Sistem Pakar : Teorema Bayes

Nama teorema Bayes diambil dari nama penemu teorema tersebut, yaitu Reverend Thomas Bayes (1702 - 1761). Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa,berdasarkan pengaruh yang didapat dari hasil observasi peristiwa sebelumya. Teorema Bayes menyempurnakan teorema probabilitas bersyarat yang hanya dibatasi oleh 2 buah kejadian sehingga dapat diperluas untuk n  buah kejadian. Dikembangkan secara luas dalam Statistika inferensia /induktif yaitu proses pengambilan kesimpulan-kesimpulan berdasarkan data sampel yang lebih sedikit menjadi kesimpulan yang lebih umum untuk sebuah populasi. Aplikasi teorema Bayes banyak ditemukan pada bidang komputer cerdas sebagai salah satu dasar dari metode machine learning dan data mining. Secara umum formula teorema Bayes adalah sebagai berikut :

Keterangan :

Peluang Posterior : prediksi peluang munculnya satu kejadian berdasarkan informasi dari kejadian yang lain.

Peluang Prior : peluang munculnya suatu kejadian yang sudah kita yakini sebelumnya dan bisa jadi kejadian ini dipengaruhi kejadian yang lain.

Peluang Likelihood : peluang yang menyatakan derajat kemungkinan pengaruh suatu informasi kejadian terhadap kejadian yang lain.

Peluang Evidence : sebuah ukuran pembanding konstan berdasarkan peluang suatu informasi kejadian.

Berikut ini adalah sebuah contoh aplikasi Teorema Bayes pada sistem pakar untuk mendiagnosa penyakit pada tanaman jagung.

Dalam menyelesaikan serangan hama dan penyakit yang menyerang tidak sedikit dari petani melakukan kesalahan dalam mengatasi permasalahan yang dihadapi. Sehingga dengan pembuatan sistem pakar untuk mendiagnosa penyakit tanaman jagung ini diharapkan bisa membantu petani untuk mengatasi permasalahan dengan memberikan solusi yang baik. Proses pembuatan sistem pakar ini metode kepastiannya teorema bayes dimana metode ini didasarkan dari kondisi awal dimana kondisi awal merupakan kondisi gejala-gejala yang ada kemudian dikenakan aturan yang sudah ditentukan lalu diambil nilai kebenaran yang paling besar untuk menentukan kesimpulan dan solusi dari gejala yang disebutkan sebelumnya. Sistem pakar menggunakan teorema bayes ini adalah untuk mendiagnosa penyakit pada tanaman jagung dan gejala-gejala yang menyebabkan penyakit tersebut.

Teorema Bayes Penelitian yang dilakukan menyebutkan bahwa metode Bayes dapat digunakan untuk mengembangkan Sistem Cerdas untuk diagnosa penyakit. Pada penelitian ini metode Bayes diimplementasikan untuk mendiagnosis penyakit jantung dan membantu praktisi kesehatan untuk membuat keputusan klinis yang cerdas. Hasil penelitian dapat memberikan pengobatan yang efektif, dan juga membantu untuk mengurangi biaya pengobatan. Teori Bayes digunakan sebagai alat pengambil keputusan untuk memperbaharui tingkat kepercayaan diri dari suatu informasi. Metode ini banyak diterapkan pada hal–hal yang berkenaan dengan diasgnosa secara statistik yang berhubungan dengan probabilistik serta kemungkinan dari penyakit dan gejala gejala yang berkaitan. Contoh Kasus Penyakit Busuk Tongkol.

Dimana,

P(H|E)=  Probabilitas hipotesis H benar jika diberikan evidence E.

P(E|H)= Probabilitas munculnya evidence E, jikadiketahui hipotesis H benar.

P(H) = Probabilitas hipotesis H (menurut hasil sebelumnya) tanpa memandang evidence apapun.

P(E) = Probabilitas evidence E.

Penyakit Jagung memiliki tingkatan penyakit antara lain :

Adapun gejala-gejala dari penyakit Jagung dapat dilihat pada tabel seperti dibawah ini:

Contoh Kasus Penyakit Busuk Tongkol Ani melakukan diagnosa dengan menjawab pertanyaan sesuai dengan gejala berikut :

Untuk mancari semesta dapat dijumlahkan dari Hipotesa yang di atas :

Setelah didapat penjumlahan di atas, maka didapatlah rumus untuk menghitung semesta adalah sebagai berikut :

Setelah mendapatkan nilai P(Hi) probabilitas hipotesis H tanpa memandang evidence apa pun, maka langkah selanjutnya adalah sebagai berikut :

Setelah mendapatkan nilainya, maka langkah selanjutnya mencari nilai P(Hi|E) atau probabilitas hipotesis Hi benar jika diberikan nilai evidence E.

Setelah mendapatkan seluruh nilai P(Hi|E), maka jumlahkan seluruh nilai bayesnya dengan rumus sebagai berikut:

Jadi, hasil diagnosa Ani terhadap penyakit Busuk Tongkol pada tanaman jagung sebesar 78.63%.

Sumber Referensi :

https://www.academia.edu/30231488/Probabilitas_dan_Statistika_Teorema_Bayes_

http://e-jurnal.pelitanusantara.ac.id/index.php/JIPN/article/view/281

Sistem Pakar : Forward Chaining dan Backward Chaining

Sistem pakar adalah program komputer yang meniru kemampuan beberapa pakar di bidang tertentu dalam memecahkan masalah seperti para pakar tersebut memecahkan masalah dalam bidangnya. Proses peniruan tersebut melibatkan empat hal yaitu:

(1) akuisisi pengetahuan,

(2) representasi pengetahuan,

(3) inferensi pengetahuan,

(4) pemindahan pengetahuan ke pengguna.

Inferensi merupakan kumpulan prosedur yang bertujuan untuk melakukan penalaran. Inferensi tersebut diimplementasikan di mesin inferensi. Mesin ini berfungsi untuk mengambil kesimpulan berdasarkan basis pengetahuan yang dimilikinya. Ada dua teknik inferensi, yaitu Forward Chaining & Backward Chaining

Forward Chaining

Forward chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule di eksekusi, maka sebuah fakta baru ditambahkan kedalam database. Setiap kali pencocokan dimulai dari rule teratas dan setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi.

Backward Chaining

Backward chaining kebalikan dari fordward chaining di mana dalam metode ini prosesnya didahului dengan tujuan/goalnya. Penjelasannya lebih detail yaitu metode inferensi yang bekerja mundur ke arah kondisi awal. Proses diawali dari Goal (yang berada dibagian THEN dari rule IF-THEN), kemudian pencarian mulai dijalankan untuk mencocokan apakah fakta-fakta yang ada cocok dengan premis-premis dibagian IF. JIka cocok, rule diekseksi, kemudian hipotesis di bagian THEN ditempatkan dibasis data sebagai fakta baru. Jika tidak cocok, simpan premis dibagian IF ke dalam stack sebagai subGoal. Dan proses berakhir jika goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari subGoal atau Goal.

Berikut adalah penggunaan teknik Forward Chaining dan Backward Chaining pada penentuan bakat anak.

Tabel 1. Jenis Bakat Anak

Kode	Bakat Anak
K1	Intelektual Umum
K2	Akademik Khusus

Tabel 2. Indikator Bakat Anak

Kode	Indikator Bakat Anak
I1	Tingkat perbendaharaan kata yang tinggi
I2	Mempunyai Ingatan kuat
I3	Penguasaan kata - kata abstrak
I4	Memiliki Pemikiran abstrak
I5	Memiliki Prestasi bidang matematika

Tabel 3. Variabel Bakat Anak

Kode	Variabel Bakat Anak
C1	Dapat menirukan kalimat sederhana
C2	Dapat meniru kembali 4-5 urutan kata
C3	Mengulangi kalimat yang sudah didengarnya
C4	Menyanyikan lagu anak-anak lebih dari 20 lebih lagu
C5	Dapat menyebutkan simbol-simbol huruf vokal dan konsonan
C6	Mengucapkan syair lagu sambil diiringi senandung lagunya
C7	Dapat mengelompokkan benda dengan berbagai cara menurut fungsinya
C8	Meniru berbagai lambang huruf vokal dan konsonan
C9	Mengelompokkan benda dengan berbagai cara menurut fungsinya : misalnya peralatan makan, peralatan mandi, peralatan kebersihan
C10	Dapat Menggunakan dan dapat menjawab pertanyaan apa, mengapa, dimana, berapa, bagaimana, dsb
C11	Bercerita tentang gambar yang disediakan atau dibuat sendiri
C12	Bercerita menggunakan kata ganti aku,saya,kamu,mereka, dll
C13	Menceritakan pengalaman/kejadian secara sederhana
C14	Memberikan keterangan/informasi tentang suatu hal
C15	Dapat menyebutkan urutan bilangan 1-10
C16	Dapat menunjuk lambang bilangan 1-10
C17	Meniru lambang bilangan 1-10
C18	Mengenal lambang bilangan 1-20
C19	Membedakan dan membuat dua kumpulan benda berdasarkan kuantitasnya.
C20	Mengenal perbedaan benda berdasarkan bentuknya
C21	Mencoba dan menceritakan tentang proses pencampuran warna.
C22	Mencoba dan menceritakan tentang proses benda-benda dimasukkan kedalam air(terapung, melayang, tenggelam)
C23	Menceritakan macam-macam bunyi
C24	Menceritakan macam-macam rasa
C25	Menceritakan macam-macam bau

-Forward Chaining

Rule

1.   If C1 and C2 and C3 then I1

2.   If C4 and C5 and C6 and C7 and C8 and C9 then I2

3.   If C10 and C11 and C12 and C13 and C14 then I3

4.   If I1 and I2 and I3 then K1

5.   If C15 and C16 and C17 and C18 then I4

6.   If C19 and C20 and C21 and C22 and C23 and C24 and C25 then I5

7.   If I4 and I5 then K2

Andi bisa menggunakan dan menjawab pertanyaan apa, mengapa, dimana, berapa, bagaimana, dsb. Selain itu dia bisa mengulangi kalimat yang sudah didengarnya dan dapat menyebutkan simbol-simbol huruf vokal dan konsonan. Maka dapat disimpulkan bahwa jenis bakat Andi adalah intelektual umum.

-Backward Chaining

Rule

1.   If I1 and I2 and I3 then K1

2.   If C10 and C11 and C12 and C13 and C14 then I3

3.   If C1 and C2 and C3 then I1

4.   If C4 and C5 and C6 and C7 and C8 and C9 then I2

5.   If I4 and I5 then K2

6.   If C19 and C20 and C21 and C22 and C23 and C24 and C25 then I5

7.   If C15 and C16 and C17 and C18 then I4

Jenis bakat Andi adalah intelektual umum. Maka dapat disimpulkan bahwa Andi memiliki tingkat perbendaharaan kata yang tinggi, mempunyai ingatan kuat dan penguasaan kata - kata abstrak.

Sumber Referensi :

https://www.ilmuskripsi.com/2016/05/algoritma-forward-chaining-dan-backward-chaining.html

http://ejournal.uin-suska.ac.id/index.php/RMSI/article/viewFile/1307/pdf_8