dempster shafer

Dempster Shafer: Pengertian, Cara Kerja dan Implementasi

Pada artikel ini kita akan belajar mengenai bagian dari Sistem Pakar yaitu metode Metode Dempster Shafer. Metode ini pertama kali diperkenalkan oleh Dempster, yang melakukan percobaan model ketidakpastian dengan range probabilitas sebagai probabilitas tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster tersebut pada sebuah buku yang berjudul Mathematical Theory of Evident.

Nah, sebenarnya apasih Dempster Shafer itu? Pada kesempatan ini kita akan belajar lebih mendalam mengenai metodo ini supaya kamu dapat mengimplementasikan metode Dempter-Shafer.

Pengertian Dempster Shafer

Metode Dempster Shafer merupakan suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasikan kemungkinan dari suatu peristiwa.

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.

  1. Semua informasi yang tersedia harus dapat dianggap terpisah secara logis, yaitu informasi tersebut tidak saling berkaitan satu sama lain.
  2. Semua informasi tersedia harus dapat dianggap independen satu sama lain, yaitu tidak ada informasi yang merupakan bagian dari informasi lain.
  3. 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.
Baca juga :   Fuzzy Mamdani : Cara Kerja, Contoh Soal dan Implementasi

Dengan memenuhi asumsi-asumsi tersebut, Dempster Shafer dapat digunakakn secara efektif untuk mengelola informasi yang tidak pasti dan menghasilkan keputusan yang tepat.

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.

Belief (B) = 1 – sum(PI)

PI = sum (Bm * Pm)

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.
Baca juga :   Pseudocode Adalah: Pengertian, Karakteristik dan Manfaat

Langkah ke-5

Tentukan tingkat kemungkinan untuk setiap keputusan yang akan diambil. Tingkat kemungkinan dapat dihitung dengan menggunakan rumus.

Belief (B) = sum(PI * Pc)

Pc = sum(Bm * Pm)

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.

Kelebihan dan Kekurangan Dempster Shafer

Dempster Shafer memiliki beberapa kelebihan dan kekurangan seperti metode lain dalam mengelola informasi yang tidak pasti. Berikut ini kelebihan dan kekuranganya.

Kelebihan

  1. Dapat mengelola informasi yang tidak pasti dengan lebih baik dibandingkan metode lain.
  2. Dapat menangani informasi yang tidak terkait secara logis dengan baik.
  3. Dapat mengelola informasi yang tidak pasti dari berbagai sumber yang independen satu sama lain.
  4. 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

  1. Sulit untuk menentukan tingkat kepercayaan terhadap suatu informasi secara tepat karena tergantung pada subjektivitas individu yang menilai informasi tersebut.
  2. Tidak dapat menangani informasi yang sangat tidak pasti atau ambigu dengan baik.
  3. 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.

Baca juga :   Unsupervised learning: Pengertian, Jenis dan Implementasi

Implementasi Dempster Shafer

Berikut adalah beberapa contoh implementasi metode Dempster Shafer.

  1. Implementasi pada sistem pakar diagnosa gangguan kepribadian.
  2. Untuk mendiagnosa penyakit dari akibat bakteri salmonella
  3. Implementasi pada sistem pakar pendiagnosa kerusakan sepeda motor
  4. Implementasi pada sistem pakar untuk mendiagnosa penyakit perut.

Kesimpulan

Pada pembelajaran kita di atas dapat kita simpulkan bahwa  metode Dempster Shafer adalah alat yang sangat berguna untuk mengatasi ketidakpastian dalam pengambilan keputusan. Metode ini memungkinkan penggunaan massa keseluruhan, fungsi kepercayaan dan fungsi ketidakpercayaan untuk menggabungkan informasi dari berbagai sumber yang memiliki tingkat ketidakpastian yang berbeda.

Ini membantu dalam membuat keputusan yang lebih akurat dan informatif, terutama ketika berurusan dengan data yang tidak pasti. Oleh karena itu, metode Dempster Shafer merupakan konsep penting dalam mengembangkan kecerdasan buatan yang mampu mengatasi ketidakpastian dan membuat keputusan yang lebih baik.

Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..