Rangkuman Jurnal Sistem Pakar

"PERANCANGAN APLIKASI WEB UNTUK DETEKSI PENYAKIT PARU-PARU DENGAN INFERENCE FORWARD MENERAPKAN METODE DAMPSTER SHEFER "
Penulis : Ismail Juriwansyah
Desember 2014

      Dalam jurnal ini penulis merancang sistim komputer yang digunakan untuk mendeteksi penyakit paru-paru yang dialami oleh pasien melalui handphone. Dan system ini dibangun untuk dapat membantu orang yang tidak mengerti tentang penyakit paru-paru dalam mendeteksi penyakit paru-paru yang dialami oleh pasien tersebut tanpa harus pergi ke seorang pakar, dan dengan  menggunakan metode Dampster Shefer dapat diketahui berapa persen pasien tersebut mengalami penyakit paru-paru yang dimaksud.

     Jurnal ini menjelaskan tentang bagaimana penerapan metode Dampster Shefer dapat mendeteksi penyakit paru-paru. Namun ada beberapa permasalahan yang dihadapi antara lain :

1. Bagaimana cara membuat Sistim pakar menggunakan tree dari data-data penyakit paru-paru  dengan menggunakan PHP

2. Bagaimana mendeteksi para pasien yang terkena penyakit paru-paru

3. Bagaimana mengetahui persentase tingkat kebenaran penyakit paru-paru dengan menggunakan metode Dampster Shefer

     Kecerdasan Buatan adalah ide-ide untuk membuat suatu perangkat lunak komputer yang memiliki kecerdasan sehingga perangkat lunak komputer tersebut dapat melakukan suatu pekerjaan yang dilakukan oleh manusia. Adapun pekerjaan itu adalah berupa konsultasi yang dapat memberikan suatu informasi berupa saran-saran yang akan sangat berguna. Kecerdasan Buatan memungkinkan komputer untuk berpikir dengan cara menyederhanakan program. Dengan cara ini, Kecerdasan Buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai acuan di masa-masa mendatang.

     Kecerdasan atau kepandaian itu didapat berdasarkan pengetahuan dan pengalaman, untuk itu agar perangkat lunak yang dikembangkan dapat mempunyai kecerdasan maka perangkat lunak tersebut harus diberi suatu pengetahuan dan kemampuan untuk menalar dari pengetahuan yang telah didapat dalam menemukan solusi atau kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik. Kecerdasan Buatan menawarkan media dan uji teori kecerdasan. Teori ini dapat dinyatakan dalam bahasa program komputer dan dibuktikan melalui eksekusinya pada komputer nyata.

    Teori Dempster-Shafer ini ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidak konsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidak konsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. 

Secara umum teori Dempster-Shafer ditulis dalam suatu interval (Belief,Plausibility) :

1. Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan  proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian.

2.  Plausibility (Pl) dinotasikan sebagai : 

     Pl(s) = 1 – Bel (-s)

Plausibility juga bernilai 0 sampai 1. Jika yakin akan -s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(s)=0. Pada teori Dempster-Shafer dikenal adanya frame of discrement yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai:

m{θ} = 1,0. 

Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu : 

Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen 0. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Sebagai contoh, infeksi hanya mungkin mendukung (G,L,K). Untuk itu  perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen 0 saja, namun juga semua subset-nya. Sehingga jika 0 berisi n elemen, maka subset dari 0 semuanya berjumlah 2. Kita harus menunjukkan bahwa jumlah semua m dalam subset  0 sama dengan 1. Andaikan tidak ada informasi apapun untuk memilih keempat hipotesis tersebut, maka nilai M (0) = 1,0

Jika kemudian diketahui bahwa Trauma merupakan gejala dari keracunan, infeksi, dan Lingkungan dengan m= 0,8, maka : M (G,L,K) = 0,8

Dari jurnal tersebut maka dapat diambil kesimpulan bahwa teknik inferensi mudah digunakan dalam perancangan sistem pakar untuk mendapatkan suatu kesimpulan tetapi, memiliki kelemahan dalam pencarian kesimpulan tersebut, yaitu sangat lambat dalam pencariannya, apalagi bila sistem memiliki basis pengetahuan yang cukup besar dan ini akan sangat banyak memakai waktu dan menghambat proses konsultasi.