SlideShare a Scribd company logo
1 of 29
SISTEM PAKAR
METODE
DEMPSTER SHAFER
LANJUTAN
Oleh:
Dr. Hasanul Fahmi, M.Kom.
Pengantar
• Metode Dempster Shafer adalah 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 mengkalkulasi
kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh
Arthur P. Dempster dan Glenn Shafer.
Secara umum teori Dempster Shafer ditulis dalam suatu
interval:
[Belief, Plausibility]
1.Belief (Bel) adalah ukuran kekuatan evidence dalam
mendukung suatu himpunan proposisi. Jika bernilai 0 (nol)
maka mengindikasikan bahwa tidak ada evidence, dan jika
bernilai 1 menunjukkan adanya kepastian. Dimana nilai bel
yaitu (0-0.9).
2.Plausibility (Pls) dinotasikan sebagai:
Pl(s) = 1 – B (-s)
Plausibility juga bernilai 0 sampai 1, jika yakin akan –s, maka
dapat dikatakan Bel(-s) = 1 dan Pl(-s) = 0.
Pada teori Dempster-Shafer juga dikenal adanya frame of
discernment yang dinotasikan dengan θ . Frame ini merupakan
semesta pembicaraan dari sekumpulan hipotesis.
Tujuannya adalah mengaitkan ukuran kepercayaan elemen-
elemen θ. Tidak semua evidence secara langsung mendukung tiap-
tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m).
Nilai m tidak hanya mendefenisikan elemen-elemen θ saja, namun
juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset
θ adalah 2n. Jumlah m dalam dalam subset θ sama dengan 1.
Apabila tidak ada informasi apapun untuk memilih hipotesis,
maka nilai : m{θ} = 1,0.
Apabila diketahui X adalah subset dari θ , dengan m1 sebagai
fungsi densitasnya, dan Y juga merupakan subset θ dengan m2
sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi
m1 dan m2 sebagai m3, yaitu :
Keterangan:
• M1(X) : Mass function dari evidence X
• M2(Y) : Mass function dari evidence Y
• M3(Z) : Mass function dari evidence Z
Implementasi Dempster Shafer
• Analisis Permasalahan
Analisis permasalahan merupakan proses awal yang harus dilaksanakan untuk
menentukan permasalahan yang sedang dihadapi. Tahap ini dalah sangat penting,
karena proses analisis data yang kurang akurat akan menyebabkan hasil dari suatu
sistem tidak sesuai yang diharapkan. Jadi proses ini harus benar-benar sesuai dengan
perencanaan agar menghasilkan suatu sistem yang baik. Analisis permasalahan data
yang akan dilakukan adalah analisa tentang jenis-jenis tanaman tahunan dan
musiman.
Dalam sisitem pakar ini yang nantinya akan digunakan untuk membantu user dalam
menentukan hasil atau pemecahan masalah yang dihadapi dalam memperhitungkan
kriteria tanaman. Permasalahan yang dihadapi dengan menentukan jenis tanaman
tahunan dan musiman. Dimana dalam memperhitungkan nilai kriteria tersebut adalah
dengan menerapkan metode Dempster Shafer. Berdasarkan Dempster Shafer Dalam
menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki
kepastian penuh.
Ketidakpastian ini dapat berupa hasil suatu kejadian. Hasil yang tidak pasti
disebabkan oleh beberapa faktor, yaitu aturan yang tidak pasti dan jawaban
pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem.
Hal ini sangat mudah dilihat pada sistem diagnosis jenis kriteria tanaman dan
pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Dempster
Sahfer merupakan nilai parameter klinis yang diberikan untuk menunjukkan
besarnya kepercayaan. Dimana nilai bel (m) suatu kriteria yang diinput antara
(0-0.9).
Algoritma Sistem
Dibutuhkan algoritma untuk diimplementasikan ke dalam program aplikasi ini,
yaitu langkahlangkah intruksi sehingga dicapai hasil yang diinginkan. Algoritma
yang digunakan dalam aplikasi ini untuk menentukan klasifikasi Tanaman
adalah sebagai berikut:
1. Memulai tes
2. Input User Name dan Password
3. User memilih satu karakter
4. User menjawab pertanyaan
5. Kesimpulan
Dalam perancangan basis pengetahuan ini digunakan kaidah produksi sebagai sarana
untuk representasi pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan
JIKA (premis) MAKA (konklusi). Pada perancangan basis pengetahuan sistem pakar
ini premis adalah ciri-ciri yang terlihat pada kriteria tanaman dan konklusi adalah jenis
tanaman, sehingga bentuk pernyataannya adalah JIKA (Nama Tanaman) DAN
(Kriteria) MAKA (Jenis tanaman). Bagian premis dalam aturan produksi dapat memiliki
lebih dari satu proposisi yaitu berarti pada sistem pakar ini dalam satu kaidah dapat
memiliki lebih dari satu kriteria. Ciri-ciri tersebut dihubungkan dengan menggunakan
operator logika DAN.
Bentuk pernyatannya adalah:
JIKA (Nama Tanaman)
JIKA (Kriteria 1)
JIKA (Kriteria 2)
JIKA (Kriteria 3)
DAN (Kriteria 4)
MAKA (Jenis Tanaman)
Adapun contoh kaidah sistem pakar dalam menentukan jenis tanaman
tahunan dan musiman dengan metode dempster shafer adalah sebagai
berikut:
Dimana, Jika:
S001 = Jenis Tanaman Tahunan
S002 = Jenis Tanaman Musiman
Dari alur, rule dan tabel keputusan di atas, maka dapat dikonversikan menjadi
kaidah produksi. Kaidah produksi dibentuk dari pengubahan tabel keputusan.
Pembuatan suatu kaidah dilakukan dengan beberapa tahapan. Berikut ini
merupakan bentuk pengkonversian tabel keputusan menjadi kaidah produksi:
1. Rule 1 : If T001 and K001 and K002 and K003 and K004 Then S001
2. Rule 2 : If T002 and K005 aAnd K006 and K007 and K008 Then S001
3. Rule 3 : If T003 and K009 and K010 and K011 and K012 Then S002
4. Rule 4 : If T004 and K013 and K014 and K015 and K016 Then S002
Analisa permasalahan yang akan dilakukan adalah analisa tentang
jenis-jenis tanaman tahunan dan musiman, jenis tanaman dalam hal
ini dibagi menjadi 4 jenis antara lain:
1. Tanaman Pala
2. Tanaman Kapuk Randu
3. Tanaman Ubi Kayu
4. Tanaman Tebu
Untuk mengetahui apakah tanaman dikatakan sebagai salah satu
jenis tanaman diatas, terlebih dahulu kita mengetahui apa yang
menjadi jenis-jenis tanaman tersebut, jenis-jenis itu akan dijadikan
sebagai salah satu jenis pendukung untuk penentuan jenis
tanaman.
Adapun jenis-jenis umum dari setiap jenis tanaman tersebut antara lain:
1. Tanaman Pala
Kriterianya:
1. Daun berbentuk elips dan langsing
2. Usia tanaman lebih dari satu tahun
3. Buahnya berbentuk lonjong
4. Biji memiliki warna coklat
2. Tanaman Kapuk Randu
Kriterianya:
1. Batang seperti tiang lurus berduri
2. Usia tanaman lebih dari satu tahun
3. Bunga berwarna buram
4. Biji mengandung minyak
3. Tanaman Ubi Kayu
Kriterianya:
1. Pohonnya dapat mencapai tinggi 1,5-5
m
2. Berbuah pada musimnya
3. Daunnya berbagi menjari dengan
cangap 5-9
4. Tiap tanaman dapat menghasilkan 5-
10 umbi
4. Tanaman Tebu
Kriterianya:
1. Batang tumbuh tegak
2. Padat dan beruas
3. Usia tanaman kurang lebih tiga bulan
4. Pada tiap buku terdapat mata tunas
Data di atas adalah data tentang berbagai jenis-jenis tanaman tahunan dan
jenis musiman. Data tersebut merupkana data awal yang nantinya digunakan
inputan dari sistem sebelum diproses menjadi data output.
Untuk lebih jelasnya
kegunaan kriteria tanaman
sebagai inputan dalam
sistem, maka setiap kriteria
tanaman dilambangkan
derngan kode kriteria
tanaman, seperti di jelaskan
pada tabel di samping ini.
Dari tabel keputusan di atas, sistem dapat memberikan informasi mengenai
jenis–jenis tanaman. Jika kriteria yang dialami tersebut sesuai dengan yang
diinput, maka rule yang dapat digunakan untuk menganalisa suatu jenis-jenis
tanaman tersebut adalah sebagai berikut:
1. Rule 1 : If T001 and K001 And K002 and K003 and K004 Then S001
2. Rule 2 : If T002 and K005 And K006 and K007 and K008 Then S001
3. Rule 3 : If T003 and K009 And K010 and K011 and K012 Then S002
4. Rule 4 : If T004 and K013 And K014 And K015 and K016 Then S002
Dempster Shafer
• Menurut Arthur dan Glenn, Dempster-Shafer adalah suatu teori matematika
untuk pembuktian berdasarkan belief functions and plausible reasoning
(Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk
mengkombinasi potongan informasi yang terpisah (bukti) untuk
mengkalukulasi kemungkinan dari suatu peristiwa. Rumus dari dempster
shafer:
Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak
memiliki kepastian penuh. Ketidakpastian ini dapat berupa hasil suatu kejadian.
Hasil yang tidak pasti disebabkan oleh beberapa faktor, yaitu aturan yang tidak
pasti dan jawaban penggunaa yang tidak pasti atas suatu pertanyaan yang
diajukan oleh sistem.
Hal ini sangat mudah dilihat pada sistem diagnosis jenis kriteria tanaman dan
pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Dempster-
Sahfer merupakan nilai parameter klinis yang diberikan untuk menunjukkan
besarnya kepercayaan. Dimana nilai bel (m) suatu kriteria yang diinput antara
(0-0.9).
Penerapan Dampster Shafer
Pada contoh di bawah ini akan dicari presentase kemungkinan dari jenis
Tanaman pala dengan menggunakan perhitungan pada tabel di bawah ini:
Dempster Shafer (DS) jenis tanaman yang dipilih dengan menggunakan nilai
believe yang telah ditentukan pada setiap tanaman.
Pl(Ɵ) = 1 – Bel
Dimana nilai bel (believe) merupakan nilai bobot yang diinput oleh pakar, maka
untuk mencari nilai dari kedua tanaman diatas, terlebih dahulu di cari nilai dari,
seperti yang di bawah ini.
• Jenis Kriteria 1: Daun berbentuk elips dan langsing (K001)
• Maka : K001(bel) = 0.5
K001(Ɵ) = 1-0.5
= 0.5
• Jenis Kriteria 2: Buahnya berbentuk lonjong (K002)
• Maka : K002(bel) = 0.3
K002(Ɵ) = 1-0.3
= 0.7
• Jenis Kriteria 3: Usia tanaman lebih dari satu tahun (K003)
• Maka : K003(bel) = 0.3
K003(Ɵ) = 1-0.3
= 0.7
• Jenis Kriteria 4: Biji memiliki warna coklat (K004)
• Maka : K004(bel) = 0.2
K004(Ɵ) = 1-0.2
= 0.8
• Maka untuk mencari nilai dari JTn, digunakan rumus:
Maka nilai JTn dari Tanaman diatas adalah:
• Maka nilai densitas dari jenis tanaman tersebut adalah 0,0112. maka tanaman
tersebut cukup kuat dikatakan sebagai jenis tanaman Pala, tanaman pala
merupakan tanaman tahunan.
Penerapan Dampster-Sahfer Pada Jenis Tanaman Tebu
Pada contoh di bawah ini akan dicari presentase kemungkinan dari jenis
tanaman tebu dengan menggunakan perhitungan pada tabel di bawah ini:
Dempster Shafer (DS) jenis tanaman yang di pilih dengan menggunakan nilai
believe yang telah ditentukan pada setiap Tanaman.
Pl(Ɵ) = 1 – Bel
Dimana nilai bel (believe) merupakan nilai bobot yang diinput oleh pakar, maka
untuk mencari nilai dari kedua tanaman diatas, terlebih dahulu dicari nilai dari,
seperti yang di bawah ini.
• Jenis Kriteria 1: Batang tumbuh tegak (K013)
• Maka: K013(bel) = 0.5
K013(Ɵ) = 1-0.5
= 0.5
• Jenis kriteria 2: Padat dan beruas (K014)
• Maka: K014(bel) = 0.2
K014(Ɵ) = 1-0.2
= 0.8
• Jenis kriteria 3: Usia tanaman kurang lebih tiga bulan (K015)
• Maka: K015(bel) = 0.2
K015(Ɵ) = 1-0.2
= 0.8
• Jenis kriteria 4: Pada tiap buku terdapat mata tunas (K016)
• Maka: K016(bel) = 0.3
K016(Ɵ) = 1-0.3
= 0.7
• Maka untuk mencari nilai dari JTn, digunakan rumus:
• Maka nilai JTn dari Tanaman diatas adalah:
• Maka nilai densitas dari jenis tanaman tersebut adalah 0,0077. maka tanaman
tersebut cukup kuat dikatakan sebagai jenis tanaman tebu, tebu merupakan
tanaman musiman.
Flowchart Program
Flowchart merupakan diagram alir
yang menggambarkan suatu sistem
peralatan komputer yang digunakan
dalam proses pengolahan data
serta hubungan antar peralatan
tersebut. Sistem flowchart tidak
digunakan untuk menggambarkan
urutan langkah untuk memecahkan
masalah, tetapi hanya untuk
menggambarkan prosedur dalam
sistem yang dibentuk.
Proses yang terjadi pada program
yang dirancang ini dapat dijelaskan
melaui flowchart pada gambar
berikut ini:
Pertemuan 10 Metode Dempster-Shafer Lanjutan.pptx

More Related Content

What's hot

5 Macam Metode Dasar Kriptografi
5 Macam Metode Dasar Kriptografi5 Macam Metode Dasar Kriptografi
5 Macam Metode Dasar Kriptografi
Roziq Bahtiar
 
Rangkuman Materi Ststistika
Rangkuman Materi StstistikaRangkuman Materi Ststistika
Rangkuman Materi Ststistika
Fuad Nasir
 
Algoritma dan Pemrograman C++ (Perulangan)
Algoritma dan Pemrograman C++ (Perulangan)Algoritma dan Pemrograman C++ (Perulangan)
Algoritma dan Pemrograman C++ (Perulangan)
Nabil Muhammad Firdaus
 
Heuristic search-best-first-search
Heuristic search-best-first-searchHeuristic search-best-first-search
Heuristic search-best-first-search
AMIK AL MA'SOEM
 
Forward Backward Chaining
Forward Backward ChainingForward Backward Chaining
Forward Backward Chaining
Herman Tolle
 
03 rangkaian kombinasional
03   rangkaian kombinasional03   rangkaian kombinasional
03 rangkaian kombinasional
opekdoank
 
struktur pengulangan di pascal bagian 2
struktur pengulangan di pascal bagian 2struktur pengulangan di pascal bagian 2
struktur pengulangan di pascal bagian 2
Alfian Syamsurizal
 

What's hot (20)

5 Macam Metode Dasar Kriptografi
5 Macam Metode Dasar Kriptografi5 Macam Metode Dasar Kriptografi
5 Macam Metode Dasar Kriptografi
 
tgsdm3_ kelompok 7
 tgsdm3_ kelompok 7 tgsdm3_ kelompok 7
tgsdm3_ kelompok 7
 
Rangkuman Materi Ststistika
Rangkuman Materi StstistikaRangkuman Materi Ststistika
Rangkuman Materi Ststistika
 
Pertemuan 10
Pertemuan 10Pertemuan 10
Pertemuan 10
 
Norma 2
Norma 2Norma 2
Norma 2
 
Algoritma brute force
Algoritma brute forceAlgoritma brute force
Algoritma brute force
 
Implementasi Algoritma FP - Growth Menentukan Asosiasi Antar Produk
Implementasi Algoritma FP - Growth Menentukan Asosiasi Antar ProdukImplementasi Algoritma FP - Growth Menentukan Asosiasi Antar Produk
Implementasi Algoritma FP - Growth Menentukan Asosiasi Antar Produk
 
Data Mining - Naive Bayes
Data Mining - Naive BayesData Mining - Naive Bayes
Data Mining - Naive Bayes
 
Algoritma dan Pemrograman C++ (Perulangan)
Algoritma dan Pemrograman C++ (Perulangan)Algoritma dan Pemrograman C++ (Perulangan)
Algoritma dan Pemrograman C++ (Perulangan)
 
Pertemuan 1 Data dan Struktur Data
Pertemuan 1 Data dan Struktur DataPertemuan 1 Data dan Struktur Data
Pertemuan 1 Data dan Struktur Data
 
Arsitektur desain data pada RPL
Arsitektur desain data pada RPLArsitektur desain data pada RPL
Arsitektur desain data pada RPL
 
Heuristic search-best-first-search
Heuristic search-best-first-searchHeuristic search-best-first-search
Heuristic search-best-first-search
 
Forward Backward Chaining
Forward Backward ChainingForward Backward Chaining
Forward Backward Chaining
 
Materi Clipping
Materi ClippingMateri Clipping
Materi Clipping
 
Pertemuan 3 dan 4 SBD
Pertemuan 3 dan 4 SBDPertemuan 3 dan 4 SBD
Pertemuan 3 dan 4 SBD
 
Structure
StructureStructure
Structure
 
Arsitektur Komputer 1.ppt
Arsitektur Komputer 1.pptArsitektur Komputer 1.ppt
Arsitektur Komputer 1.ppt
 
03 rangkaian kombinasional
03   rangkaian kombinasional03   rangkaian kombinasional
03 rangkaian kombinasional
 
Pertemuan 4-5-6 Metode Pelacakan dan Pencarian
Pertemuan 4-5-6 Metode Pelacakan dan PencarianPertemuan 4-5-6 Metode Pelacakan dan Pencarian
Pertemuan 4-5-6 Metode Pelacakan dan Pencarian
 
struktur pengulangan di pascal bagian 2
struktur pengulangan di pascal bagian 2struktur pengulangan di pascal bagian 2
struktur pengulangan di pascal bagian 2
 

Similar to Pertemuan 10 Metode Dempster-Shafer Lanjutan.pptx

Modul non parametrik
Modul non parametrikModul non parametrik
Modul non parametrik
Syafie ALin
 
Metode penelitian 5+6
Metode penelitian 5+6Metode penelitian 5+6
Metode penelitian 5+6
anugrahwati
 
Sy tugas anaisis & interpreting data kuantitatif
Sy tugas anaisis & interpreting data kuantitatifSy tugas anaisis & interpreting data kuantitatif
Sy tugas anaisis & interpreting data kuantitatif
Surfa Yondri
 

Similar to Pertemuan 10 Metode Dempster-Shafer Lanjutan.pptx (20)

Materi 8 - Teknik Sampling 2.pdf
Materi 8 - Teknik Sampling 2.pdfMateri 8 - Teknik Sampling 2.pdf
Materi 8 - Teknik Sampling 2.pdf
 
Modul non parametrik
Modul non parametrikModul non parametrik
Modul non parametrik
 
makalah tentang skala pengukuran dan instrumen penelitian
makalah tentang skala pengukuran dan instrumen penelitianmakalah tentang skala pengukuran dan instrumen penelitian
makalah tentang skala pengukuran dan instrumen penelitian
 
Uji chi square
Uji chi squareUji chi square
Uji chi square
 
Metode penelitian 5+6
Metode penelitian 5+6Metode penelitian 5+6
Metode penelitian 5+6
 
Metode penelitian
Metode penelitianMetode penelitian
Metode penelitian
 
Data dan Penyajian Data
Data dan Penyajian DataData dan Penyajian Data
Data dan Penyajian Data
 
Aplikasi spss dan anates
Aplikasi spss dan anatesAplikasi spss dan anates
Aplikasi spss dan anates
 
PERTEMUAN 1-3.pot.pptx
PERTEMUAN 1-3.pot.pptxPERTEMUAN 1-3.pot.pptx
PERTEMUAN 1-3.pot.pptx
 
Bahan Ajar Statistik.pdf
Bahan Ajar Statistik.pdfBahan Ajar Statistik.pdf
Bahan Ajar Statistik.pdf
 
Prosesing-Data-Menggunakan-EViews.pptx
Prosesing-Data-Menggunakan-EViews.pptxProsesing-Data-Menggunakan-EViews.pptx
Prosesing-Data-Menggunakan-EViews.pptx
 
Sy tugas anaisis & interpreting data kuantitatif
Sy tugas anaisis & interpreting data kuantitatifSy tugas anaisis & interpreting data kuantitatif
Sy tugas anaisis & interpreting data kuantitatif
 
Pengantar spss
Pengantar spssPengantar spss
Pengantar spss
 
Tugas bu ifana
Tugas bu ifanaTugas bu ifana
Tugas bu ifana
 
Pertemuan 7 dan_8
Pertemuan 7 dan_8Pertemuan 7 dan_8
Pertemuan 7 dan_8
 
LAPORAN PRAKTIKUM STATISTIKA MULTIVARIAT TERAPAN UAS
LAPORAN PRAKTIKUM STATISTIKA MULTIVARIAT TERAPAN UASLAPORAN PRAKTIKUM STATISTIKA MULTIVARIAT TERAPAN UAS
LAPORAN PRAKTIKUM STATISTIKA MULTIVARIAT TERAPAN UAS
 
1._Data,_Jenis_Data,_Variabel,_Skala_Pengukuran,[1].pptx
1._Data,_Jenis_Data,_Variabel,_Skala_Pengukuran,[1].pptx1._Data,_Jenis_Data,_Variabel,_Skala_Pengukuran,[1].pptx
1._Data,_Jenis_Data,_Variabel,_Skala_Pengukuran,[1].pptx
 
diskusi_8.docx (2).pdf
diskusi_8.docx (2).pdfdiskusi_8.docx (2).pdf
diskusi_8.docx (2).pdf
 
TM5-statistika_5.ppt
TM5-statistika_5.pptTM5-statistika_5.ppt
TM5-statistika_5.ppt
 
Minggu7 - Expert System (Baru).pdf
Minggu7 - Expert System (Baru).pdfMinggu7 - Expert System (Baru).pdf
Minggu7 - Expert System (Baru).pdf
 

Recently uploaded

Analisis varinasi (anova) dua arah dengan interaksi
Analisis varinasi (anova) dua arah dengan interaksiAnalisis varinasi (anova) dua arah dengan interaksi
Analisis varinasi (anova) dua arah dengan interaksi
MemenAzmi1
 

Recently uploaded (12)

Materi Kelas 8 - Unsur, Senyawa dan Campuran.pptx
Materi Kelas 8 - Unsur, Senyawa dan Campuran.pptxMateri Kelas 8 - Unsur, Senyawa dan Campuran.pptx
Materi Kelas 8 - Unsur, Senyawa dan Campuran.pptx
 
PPT KLONING (Domba Dolly), perkembangan kloning hewan, mekanisme kloning hewa...
PPT KLONING (Domba Dolly), perkembangan kloning hewan, mekanisme kloning hewa...PPT KLONING (Domba Dolly), perkembangan kloning hewan, mekanisme kloning hewa...
PPT KLONING (Domba Dolly), perkembangan kloning hewan, mekanisme kloning hewa...
 
Uji hipotesis, prosedur hipotesis, dan analisis data
Uji hipotesis, prosedur hipotesis, dan analisis dataUji hipotesis, prosedur hipotesis, dan analisis data
Uji hipotesis, prosedur hipotesis, dan analisis data
 
PATROLI dengan BERBASIS MASYARAKAT Kehutananan
PATROLI dengan BERBASIS MASYARAKAT KehutanananPATROLI dengan BERBASIS MASYARAKAT Kehutananan
PATROLI dengan BERBASIS MASYARAKAT Kehutananan
 
Analisis varinasi (anova) dua arah dengan interaksi
Analisis varinasi (anova) dua arah dengan interaksiAnalisis varinasi (anova) dua arah dengan interaksi
Analisis varinasi (anova) dua arah dengan interaksi
 
Ruang Lingkup Lembaga Keuangan Bank dan Non Bank
Ruang Lingkup Lembaga Keuangan Bank dan Non BankRuang Lingkup Lembaga Keuangan Bank dan Non Bank
Ruang Lingkup Lembaga Keuangan Bank dan Non Bank
 
MATERI IPA KELAS 9 SMP: BIOTEKNOLOGI ppt
MATERI IPA KELAS 9 SMP: BIOTEKNOLOGI pptMATERI IPA KELAS 9 SMP: BIOTEKNOLOGI ppt
MATERI IPA KELAS 9 SMP: BIOTEKNOLOGI ppt
 
Dana Setiawan (Paparan terkait Konstruksi Jalan )
Dana Setiawan   (Paparan terkait Konstruksi Jalan )Dana Setiawan   (Paparan terkait Konstruksi Jalan )
Dana Setiawan (Paparan terkait Konstruksi Jalan )
 
bagian 2 pengujian hipotesis deskriptif 1 sampel
bagian 2 pengujian hipotesis deskriptif 1 sampelbagian 2 pengujian hipotesis deskriptif 1 sampel
bagian 2 pengujian hipotesis deskriptif 1 sampel
 
Soal Campuran Asam Basa Kimia kelas XI.pdf
Soal Campuran Asam Basa Kimia kelas XI.pdfSoal Campuran Asam Basa Kimia kelas XI.pdf
Soal Campuran Asam Basa Kimia kelas XI.pdf
 
Petunjuk Teknis Penggunaan Aplikasi OSNK 2024
Petunjuk Teknis Penggunaan Aplikasi OSNK 2024Petunjuk Teknis Penggunaan Aplikasi OSNK 2024
Petunjuk Teknis Penggunaan Aplikasi OSNK 2024
 
Lampiran 4 _ Lembar Kerja Rencana Pengembangan Kompetensi DIri_Titin Solikhah...
Lampiran 4 _ Lembar Kerja Rencana Pengembangan Kompetensi DIri_Titin Solikhah...Lampiran 4 _ Lembar Kerja Rencana Pengembangan Kompetensi DIri_Titin Solikhah...
Lampiran 4 _ Lembar Kerja Rencana Pengembangan Kompetensi DIri_Titin Solikhah...
 

Pertemuan 10 Metode Dempster-Shafer Lanjutan.pptx

  • 2. Pengantar • Metode Dempster Shafer adalah 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 mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur P. Dempster dan Glenn Shafer.
  • 3. Secara umum teori Dempster Shafer ditulis dalam suatu interval: [Belief, Plausibility] 1.Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 (nol) maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian. Dimana nilai bel yaitu (0-0.9). 2.Plausibility (Pls) dinotasikan sebagai: Pl(s) = 1 – B (-s) Plausibility juga bernilai 0 sampai 1, jika yakin akan –s, maka dapat dikatakan Bel(-s) = 1 dan Pl(-s) = 0.
  • 4. Pada teori Dempster-Shafer juga dikenal adanya frame of discernment yang dinotasikan dengan θ . Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan elemen- elemen θ. Tidak semua evidence secara langsung mendukung tiap- tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefenisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n. Jumlah m dalam dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0.
  • 5. Apabila diketahui X adalah subset dari θ , dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu : Keterangan: • M1(X) : Mass function dari evidence X • M2(Y) : Mass function dari evidence Y • M3(Z) : Mass function dari evidence Z
  • 6. Implementasi Dempster Shafer • Analisis Permasalahan Analisis permasalahan merupakan proses awal yang harus dilaksanakan untuk menentukan permasalahan yang sedang dihadapi. Tahap ini dalah sangat penting, karena proses analisis data yang kurang akurat akan menyebabkan hasil dari suatu sistem tidak sesuai yang diharapkan. Jadi proses ini harus benar-benar sesuai dengan perencanaan agar menghasilkan suatu sistem yang baik. Analisis permasalahan data yang akan dilakukan adalah analisa tentang jenis-jenis tanaman tahunan dan musiman. Dalam sisitem pakar ini yang nantinya akan digunakan untuk membantu user dalam menentukan hasil atau pemecahan masalah yang dihadapi dalam memperhitungkan kriteria tanaman. Permasalahan yang dihadapi dengan menentukan jenis tanaman tahunan dan musiman. Dimana dalam memperhitungkan nilai kriteria tersebut adalah dengan menerapkan metode Dempster Shafer. Berdasarkan Dempster Shafer Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh.
  • 7. Ketidakpastian ini dapat berupa hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh beberapa faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosis jenis kriteria tanaman dan pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Dempster Sahfer merupakan nilai parameter klinis yang diberikan untuk menunjukkan besarnya kepercayaan. Dimana nilai bel (m) suatu kriteria yang diinput antara (0-0.9).
  • 8. Algoritma Sistem Dibutuhkan algoritma untuk diimplementasikan ke dalam program aplikasi ini, yaitu langkahlangkah intruksi sehingga dicapai hasil yang diinginkan. Algoritma yang digunakan dalam aplikasi ini untuk menentukan klasifikasi Tanaman adalah sebagai berikut: 1. Memulai tes 2. Input User Name dan Password 3. User memilih satu karakter 4. User menjawab pertanyaan 5. Kesimpulan
  • 9. Dalam perancangan basis pengetahuan ini digunakan kaidah produksi sebagai sarana untuk representasi pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA (premis) MAKA (konklusi). Pada perancangan basis pengetahuan sistem pakar ini premis adalah ciri-ciri yang terlihat pada kriteria tanaman dan konklusi adalah jenis tanaman, sehingga bentuk pernyataannya adalah JIKA (Nama Tanaman) DAN (Kriteria) MAKA (Jenis tanaman). Bagian premis dalam aturan produksi dapat memiliki lebih dari satu proposisi yaitu berarti pada sistem pakar ini dalam satu kaidah dapat memiliki lebih dari satu kriteria. Ciri-ciri tersebut dihubungkan dengan menggunakan operator logika DAN. Bentuk pernyatannya adalah: JIKA (Nama Tanaman) JIKA (Kriteria 1) JIKA (Kriteria 2) JIKA (Kriteria 3) DAN (Kriteria 4) MAKA (Jenis Tanaman)
  • 10. Adapun contoh kaidah sistem pakar dalam menentukan jenis tanaman tahunan dan musiman dengan metode dempster shafer adalah sebagai berikut: Dimana, Jika: S001 = Jenis Tanaman Tahunan S002 = Jenis Tanaman Musiman
  • 11. Dari alur, rule dan tabel keputusan di atas, maka dapat dikonversikan menjadi kaidah produksi. Kaidah produksi dibentuk dari pengubahan tabel keputusan. Pembuatan suatu kaidah dilakukan dengan beberapa tahapan. Berikut ini merupakan bentuk pengkonversian tabel keputusan menjadi kaidah produksi: 1. Rule 1 : If T001 and K001 and K002 and K003 and K004 Then S001 2. Rule 2 : If T002 and K005 aAnd K006 and K007 and K008 Then S001 3. Rule 3 : If T003 and K009 and K010 and K011 and K012 Then S002 4. Rule 4 : If T004 and K013 and K014 and K015 and K016 Then S002
  • 12. Analisa permasalahan yang akan dilakukan adalah analisa tentang jenis-jenis tanaman tahunan dan musiman, jenis tanaman dalam hal ini dibagi menjadi 4 jenis antara lain: 1. Tanaman Pala 2. Tanaman Kapuk Randu 3. Tanaman Ubi Kayu 4. Tanaman Tebu Untuk mengetahui apakah tanaman dikatakan sebagai salah satu jenis tanaman diatas, terlebih dahulu kita mengetahui apa yang menjadi jenis-jenis tanaman tersebut, jenis-jenis itu akan dijadikan sebagai salah satu jenis pendukung untuk penentuan jenis tanaman.
  • 13. Adapun jenis-jenis umum dari setiap jenis tanaman tersebut antara lain: 1. Tanaman Pala Kriterianya: 1. Daun berbentuk elips dan langsing 2. Usia tanaman lebih dari satu tahun 3. Buahnya berbentuk lonjong 4. Biji memiliki warna coklat 2. Tanaman Kapuk Randu Kriterianya: 1. Batang seperti tiang lurus berduri 2. Usia tanaman lebih dari satu tahun 3. Bunga berwarna buram 4. Biji mengandung minyak
  • 14. 3. Tanaman Ubi Kayu Kriterianya: 1. Pohonnya dapat mencapai tinggi 1,5-5 m 2. Berbuah pada musimnya 3. Daunnya berbagi menjari dengan cangap 5-9 4. Tiap tanaman dapat menghasilkan 5- 10 umbi 4. Tanaman Tebu Kriterianya: 1. Batang tumbuh tegak 2. Padat dan beruas 3. Usia tanaman kurang lebih tiga bulan 4. Pada tiap buku terdapat mata tunas
  • 15. Data di atas adalah data tentang berbagai jenis-jenis tanaman tahunan dan jenis musiman. Data tersebut merupkana data awal yang nantinya digunakan inputan dari sistem sebelum diproses menjadi data output.
  • 16. Untuk lebih jelasnya kegunaan kriteria tanaman sebagai inputan dalam sistem, maka setiap kriteria tanaman dilambangkan derngan kode kriteria tanaman, seperti di jelaskan pada tabel di samping ini.
  • 17. Dari tabel keputusan di atas, sistem dapat memberikan informasi mengenai jenis–jenis tanaman. Jika kriteria yang dialami tersebut sesuai dengan yang diinput, maka rule yang dapat digunakan untuk menganalisa suatu jenis-jenis tanaman tersebut adalah sebagai berikut: 1. Rule 1 : If T001 and K001 And K002 and K003 and K004 Then S001 2. Rule 2 : If T002 and K005 And K006 and K007 and K008 Then S001 3. Rule 3 : If T003 and K009 And K010 and K011 and K012 Then S002 4. Rule 4 : If T004 and K013 And K014 And K015 and K016 Then S002
  • 18. Dempster Shafer • Menurut Arthur dan Glenn, Dempster-Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (Fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasi potongan informasi yang terpisah (bukti) untuk mengkalukulasi kemungkinan dari suatu peristiwa. Rumus dari dempster shafer:
  • 19. Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh beberapa faktor, yaitu aturan yang tidak pasti dan jawaban penggunaa yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosis jenis kriteria tanaman dan pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Dempster- Sahfer merupakan nilai parameter klinis yang diberikan untuk menunjukkan besarnya kepercayaan. Dimana nilai bel (m) suatu kriteria yang diinput antara (0-0.9).
  • 20. Penerapan Dampster Shafer Pada contoh di bawah ini akan dicari presentase kemungkinan dari jenis Tanaman pala dengan menggunakan perhitungan pada tabel di bawah ini:
  • 21. Dempster Shafer (DS) jenis tanaman yang dipilih dengan menggunakan nilai believe yang telah ditentukan pada setiap tanaman. Pl(Ɵ) = 1 – Bel Dimana nilai bel (believe) merupakan nilai bobot yang diinput oleh pakar, maka untuk mencari nilai dari kedua tanaman diatas, terlebih dahulu di cari nilai dari, seperti yang di bawah ini. • Jenis Kriteria 1: Daun berbentuk elips dan langsing (K001) • Maka : K001(bel) = 0.5 K001(Ɵ) = 1-0.5 = 0.5 • Jenis Kriteria 2: Buahnya berbentuk lonjong (K002) • Maka : K002(bel) = 0.3 K002(Ɵ) = 1-0.3 = 0.7
  • 22. • Jenis Kriteria 3: Usia tanaman lebih dari satu tahun (K003) • Maka : K003(bel) = 0.3 K003(Ɵ) = 1-0.3 = 0.7 • Jenis Kriteria 4: Biji memiliki warna coklat (K004) • Maka : K004(bel) = 0.2 K004(Ɵ) = 1-0.2 = 0.8 • Maka untuk mencari nilai dari JTn, digunakan rumus:
  • 23. Maka nilai JTn dari Tanaman diatas adalah: • Maka nilai densitas dari jenis tanaman tersebut adalah 0,0112. maka tanaman tersebut cukup kuat dikatakan sebagai jenis tanaman Pala, tanaman pala merupakan tanaman tahunan.
  • 24. Penerapan Dampster-Sahfer Pada Jenis Tanaman Tebu Pada contoh di bawah ini akan dicari presentase kemungkinan dari jenis tanaman tebu dengan menggunakan perhitungan pada tabel di bawah ini:
  • 25. Dempster Shafer (DS) jenis tanaman yang di pilih dengan menggunakan nilai believe yang telah ditentukan pada setiap Tanaman. Pl(Ɵ) = 1 – Bel Dimana nilai bel (believe) merupakan nilai bobot yang diinput oleh pakar, maka untuk mencari nilai dari kedua tanaman diatas, terlebih dahulu dicari nilai dari, seperti yang di bawah ini. • Jenis Kriteria 1: Batang tumbuh tegak (K013) • Maka: K013(bel) = 0.5 K013(Ɵ) = 1-0.5 = 0.5 • Jenis kriteria 2: Padat dan beruas (K014) • Maka: K014(bel) = 0.2 K014(Ɵ) = 1-0.2 = 0.8
  • 26. • Jenis kriteria 3: Usia tanaman kurang lebih tiga bulan (K015) • Maka: K015(bel) = 0.2 K015(Ɵ) = 1-0.2 = 0.8 • Jenis kriteria 4: Pada tiap buku terdapat mata tunas (K016) • Maka: K016(bel) = 0.3 K016(Ɵ) = 1-0.3 = 0.7 • Maka untuk mencari nilai dari JTn, digunakan rumus:
  • 27. • Maka nilai JTn dari Tanaman diatas adalah: • Maka nilai densitas dari jenis tanaman tersebut adalah 0,0077. maka tanaman tersebut cukup kuat dikatakan sebagai jenis tanaman tebu, tebu merupakan tanaman musiman.
  • 28. Flowchart Program Flowchart merupakan diagram alir yang menggambarkan suatu sistem peralatan komputer yang digunakan dalam proses pengolahan data serta hubungan antar peralatan tersebut. Sistem flowchart tidak digunakan untuk menggambarkan urutan langkah untuk memecahkan masalah, tetapi hanya untuk menggambarkan prosedur dalam sistem yang dibentuk. Proses yang terjadi pada program yang dirancang ini dapat dijelaskan melaui flowchart pada gambar berikut ini: