demam dan sakit kepala dan bersin-bersin Maka influensa, CF : 0,7 (ini adalah CF rule)
Perhitungan CF (E1, e) : 0,5 (50% pasien mengalami batuk) CF (E2, e) : 0,8 (80% pasien mengalami demam) CF (E3, e) : 0,3 (30% pasien mengalami sakit kepala) CF (E4, e) : 0,7 (70% pasien mengalami bersin-bersin) maka CF(batuk dan demam dan sakit kepala dan bersin-bersin) = = 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 CF derajat kepercayaan untuk kasus ini adalah : CF (Influensa) = 0,3 * 0,7 = 0,21 CF Sekuensial
Rule dengan konklusi yang sama
Latar belakang dalam proses eksekusi rule, terdapat beberapa rule yang menghasilkan hipotesa sama. Karena itu harus ada mekanisme untuk mengkombinasikan beberapa hipotesa tersebut untuk menjadi satu buah hipotesa saja. Rumus ini pada buku (Kusrini,2008) dikenal sebagai rumus Gabungan.
Contoh Diketahui Rule sebagai berikut : jika A dan B maka C ; CF = 0,8 jika C dan D maka G ; CF = 0,6 jika E dan F maka G ; CF = -0,1 Diketahui CF A = 0,3 CF B = 0,4 CF D = 0,5 CF E = 0,1 CF F = 0,2
Besar CF G adalah....
Langkah 1 : hitung besar CF untuk R1 : CF sekuensial aturan (jika A dan B maka C) adalah : = CF Paralel * CF Pakar = ( min (CF A, CF B) ) * CF Pakar = ( min (0,3 ; 0,4) ) * 0,8 = 0,3 * 0,8 = 0,24
Langkah 2 : hitung CF untuk R2 CF sekuensial aturan (jika C dan D maka G) adalah : = ( min (CF C, CF D) ) * CF Rule = ( min (0,24 ; 0,5 ) * 0,6 = 0,24 * 0,6 = 0,144 nilai CF sekuensial di atas bukan lah CF final untuk konklusi G karena masih ada turan lain yang memiliki konklusi sama – sama G yaitu R3.
oleh karena itu nilai CF konklusi G pada aturan (jika E dan F maka G ) juga perlu dihitung. CF sekuensial untuk aturan (jika E dan F maka G) : = ( min (CF E ; CF F) ) * (-0,1) = ( min (0,1 ; 0,2 ) * (-0,1) = 0,1 * (-0,1) = - 0,01 setelah diperoleh nilai nilai konklusi G dari semua aturan : aturan 2 : jika C dan D maka G CF sekuensial = 0,144 dan aturan 3 : jika E dan F maka G CF sekuensial = - 0.01
Langkah selanjutnya adalah dihitung menggunakan rumus CF gabungan. oleh karena CF sekuensial aturan 2 dan CF sekuensial aturan 3 berlainan tanda, maka digunakan rumus :
Contoh 2 aturan : jika A atau B maka C ; CF = 0,5 jika D dan E maka C ; CF = 0,4 jika A dan E maka C ; CF = 0,7 Jika diketahui nilai : CF A = 0,3 CF D = 0,3
CF B = 0,4 CF E = 0,2
maka nilai CF C dapat dihitung dengan langkah :
