Dalam dunia sistem pakar dan kecerdasan buatan (Artificial Intelligence), salah satu tantangan terbesar adalah bagaimana mengolah informasi yang tidak pasti menjadi sebuah keputusan yang akurat. Data yang kita hadapi di dunia nyata sering kali tidak lengkap, ambigu, atau bahkan saling bertentangan. Nah, di sinilah metode seperti Dempster Shafer menjadi sangat penting karena mampu menggabungkan berbagai potongan informasi tersebut menjadi sebuah kesimpulan yang lebih rasional.
Metode Dempster Shafer pertama kali diperkenalkan oleh Arthur P. Dempster, lalu dikembangkan lebih lanjut oleh Glenn Shafer melalui bukunya yang berjudul Mathematical Theory of Evidence pada tahun 1976. Berbeda dengan probabilitas klasik, metode ini tidak hanya berfokus pada kemungkinan (probability), tetapi juga mempertimbangkan tingkat kepercayaan (belief) dan ketidakpastian (plausibility). Itulah mengapa metode ini banyak digunakan dalam sistem pakar yang membutuhkan pengambilan keputusan berbasis data yang tidak pasti.
Apa Itu Dempster Shafer?
Dempster Shafer adalah metode dalam teori evidensi yang digunakan untuk menggabungkan berbagai informasi atau bukti yang tidak pasti untuk menghasilkan tingkat kepercayaan (belief) terhadap suatu hipotesis atau keputusan. Metode ini memungkinkan pengambilan keputusan tanpa harus bergantung sepenuhnya pada probabilitas tunggal.
Secara sederhana, Dempster-Shafer menyatakan bahwa setiap informasi yang kita miliki tentang suatu kejadian atau fenomena dapat dikelompokkan ke dalam dua kelas yaitu kepastian (certainty) dan kemungkinan (possibility). Kemungkinan merupakan suatu tingkat kepercayaan terhadap suatu informasi, dimana semakin tinggi tingkat kepercayaan tersebut maka semakin besar kemungkinan bahawa informasi tersebut benar.
Metode ini memiliki beberapa asumsi dasar yang harus dipenuhi agar dapat digunakan secara efektif. Asumsi-asumsi tersebut antara lain.
- Semua informasi yang tersedia harus dapat dianggap terpisah secara logis, yaitu informasi tersebut tidak saling berkaitan satu sama lain.
- Semua informasi tersedia harus dapat dianggap independen satu sama lain, yaitu tidak ada informasi yang merupakan bagian dari informasi lain.
- Tingkat kemungkinan suatu informasi harus dapat dianggap sebagai suatu bilangan real yang berada di antara 0 dan 1, dimana 0 menunjukkan bahwa informasi tersebut tidak mungkin terjadi dan 1 menunjukkan bahwa informasi tersebut pasti terjadi.
Dengan memenuhi asumsi-asumsi tersebut, Dempster Shafer dapat digunakakn secara efektif untuk mengelola informasi yang tidak pasti dan menghasilkan keputusan yang tepat.
Baca Juga: Sistem Pakar Adalah: Pengertian, Cara Kerja dan Contoh
Dasar-Dasar Metode Dempster Shafer
Untuk memahami metode Dempster Shafer, ada beberapa konsep dasar yang perlu diketahui:
1. Massa Keseluruhan
Massa keseluruhan adalah konsep sentral dalam metode Dempster Shafer. Ini menggambarkan tingkat kepercayaan kita terhadap suatu pernyataan atau hipotesis. Massa keseluruhan harus selalu sama dengan 1, yang mencerminkan bahwa kita telah memasukkan seluruh tingkat kepercayaan kita.
2. Fungsi Kepercayaan
Fungsi kepercayaan menggambarkan sejauh mana kita percaya pada suatu pernyataan atau hipotesis tertentu. Ini adalah bagian dari massa keseluruhan yang diberikan kepada hipotesis tersebut.
3. Fungsi Ketidakpercayaan
Fungsi ketidakpercayaan adalah komplementer dari fungsi kepercayaan. Ini menggambarkan tingkat ketidakpercayaan kita terhadap suatu pernyataan atau hipotesis.
Langkah-Langkah Dempster Shafer
Dalam menggunakan metode ini, ada beberapa langkah yang harus dilakukan agar dapat digunakan secara efektif. Langkah-langkah tersebut antara lain.
Langkah ke-1
Tentukan set informasi yang tersedia. Setiap informasi yang tersedia harus dapat diaggap terpisah secara logis dan independen satu sama lain.
Langkah ke-2
Tentukan atribut-atribut yang akan dijadikan dasar pengambilan keputusan. Atribut-atribut tersebut harus mencakup semua informasi yang tersedia dan dapat dianggap terpisah secara logis dan independen satu sama lain.
Langkah ke-3
Tentukan tingkat kemungkinan untuk setiap atribut. Tingkat kemungkinan harus dianggap sebagai suatu bilangan real yang beradi diantara 0 dan 1.
Langkah ke-4
Tentukan tingkat kemungkinan untuk setiap kelas atribut yang terdiri dari beberapa atribut. Tingkat kemungkinan dapat dihitung dengan menggunakan rumus.
Keterangan:
- B = Tingkat kepercayaan terhadap kelas atribut.
- PI = Tingkat kemungkinan terhadap atribut.
- Bm = Tingkat kepercayaan terhadap kelas atribut yang terdiri dari atribut m.
- Pm = tingkat kemungkinan terhadap atribut m.
Langkah ke-5
Tentukan tingkat kemungkinan untuk setiap keputusan yang akan diambil. Tingkat kemungkinan dapat dihitung dengan menggunakan rumus.
Keterangan:
- B = Tingkat kepercayaan terhadap keputusan.
- PI = Tingkat kemungkinan terhadap kelas atribut.
- Pc = Tingkat kemungkinan terhadap keputusan.
- Bm = Tingkat kepercayaan terhadap kelas atribut yang terdiri dari atribut m.
- Pm = Tingkat kemungkinan terhadap atribut m.
Langkah ke-6
Tentukan keputusan yang akan diambil berdasarkan tingkat kemungkinan yang diperoleh. Keputusan yang di ambil harus merupakan keputusan yang memiliki tingkat kemungkinan paling tinggi.
Baca Juga: Belajar Kecerdasan Buatan (AI): Pengertian dan Cara Kerja Kecerdasan Buatan
Kelebihan Dempster Shafer
- Dapat mengelola informasi yang tidak pasti dengan lebih baik dibandingkan metode lain.
- Dapat menangani informasi yang tidak terkait secara logis dengan baik.
- Dapat mengelola informasi yang tidak pasti dari berbagai sumber yang independen satu sama lain.
- Dapat mengelola informasi yang tidak pasti dengan lebih baik dibandingkan metode lain yang menggunakan probabilitas.
Namun, metodi juga memiliki beberapa kekurangan yang harus kamu perhatikan dalam penggunaannya. Diantaranya sebagai berikut.
Kekurangan Dempster Shafer
- Sulit untuk menentukan tingkat kepercayaan terhadap suatu informasi secara tepat karena tergantung pada subjektivitas individu yang menilai informasi tersebut.
- Tidak dapat menangani informasi yang sangat tidak pasti atau ambigu dengan baik.
- Asumsi-asumsi dasar yang harus dipenuhi agar dapat digunakan secara efektif dapat menjadi kendala dalam beberapa kasus.
Meskipun memiliki beberapa kekurangan, metode ini masih merupakan salah satu metode yang banyak digunakan dalam mengelola informasi yang tidak pasti karena kelebihannya dibandingkan metode lainnya.
Oleh karena itu, Dempster Shafer masih merupakan salah satu teori yang penting untuk dipelajari dalam bidang sistem keputusan yang bergantung pada informasi yang tidak pasti.
Implementasi Dempster Shafer
Berikut adalah beberapa contoh implementasi metode Dempster Shafer.
- Implementasi pada sistem pakar diagnosa gangguan kepribadian.
- Untuk mendiagnosa penyakit dari akibat bakteri salmonella
- Implementasi pada sistem pakar pendiagnosa kerusakan sepeda motor
- Implementasi pada sistem pakar untuk mendiagnosa penyakit perut.
Baca Juga: Belajar Kecerdasan Buatan (AI): 15 Contoh Kecerdasan Buatan Dalam Kehidupan Sehari-hari
Kesimpulan
Pada pembelajaran kita di atas dapat kita simpulkan bahwa Metode Dempster Shafer merupakan salah satu pendekatan penting dalam sistem pakar yang digunakan untuk mengatasi ketidakpastian dalam pengambilan keputusan. Dengan memanfaatkan konsep belief dan plausibility, metode ini mampu menggabungkan berbagai informasi yang terpisah menjadi sebuah kesimpulan yang lebih akurat dan fleksibel dibandingkan pendekatan probabilitas tradisional.
Penggunaannya yang luas dalam berbagai bidang seperti diagnosa penyakit, analisis sistem, hingga kecerdasan buatan menunjukkan bahwa metode ini memiliki peran yang signifikan dalam pengolahan data tidak pasti. Oleh karena itu, memahami Dempster Shafer menjadi langkah penting bagi siapa saja yang ingin mendalami sistem pakar dan pengambilan keputusan berbasis AI.
Artikel ini merupakan bagian dari seri Kecerdasan Buatan KantinIT.com. Jika artikel ini bermanfaat, jangan lupa bagikan ke media sosial atau ke teman kamu.
