Tugas Latihan 2 (hal. 206) 1. Jelaskan Apa yang dimaksud dengan Sistem Pakar dan berikan contohnya! Jawab: Sistem Pakar adalah sebuah sistem sis tem yang menggunakan pngetahuan manusia di mana pengetahuan tersebut dimasukkan ke dalam computer dan kemudian digunakan digunakan untuk untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia.Contoh: sistem pakar diagonosa penyakit tanaman tomat, sistem pakar diagnosa penyakit kulit manusia, dlsb.
2. Jelaskan manfaat dan kekurangan dari sistem pakar dan berikan contohnya! Jawab: Manfaat Sistem Pakar: a. Meningkatkan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari pada manusia b. Membuat seorang yang awam bekerja seperti layaknya seorang pakar c. Meningkatkan kulitas dengan memberi nasehat yang konsisten dan mengurangi kesalahan d. Mampu menangkap pengetahuan dan kepakaran seseorang e. Dapat beroperasi di lingkungan yang berbahaya f. Memudahkan akses pengetahuan dan kepakaran seseorang g. Andal. Sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit h. Meningkatkan kapabilitas sistem computer. Integrasi Sistem Pakar dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan informasi yang tidak lengkap. Pengguna dapat m erespons dengan : “tidak tahu” atau “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi dan Sistem Pakar tetap akan memberikan jawabannya i.
Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman karena adanya fasilitas penjelas yang berfungsi sebagai guru
j.
Meningkatkan kemampuan untuk menyelesaikan masalah karena Sistem Pakar mengambil sumber pengetahuan dari banyak pakar.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
Kekurangan Sistem Pakar: a. Biaya yang sangat mahal untuk membuat dan memeliharanya b. Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar c. Sistem pakar tidak 100% bernilai benar
3. Jelaskan ciri-ciri sistem pakar! Jawab: a. Terbatas pada domain keahlian tertentu b. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti c. Dapat menjelaskan alasan-alasan dengan cara yang dapat dipahami d. Bekerja berdasarkan kaidah/rule tertentu e. Mudah dimodifikasi f. Basis pengetahuan dan mekanisme inferensi terpisah g. Keluarannya bersifat anjuran h. Sistem dapat mengaktifkan kaidah secara searah yang sesuai, dituntun oleh dialog dengan pengguna.
4. Berikan Contoh Sistem pakar yang mempunyai area permasalahan aplikasi berikut: a. Interpretasi b. Prediksi c. Diagnosa d. Planning e. Monitoring f.
Debugging
g. Reparasi h. Intruction i.
Kontrol
Jawab: a. Interpretasi: menghasilkan akibat yang mungkn terjadi dari situasi yang ada. Sistem Pakar yang dikembangkan dalam bidang interpretasi melakukan proses pemahaman akan suatu situasi dari beberapa informasi yang direkam.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
Contoh : Sistem untuk melakukan sensor gambar dan suara kemudian menganalisanya dan kemudian membuat suatu rekomendasi berdasarkan rekaman tersebut. b. Pedikasi: memperkirakan akibat yang mungkin terjadi dari situasi data-data masukan. Sistem pakar yang mampu memprediksi kejadian di masa mendatang berdasarkan informasi dan model permasalahan yang dihadapi. Biasanya sistem memberikan simulasi kejadian masa mendatang tersebut. Contoh: Memprediksi tingkat kerusakan tanaman apabila terserang ham dalam jangka waktu tertentu. (yang dibuat oleh Boulanger dengan nama P LAT pada tahun 1983) c. Diagnosis: menyimpulkan suatu keadaan berdasarkan kendala-kendala yang diberikan (Symptoms). Contoh: Diagnosis penyakit, Diagnosis Kerusakan Mesin Kendaraan Bermotor, Diagnosis Kerusakan Kompenen Komputer. d. Planning : merencanakan tindakan-tindakan yang akan dilakukan yang banyak digunakan dalam bidang bisnis dan keuangan suatu proyek. Contoh: Sistem Pakar dalam pembuatan perencanaan suatu pekerjaan berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga pekerjaan lebih efisien dan lebih optimal. e. Monitoring: membandingkan hasil pengamatan dengan proses perencanaan. Contoh: Sistem Pakar dibidang ini banyak digunakan Militer yaitu dengan menggunakan sensor Radar kemudian menganalisanya dan menentukan posi si objek berdasarkan posisi Radar tersebut. f.
Debugging: menentukan penyelesaiann dari suatu kesalahan sistem. Contoh: sistem pakar tahap uji coba software komputer.
g. Reparasi: melaksanakan rencana perbaikan. Contoh: Sistem Pakar Reparasi Kerusakan Handphone untuk mendeteksi kerusakan smartphone sehingga pengguna tidak harus langsung membawa smartphone nya ke tempat perbaikan smartphone. h. Instruction: melakukan instruksi untuk diagnosis, debugging, dan perbaikan kinerja. Intruksi juga merupakan pengembangan sistem pakar yang sangat berguna dalam bidang ilmu pengetahuan dan pendidikan, dimana sistem pakar
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topic permasalahan. Contoh: pengembangan sistem pakar untuk mengajaran Bahasa inggris, sistem pakar untuk pengajaran astronomi, dan lain-lain. i.
Kontrol: melakukan control terhadap hasil interpretasi, diagnosis, debugging, monitoring dan perbaikan tingkah laku. Contoh: sistem pakar yang pengembangannya banyak ditemukan dalam kasus pasien rumah sakit, dimana dengan kemampuan sistem pakar dapat dilakukan kontoro terhadap cara pengobatan dan perawatan melalui sensor data atau kode alarm dan memberikan solusi terapi pengobatan yang tepat bagi si pasien yang sakit.
5. Apa saja yang dimaskud dengan: a. Kepakaran b. Pakar c. Pemindahan Kepakaran d. Inferensi e. Mesin Inferensi f.
Forward Chaining
g. Backward Chaining h. Akuisisi Pengetahuan i.
Basis Pengenalan
j. Knowledge Engineer Jawab: a. Kepakaran merupakan suatu permasalahan yang diperoleh dari pelatihan, membaca, dan pengalaman. Kepakaran inilah yang memungkinkan para ahli dapat mengambil keputusan lebih cepat dan lebih baik dari pada sesorang yang bukan pakar. b. Pakar aalah seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus serta mampu menerapkannya untuk memecahkan masalah atau memberi nasihat.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
c. Pemindahan Kepakaran adalah memindahkan kepakaran dari sesorang pakar ke dalam computer yang kemudian ditransfer kepada orang lain yang bukan pakar. d. Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan dalam melakukan penalaran. Inferensi akan ditampilkan pada suatu kompenen yang disebut mesin inferensi yang mencangkup prosedur-prodesur mengenai pemecahan masalah. e. Mesin Inferensi (Inference Engine) adalah otak dari sistem pakar yang mana mengandung mekanisme fungsi berfikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar yang mana mekanisme yang dimaksud aalah menganalisa suatu masalah tertentu dan kemudian mendari jawaban atau kesimpulan yang terbaik. f. Forward Chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila fakta cocok dengan bagian IF, maka rule tersebut dieksekusi. g. Backward Chaining adalah metode inferensi yang bekerja mundur kea rah kondisi awal. Proses yang diawali dari Goal (yang berada dibagian THEM dari Rule IF-THEN) kemudian pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF. h.
Akuisi Pengetahuan ( Knowledge Acquistion) adalah akumulais, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Lebih jelasnya Knowledge Acquistion berarti mengumpulkan, pemindahan, dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi (buku, jurnal, internet,dll) kedalam program computer yang bertujuan untuk memperbaiki dan mengembangkan basis pengetahuan ( Knowledge Base)
i.
Basis Pengenalan adalah adalah suatu bentuk basis data tert entu yang digunakan dalam manajemen pengetahuan (knowledge management ). berperan dalam proses mengumpulkan, mengorganisasikan, maupun mendapatkan kembali suatu pengetahuan (knowledge)
j.
Knowledge Engineer adalah Orang yang bisa melakukan pengembangan suatu sistem pakar.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
6. Apa kegunaan faktor kepastian? Berikan contohnya! Jawab: a. 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: MB (H,E)
=
[( ), ] − max1,0−
MD (H,E)
=
[( ), ] − min1,0−
CF=MB-MD b. 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
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
7. Diketahui sistem pakar mempunyai 10 rule yang tersimpan pada basis pengetahuannya sebagai berikut: R1
IF A & B THEN C
R2
IF C THEN D
R3
IF A & E THEN F
R4
IF A THEN G
R5
IF F & G THEN D
R6
IF G & E THEN H
R7
IF C & H THEN I
R8
IF I & A THEN J
R9
IF G THEN J
R10
IF J THEN K
Fakta awal yang diberikan hnaya: A & F (artinya: A dan F bernilai benar). Buktikan apakah K bernilai benar apabila proses inferensi dilakukan dengan cara: a) Forward Chaining b) Backward Chaining . Jawab: Fakta awal
: A & F bernilai benar.
Goal
: apakah K bernilai benar?
a) Forward Chaining Iterasi
Database
Rule
Fakta baru
1
A, F
R4
G
2
A, F, G
R5
G, D
3
A, F, G, D
R9
G, D, J
4
A, F, G, D, J
R10
G, D, J, K
K bernilai benar.
b) Backward Chaining Iterasi
Database
Stack
Rule
Stack baru
1
A, F
K
R10
K, J
2
A, F
K, J
R9
K, J, G
Sistem Pakar
Fakta baru
Kelompok (Suryani, Umri, Dina)
3
A, F
K, J, G
R4
K, J, G
G
4
A, F, G
K, J
R9
K, J
G, J
5
A, F, G, J
K
R10
K
G, J, K
Database
: {A, F, G, J, K}
Stack
: {}
Karena stack sudah kosong dan K ditemukan di database, maka proses pencarian dihentikan dan terbukti bahwa K bernilai benar.
8. Diketahui sistem pakar dengan rule-rule sebagai berikut: R1: IF A AND B THEN G R2: IF C AND E THEN B R3: IF C THEN D R4: IF A AND D THEN E R5: IF D AND E THEN F Seseorang hendak berkonsultasi dengan sistem pakar tersebut untuk menentukan apakah G bernilai benar atau tidak. Apabila diketahui fakta A dan C benar, jelaskan proses inferensi dari sistem pakar tersebut apabila menggunakan metode a) Forward Chaining b) Backward Chaining . Jawab: Fakta : A dan C bernilai benar Goal
: menentukan apakah G bernilai benar
a) Forward Chaining Iterasi
Database
Rule Fakta baru
1
A, C
R3
D
2
A, C, D
R4
D, E
3
A, C, D, E
R5
D, E, F
4
A, C, D, E, F
R2
D, E, F, B
5
A, C, D, E, F, B
R1
D, E, F, B, G
G bernilai benar.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
b) Backward Chaining Iterasi
Database
Stack
1
A, C
G
R1
G, B
2
A, C
G, B
R2
G, B, E
3
A, C
G, B, E
R4
G, B, E, D
4
A, C
G, B, E, D
R3
G, B, E, D
D
5
A, C, D
G, B, E
R4
G, B, E
D, E
6
A, C, D, E
G, B
R2
G, B
D, E, B
7
A, C, D, E, B
G
R1
G
D, E, B, G
Database
: {A, C, D, E, B, G}
Stack
: {}
Rule Stack baru
Fakta baru
Karena stack sudah kosong dan G ditemukan di database, maka proses pencarian dihentikan dan terbukti bahwa G bernilai benar.
9.
Sistem pakar klasifikasi buah mempunyai 11 rule berikut: R1
IF (Shape = long) and (Color = green or yellow) THEN Fruit = Banana
R2
IF (Shape = round or oblong) and (Diameter > 4 inches) THEN FruitClass = vine
R3
IF (Shape = round or oblong) and (Diameter < 4 inches) THEN FruitClass = tree
R4
IF SeedCount = 1 THEN Seedclass = stonefruit
R5
IF SeedCount > 1 THEN Seedclass = multiple
R6
IF (FruitClass = vine) and (Color = green) THEN Fruit = Watermelon
R7
IF (FruitClass = vine) and (Surface = rough) and (Color = tan) THEN Fruit = Honeydew
R8
IF (FruitClass = vine) and (Surface = smooth) and (Color = yellow) THEN Fruit = Cantaloupe
R9
IF (FruitClass = tree) and (Color = orange) and (SeedClass = stonefruit) THEN Fruit = Apricot
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
R10 IF (FruitClass = tree) and (Color = orange) and (SeedClass = multiple) THEN Fruit = Orange R11 IF (FruitClass = tree) and (Color = red or yellow or green) and (SeedClass = multiple) THEN Fruit = Apple
Diketahui fakta berikut:
Diameter = 3 inch
Shape = round
SeedCount > 1
Color = yellow
Surface = smooth
a. dengan Backward chaining, buktikan apakah Fruit = Orange Jawab: i-
Database
Stack
Rule
1
Diameter= 3 inch,
Fruit=Orange R10
Stack baru
Fakta baru
Fruit=Orange,
Shape= round,
FruitClass=tree,
SeedCount > 1,
Color=Orange,
Color= yellow,
SeedClass=multiple
Surface= smooth
Proses inferensi backward chaining untuk membuktikan “Fruit=Orange” terhenti pada iterasi 1, karena fakta “Color=yellow” tidak sesuai dengan R10, yaitu “IF (FruitClass = tree) and (Color = orange) and (SeedClass = multiple) THEN Fruit = Orange”.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
b. dengan Backward chaining, buktikan apakah Fruit = Apple Jawab: i-
Database
Stack
Rule
Stack baru
1
Diameter= 3 inch,
Fruit = Apple
R11
Fruit= Apple,
Shape= round,
FruitClass= tree,
SeedCount > 1,
Seedclass=
Color= yellow,
multiple
Fakta baru
Surface= smooth
2
3
Diameter= 3 inch,
Fruit = Apple,
Shape= round,
R5
Fruit= Apple,
SeedClass=
Fruitclass =
FruitClass= tree,
multiple
SeedCount > 1,
tree,
SeedClass=
Color= yellow,
Seedclass =
multiple
Surface= smooth
multiple
Diameter= 3 inch,
Fruit = Apple,
Shape= round,
Fruitclass =
SeedCount > 1,
tree
R3
Fruit=Apple,
SeedClass=
FruitClass= tree
multiple, FruitClass= tree
Color= yellow, Surface= smooth, SeedClass= multiple Diameter= 3 inch,
4
Fruit= Apple
R11
Fruit=Apple
SeedClass=
Shape= round,
multiple,
SeedCount > 1,
FruitClass=tree,
Color= yellow,
Fruit = Apple
Surface= smooth, SeedClass= multiple FruitClass= tree
Database (fakta baru):
Diameter = 3 inch,
Surface = smooth,
Shape = round,
Seedclass = multiple
SeedCount > 1,
Fruitclass = tree
Color = yellow,
Fruit = Apple
Stack: kosong
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
Karena isi stack kosong, maka proses pencarian dihentikan. Tampak bahwa fakta “Fruit = Apple” ada didalam database sebagai fakta baru. Jadi terbukti bahwa “Fruit = Apple” bernilai benar.
c. dengan Forward chaining, tentukan buah apa ini Bila diketahui fakta berikut:
Diameter = 5 inch
Shape = round
SeedCount > 1
Color = yellow
Surface = smooth
Jawab: Iterasi 1
Database Diameter = 5 inch,
Rule
Fakta baru
R2
FruitClass = vine
R5
Fruitclass = vine,
Shape = round, SeedCount > 1, Color = yellow, Surface = smooth 2
Diameter = 5 inch, Shape = round,
SeedClass = multiple
SeedCount > 1, Color = yellow, Surface = smooth, Fruitclass = vine 3
Diameter = 5 inch,
R8
FruitClass = vine,
Shape = round,
SeedClass = multiple,
SeedCount > 1,
Fruit = Cantaloupe
Color = yellow, Surface = smooth, FruitClass = vine, SeedClass = multiple
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
Proses inferensi forward chaining berhenti pada iterasi ke-3 dan mendaparkan suatu fakta baru yaitu “Fruit = Cataloupe”. Jadi, dari fakta-fakta yang diketahui, buah yang didapatkan adalah Cataloupe.
10. Dila mengalami gejala demam. Dokter menduga bahwa Dila terkena influenza. Jika diketahui: o
Probabilitas Dila demam, p(demam) = 0,4
o
Probabilitas Dila terkena influenza jika ia demam p(influenza | demam) = 0,6
o
Probabilitas Dila terkena influenza tanpa memandang gejala apapun p(influenza) = 0,5.
o
Berapa probabilitas Dila demam jika ia terkena influenza p(demam | influenza)?
Jawab: p(demam) = 0,4 p(influenza | demam) = 0,6 p(influenza) = 0,5 p(demam | influenza)? p(demam | influenza) = =
pinfluenza | demam x pdemam 0,6 0,4 0,24 = = 0,48 0,5 0,5
11. Si Ani mengalami gejala terdapat bintik-bintik di wajahnya. Dokter menduga bahwa Ani terkena cacar dengan: o
Probabilitas munculnya bintik-bintik di wajah, jika si Ani terkena cacar; p(Bintik2 | Cacar) = 0,8
o
Probabilitas si Ani terkena cacar tanpa memandang gejala apapun;p(Cacar)=0,4
o
Probabilitas munculnya bintik-bintik di wajah, jika si Ani alergi; p(Bintik2 | Alergi) = 0,3
o
Probabilitas si Ani alergi tanpa memandang gejala apapun; p(Aler gi) = 0,7
o
Probabilitas munculnya bintik-bintik di wajah, jika si Ani jerawatan; p(Bintik2 | Jerawatan) = 0,9
o
Probabilitas si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan)=0,5
Hitung probabilitas:
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
a. Si Ani terkena cacar karena ada bintik-bintik di wajahnya p(cacar|bintik2) b. Si Ani terkena alergi karena ada bintik-bintik di wajahnya p(alergi|bintik2) c. Si Ani terkena jerawatan karena ada bintik-bintik di wajahnya p(jerawatan|bintik2) Jawab: p(Bintik2 | Cacar) = 0,8 p(Cacar) = 0,4 p(Bintik2 | Alergi) = 0,3 p(Alergi) = 0,7 p(Bintik2 | Jerawatan) = 0,9 p(Jerawatan) = 0,5 p(Cacar | Bintik2)? p(Alergi | Bintik2)? p(Jerawatan | Bintik2)?
p(Cacar | Bintik2)
=
pBintik2 | Cacar x pCacar pBintik2 | Cacar x pCacar +pBintik2 | Alergi x pAlergi +pBintik2 | Jerawatan x pJerawatan
p(Cacar | Bintik2)
p(Alergi | Bintik2)
=
0,8 0,4 0,8 0,4+0,3 0,7+0,9 0,5
=
0,32 0,32 = = 0,3265 = 0,33 0,32+0,21+0,45 0,98
=
pBintik2 | Alergi x pAlergi pBintik2 | Cacar x pCacar +pBintik2 | Alergi x pAlergi +pBintik2 | Jerawatan x pJerawatan
p(Alergi | Bintik2)
p(Jerawatan | Bintik2)
=
0,3 0,7 0,8 0,4+0,3 0,7+0,9 0,5
=
0,21 = 0,2142 = 0,21 0,98
=
pBintik2 | Jerawatan x pJerawatan pBintik2 | Cacar x pCacar +pBintik2 | Alergi x pAlergi +pBintik2 | Jerawatan x pJerawatan
p(Jerawatan | Bintik2)
Sistem Pakar
=
0,9 0,5 0,8 0,4+0,3 0,7+0,9 0,5
=
0,45 = 0,4592 = 0,46 0,98
Kelompok (Suryani, Umri, Dina)
12. Tabel berikut menunjukkan tabel probabilitas bersyarat evidence E1, E2, E3 dan Hipotesis H1, H 2 dan H3. Misalkan pertama kali kita hanya mengamati evidence E 2, hitung probabilitas terjadinya hipotesis: a. H1 jika semula hanya evidence E2 yang teramati b. H2 jika semula hanya evidence E2 yang teramati c. H3 jika semula hanya evidence E2 yang teramati Prob
Hipotesis
i=1
i=2
i=3
p(Hi)
0,5
0,6
0,1
p(E 1 | Hi)
0,8
0,2
0,4
p(E 2 | Hi)
0,5
0,8
0,3
p(E 3 | Hi)
0,1
0,5
0,4
Jawab: p(H1 | E2)? p(H2 | E2)? p(H3 | E2)? p(H1 | E2) = =
0,5 x 0,5 0,5 x 0,5 +0,8 x 0,6+0,3 x 0,1
=
0,25 0,25 = = 0,3289 = 0,33 0,25 + 0,48 +0,03 0,76
p(H2 | E2) =
pE2 |H2 x pH2 pE2 |H1 x pH1 +pE2 |H2 x pH2 +pE2 | H3 x pH3
=
0,8 x 0,6 0,5 x 0,5 +0,8 x 0,6+0,3 x 0,1
=
0,48 = 0,6316 = 0,63 0,76
p(H3 | E2) =
Sistem Pakar
pE2 |H1 x pH1 pE2 |H1 x pH1 +pE2 |H2 x pH2 +pE2 | H3 x pH3
pE2 |H3 x pH3 pE2 |H1 x pH1 +pE2 |H2 x pH2 +pE2 | H3 x pH3
=
0,3 x 0,1 0,5 x 0,5 +0,8 x 0,6+0,3 x 0,1
=
0,03 = 0,0395 = 0,04 0,76
Kelompok (Suryani, Umri, Dina)
13. Seandainya seorang pakar penyakit anak menyatakan bahwa probabilitas seorang anak berpenyakit batuk rejan adalah 0,4. Data lapangan menunjukkan bahwa dari 10 anak penderita batuk rejan, 6 orang memiliki gejala demam. Dengan menganggap H = batuk rejan dan E = demam, hitung factor kepastian bahwa batuk rejan disebabkan oleh adanya demam! Jawab: Dik:
p(batuk rejan) = 0,4 Dari 10 anak penderita penyakit batuk rejan, 6 memili ki demam H = batuk rejan E = demam
Dit:
CF?
Penyelesaian: p(H) = 0,4 p(H | E) =
6 = 0,6 10
MB (H,E)
=
[( ), ] − max1,0−
0,6 ,0,4 − 0,4 1−0,4 0,6 − 0,4 0,2 1 = = = = 0,33 0,6 0,6 3 =
MD (H,E)
=
[( ), ] − min1,0−
0,6 ,0,4 − 0,4 0−0,4 0,4 − 0,4 0 = = =0 −0,4 −0,4 =
CF = 0,33 – 0 = 0,33 Rule: IF (Gejala=Demam) THEN Penyakit = batuk rejan (CF=0,33)
14. Diketahui sistem pakar dengan aturan-aturan sebagai berikut. R1: IF suku bunga turun THEN harga obligasi naik (CF = 0,4) R2: IF suku bunga naik THEN harga obligasi turun (CF = 0,1) R3: IF suku bunga tidak berubah THEN harga obligasi tidak berubah (CF = 0,5) R4: IF dolar naik THEN suku bunga turun (CF = 0,8)
Sistem Pakar
Kelompok (Suryani, Umri, Dina)
R5: IF dolar turun THEN suku bunga naik (CF = 0,3) R6: IF harga obligasi turun THEN beli obligasi (CF = 0,2) Seseorang hendak berkonsultasi dengan sistem pakar tersebut unutk menentukan apakah akan membeli obligasi atau tidak dan dengan tingkat kepastian berapa, apabila diketahui bahwa: “dolar turun” (CF = 0,3). Jawab: CF(suku bunga naik, dolar turun)
= CF(dolar turun) x CF(rule R5) = 0,3 x 0,3 = 0,09
Basis data(fakta-fakta): dolar turun(evidence CF=0,3) suku bunga naik(hypothesis CF=0,09)
CF(harga obligasi turun, suku bunga naik) = C F(suku bunga naik) x CF(rule R2) = 0,09 x 0,1 = 0,009 Basis data(fakta-fakta): dolar turun (evidence CF=0,3) suku bunga naik (hypothesis CF=0,09) harga obligasi turun (hypothesis CF=0,009)
CF(beli obligasi, harga obligasi turun) = CF(harga obligasi turun) x CF(rule R6) = 0,009 x 0,2 = 0,0018
Jadi, dari hasil perhitungan tersebut CF(beli obligasi, harga obligasi turun) = 0,0018
dan
memenuhi
syarat
Uncertain
Term
yaitu
Unknown
(Tidak tahu, CF -0,2 to 0,2), maka beli obligasi atau tidak adalah tidak diketahui dengan tingkat kepastian 0,18 %.
Sistem Pakar
Kelompok (Suryani, Umri, Dina)