Metode Certainty Factor (CF) merupakan bagian dari sistem pakar bukan sistem pendukung keputusan. Certaity factor (CF) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN pada tahun 1875 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN.
Pada pembahasan ini kita akan belajar salah satu metode dari sistem pakar yaitu Certainty Factor (CF), kita akan belajar dari defenisi, istilah, rumus serta penerapannya.
Defenisi Certainty Factor (CF)
Certainty factor (CF) atau yang tidak jarang dikenal sebagai faktor kepastian adalah metode yang dipakai untuk dapat mengukur besarnya sebuah tingkat kepercayaan dalam pengambilan suatu keputusan.
Seorang yang berpengalaman atau ahli dalam usuran ini umunya dokter atau ahli kerap kali menjabarkan informasi yang terdapat dengan pengadaian seperti “mungkin”, “kemungkinan besar” dan “hampir pasti”.
Ada dua faktor yang mengakibatkan hasil yang menyebabkan ketidakpastian terhadap suatu pertanyaan yang diberikan oleh sistem terhadap pakar, yang pertama aturan (rule) yang tidak tentu dan yang kedua adalah jawaban dari pemakai (user) yang tidak tentu.
Istilah Dalam Certainty Factor (CF)
Beberapa istilah yang dipakai dalam metode CF.
- Evidence, merupakan fakta atau gejala yang mendukung hipotesa.
- Hipotesa, hasil yang di cari atau hasil yang didapat dari gejala-gejala.
- CF[H,E], certainty faktor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E.
- Besarnya CF berkisar antara -1 sampai dengan 1.
- Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.
- MB, ukuran kenaikan kepercayaan (measure of increased belief), 0 <= MB <= 1.
- MD, ukuran kenaikan ketidakpercayaan (measure of increased disbelief), 0<= MD <=1.
Rumus-Rumus Certainty Factor (CF)
Rumus yang terdapat pada metode ini tidak berpatokan dengan 1 rumus saja melainkan beberapa rumus, antara lain.
a. Rumus 1
Jika data yang diketahui adalah 1 hipotesisa mempunyai 1 evidence, 1MB dan 1MD maka hasil yang dicari adalah bersarnya kepercayaan (CF) pada hipotesa. Rumusnya sebagai berikut.
CF[H, E] = MB[H, E] – MD[H, E]
Keterangan:
- CF[H, E] = CF dari hipotesis yang dipengaruhi evidence.
- MB[H, E] = besar kepercayaan hipotesis per evidence.
- MD[H, E] = besar ketidakpercayaan hipotesis per evidence.
b. Rumus 2
Jika data yang diketahui adalah 1 hipotesa mempunyai 1 CF rule, 1 evidence dan 1 CF evidence. Maka hasil yang dicari adalah besarnya kepercayaan (CF) pada hipotesa. Rumus yang akan kita gunakan sebagai berikut.
CF[H, E] = CF[E] * CF[Rule]
Keterangan:
- CF[H, E] = CF dari hipostesis yang dipengaruhi evidence.
- CF[E] = besar CF dari evidence.
- CF[Rule] = besar CF dari pakar.
c. Rumus 3
Jika data yang di ketahui adalah 1 hipotesa mempunyai 1 CF rule, banyak evidence dan banyak CF evidence. Serta menggunakan rule Konjungsi serta if E1 AND E2 AND En, THEN H. Maka hasil yang dicari adalah besarnya kepercayaan (CF) pada hipotesa. Berikut rumus yang akan digunakan.
CF[H, E] = min { CF[E1} | CF[1] | CF[En] } * CF[Rule]
Keterangan:
- CF[H, E] = CF dari hipotesis yang dipengaruhi evidence.
- CF[E] = besar CF dari evidence.
- CF[Rule] = besar CF dari pakar.
d. Rumus 4
Jika data yang diketahui adalah 1 hipotesa mempunyai 1 CF rule, banyak evidence dan banyak CF evidence. Serta menggunakan rule DISJUNGSI seperti if E1 OR E2 OR En, THEN H. Maka hasil yang dicari adalah besarnya kepercayaan CF pada hipotesa. Rumus yang digunakan.
CF[H, E] = max { CF[E1] | CF[E1] | CF[En] } * CF[Rule]
Keterangan:
- CF[H, E] = CF dari hipotesis yang dipengaruhi evidence.
- CF[E] = besar CF evidence.
- CF[Rule] = besar CF dari pakar.
e. Rumus 5
Jika data yang diketahui adalah 1 hipotesa mempunyai 1 CF rule, banyak evidence dan banyak CF evidence. Serta menggunakan rule KONJUNGSI seperti if E1 AND E2 AND 3n, THEN H. Maka hasil yang dicari adalah CF kombinasi terlebih dahulu, CF kombinasi pada awalnya mencari 2 CF terlebih dahulu. Lalu hasil CF tersebut dihitung lagi dengan CF selanjutnya hingga semua CF selesai dihitung. Rumus CF kombinasi tergantung ni CF yaitu.
Jika kedua CF > 0, maka rumus yang digunakan:
CF[H, E] = CF[lama] + CF[baru] (1 – CF[lama])
Jika kedua CF < 0 maka rumus yang digunakan:
CF[H, E] = CF[lama] + CF[baru] (1 + CF[lama])
Jika kedua salah satu CF < 0 maka rumus yang digunakan:
CF[H, E] = CF[lama] + CF[baru] / 1 – min(CF[lama] | CF[lama])
Keterangan:
- CF[H, E] = CF dari hipotesis yang dipengaruhi evidence.
- CF[lama] = CF pertama atau CF hasil perhitungan sebelumnya.
- CF[baru] = CF kedua atau CF selanjutnya.
Kelebihan Certainty Factor (CF)
- Dapat memberikan hasil perhitungan berdasarkan tingkat keyakinan dari gejala yang dialami pengguna, sehingga dapat menghasilkan jawaban untuk kasus ketidakpastian sehingga menghasilkan kebenaran yang lebih akurat.
- Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah dua data saja sehingga keakuratan data datap terjaga.
Kekurangan Certainty Factor (CF)
- Metode hanya dapat mengolah ketidakpastian atau kepatian hanya dua data saja. Perlu dilakukan beberapa kali pengolahan data untuk dapat yang lebih dari dua buah.
- Ide umum dari pemodelan ketidakpastian manusia dengan numerik metode certainty factor biasanya diperdebatkan. Sebagai orang akan membantah bahwa formula untuk metode certainty factor diatas memiliki sedikit kebenaran.
Kesimpulan
Pada pembelajaran kita di atas dapat kita simpulkan bahwa Certainty Factor membantu sistem berbasis aturan untuk mengatasi ketidakpastian dalam data dan informasi yang mereka hadapi. Ini memungkinkan sistem untuk menghasilkan keputusan yang lebih tepat dengan memperhitungkan berbagai faktor yang mungkin memengaruhi hasilnya.
Keuntungan utama dari Certainty Factor adalah kemampuannya untuk menangani situasi di mana data yang tersedia tidak selalu lengkap atau pasti. Ini adalah alat yang berguna dalam sistem pakar, diagnosa medis, pengambilan keputusan bisnis dan banyak aplikasi lainnya di mana kepastian tidak selalu dapat dijamin.
Namun, perhitungan Certainty Factor bisa menjadi rumit dan memerlukan pengaturan yang tepat untuk menghasilkan hasil yang akurat. Selain itu, harus diperhatikan dengan cermat dalam konteks yang berbeda untuk menghindari kesalahan interpretasi.
Apabila kamu tertarik mengenai topik seperti ini, kamu bisa mengunjungi arsip Data Mining dan kamu juga bisa baca artikel mengenai sistem pakar.
