Certainty Factor
Metode penanganan ketidakpastian dalam Sistem Pakar untuk menggabungkan bukti dan keyakinan ahli.
Apa itu Certainty Factor?
Certainty Factor (CF) atau Faktor Kepercayaan adalah salah satu metode yang digunakan dalam kecerdasan buatan, khususnya pada Sistem Pakar, untuk mengatasi ketidakpastian (uncertainty). Dalam dunia nyata, informasi seringkali tidak lengkap atau tidak pasti, namun manusia (pakar) masih bisa mengambil keputusan yang akurat. CF mencoba meniru cara berpikir manusia tersebut secara matematis.
Metode ini pertama kali diperkenalkan oleh Shortliffe dan Buchanan pada tahun 1975 sebagai bagian dari sistem diagnostik medis MYCIN. CF memberikan nilai numerik yang menunjukkan seberapa besar kepercayaan terhadap suatu hipotesis berdasarkan bukti yang tersedia.
Nilai Certainty Factor
Nilai CF berkisar antara -1.0 hingga +1.0:
- +1.0: Menunjukkan kepastian mutlak (benar sepenuhnya).
- 0.0: Menunjukkan ketidaktahuan (tidak tahu benar atau salah).
- -1.0: Menunjukkan penyangkalan mutlak (salah sepenuhnya).
Measure of Belief dan Measure of Disbelief
Secara fundamental, Certainty Factor dibangun atas dua komponen utama yang saling berhubungan namun berbeda:
1. Measure of Belief (MB)
MB adalah ukuran sejauh mana bukti tersebut mendukung hipotesis. Nilai MB berkisar dari 0 hingga 1. Semakin tinggi nilai MB, semakin kuat bukti tersebut menguatkan keyakinan bahwa hipotesis itu benar. Jika bukti tidak relevan atau tidak mendukung sama sekali, nilainya adalah 0.
2. Measure of Disbelief (MD)
MD adalah ukuran sejauh mana bukti tersebut menolak atau menyangkal hipotesis. Nilai MD juga berkisar dari 0 hingga 1. Semakin tinggi nilai MD, semakin kuat bukti tersebut menunjukkan bahwa hipotesis itu salah.
Penting untuk dicatat bahwa untuk satu bukti tertentu terhadap satu hipotesis, MB dan MD tidak boleh bernilai positif secara bersamaan. Artinya, satu bukti tidak bisa sekaligus mendukung dan menolak secara independen. Namun, bukti yang berbeda bisa memiliki efek yang berbeda pada satu hipotesis.
Rumus Certainty Factor
Untuk mendapatkan nilai Certainty Factor (CF) tunggal dari suatu hubungan antara bukti dan hipotesis, digunakan rumus dasar berikut:
Keterangan:
CF[H, E] = Certainty Factor hipotesis H diberikan bukti E.
MB[H, E] = Measure of Belief hipotesis H diberikan bukti E.
MD[H, E] = Measure of Disbelief hipotesis H diberikan bukti E.
Rumus Kombinasi CF
Dalam Sistem Pakar, sebuah hipotesis seringkali dipengaruhi oleh lebih dari satu bukti atau aturan. Kita perlu menggabungkan nilai-nilai CF dari berbagai aturan tersebut untuk mendapatkan nilai akhir kepercayaan. Rumus kombinasi dirancang agar nilai akhir tidak pernah melebihi 1 atau kurang dari -1.
Misalkan kita memiliki CF lama (CFold) dan CF baru dari bukti kedua (CFnew). Rumus kombinasi (CFcombine) adalah:
CFcombine = CFold + CFnew × (1 - CFold)
Kasus 2: Jika CFold dan CFnew < 0 (Keduanya Negatif)
CFcombine = CFold + CFnew × (1 + CFold)
Kasus 3: Jika CFold dan CFnew berlawanan tanda
CFcombine = (CFold + CFnew) / (1 - min(|CFold|, |CFnew|))
Contoh Penerapan
Untuk memahami cara kerja rumus di atas, mari kita lihat contoh sederhana diagnosa medis (kasus klasik MYCIN). Kita akan mendiagnosa apakah seseorang terkena penyakit "Flu" berdasarkan gejala yang muncul.
Diasumsikan sistem memiliki basis pengetahuan sebagai berikut:
- Aturan 1: Jika pasien Batuk, maka kemungkinan Flu adalah 0.6.
- Aturan 2: Jika pasien Demam, maka kemungkinan Flu adalah 0.5.
- Aturan 3: Jika pasien Bukan Musim Hujan, maka kemungkinan BUKAN Flu adalah 0.4 (atau CF Flu = -0.4).
Langkah 1: Menghitung CF dari Gejala (Bukti)
Kita asumsikan kepastian pengguna terhadap gejala adalah 1.0 (pasien yakin dia batuk dan demam). Namun, untuk melihat kombinasi, mari kita hitung perlahan.
CF(Batuk → Flu) = 0.6
CF(Demam → Flu) = 0.5
Sekarang kita gabungkan kedua bukti positif ini (menggunakan Kasus 1):
CFcombine1 = CF1 + CF2 × (1 - CF1)
CFcombine1 = 0.6 + 0.5 × (1 - 0.6)
CFcombine1 = 0.6 + (0.5 × 0.4)
CFcombine1 = 0.6 + 0.2 = 0.8
Berdasarkan gejala Batuk dan Demam, keyakinan sistem bahwa pasien Flu adalah 0.8 (80%).
Langkah 2: Menggabungkan dengan Bukti Negatif
Sekarang kita masukkan aturan 3: Pasien bukan pada musim hujan, memberikan faktor penyangkalan sebesar -0.4. Kita akan menggabungkan hasil sebelumnya (0.8) dengan nilai baru (-0.4). Karena tandanya berlawanan, gunakan Kasus 3.
CFold = 0.8
CFnew = -0.4
Min(|0.8|, |-0.4|) = 0.4
CFcombine2 = (CFold + CFnew) / (1 - 0.4)
CFcombine2 = (0.8 + (-0.4)) / 0.6
CFcombine2 = 0.4 / 0.6
CFcombine2 = 0.67
Hasil akhirnya adalah 0.67. Artinya, meskip ada faktor "bukan musim hujan" yang mengurangi keyakinan, gabungan gejala batuk dan demam tetap membuat kepercayaan sistem terhadap diagnosa Flu cukup tinggi, yaitu sebesar 67%.
Kelebihan dan Kekurangan
Certainty Factor sering dibandingkan dengan metode probabilistik lain seperti Teorema Bayes. Berikut adalah ringkasan kelebihan dan kekurangannya.
| Kelebihan | Kekurangan |
|---|---|
| Intuitif: Lebih mudah dipahami oleh pakar non-matematika dibanding probabilitas. | Kurang Matematis: Tidak selalu konsisten dengan teori probabilitas klasik. |
| Penanganan Data Kurang: Bisa bekerja meski data pelatihan tidak lengkap. | Dependen Urutan: Hasil perhitungan bisa sedikit berubah tergantung urutan penggabungan aturan (meskipun selisihnya biasanya kecil). |
| Komputasi Ringan: Rumusnya sederhana, tidak membutuhkan resource komputasi besar. | Subjektifitas Pakar: Nilai MB dan MD sangat bergantung pada pendapat pakar, yang bisa bias. |
| Transparansi: Mudah dilacak jejak penalarannya (Chain of Thought). | - |
Kesimpulan
Certainty Factor adalah teknik yang powerful dan praktis untuk sistem berbasis pengetahuan yang menghadapi ketidakpastian. Dengan memisahkan ukuran kepercayaan (MB) dan ketidakpercayaan (MD), serta memiliki rumus kombinasi yang fleksibel, CF memungkinkan komputer meniru penalaran manusia yang tidak selalu hitam-putih.
Meskipun memiliki keterbatasan dari sisi teori probabilitas, kemudahan implementasi dan interpretasi menjadikan CF tetap relevan hingga saat ini, terutama dalam pengembangan prototipe Sistem Pakar untuk diagnosa medis, mekanik, atau troubleshooting mesin.
